基于直方圖差值比較的人臉識(shí)別系統(tǒng)(matlab)附詳細(xì)程序代碼

基于直方圖差值比較的人臉識(shí)(matlab)碼北方工業(yè)大學(xué)學(xué)生姓名：指導(dǎo)老師：專(zhuān)業(yè)班級(jí)：完成時(shí)間：

09A-12013618基于直方圖差值比較的人臉識(shí)別系統(tǒng)設(shè)計(jì)摘 要人臉識(shí)別系統(tǒng)因其在安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、醫(yī)學(xué)、檔案管理、視人臉識(shí)別系統(tǒng)因其在安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、醫(yī)學(xué)、檔案管理、視頻會(huì)議、人機(jī)交互、系統(tǒng)公安、罪犯識(shí)別等方面的巨大應(yīng)用前景而越來(lái)越成頻會(huì)議、人機(jī)交互、系統(tǒng)公安、罪犯識(shí)別等方面的巨大應(yīng)用前景而越來(lái)越成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。本文提出了應(yīng)用直方圖差值比較的方法實(shí)現(xiàn)對(duì)人臉的識(shí)別。主要包括人臉的讀入、人臉鎖定、特征提取、人臉識(shí)別等四大模塊。本文在總結(jié)分析人臉MATLAB關(guān)鍵詞：人臉識(shí)別；圖像預(yù)處理；特征提??；直方圖差值比較BasedonthehistogramdifferencecomparingthefacerecognitionsystemdesignAbstractBecause Face Identification has great advantages in fronts suchas;SecurityBecause Face Identification has great advantages in fronts suchas;Securityverification,system,Credit,card,validation,medical,File,management,Videoconference,Thehuman-computerinteraction,Thepublicsecuritysystem,Criminalerence,Thehuman-computerinteraction,Thepublicsecuritysystem,CriminalidentificationsoithasincreasinglybecomeaHotspotsinPatternrecognitionidentificationsoithasincreasinglybecomeaHotspotsinPatternrecognitionandArtificialintelligence.andArtificialintelligence.ThisessayusesHistogramdifferencecomparisonmethodtodistinguishFace Identification .It contains four modules:Face reading in lock,FeatureextractionandFaceIdentification.WesummarizeandanalysisseveralusualTheimageprocessingmethods,andwealsouseMATLABtoachieveaFacerecognitionsimulationsystemwhichincludesAvarietyofprocessingmethods.ThesimulationsystemcouldbeembeddedintoIdentificationsystem.WeuseGrayimagehistogramtorecognizefacesimage'sidentification.KeyKeywords :Facerecognition,Imagepreprocessing,FeatureextractionHistogramdifferencecomparison.目 錄101.1-0-1.2-1在安全防范領(lǐng)域中的應(yīng)用..-2-在犯罪刑偵領(lǐng)域中的應(yīng)用..-3-在公共事業(yè)領(lǐng)域中的應(yīng)用..-3-1.3-31.4-41.5-51.671.781.7.1數(shù)碼相機(jī)人臉自動(dòng)對(duì)焦和笑臉快門(mén)技術(shù)81.7.2-91.7.39-1.7.4-91.7.5-101.7.610-1.7.7信息安全-11-2Matlab122.1Matlab122.2-122.2.1122.2.2-132.2.313-2.2.414-2.3.215-2.3.316-3.人臉識(shí)別的常用算法介紹183.1-183.1.1基于面部幾何特征的方法-18-3.1.2193.1.3193.1.4-203.1.5-20-3.2203.2.1(NC)213.2.2（NN）213.2.3-21-3.2.4-223.2.5(SVM)-223.2.6(NNC)224.人臉識(shí)別系統(tǒng)的設(shè)計(jì)及實(shí)現(xiàn)244.124-4.2-244.2.124-4.2.3274.2.4274.3-285.基于直方圖的人臉識(shí)別實(shí)現(xiàn)-31-5.1-31-5.231-5.2.1315.2.232-5.2.3345.334-5.3.1345.3.336-5.4-37-5.5matlab-376.影響人臉識(shí)別的因素和常用人臉庫(kù)介紹-41-6.1-426.1.142-6.1.242-6.1.343-6.2-446.2.1ORL-44Manchester44FERET-446.2.4ATR-45-6.2.5MZVTS454647參考文獻(xiàn)4850外文資料翻譯及原文62-數(shù)字圖像處理與邊緣檢測(cè)-62-0--0-緒論然后介紹了人臉圖像識(shí)別研究中存在的問(wèn)題；接著介紹了自動(dòng)人臉識(shí)別系統(tǒng)的一般框架構(gòu)成；最后簡(jiǎn)要地介紹了本文的主要工作和章節(jié)結(jié)構(gòu)。研究背景21常生活的重要問(wèn)題之一。社會(huì)的發(fā)展促進(jìn)了人的流動(dòng)性，進(jìn)而也增加了社會(huì)21標(biāo)識(shí)知識(shí)(如用戶名、密碼)來(lái)識(shí)別身份，這在很長(zhǎng)一段時(shí)期是非?？煽亢头奖愕淖R(shí)別方法，得到了廣泛的應(yīng)用。但是，隨著網(wǎng)絡(luò)、通信、交通等技的飛速發(fā)展，人們活動(dòng)的現(xiàn)實(shí)空間和虛擬空間不斷擴(kuò)大，需要身份認(rèn)證的場(chǎng)合也變得無(wú)處不在。人們需要攜帶的身份標(biāo)識(shí)物品越來(lái)越多，身份標(biāo)識(shí)知識(shí)也變得越來(lái)越復(fù)雜和冗長(zhǎng)在這種情況下，傳統(tǒng)身份識(shí)別方式的弊端日益彰顯。身份標(biāo)識(shí)物品容易被丟失和偽造，份標(biāo)識(shí)知識(shí)容易被遺忘、竊取和破解，而身--份標(biāo)識(shí)的重要性又使得一旦失去了身份標(biāo)識(shí)會(huì)給標(biāo)識(shí)的所有者甚至整個(gè)社會(huì)帶來(lái)重大的甚至難以彌補(bǔ)的損失。在美國(guó)，每年約有上百萬(wàn)的福利款被人以假冒的身份領(lǐng)取;每年發(fā)生的信用卡、ATM達(dá)數(shù)百億美元。面臨著這樣的狀況，人們對(duì)身份識(shí)別的安全性、可靠性、準(zhǔn)確和實(shí)用性提出了更高的要求，必須尋求身份識(shí)別的新途徑。于是，近年來(lái)人類(lèi)生物特征越來(lái)越廣泛地用于身份識(shí)別，而且生物特征可以更好的進(jìn)行安全控制，世界各國(guó)政府都在大力推進(jìn)生物識(shí)別技術(shù)的發(fā)展及應(yīng)用。與原有的人類(lèi)身分識(shí)別技術(shù)(如:個(gè)人密碼、磁卡、智能卡等)相比，基于人類(lèi)生物特征的識(shí)別技術(shù)具有安全可靠、特征唯一、不易偽造、不可竊DNA人臉等?；谶@些相對(duì)獨(dú)特的人類(lèi)特征，結(jié)合計(jì)算機(jī)技術(shù)，發(fā)展起眾多的基DNA人臉識(shí)別的應(yīng)用前景1.1中所列舉就是其中已經(jīng)實(shí)現(xiàn)或逐步完善的應(yīng)用。表1.1人臉識(shí)別的應(yīng)用應(yīng)用信用卡照片匹配互聯(lián)網(wǎng)應(yīng)用人群監(jiān)測(cè)

優(yōu)點(diǎn)圖像攝取可控信息視頻價(jià)值高監(jiān)控效果好圖像實(shí)時(shí)性

存在的問(wèn)題需要建立龐大的數(shù)據(jù)庫(kù)圖像質(zhì)量不統(tǒng)一存在虛假（1）其他的生物特征識(shí)別方法都需要一些人為的行為配合，而人臉識(shí)別不需要。（2）可應(yīng)用在遠(yuǎn)距離監(jiān)控中。（3）針對(duì)現(xiàn)在的第一、二代身份證，每個(gè)身份證都有人臉的正面照片，也就是人臉庫(kù)將是最完善的，包括人最多的，我們可以利用這個(gè)庫(kù)來(lái)更直觀、更方便的核查該人的身份。（4）相對(duì)于其他基于生物特征識(shí)別技術(shù)，人臉識(shí)別技術(shù)具有特征錄入方便，信息豐富，使用面廣等優(yōu)點(diǎn)，同時(shí)人臉識(shí)別系統(tǒng)更加直接友好。人臉識(shí)別技術(shù)作為生物識(shí)別技術(shù)的一種，以其特有的穩(wěn)定性、方便性、唯一性等特點(diǎn)被越來(lái)越多地應(yīng)用于除安全問(wèn)題外的各種身份識(shí)別領(lǐng)域。人臉識(shí)別技術(shù)可應(yīng)用于以下方面：在安全防范領(lǐng)域中的應(yīng)用地進(jìn)行身份識(shí)別，而不使被識(shí)別者感到不舒服。在犯罪刑偵領(lǐng)域中的應(yīng)用在刑偵工作中，對(duì)罪犯的抓捕是至關(guān)重要的一環(huán)。應(yīng)用人臉識(shí)別技術(shù)可從而大大促進(jìn)了罪犯抓捕工作的開(kāi)展。在公共事業(yè)領(lǐng)域中的應(yīng)用在現(xiàn)代社會(huì)，許多領(lǐng)域都需要對(duì)人進(jìn)行身份驗(yàn)證。如銀行、保險(xiǎn)、交通等公共事業(yè)部門(mén)。采用傳統(tǒng)的密碼、IC卡等手段和技術(shù)對(duì)人進(jìn)行身份驗(yàn)證具有安全性差、易遺失、易偽造等缺點(diǎn)。而采用人臉識(shí)別技術(shù)進(jìn)行身份驗(yàn)證則能夠很好地克服傳統(tǒng)身份驗(yàn)證手段和技術(shù)的缺點(diǎn)。人臉識(shí)別的概述生物特征識(shí)別技術(shù)是通過(guò)計(jì)算機(jī)利用人體所固有的生理特征或行為特征然，多是后天性的。我們將生理和行為特征統(tǒng)稱為生物特征。常用的生物特征包括:指紋、掌紋、虹膜、視網(wǎng)膜、臉像、聲音、筆跡等。那么，生物特征識(shí)別技術(shù)是如何進(jìn)行個(gè)人特征識(shí)別的呢?生物鑒別的過(guò)程分成三個(gè)步驟:生物特征數(shù)據(jù)采樣，生物特征提取和特征生物特征提取過(guò)程則從傳感器采集的數(shù)據(jù)中抽取出反映個(gè)體特性的信息(通常是某種數(shù)學(xué)上的編碼過(guò)程)，匹配階段則是計(jì)算生物特征之間的相似性并進(jìn)行排序和一致性判斷的過(guò)程。生物特征識(shí)別技術(shù)主要有人臉識(shí)別、指紋識(shí)別、語(yǔ)音識(shí)別、虹膜識(shí)別等。的生物特征識(shí)別技術(shù)之一。并將其與已知人臉庫(kù)中的人臉進(jìn)行對(duì)比，從而識(shí)別每張人臉的身份。本文研究的問(wèn)題MATLABmatlabMATLAB其中涉及到圖像的選取，臉部定位，特征提取，圖像處理和識(shí)別幾個(gè)過(guò)程。識(shí)別系統(tǒng)的構(gòu)成人類(lèi)似乎具有“與生俱來(lái)”的人臉識(shí)別能力，賦予計(jì)算機(jī)同樣的能力是人類(lèi)的夢(mèng)想之一，這就是所謂的“人臉識(shí)別”系統(tǒng)。假設(shè)我們把照相機(jī)、AFR的能力。1.1能的任務(wù)。人臉人特人圖臉征臉像檢提識(shí)獲測(cè)取別取

圖1.1人臉識(shí)別系統(tǒng)一般框架而是直接給定要識(shí)別的圖像。人臉的檢測(cè)所檢測(cè)到的人臉位置、大小等狀態(tài)隨時(shí)間的連續(xù)變化情況。特征提取通過(guò)人臉特征點(diǎn)的檢測(cè)與標(biāo)定可以確定人臉圖像中顯著特征點(diǎn)的位置（如眼睛、眉毛、鼻子、嘴巴等器官廓的形狀信息的描述。根據(jù)人臉特征點(diǎn)檢測(cè)與標(biāo)定的結(jié)果，通過(guò)某些運(yùn)算得到人臉特征的描述（這些特征包括：全局特征和局部特征，顯式特征和統(tǒng)計(jì)特征等?；谌四槇D像比對(duì)的身份識(shí)別即人臉識(shí)別(FaceIdentification)(CloseSet)人臉識(shí)別問(wèn)題，即假定輸入的人臉一定是人臉庫(kù)中的某個(gè)個(gè)體；另一類(lèi)是開(kāi)集(OpenSet)對(duì)輸入人臉是否在已知人臉庫(kù)中做出判斷，如果是，則給出其身份?；谌四槇D像比對(duì)的身份驗(yàn)證即人臉確認(rèn)(Face用戶宣稱的該人臉的身份信息，系統(tǒng)要對(duì)該輸入人臉圖像的身份與宣稱的身份是否相符作出判斷。據(jù)庫(kù)中的已知人臉之間進(jìn)行匹配的人臉鑒別。研究方向。人臉識(shí)別國(guó)內(nèi)外發(fā)展概況見(jiàn)諸文獻(xiàn)的機(jī)器自動(dòng)人臉識(shí)別研究開(kāi)始于1966年P(guān)RI的Bledsoe的工作1990年日本研制的人像識(shí)別機(jī)可在1秒鐘內(nèi)中從3500人中識(shí)別到你要找的人。1993年，美國(guó)國(guó)防部高級(jí)研究項(xiàng)目署 (AdvancedResearchProjectsAgency)和美國(guó)陸軍研究實(shí)驗(yàn)室(Army Research Laboratory)成立了Feret(FaceRecognition項(xiàng)目組，建立了feret人臉數(shù)據(jù)庫(kù)，用于評(píng)價(jià)人臉識(shí)別算法的性能。vc++開(kāi)發(fā)，通過(guò)軟件實(shí)現(xiàn)的，并且FAR49在美國(guó)的進(jìn)行的公開(kāi)測(cè)試中，F(xiàn)AR53%。美國(guó)國(guó)防部高級(jí)研究項(xiàng)目署，利用半自動(dòng)和全自動(dòng)算法。這種算法需要人工或自動(dòng)指出圖像中人的兩眼的中心坐標(biāo)，然后進(jìn)行識(shí)別。在機(jī)場(chǎng)開(kāi)展的測(cè)試中，系統(tǒng)發(fā)出的錯(cuò)誤警報(bào)太多，國(guó)外的一些高校（卡內(nèi)基梅隆大學(xué)MellonUniversity）為首，麻省理工大學(xué)（MassachusettsInstituteofTechnology）等，英國(guó)的雷丁大學(xué)（UniversityofReading）（VisionicsFaceltFaceFINDER身份驗(yàn)證系統(tǒng)、LauTechHunterBioID系統(tǒng)等）的工程研究工作也主要放在公安、刑事方面，在考試驗(yàn)證系統(tǒng)的實(shí)現(xiàn)方面深入研究并不多。863200223001--7502070%.2005118現(xiàn)階段人臉識(shí)別應(yīng)用舉例數(shù)碼相機(jī)人臉自動(dòng)對(duì)焦和笑臉快門(mén)技術(shù)首先是面部捕捉。它根據(jù)人的頭部的部位進(jìn)行判定，首先確定頭部，然后判斷眼睛和嘴巴等頭部特征，通過(guò)特征庫(kù)的比對(duì)，確認(rèn)是人面部，完成面部捕捉。然后以人臉為焦點(diǎn)進(jìn)行自動(dòng)對(duì)焦，可以大大的提升拍出照片的清晰度。笑臉快門(mén)技術(shù)就是在人臉識(shí)別的基礎(chǔ)上，完成了面部捕捉，然后開(kāi)始判斷嘴的上彎程度和眼的下彎程度，來(lái)判斷是不是笑了。以上所有的捕捉和比較都是在對(duì)比特征庫(kù)的情況下完成的，所以特征庫(kù)是基礎(chǔ)，里面有各種典型的面部和笑臉特征數(shù)據(jù)。公安刑偵破案在機(jī)場(chǎng)或車(chē)站安裝系統(tǒng)以抓捕在逃案犯。門(mén)禁系統(tǒng)盜門(mén)等.如圖.2門(mén)禁系統(tǒng)。圖1.2門(mén)禁識(shí)別攝像防盜系統(tǒng)的發(fā)生。信用卡網(wǎng)絡(luò)支付圖1.3信用卡識(shí)別1.3身份辨識(shí)如電子護(hù)照及身份證。這或許是未來(lái)規(guī)模最大的應(yīng)用。在國(guó)際民航組織201041118照，人臉識(shí)別技術(shù)是首推識(shí)別模式，該規(guī)定已經(jīng)成為國(guó)際標(biāo)準(zhǔn)。美國(guó)已經(jīng)要20061026200650這樣的系統(tǒng)。今年年初，美國(guó)運(yùn)輸安全署（TransportationSecurity計(jì)劃在全美推廣一項(xiàng)基于生物特征的國(guó)內(nèi)通用旅行證件。歐洲很多國(guó)家也在計(jì)劃或者正在實(shí)施類(lèi)似的計(jì)劃，用包含生物特征的證件對(duì)旅客進(jìn)行識(shí)別和管理。信息安全子商務(wù)和電子政務(wù)系統(tǒng)的可靠性。圖像處理的Matlab實(shí)現(xiàn)MatlabMathWorkMatlab語(yǔ)言語(yǔ)法限制不嚴(yán)格程序設(shè)計(jì)自由度大,Matlab還推出了功能強(qiáng)大的適應(yīng)于圖像分析和處理的工具箱,常用的有圖像處理工具箱、小波分析工具箱及數(shù)字信號(hào)處理工具箱。,我們可以很方便的從各個(gè)方面對(duì)圖像的性質(zhì)進(jìn)行深入的研MatlabRGB像并能操作.bmp、.jpg、.tif等多種圖像格式文件。數(shù)字圖像處理及過(guò)程圖像理解等內(nèi)容。圖像處理的基本操作讀取和顯示圖像可以通過(guò) imread()和imshow()來(lái)實(shí)現(xiàn);圖像的輸出用imwrite()函數(shù)就可以很方便的把圖像輸出到硬盤(pán)上另外還可以用imcrop()imrisize()、imrotate()等來(lái)實(shí)現(xiàn)圖像的裁剪、縮放和旋轉(zhuǎn)等功能。圖像類(lèi)型的轉(zhuǎn)換Matlab支持多種圖像類(lèi)型,但在某些圖像操作中,對(duì)圖像的類(lèi)型有要求,所Matlab7.0圖像處理工具箱為我們提供了不同圖像類(lèi)型相互轉(zhuǎn)換的大量函數(shù)如mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像,rgb2gray()RGB圖像或顏色映像表為灰度圖像。在類(lèi)型轉(zhuǎn)換的時(shí)候我們還經(jīng)常遇到數(shù)據(jù)類(lèi)型不匹配的情況針對(duì)這種情況,Matlab7.0工具箱中,給我們提供了各種數(shù)據(jù)類(lèi)型之間的轉(zhuǎn)換函數(shù),如double()就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類(lèi)型的函數(shù)。圖像增強(qiáng)圖像增強(qiáng)的目的是為了改善圖像的視覺(jué)效果,提高圖像的清晰度和工藝的適應(yīng)性,以及便于人與計(jì)算機(jī)的分析和處理像增強(qiáng)的方法分為空域法和頻域法兩大類(lèi),空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作;而頻域法是在圖像的某個(gè)變換域內(nèi)對(duì)整個(gè)圖像進(jìn)行操作,并修改變換后的系數(shù)如傅立葉變換、DCT變換等的系數(shù),然后再進(jìn)行反變換,便可得到處理后的圖像。下面以空域增強(qiáng)法的幾種方法加以說(shuō)明?；叶茸儞Q增強(qiáng)有多種方法可以實(shí)現(xiàn)圖像的灰度變換,其中最常用的就是直方圖變換的方法,即直方圖的均衡化。這種方法是一種使輸出圖像直方圖近似服從均勻分布Matlab7.0histeq(),imhist()函數(shù)來(lái)計(jì)算和顯示圖像的直方圖?？沼?yàn)V波增強(qiáng)空域?yàn)V波按照空域?yàn)V波器的功能又可分為平滑濾波器和銳化濾波器。平,;銳化濾波器是用高通濾波來(lái)實(shí)現(xiàn),Matlab中方法都是在空間域中通過(guò)不同的濾波算子實(shí)現(xiàn),可用fspecial()義的濾波算子,然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對(duì)圖像進(jìn)行濾波。邊緣檢測(cè)數(shù)字圖像的邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ),也是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。邊緣檢測(cè)算子可以檢查每個(gè)像素的鄰域并對(duì)灰度變化率進(jìn)行量化,也包括對(duì)方向的確定,其中大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法。常用的有 Sobel子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供的函數(shù)可以進(jìn)行邊緣檢測(cè),在其參數(shù)里面,可以根據(jù)需要選擇合適的算子及其參數(shù)。2.3圖像處理功能的Matlab實(shí)現(xiàn)實(shí)例圖像類(lèi)型的轉(zhuǎn)換,,RGB圖像,所以首先我們要對(duì)原圖類(lèi)型進(jìn)行轉(zhuǎn)換。實(shí)現(xiàn)過(guò)程代碼如下:i=imread('f:\face1.jpg');j=rgb2gray(i);imshow(j);imwrite(j,'f:\face1.tif')原圖如圖2.1，其灰度圖像如圖2.2所示。圖2.1原圖 圖2.2灰度圖像圖像增強(qiáng),像變得更清晰,而且均衡化后的直方圖比原直方圖的形狀更理想。該部分的程序代碼如下:i=imread('f:\face1.tif');j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(j)對(duì)圖2.2進(jìn)行均衡化結(jié)果如圖2.3和圖2.4均衡化前后直方圖對(duì)比圖。圖2.3均衡化后的灰度圖像 圖2.4均衡化前后的直方圖對(duì)比圖邊緣檢測(cè)Matlab7.0edge()函數(shù)實(shí)現(xiàn)邊緣檢測(cè),還有各種方法算子供選擇,canny測(cè)。程序代碼如下:i=imread('f:face.tif');j=edge(i,'canny',[0.04,0.25],1.5);imshow(j)運(yùn)行后得到圖2.7邊緣檢測(cè)后的灰度圖像。圖2.6邊緣檢測(cè)后的灰度圖像人臉識(shí)別的常用算法介紹人臉識(shí)別常用方法人臉識(shí)別的方法主要有：基于幾何特征的人臉識(shí)別方法、基于模板匹配)、神經(jīng)網(wǎng)絡(luò)法(NN)、隱馬爾可夫模型方法(HMM)等方法?；诿娌繋缀翁卣鞯姆椒ㄟ@個(gè)方法在時(shí)間上來(lái)說(shuō)是最早提出的人臉識(shí)別方法之一，其特征提取以人臉面部特征點(diǎn)的形狀和幾何關(guān)系為基礎(chǔ)的。對(duì)于不同的人來(lái)說(shuō)有著不同的人臉輪廓、大小、相對(duì)位置的分布也是不相同的，所以說(shuō)用這種方法來(lái)進(jìn)行人臉識(shí)別還是有一定依據(jù)的。這種方法的做法是，提取眉毛、眼睛、鼻子和特征提取后選取最近鄰分類(lèi)器，相異度測(cè)試選用歐式距離?；趲缀翁卣鞯娜四樧R(shí)別算法的優(yōu)點(diǎn)是方法簡(jiǎn)單，計(jì)算速度快。但它識(shí)別人臉就靠幾個(gè)特征點(diǎn)的大小和距離，以及特征點(diǎn)之間的夾角，這樣的信息是遠(yuǎn)遠(yuǎn)不夠的，對(duì)于一個(gè)稍微大一點(diǎn)的人臉庫(kù)識(shí)別率不高，還有這種方法對(duì)于人臉表情變化時(shí)沒(méi)這樣可以大大降低人臉識(shí)別時(shí)間?；谀０迤ヅ涞姆椒０迤ヅ浞椒ㄒ彩悄Ｊ阶R(shí)別中的一個(gè)比較傳統(tǒng)的方法。把模板匹配方法PoggioBruneili所提出的基于局部特征的模板匹配算法為代表。他們首先利用積分投影的方法確定面部特征點(diǎn)，提取局部特征的PoggioBrulleili在人臉尺度、光照、姿態(tài)穩(wěn)定的情況下，基于模板匹配的人臉識(shí)別方法要優(yōu)于基于幾何特征的人臉識(shí)別方法。通過(guò)大量的實(shí)驗(yàn)表明，基于模板匹配的人臉識(shí)別方法對(duì)光照、旋轉(zhuǎn)、人臉表情比較敏感，僅當(dāng)這些因素比較穩(wěn)定時(shí)，才能獲得比較好的效果。這種方法的計(jì)算量要比基于面部幾何特征的方法要大?；谛〔ㄌ卣鞯姆椒ㄐ〔ㄗ儞Q是國(guó)際上公認(rèn)的最新頻率分析工具，由于其“自適應(yīng)性‘，和“數(shù)學(xué)顯微鏡性質(zhì)”而成為許多學(xué)科共同關(guān)注的焦點(diǎn)，在信號(hào)處理中起著至關(guān)重要的作用。目前小波技術(shù)在驗(yàn)證的特征上用得較多。小波變換采用以高斯函數(shù)的二階導(dǎo)數(shù)作為小波基的小波變換技術(shù)來(lái)進(jìn)行拐點(diǎn)提取，然后以該方像進(jìn)行分段和段與段對(duì)應(yīng)處理。由于使用離散小波變換來(lái)分解圖像的參數(shù)特好的效果。基于特征臉的方法特征臉?lè)椒ㄊ菑闹鞒沙煞址治?PCA)導(dǎo)出的一種人臉識(shí)別和描述技術(shù)。它K-LK-L識(shí)別過(guò)程就是將人臉圖像映射到由特征臉組成的子空間上，并比較其在特征臉空間中的位置，然后利用對(duì)圖像的這種投影間的某種度量來(lái)確定圖像間的相似度，最常見(jiàn)的就是選擇各種距離函數(shù)來(lái)進(jìn)行度量分類(lèi)實(shí)現(xiàn)人臉識(shí)別。神經(jīng)網(wǎng)絡(luò)法基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法就是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和分類(lèi)能力對(duì)人臉進(jìn)行特征提取與識(shí)別。目前常用的人工神經(jīng)網(wǎng)絡(luò)方法是神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。徑BPBPBP分類(lèi)器在人臉識(shí)別過(guò)程中，通過(guò)提取特征模塊，得到表示人臉圖像的特征向量，此時(shí)需要利用分類(lèi)器根據(jù)提取的特征向量進(jìn)行分類(lèi)處理，以確定當(dāng)前人臉的分類(lèi)器性能的優(yōu)劣也將直接關(guān)系到人臉識(shí)別結(jié)果的好壞。常用的分類(lèi)器有以下幾種：最小距離分類(lèi)器(NC)最小距離分類(lèi)器相似度量是以檢測(cè)樣本到類(lèi)中心的距離大小為判據(jù)。最近鄰分類(lèi)器（NN）最近鄰法是將所有訓(xùn)練樣本都作為代表點(diǎn)，因此在分類(lèi)時(shí)需要計(jì)算待識(shí)xx最近的訓(xùn)練樣本所屬于的類(lèi)別即為待xC個(gè)類(lèi)別ω1、ω、的模式識(shí)別問(wèn)題，每類(lèi)Nig(x)minxxki i

k三階近鄰法三階近鄰法是計(jì)算像素的差值的絕對(duì)值。距離公式可表示為：L(x,y)lx1

yl (3.2)1由式(2.2.3階近鄰法計(jì)算出與測(cè)試圖像距離最小的三幅圖像，計(jì)算這三幅圖像所屬的類(lèi)classl，class2，class3classlclass2class2class3不屬于classclassl和class2class2class2class3屬于同一類(lèi)，則測(cè)試圖class2，而class3classl雖然與測(cè)試圖像距離最近卻不屬于同一類(lèi)，可能是由測(cè)試圖像的姿態(tài)和飾物引起的。貝葉斯分類(lèi)器如果知道各類(lèi)的先驗(yàn)分布和條件分布，就可以采用最大后驗(yàn)估計(jì)(MAP方法進(jìn)行分類(lèi)。在人臉識(shí)別中，有時(shí)假定人臉?lè)母咚狗植迹軌虻玫讲诲e(cuò)的結(jié)果。支撐向量機(jī)(SVM)在小樣本情況下，降低了訓(xùn)練集的錯(cuò)分風(fēng)險(xiǎn)，又降低了未知人臉(如檢測(cè)集)的錯(cuò)分風(fēng)險(xiǎn)。在人臉識(shí)別中已逐漸得到應(yīng)用。神經(jīng)網(wǎng)絡(luò)分類(lèi)器(NNC)33NNC(MLPBPSVM人臉識(shí)別系統(tǒng)的設(shè)計(jì)及實(shí)現(xiàn)人臉識(shí)別流程用的人臉識(shí)別。人臉檢測(cè)定位算法檢測(cè)方法特征的方法。臉部結(jié)構(gòu)等。基于顯式特征的方法是指由人通過(guò)肉眼觀察，總結(jié)出人臉區(qū)別在彩色圖像中，顏色是人臉表面最為顯著的特征之一，利用顏色檢測(cè)人臉是很自然的想法。Yang等在考察了不同種族、不同個(gè)體的膚色后，認(rèn)為人類(lèi)的膚色能在顏色空間中聚成單獨(dú)的一類(lèi)，而影響膚色值變化的最主要因素是亮度變化。因此他們采用廣泛使用的RGB中通過(guò)比較像素點(diǎn)的ｒ、ｇ值與膚色范圍來(lái)推斷該像素點(diǎn)及其鄰域是否屬于人臉區(qū)域。除了RGB顏色空間，還有諸如HIS，LUV，GLHS等其它顏色空間被使用。尋找到膚色區(qū)域后，必須進(jìn)行驗(yàn)證，排除類(lèi)膚色區(qū)域。Yoo等利用膚色像素的連通性分割出區(qū)域，使用橢圓擬合各個(gè)區(qū)域，根據(jù)橢圓長(zhǎng)短軸的比率判斷是否為人臉。模板匹配的方法一般是人為地先定義一個(gè)標(biāo)準(zhǔn)人臉模板，計(jì)算輸入圖像與模板的似然度；然后，確定一個(gè)似然度閾值，用以判斷該輸入圖像中是否基于先驗(yàn)知識(shí)的方法則采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖（mosaicimage）模型，并在分析了足夠多的人臉圖像樣本的基礎(chǔ)上，針對(duì)人臉的灰度、邊緣、紋理等信息，建立一種關(guān)于人臉的知識(shí)庫(kù)。在檢測(cè)中，首先抽取這些灰度、邊緣等信息，然后檢驗(yàn)它是否符合知識(shí)庫(kù)中關(guān)于人臉的先驗(yàn)知識(shí).本設(shè)計(jì)采用第一種方法，從而盡可能快的識(shí)別出人臉。檢測(cè)結(jié)果演示matlab4.5圖4.2原圖 圖4.3灰度圖片圖4.4均衡化的灰度圖像識(shí)別

圖4.5人臉灰度變換的相關(guān)公式線性變換：g(x,y)(dc)a)[f(x,y)a]c 分段線性變換：g(x,y)(dc)a)[f(x,y)a]c 非線性變換：g(x,y)aln[f(x,y)b*lnc 人臉鎖定的相關(guān)公式（1）lX xd C, YydlC (4.4)lL L式中和代表單元點(diǎn)的坐標(biāo)代表區(qū)域邊界,x y ,L曲線。代表區(qū)域邊界周長(zhǎng)。Ci （2） Xx N, Yy i

(4.5)L L式中和代表像素在像素陣列中的坐標(biāo)代表,xi yi ,N邊緣像素個(gè)數(shù)代表邊緣像素總個(gè)數(shù)。,L人臉圖像的預(yù)處理不同的人臉識(shí)別系統(tǒng)根據(jù)其采用的圖像來(lái)源和識(shí)別算法需要不同，采用圖像二值化、邊緣檢測(cè)、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，一旦庫(kù)中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強(qiáng)度、拍攝條件、成像系統(tǒng)等方面變化，原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。鑒于此，作者在總結(jié)分析了濾波去噪、邊緣檢測(cè)、灰度變換三種廣泛應(yīng)用于不同人臉識(shí)別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計(jì)了一個(gè)通用的人臉圖像預(yù)處理仿真系統(tǒng)。該系統(tǒng)可對(duì)不同條件下的原始圖像進(jìn)行相應(yīng)的預(yù)處理。如用戶可根據(jù)需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測(cè)算子檢測(cè)人臉邊同時(shí)還實(shí)現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法。仿真系統(tǒng)中實(shí)現(xiàn)的人臉圖像預(yù)處理方法根據(jù)所查閱文獻(xiàn)資料，常應(yīng)用于人臉圖像的預(yù)處理方法有：圖像類(lèi)型轉(zhuǎn)作為通用人臉圖像預(yù)處理模塊，要能夠充分適應(yīng)不同人臉庫(kù)中圖像在人臉大小、光照強(qiáng)度、成像系統(tǒng)等方面的任意性和差異性，不能單獨(dú)采用某種單一的濾波、灰度變換和邊緣檢測(cè)方法。所以，在本仿真系統(tǒng)中，對(duì)上述的每種預(yù)處理方法全部加以實(shí)現(xiàn)的同時(shí)，還對(duì)三種最常用預(yù)處理方法：濾波去噪、灰度變換、邊緣檢測(cè)，提供了多種不同的具體算法供用戶比較、選擇之用。濾波去噪類(lèi)：線性濾波、中值濾波、自適應(yīng)濾波。中值濾波法是一種非線性濾波方法，它把像素及其鄰域中的像素按方法最受歡迎。效果要優(yōu)于線性濾波，同時(shí)可以更好地保存圖像的邊緣和高頻細(xì)節(jié)信息?；叶茸儞Q灰度變換是圖像增強(qiáng)技術(shù)中的一種。通過(guò)灰度變換，可對(duì)原始圖像中的光照不均進(jìn)行補(bǔ)償，使得待識(shí)別人臉圖像遵循同一或相似的灰度分布。只有這樣，不同圖像在特征提取和識(shí)別時(shí)才具有可比性。這一過(guò)程，也被稱作灰度歸一化。常用在人臉識(shí)別系統(tǒng)中的灰度變換方法主要有：基于圖像統(tǒng)計(jì)特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標(biāo)準(zhǔn)化三種方法。直方圖matlab三種灰度變換方法，均能在一定程度上消除由于光照條件不同而對(duì)人臉用戶可根據(jù)需要選用。邊緣檢測(cè)對(duì)輸入人臉圖像進(jìn)行邊緣檢測(cè)是很多人臉識(shí)別系統(tǒng)在人臉粗定位及人臉主要器官（眼睛、鼻子、嘴巴）定位時(shí)采用的預(yù)處理方法。邊緣檢測(cè)的方法有很多，主要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子和灰度變換及濾波去噪部分的設(shè)計(jì)思路相同，在仿真系統(tǒng)中，筆者給出了canny、sobel、log、prewitt四種算子在不同灰度閾值下、不同方向的邊緣檢圖像二值化、尺寸歸一化也是一些人臉識(shí)別系統(tǒng)中經(jīng)常使用的預(yù)處理方法。為了在不修改其他算法的基礎(chǔ)上，擴(kuò)大系統(tǒng)處理圖像的類(lèi)型和范圍，將輸入圖像首先轉(zhuǎn)換為統(tǒng)一的類(lèi)型，是多數(shù)人臉圖像預(yù)處理中的第一步。在本仿真MATLABJPG轉(zhuǎn)換為BMP基于直方圖的人臉識(shí)別實(shí)現(xiàn)識(shí)別理論,以概率論為基礎(chǔ)的,常用的實(shí)現(xiàn)算法主要是直方圖均衡化和直方圖規(guī)定化。直方圖均衡化概述圖像對(duì)比度增強(qiáng)的方法可以分成兩類(lèi):一類(lèi)是直接對(duì)比度增強(qiáng)方法;另一類(lèi)是間接對(duì)比度增強(qiáng)方法。直方圖拉伸和直方圖均衡化是兩種最常見(jiàn)的間接類(lèi)是間接對(duì)比度增強(qiáng)方法。直方圖拉伸和直方圖均衡化是兩種最常見(jiàn)的間接大”前景和背景灰度的差別，以達(dá)到增強(qiáng)對(duì)比度的目的，這種方法可以利用大”前景和背景灰度的差別，以達(dá)到增強(qiáng)對(duì)比度的目的，這種方法可以利用線性或非線性的方法來(lái)實(shí)現(xiàn);直方圖均衡化則通過(guò)使用累積函數(shù)對(duì)灰度值進(jìn)線性或非線性的方法來(lái)實(shí)現(xiàn);直方圖均衡化則通過(guò)使用累積函數(shù)對(duì)灰度值進(jìn)行“調(diào)整”以實(shí)現(xiàn)對(duì)比度的增強(qiáng)。行“調(diào)整”以實(shí)現(xiàn)對(duì)比度的增強(qiáng)。直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法。這種方法通常用來(lái)增加許多圖像的局部對(duì)比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對(duì)比度相當(dāng)接近的時(shí)候。通過(guò)這種方法，亮度可以更好地在直方圖上分布。這樣就可以用于增強(qiáng)局部的對(duì)比度而不影響整體的對(duì)比度，直方圖均衡5.1圖5.1直方圖均衡化效果圖基本思想的某個(gè)灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化就是對(duì)圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素?cái)?shù)量大致相同。直方圖均衡化就是把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。-32樣就增加了象素灰度值的動(dòng)態(tài)范圍從而可達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。設(shè)原始圖像在(x，yfgfg:g=EQ(f)EQ(f)必須滿足兩個(gè)條件(LEQ(f)在0≤f≤L-1沒(méi)有打亂原始圖像的灰度排列次序，原圖各灰度級(jí)在變換后仍保持從黑到白(或從白到黑)的排列。0≤f≤L-1有0≤g≤L-1一致性。累積分布函數(shù)(cumulativedistribution即可以滿足上述fg此時(shí)的直方圖均衡化映射函數(shù)為:g EQ(fk k

f)(nin)pf(fk

),(kL1) 上述求和區(qū)間為0到k，根據(jù)該方程可以由源圖像的各像素灰度值直接得到直方圖均衡化后各像素的灰度值。在實(shí)際處理變換時(shí)，一般先對(duì)原始圖像的灰度情況進(jìn)行統(tǒng)計(jì)分析，并計(jì)算出原始直方圖分布，然后根據(jù)計(jì)算出的累計(jì)直方圖分布求出f到gk k

的灰度映射關(guān)系。在重復(fù)上述步驟得到源圖像所有灰度級(jí)到目標(biāo)圖像灰度級(jí)的映射關(guān)系后，按照這個(gè)映射關(guān)系對(duì)源圖像各點(diǎn)像素進(jìn)行灰度轉(zhuǎn)換，即可完成對(duì)源圖的直方圖均衡化。優(yōu)缺點(diǎn)可逆操作，如果已知均衡化函數(shù)，那么就可以恢復(fù)原始的直方圖，并且計(jì)算X中更好的細(xì)節(jié)。這種方法的一個(gè)主要優(yōu)勢(shì)是它是一個(gè)相當(dāng)直觀的技術(shù)并且是可逆操作，如果已知均衡化函數(shù)，那么就可以恢復(fù)原始的直方圖，并且計(jì)算量也不大。量也不大。這種方法的一個(gè)缺點(diǎn)是它對(duì)處理的數(shù)據(jù)不加選擇，它可能會(huì)增加背景雜訊消失；某些圖像，如直方圖有高峰，經(jīng)處理后對(duì)比度不自然的過(guò)分增強(qiáng)。5.3直方圖規(guī)定化概述直方圖均衡化能夠自動(dòng)增強(qiáng)整個(gè)圖像的對(duì)比度，但它的具體增強(qiáng)效果不容易控制，處理的結(jié)果總是得到全局均勻化的直方圖。實(shí)際上有時(shí)需要變換直方圖，使之成為某個(gè)特定的形狀，從而有選擇地增強(qiáng)某個(gè)灰度值范圍內(nèi)的對(duì)比度。這時(shí)可以采用比較靈活的直方圖規(guī)定化。一般來(lái)說(shuō)正確地選擇規(guī)定容易控制，處理的結(jié)果總是得到全局均勻化的直方圖。實(shí)際上有時(shí)需要變換直方圖，使之成為某個(gè)特定的形狀，從而有選擇地增強(qiáng)某個(gè)灰度值范圍內(nèi)的對(duì)比度。這時(shí)可以采用比較靈活的直方圖規(guī)定化。一般來(lái)說(shuō)正確地選擇規(guī)定化的函數(shù)可以獲得比直方圖均衡化更好的效果。成所希望的直方圖。所以，直方圖修正的關(guān)鍵就是灰度映像函數(shù)。3（MN分別為原始圖和規(guī)定圖中的灰度級(jí)數(shù)，且只考慮N≤M的情況：如同均衡化方法中，對(duì)原始圖的直方圖進(jìn)行灰度均衡化：規(guī)定需要的直方圖，并計(jì)算能使規(guī)定的直方圖均衡化的變換：1pffpu(u。i j方法推導(dǎo)r P假設(shè)P(rP(Z分別為原始圖像和希望得到的圖像的概率密度函數(shù)（rzr PS T(r)0

(r)dr (5.2)r假定已得到了所希望的圖像，對(duì)它進(jìn)行直方圖均衡化處理，即rV G(Z)它的逆變換為ZG1(V)

xP0

(z)dz (5.3)z(5.4)zsVP(SP（5.3）V。即sVZ G

1(S) (5.5)Z（5.4）式還可得到組合變換函數(shù)Z G1(T(r

(5.6)式(5.4)的離散公式為SKkT(rSKk

)

(r)K nj k0,...LPrjnPrj

.7j0 j0n n j jz 的數(shù)量。類(lèi)似的式(2)的離散表達(dá)式由給定的直方圖P(z)(i0,1,2,...L1)z v G(zk

)i0

P (Z

)si

k 0,1,2,...L1 (5.8)式(5.5)到(5.8)是數(shù)字圖像直方圖規(guī)定化的基本公式。式(5.7）是可由原始圖像的像素計(jì)算得到式PZ

(Z)計(jì)算變換函數(shù)G式(5.5)或(5.6)亦可直接實(shí)現(xiàn)，但需作如下說(shuō)明，由v sK k

可知，所找的z值必須滿足等式G(zk

)sk

sk

zk

只需在z值上迭代，以滿足G(zsk k即可。算法描述

0最接近的整數(shù)率密度進(jìn)行直方圖均衡化對(duì)規(guī)定的直方圖概率密度進(jìn)行直方圖均衡化確定源圖像直方圖與規(guī)定直方圖的對(duì)應(yīng)映射關(guān)系，原則是針對(duì)源圖像均衡化后的直方圖的每一個(gè)灰度級(jí)概率密度，查找最接近的規(guī)定直方圖灰度概率密度，建立灰度映射表。根據(jù)映射結(jié)果對(duì)像素點(diǎn)進(jìn)行處理方案確定直方圖均衡化主要用于增強(qiáng)動(dòng)態(tài)范圍較小的圖像的反差,基本思想是把原,從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。直方圖均衡化的優(yōu)點(diǎn)是能自動(dòng)地增強(qiáng),,處理的結(jié)果總是得到全,從而有選擇地增強(qiáng)某個(gè)灰度值范圍內(nèi)的對(duì)比度或使圖像灰度值的分布滿足特定的要求,這時(shí)可以采用比較靈活的直方圖規(guī)定化方法。matlab（附錄里的代碼是正確的，但是需要自己加個(gè)圖1214798764@）MATLAB別成功（1；圖5.5識(shí)別成功（2；圖5.6識(shí)別成功（3；圖5.7匹配對(duì)象等所示。圖5.2人臉識(shí)別主界面圖5.3讀入圖像圖5.4識(shí)別成功(1)圖5.5識(shí)別成功（2）圖5.6識(shí)別成功（3）圖5.7沒(méi)有找到匹配對(duì)象影響人臉識(shí)別的因素和常用人臉庫(kù)介紹影響人臉識(shí)別的因素對(duì)其中若干影響因素做初步討論如下：光照變化在人臉識(shí)別中，光照條件的變化常引起人臉外貌或外觀的明顯變化，光照變化所導(dǎo)致的陰影、遮擋、明暗區(qū)、暗光、高光都會(huì)使識(shí)別率大幅下降。3D響。獲得的圖像的特點(diǎn)。姿態(tài)變化在采集人臉圖像時(shí)，如果人的姿態(tài)發(fā)生變化，則其導(dǎo)致的投影形變會(huì)引起人臉面部不同部位的拉伸、壓縮和遮擋，使圖像發(fā)生很大的改變。人臉姿6X、Y、ZX、Y、Z的旋轉(zhuǎn)。其中，沿XYZ化在圖像上表現(xiàn)為比例的變化，對(duì)其的校正可通過(guò)縮放二維圖像或三維人臉來(lái)實(shí)現(xiàn)。繞軸的變化可分為平面旋轉(zhuǎn)、垂直深度旋轉(zhuǎn)和側(cè)深度旋轉(zhuǎn)。其中，z軸的旋轉(zhuǎn)；側(cè)深度旋轉(zhuǎn)有時(shí)被稱為左右旋轉(zhuǎn)或水平偏轉(zhuǎn)，是繞Y6XY克服姿態(tài)變化所帶來(lái)問(wèn)題的一種方法是從圖像中估計(jì)出人臉的不同姿3D識(shí)別人臉。年齡影響式的分類(lèi)，可自動(dòng)估計(jì)出圖像人臉的年齡。常用人臉數(shù)據(jù)庫(kù)介紹ORLORL(OlivettiResearchLaboratory)199241994440400256112x92，圖像背景為黑色。其中人臉臉部表情和細(xì)節(jié)均有變化，例如笑與不笑，眼睛睜著或閉著，戴或不戴眼鏡等，2010%的變化。這是目前使用最廣泛的人臉數(shù)據(jù)庫(kù)。Manchester30690同的光照和背景特征，而且對(duì)于每個(gè)人而言，前后兩張照片之間的時(shí)間間隔3ManchesterORLORL使用廣泛。FERETFERET(FaceRecognition8從右到左的不同側(cè)面角度的照片，有些人還提供了更多不同視點(diǎn)和不同表情的照片。該數(shù)據(jù)庫(kù)中不包含戴眼鏡的照片，拍攝條件也有一定的限制，人臉19966119914126幅圖像，而且逐年增加。但到目前為止，該數(shù)據(jù)庫(kù)并未提供運(yùn)動(dòng)圖像系列或包含語(yǔ)音信息。FERET數(shù)據(jù)庫(kù)的最大缺點(diǎn)是非美研究機(jī)構(gòu)的獲取不便。ATR該數(shù)據(jù)庫(kù)考慮了除人臉特征外的其他信息在人臉識(shí)別中的作用，提供人60MZVTS375圖像序列，拍攝時(shí)間間隔一周左右。其中至少有一個(gè)序列提供合成語(yǔ)音。其他數(shù)據(jù)庫(kù)還有:CMU(CarnegieMellonUniversity)正面人臉數(shù)據(jù)庫(kù)，MITORL含有大量的比較結(jié)果，并且使用該人臉數(shù)據(jù)庫(kù)發(fā)表的人臉識(shí)別論文數(shù)量是最多的，是識(shí)別算法之間進(jìn)行比較的首選數(shù)據(jù)庫(kù)。結(jié)論人臉識(shí)別具有重大的理論意義和應(yīng)用意義，它是一項(xiàng)結(jié)合了多學(xué)科，多日益頻繁。人臉識(shí)別技術(shù)具有廣泛的社會(huì)需求和市場(chǎng)前景。用其設(shè)計(jì)出人臉識(shí)別程序。本文所做的主要工作歸納如下：主要方法，及常用的人臉識(shí)別標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)。介紹了人臉識(shí)別中會(huì)使用到的各種分類(lèi)器。詳細(xì)介紹了人臉識(shí)別的流程，設(shè)計(jì)出人臉識(shí)別程序。介紹了影響人臉識(shí)別的主要因素。致謝起剛?cè)氪髮W(xué)校門(mén)的情景，迷茫中又有期望。識(shí)。在這期間，每門(mén)課的老師都給了我莫大的幫助，是他們耐心的講解讓我對(duì)一個(gè)又一個(gè)的專(zhuān)業(yè)理論知識(shí)有了深層次的認(rèn)識(shí)。他們身上優(yōu)秀的品質(zhì)感染了我，耳濡目染的教會(huì)了我作為一個(gè)工科生應(yīng)有的仔細(xì)和謹(jǐn)慎。將是我一生工作和學(xué)習(xí)的好榜樣。讓我認(rèn)識(shí)了這么多可愛(ài)的人，這將是我一生不能忘記的最美好的四年！參考文獻(xiàn)[J]2010(12):17-23.Web方式人臉識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)[J](09):34-37郭慶，基于VC++的人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].遼寧.遼寧大學(xué):2011[4 ]祝磊，朱善安人臉識(shí)別的一種新的特征提取方法[J].計(jì)算機(jī)學(xué)報(bào)，2007，34（6）：122-1251[5]何東風(fēng)，凌捷.人臉識(shí)別技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào)，2003，13（12）75-78楊臻.三維人臉重建與識(shí)別技術(shù)研究[D].上海：上海大學(xué)，2007.PCA-LDA算法在性別鑒別中的應(yīng)用[J].2006，32（19）：208-211.王聃，賈云偉，林福嚴(yán).人臉識(shí)別系統(tǒng)中的特征提取[J].自動(dòng)化學(xué)報(bào)，2005，21（7-3）.WangmengZuo，KuanquanWang，DavidZhang，HongzhiZhang.CombinationoftwonovelLDA-basedmethodsforfacerecognition[C].ProceedingsoftheIEEE，2007：735-742.基于小波分解的圖像融和方法及性能評(píng)價(jià)[J].自動(dòng)化學(xué)報(bào)，2002，28（6）：927-934周嬪，馬少平，蘇中.[J].2000，28（1）：122-124王蘊(yùn)紅，范偉，譚鐵牛.融合全局與局部特征的子空間人臉識(shí)別算法[J].子學(xué)報(bào)，2005，28（10）：1657-1662鐘向陽(yáng).基于Gabor小波的人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)[J].2005，23（3）：73-77.LDA[J].2003，22（5）：327-330張敏貴，潘泉，張洪才等.多生物特征識(shí)別[J].信息與控制，2002,31(6):524-528.趙明華.人臉檢測(cè)和識(shí)別技術(shù)的研究[D].四川:四川大學(xué)電子系，2006[17][D]2006：附錄：程序清單1人臉鎖定i=imread('face1.jpg');I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)[n1n2]=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;fori=1:10y1=1;y2=c;forj=1:10if(y2<=c|y2>=9*c)|(x1==1|x2==r*10)loc=find(BW(x1:x2,y1:y2)==0);[op]=size(loc);pr=o*100/s;ifpr<=100BW(x1:x2,y1:y2)=0;r1=x1;r2=x2;s1=y1;s2=y2;pr1=0;endimshow(BW);endy1=y1+c;y2=y2+c;endx1=x1+r;x2=x2+r;endfigure,imshow(BW)L=bwlabel(BW,8);百度搜索一下，在百度文庫(kù)BB =regionprops(L,'BoundingBox');BB1=struct2cell(BB);BB2=cell2mat(BB1);[s1s2]=size(BB2);mx=0;fork=3:4:s2-1p=BB2(1,k)*BB2(1,k+1);ifp>mx&(BB2(1,k)/BB2(1,k+1))<1.8mx=p;j=k;endendfigure,imshow(I);holdon;rectangle('Position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'EdgeColor','r')2人臉識(shí)別function varargout =Face_D(varargin)warningoffallgui_Singleton=1;gui_State =mfilename,...

struct('gui_Name','gui_Singleton',gui_Singleton,...'gui_OpeningFcn',@Face_D_OpeningFcn,...'gui_OutputFcn',@Face_D_OutputFcn,...'gui_LayoutFcn',[],...'gui_Callback',[]);ifnargin&&ischar(varargin{1})gui_State.gui_Callback str2func(varargin{1});endifnargout[varargout{1:nargout}] gui_mainfcn(gui_State,varargin{:});elsegui_mainfcn(gui_State,varargin{:});endfunctionFace_D_OpeningFcn(hObject,eventdata,handles,varargin)handles.output=hObject;guidata(hObject,handles);function varargout =Face_D_OutputFcn(hObject,eventdata,handles)varargout{1}=handles.output;functionpushbutton1_Callback(hObject,eventdata,handles)globalimg_info;globalfile_name;addpathdatabase;n=size(file_name);c=rgb2gray(img_info);[l1l2l3]=size(img_info);d=0;fori=1:nin_to=imread(file_name(i).name);[a1b1c1]=size(in_to);in_2=rgb2gray(in_to);ifa1==l1&&b1==l2&&c1==l3if(corr2(in_2,c)>0.9)end

end

end

msgbox('匹配成功');axes(handles.axes2);imshow(in_to);d=1;ifd==0msgbox('沒(méi)有找到可以匹配的');endifd==1I=rgb2gray(img_info);BW=im2bw(I);[n1n2]=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;fori=1:10y1=1;y2=c;forj=1:10if(y2<=c|y2>=9*c)|(x1==1|x2==r*10)loc=find(BW(x1:x2,y1:y2)==0);y1:y2)=0;

[op]=size(loc);pr=o*100/s;ifpr<=100BW(x1:x2,r1=x1;r2=x2;s1=y1;s2=y2;pr1=0;end

end

endy1=y1+c;y2=y2+c;x1=x1+r;x2=x2+r;endL=bwlabel(BW,8);BB = 'BoundingBox');BB1=struct2cell(BB);BB2=cell2mat(BB1);[s1s2]=size(BB2);mx=0;fork=3:4:s2-1p=BB2(1,k)*BB2(1,k+1);if p>mx &(BB2(1,k)/BB2(1,k+1))<1.8mx=p;j=k;endendaxes(handles.axes1);EdgeColor','r')axes(handles.axes2);EdgeColor','r')endcdfunctionpushbutton2_Callback(hObject,eventdata,handles)[fname,uigetfile('*.jpg');file=[pnamefname];globalimg_info;iffile~=0img_info=imread(file);axes(handles.axes1);imshow(img_info);endfunction

pname]=pushbutton3_Callback(hObject,eventdata,handles)globalfile_name;file_name=dir('database/*.jpg');globaldatabase;functiontext1_ButtonDownFcn(hObject,eventdata,handles)外文資料翻譯及原文數(shù)字圖像處理與邊緣檢測(cè)數(shù)字圖像處理顯示。xy（平面fx,yf視覺(jué)是人類(lèi)最高級(jí)的感知器官，所以，毫無(wú)疑問(wèn)圖像在人類(lèi)感知中扮演著最重要的角色。然而，人類(lèi)感知只限于電磁波譜（EM）機(jī)器則可覆蓋幾乎全部電磁波譜，從伽馬射線到無(wú)線電波。它們可以對(duì)非人類(lèi)習(xí)慣的那些圖像源進(jìn)行加工，這些圖像源包括超聲波、電子顯微鏡及計(jì)算機(jī)產(chǎn)生的圖像。因此，數(shù)字圖像處理涉及各種各樣的應(yīng)用領(lǐng)域。圖像處理涉及的范疇或其他相關(guān)領(lǐng)域（例如，圖像分析和計(jì)算機(jī)視覺(jué)不能算做是圖像處理。另一方面，有些領(lǐng)域（如計(jì)算機(jī)視覺(jué)）研究的最高目這一領(lǐng)域本身是人工智能（AI）的分支，其目的是模仿人類(lèi)智能。人工智能領(lǐng)域處在其發(fā)展過(guò)程中的初期階段，它的發(fā)展比預(yù)期的要慢的多，圖像分析（也稱為圖像理解）領(lǐng)域則處在圖像處理和計(jì)算機(jī)視覺(jué)兩個(gè)學(xué)科之間。在這個(gè)連續(xù)的統(tǒng)一體中可以考慮三種典型的計(jì)算處理（即低級(jí)、中級(jí)和高級(jí)處理）來(lái)區(qū)分其中的各個(gè)學(xué)科：低級(jí)處理涉及初級(jí)操作，如降低噪聲的圖像預(yù)處理，對(duì)比度增強(qiáng)和圖像尖銳化。低級(jí)處理是以輸入、輸出都是圖像為特點(diǎn)的處理。中級(jí)處理涉及分割（把圖像分為不同區(qū)域或目標(biāo)物）以及縮減對(duì)目標(biāo)物的描述，以使其更適合計(jì)算機(jī)處理及對(duì)不同目標(biāo)的分類(lèi)（識(shí)別。中級(jí)圖像處理是以輸入為圖像，但輸出是從這些圖像中提取的特征（如邊緣、輪廓及不同物體的標(biāo)識(shí)等）為特點(diǎn)的。最后，高級(jí)處理涉及在圖像分析中被識(shí)別物體的總體理解，以及執(zhí)行與視覺(jué)相關(guān)的識(shí)別函數(shù)（處在連續(xù)統(tǒng)一體邊緣等。進(jìn)行預(yù)處理，提取（分割）價(jià)值的領(lǐng)域內(nèi)通用。數(shù)字圖像處理的應(yīng)用領(lǐng)域多種多樣，所以文本在內(nèi)容組織上盡量達(dá)到該技術(shù)應(yīng)用領(lǐng)域的廣度。闡述數(shù)字圖像處理應(yīng)用范圍最簡(jiǎn)單的一種方法是根據(jù)信息源來(lái)分類(lèi)（如可見(jiàn)光、X源是電磁能譜，其他主要的能源包括聲波、超聲波和電子（以用于電子顯微鏡方法的電子束形式。建模和可視化應(yīng)用中的合成圖像由計(jì)算機(jī)產(chǎn)生。建立在電磁波譜輻射基礎(chǔ)上的圖像是最熟悉的，特別是X每個(gè)粒子包含一定（一束）能量，每束能量成為一個(gè)光子。如果光譜波段根1（最高能量）到無(wú)線電波（最低能量）即電磁波譜的各波段間并沒(méi)有明確的界線，而是由一個(gè)波段平滑地過(guò)渡到另一個(gè)波段。圖1單。通常，圖像獲取包括如設(shè)置比例尺等預(yù)處理?；A(chǔ)。念。在后續(xù)發(fā)展，彩色還是圖像中感興趣特征被提取的基礎(chǔ)。區(qū)域。圖2壓縮，正如其名稱所指的意思，所涉及的技術(shù)是減少圖像的存儲(chǔ)量，或者在傳輸圖像時(shí)降低頻帶。雖然存儲(chǔ)技術(shù)在過(guò)去的十年內(nèi)有了很大改進(jìn)，但對(duì)傳輸能力我們還不能這樣說(shuō)，尤其在互聯(lián)網(wǎng)上更是如此，互聯(lián)網(wǎng)是以大量的圖片內(nèi)容為特征的。圖像壓縮技術(shù)對(duì)應(yīng)的圖像文件擴(kuò)展名對(duì)大多數(shù)計(jì)算機(jī)用戶是很熟悉的（也許沒(méi)注意，如JPG文件擴(kuò)展名用于JPEG（聯(lián)合圖片專(zhuān)家組圖像壓縮標(biāo)準(zhǔn)。用。這一章的材料將從輸出圖像處理到輸出圖像特征處理的轉(zhuǎn)換開(kāi)始。分割過(guò)程將一幅圖像劃分為組成部分或目標(biāo)物。通常，自主分割是數(shù)字分割算法幾乎總是會(huì)導(dǎo)致最終失敗。通常，分割越準(zhǔn)確，識(shí)別越成功。表示和描述幾乎總是跟隨在分割步驟的輸后邊，通常這一輸出是未加工的數(shù)據(jù)，其構(gòu)成不是區(qū)域的邊緣（區(qū)分一個(gè)圖像區(qū)域和另一個(gè)區(qū)域的像素集就是其區(qū)域本身的所有點(diǎn)。無(wú)論哪種情況，把數(shù)據(jù)轉(zhuǎn)換成適合計(jì)算機(jī)處理的形式都是必要的。首先，必須確定數(shù)據(jù)是應(yīng)該被表現(xiàn)為邊界還是整個(gè)區(qū)域。當(dāng)注意的焦點(diǎn)是外部形狀特性（如拐角和曲線）時(shí)，則邊界表示是合適的。當(dāng)注意的焦點(diǎn)是內(nèi)部特性（如紋理或骨骼形狀）時(shí)，則區(qū)域表示是合適的。則某些應(yīng)用中，這些表示方法是互補(bǔ)的。選擇一種表現(xiàn)方式僅是解決把原始數(shù)據(jù)轉(zhuǎn)換為適合計(jì)算機(jī)后續(xù)處理的形式的一部分。為了描述數(shù)據(jù)以使感興趣的特征更明顯，還必須確定一種方法。描述也叫特征選擇，涉及提取特征，該特征是某些感興趣的定量信息或是區(qū)分一組目標(biāo)與其他目標(biāo)的基礎(chǔ)。我們用識(shí)別個(gè)別目標(biāo)方法的開(kāi)發(fā)推出數(shù)字圖像處理的覆蓋范圍。2塊的操作，知識(shí)庫(kù)還要控制模塊間的交互。這一特性上面圖2邊緣檢測(cè)間斷的檢測(cè)是最為普遍的檢測(cè)方法。雖然某些文獻(xiàn)提過(guò)理想的邊緣檢測(cè)步驟，但自然界圖像的邊緣并不總是1.3.光滑物體邊緣的陰影；4.物體邊緣附近的局部鏡面反射或者漫反射。一個(gè)典型的邊界可能是（例如）線的每一邊都有一個(gè)邊緣。在對(duì)數(shù)字圖像的處理中，邊緣檢測(cè)是一項(xiàng)非常重要的工作。如果將邊緣認(rèn)為是一定數(shù)量點(diǎn)亮度發(fā)生變化的地方，那么邊緣檢測(cè)大體上就是計(jì)算這個(gè)亮度變化的導(dǎo)數(shù)。為簡(jiǎn)化起見(jiàn)，我們可以先在一維空間分析邊緣檢測(cè)。在這個(gè)例子中，我們的數(shù)據(jù)是一行不同點(diǎn)亮度的數(shù)據(jù)。例如，在下面的1維數(shù)據(jù)中我們可以直觀地說(shuō)在第4與第5個(gè)點(diǎn)之間有一個(gè)邊界：55764152148149一個(gè)簡(jiǎn)單問(wèn)題的原因之一。有許多用于邊緣檢測(cè)的方法，它們大致可分為兩類(lèi)：基于搜索和基于零如梯度模；然后，用計(jì)算估計(jì)邊緣的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值?；诹憬徊娴姆椒ㄕ业接蓤D像得到的二階導(dǎo)數(shù)的零交叉點(diǎn)來(lái)定位邊緣。通常用拉普拉斯算子或非線性微分方程的零xy閾值將會(huì)遺失細(xì)的或者短的線段。如果邊緣閾值應(yīng)用于正確的的梯度幅度圖像，生成的邊緣一般會(huì)較厚，某些形式的邊緣變薄處理是必要的。然而非最大抑制的邊緣檢測(cè)，邊緣曲線的定義十分模糊，邊緣像素可能成為邊緣多邊形通過(guò)一個(gè)邊緣連接（邊緣跟蹤）45向比較梯度幅度。且不同圖像的閾值差別也很大。些邊線，我們可以在圖像亮度梯度的二階導(dǎo)數(shù)中尋找過(guò)零點(diǎn)。的一階導(dǎo)數(shù)用梯度計(jì)算，二階導(dǎo)數(shù)使用拉普拉斯算子得到。英文原文DigitalImageProcessingandEdgeDetectionDigitalImageProcessingInterestindigitalimageprocessingmethodsstemsfromtwoprincipalapplication areas: improvement of pictorial information for interpretation;andprocessingofimagedataforstorage,transmission,andrepresentationforautonomousmachineperception.Animagemaybedefinedas atwo-dimensionalfunction,f(x,y),wherexandyarespatial(plane)coordinates,andtheamplitudeoffatanypaircoordinates(x,y)iscalledtheintensityorgrayleveloftheimageatthatpoint.Whenx,y,andtheamplitudevaluesoffareallfinite,discretequantities,wecalltheimageadigitalimage.Thefieldofdigitalimageprocessingreferstoprocessingdigitalimagesbymeansofadigitalcomputer.Notethatadigitalimageiscomposedofafinitenumberofelements,eachofwhichhasaparticularlocation and value. These elements are referredto as elements,imageelements,pels,andpixels.Pixelisthetermmostwidelyusedtodenotetheelementsofadigitalimage.Visionisthemostadvancedofoursenses,soitisnotsurprisingthatimagesplaythesinglemostimportantroleinhumanperception.However,unlikehumans,whoarelimitedtothevisualbandoftheelectromagnetic(EM)spectrum,imagingmachinescoveralmosttheentireEMspectrum,rangingfromgammatoradiowaves.Theycanoperateonimagesgeneratedbysourcesthathumansarenotaccustomedtoassociatingwithimages.Theseincludeultrasound,electronmicroscopy,andcomputergeneratedimages.Thus,digitalimageprocessingencompassesawideandvariedfieldofapplications.Thereisnogeneralagreementamongauthorsregardingwhereimageprocessingstopsandotherrelatedareas,suchasimageanalysisandcomputervision,start.Sometimesadistinctionismadebydefiningimageprocessingasadisciplineinwhich boththeinputandoutputofaprocess areimages.believethistobealimitingandsomewhatartificial boundary.Forexample,underthisdefinition,eventhetrivialtaskofcomputingtheaverageintensityofanimage(whichyieldsasinglenumber)wouldnotbeconsideredanimageprocessingoperation.Ontheotherhand,therearefieldssuchascomputervisionwhoseultimategoalistousecomputerstoemulatehumanvision,includinglearningandbeingabletomakeinferencesandtakeactionsbasedonvisualinputs.Thisareaitselfisabranch ofartificialintelligence(AI)whoseobjectiveistoemulatehumanintelligence.ThefieldofAIisinitsearlieststagesofinfancyintermsofdevelopment,withprogresshavingbeenmuchslowerthanoriginallyanticipated.Theareaofimageanalysis(alsocalledimageunderstanding)isinbetweenimageprocessingandcomputervision.Therearenoclearcutboundariesinthecontinuumfromimageprocessingatoneendtocomputervisionattheother.However,oneusefulparadigmistoconsiderthreetypesofcomputerizedprocessesinthiscontinuum:low,mid,andhighlevelprocesses.Low-levelprocessesinvolveprimitiveoperationssuchasimagepreprocessingtoreducenoise,contrastenhancement,andsharpening.Alow-levelprocessischaracterizedbythefactthatbothitsinputsandoutputsareimages.Mid-levelprocessingonimages involvestaskssuchassegmentation(partitioninganimageintoregionsorobjects),descriptionofthoseobjectstoreducethemtoaformsuitableforcomputerprocessing,andclassification (recognition) of individual objects. A midlevel process ischaracterizedbythefactthatitsinputsgenerallyareimages,butitsoutputsareattributesextractedfromthoseimages(e.g.,edges,contours,andidentity of individual objects). Finally, higherlevel processing involves“makingsense”ofanensembleofrecognized

bieitgeanalysis,and,atthefarendofthecontinuum,performingthecognitivefunctionsnormallyassociatedwithvision.Basedontheprecedingcomments,weseethatalogicalplaceofoverlapbetween imageprocessingandimageanalysisistheareaofrecognitionofindividualregionsorobjectsinanimage.Thus,whatwecallinthisbookdigitalimageprocessingencompasses processeswhoseinputsandoutputsareimagesand,inaddition,encompassesprocessesthatextractattributesfromimages,uptoandincludingtherecognitionofindividualobjects.Asasimpleillustrationtoclarifytheseconcepts,considertheareaofautomatedanalysisoftext.Theprocessesofacquiringanimageoftheareacontainingthetext, preprocessing that image, extracting (segmenting) the individualcharacters, describing the characters in a form suitable for processing,andrecognizingthoseindividualcharactersareinthescopeofwhatwecalldigitalimageprocessinginthisbook.Makingsenseofthecontentofthepagemaybeviewedasbeinginthedomainofimageanalysisandevencomputer vision, depending on the level of complexity implied by statement“makingsense.”Aswillbecomeevidentshortly,digitalimageprocessing,aswehavedefinedit,isusedsuccessfullyinabroadrangeofareasofexceptionalsocialandeconomicvalue.Theareasofapplicationofdigitalimageprocessingaresovariedthatsomeformoforganizationisdesirableinattemptingtocapturethebreadthofthisfield.Oneofthesimplestwaystodevelopabasicunderstandingoftheextentofimageprocessing applicationsistocategorizeimagesaccordingtotheirsource(e.g.,visual,X-ray,andsoon).Theprincipalenergysourceimagesinusetodayistheelectromagneticenergyspectrum.Otherimportantsourcesofenergyincludeacoustic,ultrasonic,andelectronic(intheformofelectron beams used in electron microscopy). Synthetic images, used modelingandvisualization,aregeneratedbycomputer.Inthissectionwediscussbrieflyhowimages aregeneratedinthesevarious categoriesandareasinwhichtheyareapplied.ImagesbasedonradiationfromtheEMspectrumarethemostfamiliar,especially images in the X-ray and visual bands of the Electromagneticwavescanbeconceptualizedaspropagatingsinusoidalwavesofvaryingwavelengths,ortheycanbethoughtofasastreamofmasslessparticles,eachtravelinginawavelikepatternandmovingatthespeedoflight.Eachmasslessparticlecontainsacertainamount(orbundle)ofenergy.Eachbundleofenergyiscalledaphoton.Ifsp