畢業(yè)論文基于matlab的人臉識別專業(yè)系統(tǒng)設(shè)計與仿真含matlab源程序

基于matlab人臉辨認系統(tǒng)設(shè)計與仿真第一章緒論本章提出了本文研究背景及應(yīng)用前景。一方面闡述了人臉圖像辨認意義；然后簡介了人臉圖像辨認研究中存在問題；接著簡介了自動人臉辨認系統(tǒng)普通框架構(gòu)成；最后簡要地簡介了本文重要工作和章節(jié)構(gòu)造。1.1研究背景自70年代以來.隨著人工智能技術(shù)興起.以及人類視覺研究進展.人們逐漸對人臉圖像機器辨認投入很大熱情，并形成了一種人臉圖像辨認研究領(lǐng)域，.這一領(lǐng)域除了它重大理論價值外，也極具實用價值。在進行人工智能研究中，人們始終想做事情就是讓機器具備像人類同樣思考能力，以及辨認事物、解決事物能力，因而從解剖學、心理學、行為感知學等各個角度來探求人類思維機制、以及感知事物、解決事物機制，并努力將這些機制用于實踐，如各種智能機器人研制。人臉圖像機器辨認研究就是在這種背景下興起，由于人們發(fā)現(xiàn)許多對于人類而言可以容易做到事情，而讓機器來實現(xiàn)卻很難，如人臉圖像辨認，語音辨認，自然語言理解等。如果可以開發(fā)出具備像人類同樣機器辨認機制，就可以逐漸地理解人類是如何存儲信息，并進行解決，從而最后理解人類思維機制。同步，進行人臉圖像辨認研究也具備很大使用價依。猶如人指紋同樣，人臉也具備唯一性，也可用來鑒別一種人身份。當前己有實用計算機自動指紋辨認系統(tǒng)面世，并在安檢等部門得到應(yīng)用，但還沒有通用成熟人臉自動辨認系統(tǒng)浮現(xiàn)。人臉圖像自動辨認系統(tǒng)較之指紋辨認系統(tǒng)、DNA鑒定等更具以便性，由于它取樣以便，可以不接觸目的就進行辨認，從而開發(fā)研究實際意義更大。并且與指紋圖像不同是，人臉圖像受諸多因素干擾:人臉表情多樣性;以及外在成像過程中光照，圖像尺寸，旋轉(zhuǎn)，姿勢變化等。使得同一種人，在不同環(huán)境下拍攝所得到人臉圖像不同，有時更會有很大差別，給辨認帶來很大難度。因而在各種干擾條件下實現(xiàn)人臉圖像辨認，也就更具備挑戰(zhàn)性。國外對于人臉圖像辨認研究較早，現(xiàn)己有實用系統(tǒng)面世，只是對于成像條件規(guī)定較苛刻，應(yīng)用范疇也就較窄，國內(nèi)也有許多科研機構(gòu)從事這方而研究，并己獲得許多成果。1.2人臉圖像辨認應(yīng)用前景人臉圖像辨認除了具備重大理論價值以及極富挑戰(zhàn)性外，還其有許多潛在應(yīng)用前景，運用人臉圖像來進行身份驗證，可以不與目的相接觸就獲得樣本圖像，而其他身份驗證手段，如指紋、眼睛虹膜等必要通過與目的接觸或相稱接近來獲得樣木，在某些場合，這些辨認手段就會有不便之處。就從當前和將來來看，可以預(yù)測到人臉圖像辨認將具備遼闊應(yīng)用前景，如表1-1中所列舉就是其中已經(jīng)實現(xiàn)或逐漸完善應(yīng)用。表1-1人臉辨認應(yīng)用應(yīng)用長處存在問題信信用卡、汽車駕照、護照以及個人身份驗證等圖像攝取可控圖像分割可控圖像質(zhì)量好需要建立龐大數(shù)據(jù)庫嫌疑犯照片匹配圖像質(zhì)量不統(tǒng)一多幅圖像可用潛在巨大圖像庫互聯(lián)網(wǎng)應(yīng)用視頻信息價值高多人參加存在虛假銀行/儲蓄安全監(jiān)控效果好圖像分割不可控圖像質(zhì)量較差人群監(jiān)測圖像質(zhì)量高可運用攝像圖像圖像分割自由圖像質(zhì)量低、實時性1.3本文研究問題本文簡介了人臉圖像辨認中所應(yīng)用MATLAB對圖像進行預(yù)解決，應(yīng)用該工具箱對圖像進行典型圖像解決,通過實例來應(yīng)用matlab圖像解決功能，對某一特定人臉圖像解決，進而應(yīng)用到人臉辨認系統(tǒng)。本文在總結(jié)分析人臉辨認系統(tǒng)中幾種慣用圖像預(yù)解決辦法基本上，運用MATLAB實現(xiàn)了一種集各種預(yù)解決辦法于一體通用人臉圖像預(yù)解決仿真系統(tǒng)，將該系統(tǒng)作為圖像預(yù)解決模塊可嵌入在人臉辨認系統(tǒng)中，并運用灰度圖像直方圖比對來實現(xiàn)人臉圖像辨認鑒定。其中涉及到圖像選用，臉部定位，特性提取，圖像解決和辨認幾種過程。1.4辨認系統(tǒng)構(gòu)成人類似乎具備“與生俱來”人臉辨認能力，賦予計算機同樣能力是人類夢想之一，這就是所謂“人臉辨認”系統(tǒng)。假設(shè)咱們把照相機、攝像頭、掃描儀等看作計算機“眼睛”，數(shù)字圖像可以看作計算機觀測到“影像”，那么AFR賦予計算機依照其所“看到”人臉圖片來判斷人物身份能力。廣義講，自動人臉辨認系統(tǒng)具備如圖1.1所示普通框架并完畢相應(yīng)功能任務(wù)。人臉圖像獲取人臉圖像獲取人臉檢測特性提取人臉辨認圖1.1人臉辨認系統(tǒng)普通框架(1)人臉圖像獲取普通來說，圖像獲取都是通過攝像頭攝取，但攝取圖像可以是真人，也可以是人臉圖片或者為了相對簡樸，可以不考慮通過攝像頭來攝取頭像，而是直接給定要辨認圖像。(2)人臉檢測人臉檢測任務(wù)是判斷靜態(tài)圖像中與否存在人臉。若存在人臉，給出其在圖像中坐標位置、人臉區(qū)域大小等信息。而人臉跟蹤則需要進一步輸出所檢測到人臉位置、大小等狀態(tài)隨時間持續(xù)變化狀況。(3)特性提取通過人臉特性點檢測與標定可以擬定人臉圖像中明顯特性點位置（如眼睛、眉毛、鼻子、嘴巴等器官），同步還可以得到這些器官及其面部輪廓形狀信息描述。依照人臉特性點檢測與標定成果，通過某些運算得到人臉特性描述（這些特性涉及：全局特性和局部特性，顯式特性和記錄特性等）。(4)基于人臉圖像比對身份辨認即人臉辨認(FaceIdentification)問題。通過將輸入人臉圖像與人臉數(shù)據(jù)庫中所有已知原型人臉圖像計算相似度并對其排序來給出輸入人臉身份信息。這涉及兩類辨認問題：一類是閉集(CloseSet)人臉辨認問題，即假定輸入人臉一定是人臉庫中某個個體；另一類是開集(OpenSet)辨認，即一方面要對輸入人臉與否在已知人臉庫中做出判斷，如果是，則給出其身份。(5)基于人臉圖像比對身份驗證即人臉確認(FaceVerification)問題。系統(tǒng)在輸入人臉圖像同步輸入一種顧客宣稱該人臉身份信息，系統(tǒng)要對該輸入人臉圖像身份與宣稱身份與否相符作出判斷。1.5論文內(nèi)容及組織第二章重要簡介人臉辨認系統(tǒng)中所用到仿真軟件Matlab，簡介了在人臉圖像辨認過程中所需要圖像解決技術(shù)，涉及：某些基本操作、格式轉(zhuǎn)換、圖像增強等。并做了一種Matlab圖像解決功能實例第三章重要始涉三個方面：一方面是對人臉辨認系統(tǒng)構(gòu)成做詳細闡述；另一方面就是對人臉辨認過程中核心環(huán)節(jié)人臉檢測、特性提取和圖像預(yù)解決做詳細簡介；最后就是Matlab在人臉辨認系統(tǒng)中詳細應(yīng)用，即人臉圖像辨認詳細技術(shù)，并用Matlab進行仿真實驗并得到成果。第四章是對人臉圖像辨認體系構(gòu)架設(shè)計，并給出了人臉辨認用到理論知識即直方圖差別對比，并編寫matlab代碼實現(xiàn)人臉圖像辨認。第五章總結(jié)了全文工作并對后來需要進一步研究問題進行了展望。第二章圖像解決Matlab實現(xiàn)2.1Matlab簡介由MathWork公司開發(fā)Matlab語言語法限制不嚴格,程序設(shè)計自由度大,程序可移植性好。Matlab還推出了功能強大適應(yīng)于圖像分析和解決工具箱,慣用有圖像解決工具箱、小波分析工具箱及數(shù)字信號解決工具箱。運用這些工具箱,咱們可以很以便從各個方面對圖像性質(zhì)進行進一步研究。Matlab圖像解決工具箱支持索引圖像、RGB圖像、灰度圖像、二進制圖像并能操作.bmp、.jpg、.tif等各種圖像格式文獻。2.2數(shù)字圖像解決及過程圖像是人類獲取信息、表達信息和傳遞信息重要手段。運用計算機對圖像進行去除噪聲、增強、復(fù)原、分割、提取特性等理論、辦法和技術(shù)稱為數(shù)字圖像解決。數(shù)字圖像解決技術(shù)已經(jīng)成為信息科學、計算機科學、工程科學、地球科學等諸多方面學者研究圖像有效工具。數(shù)字圖像解決重要涉及圖像變換、圖像增強、圖像編碼、圖像復(fù)原、圖像重建、圖像辨認以及圖像理解等內(nèi)容。2.2.1圖像解決基本操作讀取和顯示圖像可以通過imread()和imshow()來實現(xiàn);圖像輸出用imwrite()函數(shù)就可以很以便把圖像輸出到硬盤上;此外還可以用imcrop()、imrisize()、imrotate()等來實現(xiàn)圖像裁剪、縮放和旋轉(zhuǎn)等功能。2.2.2圖像類型轉(zhuǎn)換Matlab支持各種圖像類型,但在某些圖像操作中,對圖像類型有規(guī)定,因此要涉及到對圖像類型進行轉(zhuǎn)換。Matlab7.0圖像解決工具箱為咱們提供了不同圖像類型互相轉(zhuǎn)換大量函數(shù),如mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像,rgb2gray()轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像。在類型轉(zhuǎn)換時候,咱們還經(jīng)常遇到數(shù)據(jù)類型不匹配狀況,針對這種狀況,Matlab7.0工具箱中,也給咱們提供了各種數(shù)據(jù)類型之間轉(zhuǎn)換函數(shù),如double()就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類型函數(shù)。2.2.3圖像增強圖像增強目是為了改進圖像視覺效果,提高圖像清晰度和工藝適應(yīng)性,以及便于人與計算機分析和解決,以滿足圖像復(fù)制或再現(xiàn)規(guī)定。圖像增強辦法分為空域法和頻域法兩大類,空域法重要是對圖像中各個像素點進行操作;而頻域法是在圖像某個變換域內(nèi)對整個圖像進行操作,并修變化換后系數(shù),如傅立葉變換、DCT變換等系數(shù),然后再進行反變換,便可得到解決后圖像。下面以空域增強法幾種辦法加以闡明。(1).灰度變換增強有各種辦法可以實現(xiàn)圖像灰度變換,其中最慣用就是直方圖變換辦法,即直方圖均衡化。這種辦法是一種使輸出圖像直方圖近似服從均勻分布變換算法。Matlab7.0圖像解決工具箱中提供了圖像直方圖均衡化詳細函數(shù)histeq(),同步咱們可以用函數(shù)imhist()函數(shù)來計算和顯示圖像直方圖。(2).空域濾波增強空域濾波按照空域濾波器功能又可分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實現(xiàn),目在于模糊圖像或消除噪聲;銳化濾波器是用高通濾波來實現(xiàn),目在于強調(diào)圖像被模糊細節(jié)。在Matlab中,各種濾波辦法都是在空間域中通過不同濾波算子實現(xiàn),可用fspecial()函數(shù)來創(chuàng)立預(yù)定義濾波算子,然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)立好濾波器對圖像進行濾波。2.2.4邊沿檢測數(shù)字圖像邊沿檢測是圖像分割、目的區(qū)域辨認、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要基本,也是圖像辨認中提取圖像特性一種重要屬性。邊沿檢測算子可以檢查每個像素鄰域并對灰度變化率進行量化,也涉及對方向擬定,其中大多數(shù)是基于方向?qū)?shù)掩模求卷積辦法。慣用有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供edge()函數(shù)可以進行邊沿檢測,在其參數(shù)里面,可以依照需要選取適當算子及其參數(shù)。2.3圖像解決功能Matlab實現(xiàn)實例本文通過運用圖像解決工具箱關(guān)于函數(shù)對一人臉彩色圖像進行解決。1)圖像類型轉(zhuǎn)換因背面圖像增強,邊沿檢測都是針對灰度圖像進行,而咱們原圖是RGB圖像,因此一方面咱們要對原圖類型進行轉(zhuǎn)換。實現(xiàn)過程代碼如下:i=imread('f:\face1.jpg');j=rgb2gray(i);imshow(j);imwrite(j,'f:\face1.tif')效果圖2.1圖2.12)圖像增強(1)灰度圖像直方圖均衡化通過比較原圖和直方圖均衡化后圖像可見,圖像變得更清晰,并且均衡化后直方圖比原直方圖形狀更抱負。該某些程序代碼如下:i=imread('f:\face1.tif');j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(j)執(zhí)行后效果圖如圖2.2和圖2.3:圖2.2均衡化后灰度圖像圖2.3均衡化先后直方圖對比圖(2)灰度圖像平滑與銳化解決平滑濾波器目在于模糊圖像或消除噪聲,Matlab7.0圖像解決工具箱提供了medfilter2()函數(shù)用于實現(xiàn)中值濾波,wiener2()實現(xiàn)對圖像噪聲自適應(yīng)濾波。在本文實例中,為了使濾波效果更明顯,咱們事先為圖像以為增長濾波,然后用自適應(yīng)濾波辦法對圖像進行濾波。銳化解決目在于強調(diào)圖像被模糊細節(jié),在本實例中采用了預(yù)定義高斯濾波器辦法對圖像進行銳化濾波。功能實當代碼如下:i=imread('f:\fae1.tif');j=imnoise(i,'guassian',0,0.02);subplot(1,2,1),imshow(j);j1=wiener2(j);subplot(1,2,2),imshow(j1);h=fspecial('gaussian',2,0.05);j2=imfilter(i,h);figure,subplot(1,2,1),imshow(i)subplot(1,2,2),imshow(j2)得到效果圖如圖2.4和圖2.5:加入噪聲圖像濾波后圖像圖2.4平滑濾波效果原灰度圖像銳化后圖像圖2.5銳化濾波效果圖3)邊沿檢測Matlab7.0圖像解決工具箱提供了edge()函數(shù)實現(xiàn)邊沿檢測,還有各種辦法算子供選取,在本實例中采用了canny算子來進行邊沿檢測,程序代碼如下:i=imread('f:face.tif');j=edge(i,'canny',[0.04,0.25],1.5);imshow(j)效果圖如圖2.6:原灰度圖像邊沿檢測后圖像圖2.6邊沿檢測效果圖2.4本章小結(jié)以上實例只是對Matlab圖像解決工具箱函數(shù)一小某些運用,從這些功能運用可以看出,Matlab語言簡潔,可讀性強。作為人臉辨認系統(tǒng)中圖像預(yù)解決工具，有非常好解決功能。第三章人臉圖像辨認計算機系統(tǒng)3.1引言計算機人臉辨認是一種非?；钴S研究領(lǐng)域，因其在公安刑偵破案、銀行密碼系統(tǒng)、計算機安全系統(tǒng)以及動態(tài)監(jiān)視系統(tǒng)等方面均有廣泛應(yīng)用，已成為當前模式辨認、計算機視覺領(lǐng)域研究熱點。人臉辨認系統(tǒng)普通涉及人臉檢測與定位、人臉圖像預(yù)解決、特性提取和匹配辨認四個構(gòu)成某些。其中，人臉圖像預(yù)解決，作為特性提取和辨認前提環(huán)節(jié)，是計算機人臉辨認系統(tǒng)中必要環(huán)節(jié)。其目是在去除噪聲，加強有用信息，對輸入設(shè)備或其她因素導致退化現(xiàn)像進行復(fù)原，為后續(xù)特性提取和辨認作準備。不同人臉辨認系統(tǒng)依照其采用圖像來源和辨認算法需要不同，采用預(yù)解決辦法也不同。慣用人臉圖像預(yù)解決辦法有：濾波去噪、灰度變換、圖像二值化、邊沿檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中也許只有其中一種或幾種預(yù)解決辦法，但一旦庫中采集到原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強度、拍攝條件、成像系統(tǒng)等方面變化），原有預(yù)解決模塊便不能滿足特性提取需要，還要更新，這是極不以便。鑒于此，作者在總結(jié)分析了灰度變換、濾波去噪、邊沿檢測三種廣泛應(yīng)用于不同人臉辨認系統(tǒng)中預(yù)解決辦法基本上，設(shè)計了一種通用人臉圖像預(yù)解決仿真系統(tǒng)。該系統(tǒng)可對不同條件下原始圖像進行相應(yīng)預(yù)解決。如，顧客可依照需要選取使用不同濾波辦法去除噪聲、不同邊沿檢測算子檢測人臉邊沿、選取不同灰度變換算法實現(xiàn)圖像灰度校正和灰度歸一化，仿真系統(tǒng)同步還實現(xiàn)了尺寸歸一化、二值化等其她慣用圖像預(yù)解決算法。3.2系統(tǒng)基本機構(gòu)人臉辨認是一種復(fù)雜過程，一種計算機人臉辨認流程如圖3-1所示。它涉及幾種環(huán)節(jié)：對采集到圖像，一方面進行人臉檢測（在輸入圖像中尋找人臉），給出人臉有無成果；然后進行人臉定位，擬定人臉位置并提取出來。對人臉定位在輸入是圖像序列時普通也稱之為人臉跟蹤。普通檢測和定位結(jié)合進行。對提取出來人臉借助人臉描述就可以進行（狹義）人臉辨認，即通過提取特性來擬定其身份。圖3.1基本框架圖3.3人臉檢測定位算法人臉檢測定位算法大體可分為兩大類：基于顯式特性辦法和基于隱式特性辦法。所謂顯式特性是指對人類肉眼來說直觀可見特性，如膚色、臉部輪廓、臉部構(gòu)造等。基于顯式特性辦法是指由人通過肉眼觀測，總結(jié)出人臉區(qū)別于“非人臉”區(qū)域特性，然后依照被檢測區(qū)域與否滿足這些“人臉特性”，來鑒定該區(qū)域與否包括人臉。依照所選取“人臉特性”，基于顯式特性辦法分如下三類：基于膚色模型辦法、模板匹配辦法、基于先驗知識辦法。在彩色圖像中，顏色是人臉表面最為明顯特性之一，運用顏色檢測人臉是很自然想法。Yang等在考察了不同種族、不同個體膚色后，以為人類膚色能在顏色空間中聚成單獨一類，而影響膚色值變化最重要因素是亮度變化。因而她們采用廣泛使用RGB顏色空間，在濾去亮度值圖像中通過比較像素點ｒ、ｇ值與膚色范疇來推斷該像素點及其鄰域與否屬于人臉區(qū)域。除了RGB顏色空間，尚有諸如HIS，LUV，GLHS等其他顏色空間被使用。尋找到膚色區(qū)域后，必要進行驗證，排除類膚色區(qū)域。Yoo等運用膚色像素連通性分割出區(qū)域，使用橢圓擬合各個區(qū)域，依照橢圓長短軸比率判斷與否為人臉。模板匹配辦法普通是人為地先定義一種原則人臉模板，計算輸入圖像與模板似然度；然后，擬定一種似然度閾值，用以判斷該輸入圖像中與否包括人臉。原則人臉模板可以是固定樣板，也可以是帶參變量曲線函數(shù)。基于先驗知識辦法則采用符合人臉生理構(gòu)造特性人臉鑲嵌圖（mosaicimage）模型，并在分析了足夠多人臉圖像樣本基本上，針對人臉灰度、邊沿、紋理等信息，建立一種關(guān)于人臉知識庫。在檢測中，一方面抽取這些灰度、邊沿等信息，然后檢查它與否符合知識庫中關(guān)于人臉先驗知識。以上三種辦法優(yōu)缺陷比較見表3-1。表3-1基于顯示特性辦法特點檢測辦法長處與合用場合缺陷與需要改進地方膚色模型檢測速度快高光和陰影會導致人臉區(qū)域被分割而被漏檢；膚色區(qū)域存在提高了預(yù)警率模板匹配直觀性好，具備較好適應(yīng)性對表情、尺度變換敏感；可變模板選取和參數(shù)擬定非常困難基于知識辦法合用復(fù)雜圖像中人臉檢測依賴先驗知識；多尺度空間遍歷工作量大，運算時間長基于隱式特性辦法將人臉區(qū)域當作一類模式，使用大量“人臉”、“非人臉”樣本訓練、構(gòu)造分類器，通過鑒別圖像中所有也許區(qū)域與否屬于“人臉模式”辦法來實現(xiàn)人臉檢測。此類辦法有：特性臉法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法；積分圖像法。特性臉法（eigenface）把單個圖像當作一維向量，眾多一維向量形成了人臉圖像特性空間，再將其變換到一種新相對簡樸特性空間，通過計算矩陣特性值和特性向量，運用圖像代數(shù)特性信息，尋找“人臉”、“非人臉”兩種模式在該特性空間中分布規(guī)律。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）辦法是通過訓練一種網(wǎng)絡(luò)構(gòu)造，把模式記錄特性隱含在神經(jīng)網(wǎng)絡(luò)構(gòu)造和參數(shù)之中。基于人工神經(jīng)網(wǎng)絡(luò)辦法對于復(fù)雜、難以顯式描述模式，具備獨特優(yōu)勢。支撐向量機（SupportVectorMachine，SVM）法是在記錄學習理論基本上發(fā)展出一種新模式辨認辦法，它基于構(gòu)造風險最小化原理，較之于基于經(jīng)驗風險最小化人工神經(jīng)網(wǎng)絡(luò)，某些難以逾越問題，如：模型選取和過學習問題、非線性和維數(shù)劫難問題、局部極小點問題等都得到了很大限度上解決。但是直接使用SVM辦法進行人臉辨認有兩方面困難：第一，訓練時需規(guī)定解二次規(guī)劃問題計算復(fù)雜度高，內(nèi)存需求量巨大；第二，在非人臉樣本不受限制時，需要極大規(guī)模訓練集合，得到支持向量會諸多，使得分類器計算量過高?；诜e分圖像（IntegralImage）特性人臉檢測辦法是Viola等新近提出一種算法，它綜合使用了積分圖像描述辦法、Adaboost學習算法及訓練辦法、級聯(lián)弱分類器。以上四種辦法優(yōu)缺陷比較見表3-2表3-2基于隱式特性辦法特性檢測辦法長處缺陷與需要改進地方本征臉法原則人臉模板能抽象人臉所有信息，運算不涉及迭代耗費時間短但模板檢測效率低，多模板提高了效率也增長了檢測時間神經(jīng)網(wǎng)絡(luò)法檢測效率高，錯誤報警數(shù)目不多，訓練成熟網(wǎng)絡(luò)監(jiān)測速度快多樣本訓練耗費時間多，但網(wǎng)絡(luò)監(jiān)測錯誤報警數(shù)目多支撐向量機機法比神經(jīng)網(wǎng)絡(luò)辦法具備更好泛化能力，能對為觀測到例子進行有效分類“非人臉”樣本復(fù)雜多樣，導致支持向量數(shù)目多，運算復(fù)雜度大基于積分圖像分析法檢測速度快，基本滿足實時檢測規(guī)定，檢測效率可以與神經(jīng)網(wǎng)絡(luò)法比較錯誤報警數(shù)目少時，檢測率不高運用matlab仿真進行人臉檢測定位實例：人臉檢測定位程序：%%%%%ReadingofaRGBimagei=imread('face1.jpg');I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%minimisationofbackgroundportion[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)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%detectionoffaceobjectL=bwlabel(BW,8);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')原始圖片灰度圖片均衡化灰度圖片人臉定位3.4人臉圖像預(yù)解決不同人臉辨認系統(tǒng)依照其采用圖像來源和辨認算法需要不同，采用預(yù)解決辦法也不同。慣用人臉圖像預(yù)解決辦法有：濾波去噪、灰度變換、圖像二值化、邊沿檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中也許只有其中一種或幾種預(yù)解決辦法，但一旦庫中采集到原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強度、拍攝條件、成像系統(tǒng)等方面變化），原有預(yù)解決模塊便不能滿足特性提取需要，還要更新，這是極不以便。鑒于此，作者在總結(jié)分析了濾波去噪、邊沿檢測、灰度變換三種廣泛應(yīng)用于不同人臉辨認系統(tǒng)中預(yù)解決辦法基本上，設(shè)計了一種通用人臉圖像預(yù)解決仿真系統(tǒng)。該系統(tǒng)可對不同條件下原始圖像進行相應(yīng)預(yù)解決。如，顧客可依照需要選取使用不同濾波辦法去除噪聲、不同邊沿檢測算子檢測人臉邊沿、選取不同灰度變換算法實現(xiàn)圖像灰度校正和灰度歸一化，仿真系統(tǒng)同步還實現(xiàn)了尺寸歸一化、二值化等其她慣用圖像預(yù)解決算法。3.4.1仿真系統(tǒng)中實現(xiàn)人臉圖像預(yù)解決辦法依照所查閱文獻資料，常應(yīng)用于人臉圖像預(yù)解決辦法有：圖像類型轉(zhuǎn)換、濾波去噪、灰度變換、邊沿檢測及二值化、尺寸歸一化、灰度歸一化等。作為通用人臉圖像預(yù)解決模塊，要可以充分適應(yīng)不同人臉庫中圖像在人臉大小、光照強度、成像系統(tǒng)等方面任意性和差別性，不能單獨采用某種單一濾波、灰度變換和邊沿檢測辦法。因此，在本仿真系統(tǒng)中，對上述每種預(yù)解決辦法所有加以實現(xiàn)同步，還對三種最慣用預(yù)解決辦法：濾波去噪、灰度變換、邊沿檢測，提供了各種不同詳細算法供顧客比較、選取之用。1)濾波去噪由于噪聲給圖像帶來失真和降質(zhì)，在特性提取之前采用濾波方式來去除噪聲是實際人臉辨認系統(tǒng)中所必要環(huán)節(jié)。濾波辦法有諸多，如各種平滑濾波、各種銳化濾波等，關(guān)于各種濾波辦法原理和分類可參照文獻[2]。下面對本文實現(xiàn)濾波辦法及其選取根據(jù)加以闡明。在人臉圖像預(yù)解決中使用較多濾波是平滑濾波，辦法可分為如下三類：線性濾波、中值濾波、自適應(yīng)濾波。（1）線性濾波最典型線性濾波辦法如，采用鄰域平均法均值濾波器、采用鄰域加權(quán)平均高斯濾波和維納濾波。對圖像進行線性濾波可以去除圖像中某些特定類型噪聲，如圖像中顆粒噪聲，高斯噪聲、椒鹽噪聲等。對掃描得到人臉圖像依照其噪聲類型普通采用此種濾波辦法?？紤]濾波模板大小對濾波效果影響較大，仿真系統(tǒng)選取算法時對同種濾波算法提供了不同模板大小狀況。（2）中值濾波法中值濾波法是一種非線性濾波辦法，它把像素及其鄰域中像素按灰度級進行排序，然后選取該組中間值作為輸出像素值。中值濾波辦法最大長處是抑制噪聲效果明顯且能保護邊界。對于使用基于整體人臉辨認算法系統(tǒng)中，由于失掉社區(qū)域細節(jié)對特性提取影響較小，因此這種濾波辦法最受歡迎。（3）自適應(yīng)濾波自適應(yīng)濾波可以依照圖像局部方差來調(diào)節(jié)濾波器輸出，其濾波效果要優(yōu)于線性濾波，同步可以更好地保存圖像邊沿和高頻細節(jié)信息。2)灰度變換灰度變換是圖像增強技術(shù)中一種。通過灰度變換，可對原始圖像中光照不均進行補償，使得待辨認人臉圖像遵循同一或相似灰度分布。只有這樣，不同圖像在特性提取和辨認時才具備可比性。這一過程，也被稱作灰度歸一化。慣用在人臉辨認系統(tǒng)中灰度變換辦法重要有：基于圖像記錄特性直方圖均衡化、直方圖規(guī)定化和灰度均值方差原則化三種辦法。直方圖均衡化和直方圖規(guī)定化灰度變換原理和實現(xiàn)辦法可由matlab仿真來實現(xiàn)。三種灰度變換辦法，均能在一定限度上消除由于光照條件不同而對人臉辨認帶來影響。故在仿真系統(tǒng)中提供了三種灰度變換效果比較及選取界面，顧客可依照需要選用。3)邊沿檢測對輸入人臉圖像進行邊沿檢測是諸多人臉辨認系統(tǒng)在人臉粗定位及人臉重要器官（眼睛、鼻子、嘴巴）定位時采用預(yù)解決辦法。邊沿檢測辦法有諸多，重要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法等。每種算子對不同方向邊沿檢測能力和抑制噪聲能力都不同。因此，和灰度變換及濾波去噪某些設(shè)計思路相似，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、不同方向邊沿檢測算法，使用者可從檢測成果中加以比較、選取適當算法。圖像類型轉(zhuǎn)換、圖像二值化、尺寸歸一化也是某些人臉辨認系統(tǒng)中經(jīng)常使用預(yù)解決辦法。為了在不修改其她算法基本上，擴大系統(tǒng)解決圖像類型和范疇，將輸入圖像一方面轉(zhuǎn)換為統(tǒng)一類型，是多數(shù)人臉圖像預(yù)解決中第一步。在本仿真系統(tǒng)中通過調(diào)用MATLAB中提供各種圖像類型轉(zhuǎn)換函數(shù)來實現(xiàn)TIF、JPG轉(zhuǎn)換為BMP格式及彩色到灰度圖像轉(zhuǎn)換；對圖像二值化，采用了graythresh()函數(shù)來自動選取閾值二值化辦法[1]；尺寸歸一化采用算法是對人臉圖像進行剪裁和尺寸縮放，實現(xiàn)去除大某些頭發(fā)、服飾和背景干擾并將人臉圖像大小統(tǒng)一。第四章基于直方圖人臉辨認實現(xiàn)4.1辨認理論用灰度直方圖增強圖像對比度是基于圖像灰度值記錄一種重要辦法,它以概率論為基本,慣用實現(xiàn)算法重要是直方圖均衡化和直方圖規(guī)定化。直方圖均衡化重要用于增強動態(tài)范疇較小圖像反差,基本思想是把原始圖直方圖變換為均勻分布形式,這樣就增強了像素灰度值動態(tài)范疇,從而達到增強圖像整體對比度效果。直方圖均衡化長處是能自動地增強整個圖像對比度,但它詳細增強效果不好控制,解決成果總是得到全局均衡化直方圖。實際中有時需要變換直方圖使之成為某個需要形狀,從而有選取地增強某個灰度值范疇內(nèi)對比度或使圖像灰度值分布滿足特定規(guī)定,這時可以采用比較靈活直方圖規(guī)定化辦法。4.2人臉辨認matlab實現(xiàn)實現(xiàn)成果如圖4.1和4.2圖4.1顧客界面圖4.2實現(xiàn)成果4.3本章小結(jié)在過去十年中基于直方圖辦法證其明簡樸性和有用性。最初這種想法基于顏色直方圖。此算法提供咱們建議技術(shù)名為"直方圖解決人臉辨認"第一某些。同步使用灰度圖像。第一，每個灰度級頻率是計算并存儲在媒介作進一步解決。第二，平均從存儲載體持續(xù)九個頻率計算，并存儲在另一種載體，供后來使用，在測試階段。此均值向量用于計算平均值曾受訓練圖像和測試圖像絕對差別。最后擬定最小差別圖像與測試圖像匹配，辨認精確性是99.75%第五章結(jié)語基于matlab數(shù)字圖像解決與辨認系統(tǒng)其實是一種范疇很大應(yīng)用系統(tǒng)，作者在此只是有針對性、有選取地進行了某些開發(fā)和實現(xiàn)。該系統(tǒng)重要功能模塊共有二個：（1）數(shù)字圖像解決基本辦法；（2）人臉辨認。在“數(shù)字圖像解決基本辦法”這一某些，用到某些基本辦法和某些最慣用解決辦法來實現(xiàn)圖像預(yù)解決，如格式轉(zhuǎn)換，灰度變化和濾波銳化。僅就這一某些而言，就有諸多可以繼續(xù)完畢工作，可將其他某些數(shù)字圖像解決辦法進一步加以實現(xiàn)，如圖像平滑，圖像矩陣變換（K-L變換、Fourier變換、小波變換等），圖像膨脹腐蝕、圖像幾何變換（平移、旋轉(zhuǎn)、縮放等），以及各種編碼圖像讀寫與顯示。僅這一某些即可形成一種專用圖像解決平臺。關(guān)于“人臉辨認”，在理解了人臉辨認各種辦法后，選取了圖像直方圖差值比較進行了實現(xiàn)。該辦法能較好地實現(xiàn)人臉分類，但對人臉圖像規(guī)定較高，當前僅是采用Orl原則人臉庫中圖像來進行測試，因而能獲得較高辨認率。而在現(xiàn)實生活中采集到人臉圖像則會受到諸多因素影響，辨認率就未必能達到規(guī)定了。若要進一步提高辨認率和合用范疇，則還需要結(jié)合其他算法，如PCA、神經(jīng)網(wǎng)絡(luò)等。道謝在河北大學學習生活即將結(jié)束，在做畢業(yè)設(shè)計這段時間里，我教師、同窗、朋友和家人予以了我無微不至關(guān)懷，毫無保存指引和耐心細致協(xié)助，借此畢業(yè)論文完畢之際，謹向她們致以我最真誠感謝！一方面，我衷心感謝我導師。林教師學識淵博、治學嚴謹、平易近人，她以其遼闊視野、敏銳洞察力、嚴謹治學態(tài)度在學術(shù)上給了我悉心指引。論文進展并不順利時，是林教師以長者仁愛胸懷對我表達了理解，不但幫我指正了論文方向，并且為我提供了大量參照文獻和網(wǎng)頁論壇，導師勤勉敬業(yè)精神和一絲不茍工作態(tài)度使我深深感動，這將是我畢生工作和學習好榜樣。參照文獻[1]祝磊，朱善安.人臉辨認一種新特性提取辦法[J].計算機學報，，34（6）：122-1251[2]何東風，凌捷.人臉辨認技術(shù)綜述[J].計算機學報，，13（12）75-78[3],YounusFazl-e-BasitJaved和UsmanQayyum”,采用直方圖人臉辨認和解決”,第三階段僅有關(guān)新興技術(shù)研報告。[4]何國輝，甘俊英.PCA-LDA算法在性別鑒別中應(yīng)用[J].中華人民共和國圖像圖形學報，，32（19）：208-211.[5]王聃，賈云偉，林福嚴.人臉辨認系統(tǒng)中特性提取[J].自動化學報，，21（7-3）.[6]張儉鴿，王世卿，盛光磊.基于小波和DFB-PCA人臉辨認算法研究[J].自動化學報，，23（2-1）.[7]曹林，王東峰，劉小軍，鄒謀炎.基于二維Gabor小波人臉辨認算法[J].電子學報，，28（3）490-494[8]焦峰，山世光，崔國勤，高文，李錦濤.基于局部特性分析人臉辨認辦法[J].自動化學報，，15（1）：53-58[9]WangmengZuo，KuanquanWang，DavidZhang，HongzhiZhang.CombinationoftwonovelLDA-basedmethodsforfacerecognition[C].ProceedingsoftheIEEE，：735-742[10]徐倩，鄧偉.一種融合兩種主成分分析人臉辨認辦法[J].計算機學報，，43（25）：195-197附錄人臉辨認matlab程序functionvarargout=FR_Processed_histogram(varargin)gui_Singleton=1;gui_State=struct('gui_Name'，mfilename，...'gui_Singleton'，gui_Singleton，...'gui_OpeningFcn'，@FR_Processed_histogram_OpeningFcn，...'gui_OutputFcn'，@FR_Processed_histogram_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{:});end%Endinitializationcode-DONOTEDIT%--------------------------------------------------------------------------%---ExecutesjustbeforeFR_Processed_histogramismadevisible.functionFR_Processed_histogram_OpeningFcn(hObject，eventdata，handles，varargin)handles.output=hObject;%Updatehandlesstructureguidata(hObject，handles);%UIWAITmakesFR_Processed_histogramwaitforuserresponse(seeUIRESUME)%uiwait(handles.figure1);globaltotal_subtrain_imgsub_imgmax_hist_levelbin_numform_bin_num;total_sub=40;train_img=200;sub_img=10;max_hist_level=256;bin_num=9;form_bin_num=29;%--------------------------------------------------------------------------%---Outputsfromthisfunctionarereturnedtothecommandline.functionvarargout=FR_Processed_histogram_OutputFcn(hObject，eventdata，handles)varargout{1}=handles.output;%--------------------------------------------------------------------------%---Executesonbuttonpressintrain_button.functiontrain_button_Callback(hObject，eventdata，handles)globaltrain_processed_bin;globaltotal_subtrain_imgsub_imgmax_hist_levelbin_numform_bin_num;train_processed_bin(form_bin_num,train_img)=0;K=1;train_hist_img=zeros(max_hist_level，train_img);forZ=1:1:total_subforX=1:2:sub_img%%%trainonoddnumberofimagesofeachsubjectI=imread(strcat('ORL\S',int2str(Z),'\',int2str(X),'.bmp'))；[rowscols]=size(I);fori=1:1:rowsforj=1:1:colsif(I(i,j)==0)train_hist_img(max_hist_level，K)=train_hist_img(max_hist_level，K)+1；elsetrain_hist_img(I(i,j)，K)=train_hist_img(I(i,j)，K)+1；endendendK=K+1；endend[rc]=size(train_hist_img);sum=0;fori=1:1:cK=1;forj=1:1:rif((mod(j,bin_num))==0)sum=sum+train_hist_img(j,i)；train_processed_bin(K,i)=sum/bin_num;K=K+1;sum=0;elsesum=sum+train_hist_img(j,i)；endendtrain_processed_bin(K,i)=sum/bin_num;enddisplay('TrainingDone')save'train'train_processed_bin;%--------------------------------------------------------------------------%---ExecutesonbuttonpressinTesting_button.functionTesting_button_Callback(hObject，eventdata，handles)globaltrain_imgmax_hist_levelbin_numform_bin_num;globaltrain_processed_bin;globalfilenamepathnameIload'train'test_hist_img(max_hist_level)=0;test_processed_bin(form_bin_num)=0;[rowscols]=size(I);fori=1:1:rowsforj=1:1:colsif(I(i,j)==0)test_hist_img(max_hist_level)=test_hist_img(max_hist_level)+1；elsetest_hist_img(I(i,j))=test_hist_img(I(i,j))+1；endendend[rc]=size(test_hist_img);sum=0;K=1;forj=1:1:cif((mod(j,bin_num))==0)sum=sum+test_hist_img(j)；test_processed_bin(K)=sum/bin_num;K=K+1;sum=0;elsesum=sum+test_hist_img(j)；endendtest_processed_bin(K)=sum/bin_num;sum=0;K=1;fory=1:1:train_imgforz=1:1:form_bin_numsum=sum+abs(test_processed_bin(z)-train_processed_bin(z,y))；endimg