生物特征识别技术课程论文模板.docx

《生物特征识别技术》研究生课程论文　题目：基于PCA的人脸识别算法研究姓 名 向灿群　学 号 2015112011　院 别 信息与通信工程班 级 信息XY15-1　指导教师 袁 帅　完成时间 2016年6月5日引言人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术[1]。用摄像机或摄像头采集含有人脸的图像或视频流，并自动的在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列的相关技术，通常也叫做人像识别、面部识别。人脸识别是一项研究比较热门的计算机技术，它属于生物特征识别技术中的一种，是对生物体（一般指人）本身的生物特征来区分生物个体。人脸识别技术一般包括两个部分：人脸检测通常计算机采集到的原始图像是十分复杂的，其中包含了许多非人脸部分的信息，因此，从原始图像中检测到人脸位置至关重要。下面是目前比较常用的人脸检测方法。模板匹配法[2]首先设计一个或数个标准人脸的模板，然后计算测试采集的样本与标准模板之间的匹配程度。具有操作简单匹配正确率高的特点，但在复杂环境或大样本情况下不适用。人脸规则法由于人脸具有一定的结构分部特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸。样品学习法这种方法即采用模式识别中的神经网络学习算法，将样品中的人脸与非人脸样品放入神经网络中训练，产生人脸分类器。文献[3]中使用的神经网络人脸识别，在训练样本足够的情况下，具有相当好的分类效果，并且具有一定的鲁棒性，其缺点是当网络结构设置不合理的情况下可能出现过拟合的情况，并且随着网络规模的增大，网络训练负担越大。肤色模型法这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。在参考文献[4]中，使用了肤色模型法，具有精确的识别效果。特征子脸法[5]这种方法是将所有的面像集合视为一个面像子空间，并基于检测样品与其在子空间的投影之间的距离判断是否存在面像。人脸识别人脸识别即对检测到的人脸进行身份确认。通常检测到的人脸具有不同的面部表情、面部姿态、光照等，人脸识别需要消除这些浅层因素的干扰，正确的从人脸库中识别出人脸所代表的身份。目前主要采用特征向量和面纹模板两种识别方法：特征向量法[6]该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。面纹模板法[7]该方法是在库中存储若干标准面像模板或面像器官模板，在进行对比时，将采用面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有采用模式识别的自相关网络或特征与模板相结合使用。本文采用的人脸识别算法是主成分分析法，主成分分析法主要作用是将高维的人脸特征投影到最具区分力的低维特征上（主成分），然后在低维特征上对人脸进行识别。系统方案设计本设计主要分为两个部分，第一部分对原始图像预处理，得到与模板相同的人脸图像。第二部分为人脸识别，根据待识别人脸图像在PCA特征脸上的投影值来识别人脸身份。具体过程如图2.1。图2.1 人脸识别流程图其中，灰度图二值化，去噪、特征提取、人脸定位均为人脸图像预处理过程，即从原始图像中提取出人脸，以便完成之后的人脸识别。本文人脸识别采用的是主成分分析法[8]，将高维的人脸图像降到低维的空间，再根据低维空间所展现的特征识别出待检验的人脸。3. 人脸图像预处理3.1图像的二值化[9]在图像二值化前先采用加权灰度化方法对原始图像进行灰度化处理，再用自适应二值化算法获得原始图像的二值化图像，结果图3.1：图3.1 人脸二值化由图可知，经过这些操作后，图像基本能够将人脸器官区分开来，如眼睛、鼻子、嘴巴等。接下来的操作就是提取这些器官所在的具体位置，并通过这些位置所提供的信息将整个人脸提取出来。3.2 去噪[10]除了我们所需要的人脸器官之外，其它部分的图像均可视为噪声，如何去除这些噪声，保留有用信息是这节所要完成的内容。根据形态学以及人脸本身特点，我们先对图像进行腐蚀与膨胀处理，然后调用‘bwareaopen’等操作，去除了图像中的较大与较小的块，最终留下了人脸器官所在位置图像，如图3.2。图3.2 去噪3.3人脸定位本节将特征提取与人脸定位一起来完成。首先，我们根据普通人脸的长宽设定了一个矩形窗，再根据前面所提取的人脸器官位置确定人脸的中心区域，最后结合中心区域以及矩形窗大小来确定人脸位置，如图3.4即为最后提取的人脸。图3.3 人脸提取4. 基于PCA的算法设计4.1 PCA算法原理PCA算法即主成分分析法，是一种常用的线性降维方式。PCA由于具有降维和特征提取的性质广泛应用于人脸识别上。PCA方法的基本原理是：利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试脸投影到此空间，得到一组投影系数，通过与