人脸识别课程计附带代码.docVIP

人脸识别中图像预处理的研究 1.课程设计目的 随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，这一领域除了它的重大理论价值外，也极具实用价值。 如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，开发研究的实际意义更大。然而人脸图像受很多因素的干扰，给识别带来很大难度。国外对于人脸图像识别的研究较早，现己有实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，国内也有许多科研机构从事这方而的研究，并己取得许多成果。 2. 方法综述 2.1特征脸法（PCA）： 把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。 2.2人工神经网络（ANN）法： 通过训练一个网络结构，把模式的统计特性隐含在神经网络的结构和参数之中。基于人工神经网络的方法对于复杂的、难以显式描述的模式，具有独特的优势。 2.3支撑向量机（SVM）法： 在统计学习理论基础上发展出的一种新的模式识别方法，它基于结构风险最小化的原理，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：第一，训练时需要求解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持向量会很多，使得分类器的计算量过高。 2.4基于积分图像特征的人脸检测方法: 是Viola等新近提出的一种算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。 3.实验结果与分析 图像获取人脸定位图像预处理 图像获取 人脸定位 图像预处理 人脸识别 图3.1?人脸识别技术处理流程图 3.1.1人脸图像的获取 一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。 3.1.2人脸定位 对人脸图像打上网格，对区域块图像做二值分析，通过像素比例来做处理，进而得到人脸区域。 在彩色图像中，颜色是人脸表面最为显著的特征之一，利用颜色检测人脸是很自然的想法。研究人员在考察了不同种族、不同个体的肤色后，认为人类的肤色能在颜色空间中聚成单独的一类，而影响肤色值变化的最主要因素是亮度变化。因此他们采用广泛使用的RGB颜色空间，在滤去亮度值的图像中通过比较像素点的ｒ、ｇ值与肤色范围来推断该像素点及其邻域是否属于人脸区域。除了RGB颜色空间，还有诸如HIS，LUV，GLHS等其它颜色空间被使用。寻找到肤色区域后，必须进行验证，排除类肤色区域。利用肤色像素的连通性分割出区域，使用椭圆拟合各个区域，根据椭圆长短轴的比率判断是否为人脸。如图3.2所示。 图3.2人脸定位过程 3.1.3图像预处理 ①滤波去噪：空域滤波按照空域滤波器的功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目的在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目的在于强调图像被模糊的细节。 ②灰度变换：有多种方法可以实现图像的灰度变换,其中最常用的就是直方图变换的方法,即直方图的均衡化。这种方法是一种使输出图像直方图近似服从均匀分布的变换算法。 ③边缘检测：数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础,也是图像识别中提取图像特征的一个重要属性。边缘检测算子可以检查每个像素的邻域并对灰度变化率进行量化,也包括对方向的确定,其中大多数是基于方向导数掩模求卷积的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。 3.4.4人脸识别 把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。 传统主成成份分析方法的基本原理是：利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。 对于一幅M*N的人脸图像，将其每列相连构成一个大小为D=M*N维的列向量。D就是人脸图像的维数，即是图像空间的维数。 设n是训练样本的数目；Xj表示第j幅人脸图像形成的人脸向量，则所需样