人脸识别中图像预处理技术.docVIP

人脸识别中图像预处理技术 　　摘要：人脸作为一种高普遍性、非接触式采集的重要生物特征，正被越来越多地用来进行身份鉴别。本文介绍了人脸识别的基本过程，简要分析了人脸识别中的图像预处理技术，如直方图变换、线性滤波、非线性滤波、图像变换，并在MATLAB中实现。 　　关键词： 人脸识别；傅里叶变换；中值滤波；图像处理；MATLAB 　　中图分类号：TP391.4 文献标识码：A 　　 　　1引言 　　 　　人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别技术应用广泛，可用于安全验证系统、医学、档案管理、银行和海关的监控系统及自动门禁系统等［1］。与利用指纹、虹膜等其他人体生物特征进行身份识别的方法相比，人脸识别更加友好、方便和隐蔽。因其巨大的应用前景,以及其无可比拟的优越性，人脸识别越来越成为当前模式识别和人工智能领域的一个热点。图像预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小、位置以及人脸图像质量的一致性，必须对图像进行预处理。 　　 　　2人脸识别的基本内容和过程 　　 　　人脸识别(Face Recognition)一般可描述为：给定一静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。从广义上讲，其研究内容包括以下五个方面： 　　(1)人脸检测(Face Detection)：即从各种不同的场景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。 　　(2)人脸表征(Face Representation)：即确定表示检测出的人脸和数据库中的己知人脸的描述方式。通常的表示方法包括几何特征(如欧氏距离、曲率、角度等)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。 　　(3)人脸鉴别(Face identification)：即通常所说的人脸识别，就是将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式与匹配策略。 　　(4)表情分析(Facial expression Analysis)：即对待识别人脸的表情进行分析，并对其加以分类。 　　(5)物理分类(Physical Classification)：即对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。 　　人脸识别的基本过程和框架如图1所示。 　　人脸图像采集预处理特征提取识别 　　预处理模块主要完成人脸图像质量的改善，包括提高图像对比度、消除噪声等，可视具体应用而选用。特征提取模块完成提取人脸特征，如何提取稳定和有效的特征是识别系统成败的关键。本文将分析人脸识别中涉及的图像处理技术。 　　 　　3人脸识别中的图像预处理技术 　　 　　预处理的目的是为了提高图像质量、加强有用的信息。常用的预处理有姿态矫正、光照补偿、尺寸归一化、去噪、边界增强、提高对比度等，它是一项基础性工作，可在人脸特征提取之前根据需要有选择地进行适当的预处理操作。本文采用直方图均衡技术进行人脸图像的预处理，主要目的是增强对比度，提高图像质量。 　　3.1直方图均衡技术 　　3.1.1直方图定义 　　直方图是图像的一种统计表达。对一幅灰度图像，其灰度统计直方图反映了该图中不同灰度级出现的统计情况［2］。其定义为： 　　P(sk)=nk/N 　　其中nk表示图像的第k级灰度值，N表示像素总数。直方图能给出该图像的整体描述，例如图像的灰度范围、每个灰度级的频度和灰度的分布、整幅图像的平均明暗和对比度。直方图又分为直方图均衡化和直方图规定化。 　　3.1.2直方图均衡技术 　　直方图均衡化也叫直方图均匀化，就是把给定图像的直方图分布改变成均匀分布的直方图，它是一种常用的灰度增强方法［3］。本文在MATLAB环境下对采集后的图像进行了图像的预处理，见图2。 　　图2（a）较暗，有些细节不够清晰，反映在直方图上就是其直方图所占据的灰度范围分布在较窄的区间，引起图像细节不清楚。图2（b）和图2（c）分别为对原始图像进行直方图均衡化得到的结果及其对应的直方图，由图2（c）可见均衡化后直方图占据了整个灰度值允许的范围，图像的灰度间距拉开，灰度分布均匀，从而增大了反差，使图像细节清晰，达到了图像增强的目的。 　　3.2线性平滑滤波 　　均值滤波也称为线性滤波，其采用的主要方法为邻域平均法、超限像素平滑法和加权均值滤波法。这里以邻域平均法为例进行说明。邻域平均法，其基本原理是用均值替代原图像中的各个像素值，即对待处理的当前像素点 (x,y)选择一个模板（图3所示为一均值滤波模板）求模板中所有像素的均值，再把该均值赋予当前像素点