基于MATLAB人脸识别研究.docVIP

基于MATLAB人脸识别研究 　　【摘要】深入分析了主成分分析（Principal Component Analysis，PCA）方法的基本原理，PCA方法最显著的优点是能用低维特征向量来估计原始样本，基于此特点将它用来实现对人脸的识别。此外本文还深入分析了PCA中遇到的特征值选择和距离准则的选取问题。 　　【关键词】MATLAB；数字图像处理；人脸识别 　　1.引言 　　人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题，在安全检测、身份验证、军事、商业等领域具有广泛的应用前景。基于人脸识别的自动身份认证具有重要的理论意义和应用价值。但是通过人脸图像来进行识别仍然面临巨大的挑战，要使这一技术成为完全成熟的技术还有许多工作需要做。 　　2.人脸识别的研究内容 　　人脸识别（Face Recognition）是指基于己知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸。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）：即从动态的场景或复杂的背景中检测出人脸的存在并且确定其位置，然后分离出来。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）：也称为人脸特征提取，即采用某种表示方法来描述检测出的人脸与数据库中已知人脸。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）人脸识别（Face Identification）：即将待识别的人脸与数据库中已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表征方法与匹配策略。 　　（4）表情分析（Facial Expression Analysis）：即对待识别人脸的表情进行分析，并对其加以归类。 　　（5）生理分类（Physical Classificat-ion）：即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子的脸部图像、基于年龄增长的人脸图像估算等。 　　相对来说，人脸的表情分析、生理分类是两个非常难的研究方向，不过它在计算机图形学，尤其是计算机动画等领域有很广泛的应用前景，因此在最近几年得到了国内外很多从事计算机视觉（Computer Vision）的研究人员的注意。本论文主要介绍狭义的静态人脸图像识别方法，研究的重点是人脸特征提取与识别的关键技术，不涉及表情识别和生理分类方面。 　　人脸识别系统通常主要由人脸检测与定位，人脸特征提取与识别两部分组成，在这两部分的基础上还包括图像预处理等步骤。其主要实现步骤如下： 　　（1）图像预处理 　　由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊，且对比度低、区域灰度不平衡。为了提高图像的质量，保证提取特征的有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作，以改善图像质量，保证提取特征的有效性。 　　（2）人脸的检测与定位 　　从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，输出为分割好的人脸局部图像。 　　（3）图像归一化 　　图像归一化属于图像预处理的范畴。在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度的克服光照变化的影响而提高识别率[3，4]。 　　（4）特征提取与识别 　　对于归一化了的人脸图像进行面部的各特征提取，将原始人脸图像中的数据映射到特征空间，对人脸进行特征建模，建立的特征模型主要用于区分各人脸之间的差异性，为人脸识别分类打下基础。由于原始的人脸图像数据量是相当大的，为了有效的实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征，如何提取稳定和有效的特征是识别系统成败的关键。人脸识别验证是整个自动人脸识别系统的最后一个步骤，根据面部特征的提取结果，将待检测人脸与人脸库中人脸数据进行比较，判断出待检验人脸的身份信息。 　　一个完整的人脸自动识别系统如图1所示。 　　对以上人脸识别系统进行分析可以看出，人脸识别研究需要考虑以下几个主要方面：如何准确快速的检测并分割出人脸部分；在非约束环境下，如何采用一些必要的处理方法来提高系统的鲁棒性，寻找一种受人脸姿态变化和光照条件等因素影响较小的特征提取方法；如何有效的变化补偿、特征描述和准确的分类等等，以上方面均直接影响人脸识别的速度与准确度。 　　3.人脸识别的具体过程 　　在实验编程中，我们利用的是M