数字图像处理课程设计人脸检测与识别

1、数字图像处理课程设计人脸检测与识别课程设计1、 简介人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(pca)方法是一种有效的特征提取方法,将人脸图像表示成一

2、个列向量, 经过pca 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(svm ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。 本此课程设计基于matlab，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用pca算

3、法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。2、 人脸检测1. 源码img=imread('d:std_test_imagesface3.jpg');figure;imshow(img);r=img(:,:,1);g=img(:,:,2);b=img(:,:,3);facergn1=(r>95)&(g>40)&(b>20)&max(img,3)-min(img,3)>15&abs(r-g)>15&r>b;fi

4、gure;imshow(facergn1);r=double(r)./double(sum(img,3);g=double(g)./double(sum(img,3);y=0.3*r+0.59*g+0.11*b;facergn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;figure;imshow(facergn2);q=facergn1.*facergn2;p=bwlabel(q,8);bb=regionprops(p,'boundi

5、ngbox');bb1=struct2cell(bb);bb2=cell2mat(bb1);figure;imshow(img);s1 s2=size(bb2);mx=0;for k=3:4:s2-1 p=bb2(1,k)*bb2(1,k+1); if p>mx&(bb2(1,k)/bb2(1,k+1)<1.8 mx=p; j=k; hold on; rectangle('position',bb2(1,j-2),bb2(1,j-1),bb2(1,j),bb2(1,j+1),'linewidth',3,'edgecolor&#

6、39;,'r'); hold off; endend2.处理过程 3、 人脸识别1. 算法简述在matlab 2012a版本中添加了对pca算法的支持，由于水平有限我选择直接调用。在本次课程设计中，pca算法又分为样本训练和人脸识别两个过程，在样本训练阶段，将样本库（每组15张共15组人脸图像，对每组前11张进行特征提取用于训练，后4张用于检测）中的人脸图像转换为特征向量表示，并投影到pca子空间，最终将这些向量数据保存到训练数据库中。而在识别阶段，同样将待识别的人脸图像使用pca子空间的向量表示，通过计算待识别图像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为

7、识别结果。2. 源码clearclc% 样本数量15*11people_count=15;face_count_per_people=11;% 训练比率,设置为75%识别正确率可达100%training_ratio=.75;% 能量energy=90;training_count=floor(face_count_per_people*training_ratio);training_samples=;path_mask='d:pca_face_rec%03d%02d.jpg' % 训练for i=1:people_count for j=1:training_count i

8、mg=im2double(imread(sprintf(path_mask,i,j); img=imresize(img,10 10); % 归一化至50*50 if ndims(img)=3 img=rgb2gray(img); end training_samples=training_samples;img(:)' endendmu=mean(training_samples);coeff,scores,explained=pca(training_samples);idx=find(cumsum(explained)>energy,1);coeff=coeff(:,1:i

9、dx);scores=scores(:,1:idx); % 测试acc_count=0;for i=1:people_count for j=training_count+1:face_count_per_people img=im2double(imread(sprintf(path_mask,i,j); img=imresize(img,10 10); if ndims(img)=3 img=rgb2gray(img); end score=(img(:)'-mu)/coeff' ,idx=min(sum(scores-repmat(score,size(scores,1)

10、,1).2,2); if ceil(idx/training_count)=i acc_count=acc_count+1; end endendtest_count=(people_count*(face_count_per_people-training_count);acc_ratio=acc_count/test_count;fprintf('测试样本数量:%d,正确识别率:%2.2f%',test_count,acc_ratio*100)3. 仿真结果及说明样本库举例：结果为：测试样本数量:45,正确识别率:100.00%4、 总结 人脸识别是一个多学科领域的挑战性难题，近