基于matlab的人脸识别系统设计与仿真

1、基于Matlab的人脸识别系统设计与仿真 摘要人脸识别即指利用分析比对人脸视觉特征信息从而达到身份鉴别效果的计 算机技术。人脸识别是一项当下十分热门的计算机技术的研究领域，该项技术可以人脸明暗侦测，并且自动调整动态曝光补偿，同时对人脸追踪侦测，并自动调 整影像放大；这项技术属于生物特征识别技术的一种，是利用生物体（一般指人） 本身的生物特征从而达到区分生物体个体的目的。人脸识别技术目前主要用做身份识别。 由于视频监控的飞速普及，使这项应 用迫切的需要一种能实现在用户非配合状态下、 远距离的进行快速身份识别的技 术，以求能在远距离之下快速识别人员身份，从而实现智能预警的功能。最佳的选择无疑是人脸

2、识别技术。采用快速人脸检测识别技术可以从视频监控图象中实 时捕获到人脸信息，并与人脸数据库中的已存信息进行实时比对，从而达到快速身份识别的效果。报告利用MATLA歆件来实现人脸信息才测与识别，利用 YCbCr空间以及灰 度图像来实现人脸的边缘分割，将真彩图像转换为灰度图像，并根据肤色在 YCbCr色度空间上的分布范围，来设定门限阀值，从而实现人脸区域与非人脸区 域的分割，通过图像处理等一系列的操作来剔除干扰因素，再通过长宽比和目标面积等方法在图像中定位出人脸区域，经试验，该方法能够排除面部表情、衣着背景、发型等干扰因素，从而定位出人脸区域。关键词：Matlab软件；灰度图像；边缘分割；人脸区域

3、AbstractFace recognition especially use comparative analysis face visual feature information for identification of computer technology. Face recognition is a hot research field computer technology, face detection, light and shade can be automatically adjusted dynamically exposure compensation, human

4、 face tracking detection, automatic adjustment of image magnification; It belongs to the biometric identification technology, it is of organisms (generally refers to a person) individual biological characteristics to distinguish between the organism itself.Face recognition is mainly used for identif

5、ication. Because of the video monitoring is fast popularization, many of the video monitoring application is an urgent need to a long distance, the user not cooperate condition of rapid identification technology, in order . Face recognition technology is undoubtedly the best choice, the fast face de

6、tection technology to monitor in real-time video image search from face, and with real-time than face database, so as to realize rapid identification.Report using MATLAB software to realize face information detection and recognition, using YCbCrspace and gray image to realize the face edge segmentat

7、ion, the true color image is converted to a grayscale image, and according to the color of skin in YCbCrchroma space distribution, to set the threshold threshold, so as to realize the segmentation of face region with the face region, through a series of operations such as image processing to elimina

8、te interference factors, and through such means as aspect ratio and the target area locate the face region in the image, the experiment, this method can eliminate facial expressions, clothes, hair background interference factors, so as to locate the face region.Keywords： Matlab ； Gray image ； edge s

9、egmentation ； face region目录摘要 0ABSTRACT. 1目录 2第1章绪论 31.1 课题的研究背景、目的及意义 31.1.1 课题的研究背景 31.1.2 研究目的及意义 41.2 本课题的主要内容 4第2章图像处理的MATLA取现 52.1 识别系统构成 52.2 人脸图像的读取与显示 62.3 图像类型的转换 62.4 图像增强 72.5 灰度图像平滑与锐化处理 82.6 边缘检测 10第3章人脸识别计算机系统 113.1 系统基本构架 113.2 人脸检测定位算法 113.3 匹配与识别 16结论 23致谢 24参考文献 25附录1人脸识别的MATLABS程

10、序 26附录2外文参考文献及翻译 30第1章绪论1.1 课题的研究背景、目的及意义1.1.1 课题的研究背景数字图像处理技术是20世纪60年代发展起来的一门新兴技术。近 30多年 来，在计算机科技和大规模集成电路技术的迅猛发展、 离散数学理论创立和完善， 以及工业、军事、医学等方面的应用需求在不断增长，人脸识别技术已经在人机 交互、安全验证系统、系统公安（罪犯识别等）、医学、档案管理、信用卡验证、 视频会议等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的 一个研究热点。目前，人脸识别技术应用最广泛的地方就是各大公司、商场、政 府保密机构的门禁考勤系统。20世纪90年代后期以来，一些

11、商业性的人脸识别技术系统逐渐进入市场。 自美国遭遇恐怖分子袭击事件后， 这一技术引起了社会各方的广泛关注。 由于隐 蔽性十分好，该项技术逐渐成为国际反恐及安全防范的重要手段之一。人脸识别技术在中国也有迅猛发展的历史。国家“十一五”科技发展规划就 将人脸识别技术的研究与发展列入其中，并明确指出“要在生物特征识别技术领 域缩小与世界先进水平的差距，开展生物特征识别应用技术研究， 开发具有高安 全性、低误报率的出入口控制新产品。”在这种形势下，国内一些科研院所在人 脸识别技术上有了重大发展和突破。如清华大学、中科院计算机所、中科院自动化所等自主研发的人脸识别技术已经达到了国际先进的水平。经过多年的研

12、发探索，在世界各大研究机构的研发人员的共同努力下， 人脸 识别技术这一领域取得了丰硕的成果， 这些研究成果的取得和科技的进步， 更进 一步推动了人类对人脸识别技术这一高端技术的深入研究。人脸识别技术，顾名思义，指利用采集、分析、比较人脸视觉特征信息来进 行身份鉴别的计算机技术。广义的人脸识别实际包括构建人脸识别系统的一系列 相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份 查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。它是人们一直所追求的让机器智能化技术，就是让机器具备和人类一样的思 考能力，识别能力以及处理事务的能力。而人脸识别技术的研究就是

13、在这样的背 景下发展起来的。1.1.2 研究目的及意义目前，人脸识别技术已经广泛用于军队、政府、社会福利保障、银行、安全 防务及电子商务等领域。而我们研究这项技术的目的就是让其更好地服务于人类 社会，在这个生活快节奏的前提下， 与人方便。例如京沪高铁三站将建立人脸识 别系统，即使整容也能被识别。铁路部门发布计划时表示，将在京沪高铁段的大 津西站、济南西站、上海虹桥站这三个站点，建立人脸识别系统工程，以此来协 助公安部门甄别、抓捕在逃罪犯。利用这个系统，即使作案后的犯罪分子进行整 容，也会被识别。研究人脸识别技术，在现实意义上具有重大意义：一是能进一步加强对人类 视觉系统本身的认知；二是能够满足

14、人类社会中对人工智能应用的广泛需要。同时人脸识别技术又有自然性、无侵犯性、成本低、智能化等几个显著优势。人脸 识别技术的研究也有重大的学术价值。 由于人类有非常复杂的细节变化， 例如眼 镜、胡须、发型等附属物的干扰，这就给该项技术带来了巨大挑战。成功构造出 人脸识别系统将为解决其他与之类似的复杂问题提供重要的启示。1.2 本课题的主要内容本次课题主要讲述了人脸识别中应用 Matlab对图像进行预处理，通过人脸 检测、人脸跟踪、人脸比对来实现基于Matlab的人脸识别系统的仿真。利用Matlab实现一个集多种预处理方法于一体的通用的人脸识别仿真系统，将该系 统作为图像预处理模块嵌入在人脸识别系统

15、中，并利用灰度图像的直方图比对来实现人脸图像的识别判断。文中在研究人脸识别技术的仿真过程中， 主要涉及了 YCbCr空间、灰度图像 转换、噪声消除、图像填孔、图像重构、人脸区域确定、边缘检测等技术。通过 多次实验并比对各个算法和技术的优缺点，有效地实现了基于Matlab的人脸识别系统的设计与仿真，并达到了预期目标和效果。第2章图像处理的Matlab实现2.1 识别系统构成人脸识别技术系统主要可分为四个组成部分，分别为：人脸图像采集及检测、 人脸图像预处理、人脸图像特征提取以及匹配与识别。 一般人脸识别系统构架如 图2.1所示：人脸图 像采集 及检测人脸图 像预处 理人脸图 像特征 提取匹配与

16、识别图2.1人脸识别系统构架(1)人脸图像采集及检测 人脸图像采集：人脸图像信息都能通过摄像镜 头采集记录下来，比如不同位置、不同表情、静态图像、动态图像等方面都能得 到很好的采集。当目标在采集设备拍摄的范围内时， 采集设备会自动搜索并采集 目标的人脸图像；人脸检测：在实际中主要应用于人脸识别的预处理，即在采集 到的图像中准确定位出人脸的位置。 人脸图像中包含的模式特征非常丰富， 如模 板特征、结构特征、直方图特征、颜色特征等。人脸检测就是挑出这其中有用的 特征信息，并利用这些特征来实现人脸识别。(2)人脸图像预处理 人脸图像预处理：所谓人脸图像预处理，就是基于 人脸检测结果，并对人脸图像进行

17、处理，最终服务于人脸特征提取的过程。系统获取的原始人脸图像由于受到随机干扰和各种条件的限制，通常不能直接使用， 所以必须在人脸图像处理过程中要先对它进行灰度图像、噪声过滤等图像预处 理。而对于人脸图像，预处理的过程主要涉及灰度变换、人脸图像的光线补偿、 几何校正、直方图均衡化、归一化、滤波以及锐化等。(3)人脸图像特征提取 人脸图像特征提取：人脸识别系统通常会使用的 特征分为视觉特征、人脸图像变换系数特征、像素统计特征以及人脸图像代数特 征等。所谓人脸特征提取即针对人脸的某些特征进行的提取。人脸特征提取，也被称为人脸表征，是对人脸特征进行建模的过程。人脸特征提取的方法总结起来可以分为两大类：一

18、种是基于统计学习或代数特征的表征方法；另一种是基于知识的表征方法。(4)匹配与识别人脸图像的匹配与识别：将提取到的图像特征数据与数据库中已存的特征模板进行搜索匹配，设定一个阈值，当相似度超过这一阈值时， 则把匹配所得到的结果输出。人脸识别就是将待识别的人脸特征与已存储的人脸 特征模板进行比对，依据相似度对该人脸图像的身份信息进行判别。这一过程主要分为两步：第一步是确认，就是一对一进行图像比较的过程，第二步是辨认， 就是一对多进行图像匹配对比的过程。2.2 人脸图像的读取与显示人脸图像的读取和显示可通过imread()和imshow()指令来实现；图像的输 出可以用imwrite()函数，很方便

19、快捷的将图像输出到电脑硬盘上；另外还可以 通过imcrop( )、imrisize( )、imrotate() 等函数来实现图像的裁剪、缩放与旋转等功能。2.3 图像类型的转换Matlab支持多种图像类型，在很多图像操作处理中，对图像的类型有要求，所 以就涉及到了对图像的类型进行转换。Matlab7.0图像处理工具箱包含了不同图像类型之间相互转换的大量函数，如rgb2gray()可以将颜色映像表或RGBS像转 换为灰度图像，通过 mat2gray()函数能实现矩阵转换为灰度图像的功能。在类 型转换的处理过程中，我们还会经常遇到数据类型不匹配的问题，针对这一问题,Matlab7.0工具箱中为我们

20、提供了各种数据类型之间相互转换的函数，例如double()函数的功能就是将数据转换为双精度数据类型。因为后续的图像增强、边缘检测等都是针对灰度图像进行的，而原图像是RGB 图像，所以我们首先要对原图像进行类型转换。实现过程代码如下：i=imread(F:2.JPG);j=rgb2gray(i);imshow(j);imwrite(j,F:2.tif)转换后的灰度图像如图2.2所示:图2.2灰度图像2.4 图像增强图像增强的目的是改善图像的视觉效果，或者使图像更适合于人或机器进行 分析处理。通过图像增强，可以减少图像中的噪声，提高目标与背景的对比度， 也可以强调或抑制图像中的某些细节。例如，消除

21、照片中的划痕，改善光照不均匀图像，突出目标的边缘等。实现图像的灰度转换的方法有很多，其中最常用到的是直方图变换的方法， 即直方图的均衡化。该种方法是使输出图像直方图近似服从均匀分布的变换方 法。Matlab7.0图像处理工具箱中为我们提供了图像直方图均衡化的函数 histeq(),我们也可以通过imhist()函数计算和显示图像的直方图。通过原图与直方图均衡化后图像对比可以发现，图像变得更加清晰，并且均衡化后的直方图相对于原直方图的形状更为理想。实现过程代码如下：i=imread(F:2.tif);j=histeq(i);imshow(j);figure,subplot(1,2,1),imhi

22、st(i);subplot(1,2,2),imhist(j)执行后得到的图像如下所示：10C：Q3CX盟工- 则- 眈。-珀加州30001030-1OD 200图2.3 均衡化后的灰度图像图2.4均衡化前后的直方图对比图2.5 灰度图像平滑与锐化处理平滑滤波器的作用是模糊图像或者消除噪声，Matlab7.0图像处理工具箱为 我们提供了 wiener2()来实现对图像噪声的自适应滤波，medfilter2()函数用来 实现中值滤波。在本文案例中，为使滤波效果更加明显，我们预先为人脸图像人为 增加噪声，然后用自适应滤波方法对图像进行滤波处理。锐化处理的作用是用来 强调图像中被模糊的细节，在本案例中

23、，采用了预定义高斯滤波器的方法对图像 进行锐化滤波。实现过程的代码如下：i=imread(F:2.tif);j=imnoise(i,gaussian,0,0.02);subplot(1,2,1),imshow(j);j1=wiener2(j);subplot(1,2,2),imshow(j1);h=fspecial(gaussian,2,0.05);j2=imfilter(i,h);figure,subplot(1,2 ,1),imshow(i)subplot(1,2,2),imshow(j2)执行上述代码后得到的图像如下所示:图2.5平滑滤波效果图图2.6 锐化滤波效果图图2.5中，第一个为

24、加入噪声的图像，第二个为滤波后的图像；图 2.6中,第一个为原灰度图像，第二个为锐化后的图像2.6 边缘检测数字图像的边缘检测是目标区域识别、图像分割、区域形状提取等图像分析 过程中十分重要的基础步骤，也是人脸图像识别中用来实现提取图像特征的一个 重要步骤。通过计算一阶导数或二阶导数可以快捷地检测出图像中每个像素在其 邻域内的灰度变化，从而检测出边缘。常用的有梯度算子一Roberts算子，canny 算子,Log算子等。Matlab7.0工具箱中为我们提供的edge()函数可以用来进行 边缘检测，同时也可以根据案例所需要的选择合适的算子及其参数。Matlab7.0图像处理工具箱中提供了 edg

25、e()函数来实现图像边缘检测，还有 各种方法算子供我们选择，在本案例中采用了 canny算子来进行图像边缘检测， 程序代码如下：i=imread(F:2.tif);j=edge(i,canny,0.04,0.25,1.5);imshow(j)执行上述程序后得到如下图像：图2.1原灰度图像图2.7边缘检测效果图欢迎下载10第3章人脸识别计算机系统3.1 系统基本构架人脸识别是一个十分复杂的过程，一般人脸识别的计算机系统流程如图3.1所示。它包括几个步骤：进行图像采集，对于采集到的图像，首先进行人脸检测， 得出有无人脸的结果；然后进行人脸定位，找出人脸的位置并提取出来。对于人脸定位，在输入的是图像

26、序列时，一般也被称为人脸跟踪。通常检测和定位同步 进行。借助人脸描述对提取出来的人脸就可以进行人脸识别，即通过提取人脸特征来确定其身份图3.1基本框架图欢迎下载ii3.2 人脸检测定位算法人脸检测定位算法可分为两大类：一类是基于隐式特征的方法；另一类是基 于显式特征的方法所谓的显式特征，即指人类肉眼可以直观看到的特征，如肤色、脸部结构、总结概括出人脸区域区脸部轮廓等。基于显式特征的方法是指通过肉眼的观察,别于“非人脸”区域的特征，根据与被检测区域的对比，即是否满足这些人脸特征，从而判定该区域包含人脸与否。根据所选择的“人脸特征” ，基于显式特征 的方法可以分为三类：模板匹配的方法、基于肤色模型

27、的方法、基于先验知识的 方法。以上三类方法的优缺点概括见表 3-1 :表3-1 优缺点对比检测方法优点缺点模板匹配具有较强的直观性和较好的适应性对面部表情的变换敏感；对于模板的选择、参数的确定很困难肤色模型检测速度相对较快阳光、背景光线等会使人脸区域被分割，导致被漏检先验知识的方法对于复杂图像中的人脸检测后较大优势依赖于先验知识；工作量较大，运算时间较长基于隐式特征的方法就是将人脸区域看成一类模式，通过“人脸”、“非人脸” 样本、构造分类器的使用，判别图像中全部可能区域是否符合“人脸模式”的一 类方法来实现人脸的检测。这类方法可以分为：神经网络法、特征脸法、积分图 像法、支持向量法。以上四种方

28、法的优缺点比较见表 3-2 :表3-2 优缺点对比表检测方法优点缺点神经网络效率较高，错误报警数较少，网络多样本训练所耗的费时间多， 网络监测错法监测速度较快误报警数较多本征脸法能抽象人脸全部信息，运算时间相通过模板测效率较低，多模板虽然增加了对较短效率，但是检测时间较长积分图像分析法检测速度较快，满足实时检测的要求，检测效率相对较局错误报警数与检测率成反比支撑向量法具有更好的泛化能力“非人脸”的复杂造成支持向量数才较多，导致运算复杂度变大运用matlab软件仿真进行人脸检测定位实例：人脸检测定位程序：% Reading of a RGB imagI 始图像i=imread( F:2.JPG)

29、;I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)% 化灰度图像n1 n2=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;for i=1:10y1=1;y2=c;for j=1:10if (y2=9*c) | (x1=1 | x2=r*10) loc=find(BW(x1:x2, y1:y2)=0);o p=size(loc);pr=o*100/s;if prmx & (BB2(1,k)/BB2(1,k+1)1.8mx=p;j=k;endendfigure,imshow(I);hold on;

30、rectangle( Position ,BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j),EdgeColor , r)欢迎下载321.原始图片2.灰度图片4.3. 均衡化灰度图片人脸定位3.3匹配与识别人脸人别系统的最后一步是人脸识别。 人脸识别，即通过对所采集到的人脸 图像进行一系列处理，提取待识别人脸图像的特征信息， 通过与已存人脸数据库 信息进行匹配识别，确定待识别人脸图像的基本信息。运行如下代码：function varargout = faceCore(varargin)% FACECORE M-file for faceCore.fig% FACEC

31、ORE, by itself, creates a new FACECORE or raises the existing% singleton*.% H = FACECOREturns the handle to a newFACECORor the handle to% the existing singleton*.%FACECORE(CALLBACK,hObject,eventData,handles,)callsthe local% function named CALLBACK in FACECORE.M with the given input arguments.% FACEC

32、ORE(Property,Value,)creates a new FACECORE or raises the% existing singleton*. Starting from the left, property value pairs are% applied to the GUI before faceCore_OpeningFunction gets called. An% unrecognized property name or invalid value makes property application% stop. All inputs are passed to

33、faceCore_OpeningFcn via varargin.% *See GUI Options on GUIDES Tools menu. Choose GUI allows only one% instance to run (singleton).% See also: GUIDE, GUIDATA, GUIHANDLES% Copyright 2002-2003 The MathWorks, Inc.% Edit the above text to modify the response to help faceCore% Last Modified by GUIDE v2.5

34、28-May-2009 10:21:26% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct(gui_Name, mfilename, .gui_Singleton, gui_Singleton, .gui_OpeningFcn, faceCore_OpeningFcn, .gui_OutputFcn, faceCore_OutputFcn, .gui_LayoutFcn,.gui_Callback, );if nargin & ischar(varargin1)gui_State.gui_C

35、allback = str2func(varargin1);endif nargoutvarargout1:nargout = gui_mainfcn(gui_State, varargin:);elsegui_mainfcn(gui_State, varargin:);end% End initialization code - DO NOT EDIT% - Executes just before faceCore is made visible.function faceCore_OpeningFcn(hObject, eventdata, handles, varargin)% Thi

36、s function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to faceCore (see VARARGIN)% Choose default command line output for fa

37、ceCorehandles.output = hObject;% Update handles structureguidata(hObject, handles);% UIWAIT makes faceCore wait for user response (see UIRESUME)% uiwait(handles.figure1);% - Outputs from this function are returned to the command line.function varargout = faceCore_OutputFcn(hObject, eventdata, handle

38、s)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% Get default command line output from handles structure varargout1 = handles.out

39、put;% - Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global TrainDatabasePath ;

40、TrainDatabasePath = uigetdir(strcat(matlabroot,work),训练库路径选择);% - Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with han

41、dles and user data (see GUIDATA)global TestDatabasePath;TestDatabasePath = uigetdir(strcat(matlabroot,work),测试库路径选择)；% - Executes on button press in pushbutton3.%function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined i

42、n a future version of MATLAB% handles structure with handles and user data (see GUIDATA)%filename,pathname=uigetfile(*.jpg;*.bmp, );%str=pathname filename;%im=imread(str);%axes(handles.axes1);%imshow(im);% - Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, ha

43、ndles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global TrainDatabasePath ;global TestDatabasePath;global T;T = CreateDatabase(TrainDatabasePath);%m V_PCA V_Fisher ProjectedIm

44、ages_Fisher = FisherfaceCore(T);% - Executes on button press in pushbutton5.function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDAT

45、A) global im;filename,pathname=uigetfile(*.jpg;*.bmp,选择测试图片)；str=pathname filename;im=imread(str);axes(handles.axes1);imshow(im);% - Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to b

46、e defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)%T = CreateDatabase(TrainDatabasePath);global T;global im;global TrainDatabasePath ;m V_PCA V_Fisher ProjectedImages_Fisher = FisherfaceCore(T);OutputName = Recognition(im, m, V_PCA, V_Fisher,Projected

47、Images_Fisher);Selectedlmage = strcat(TrainDatabasePath,OutputName);Selectedlmage = imread(Selectedlmage);axes(handles.axes2);imshow(Selectedlmage);%title(Equivalent Image);% - Executes on button press in pushbutton7.function pushbutton7_Callback(hObject, eventdata, handles)% hObject handle to pushb

48、utton7 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA) clear all;clcclose(gcf);执行上述代码后效果如下图所示：如上图所示，当我们选择待识别照片后，点击图像匹配， 可以快速匹配到与 该测试图像特征信息相符合的训练库中的人脸图像，效果图如下：匹配图像M练车选择样本训练UL I圳试库选择退出系统结论图像是人类日常生活和工作中获取和交换信息的重要来源

49、，人脸图像的识别技术已经应用到了生活中的方方面面。基于Matlab的人脸识别系统的仿真的研究很有意义。目前到处可见摄像头， 监控录像，这些的普及，使人脸识别具有重大商业价值。在本文图像处理时，用 到如灰度变化、格式转换和滤波锐化等基本方法来实现图像处理。通过对一些算 法，方法的比较，选择了比较合理的方法进行图像预处理。在比较人脸识别的几种方法后，我们最终选择了通过人脸图像的直方图差值 进行比较从而实现了人脸识别。事实证明，这种方法对人脸能更好的分类，但其 对于人脸图像的像素质量等要求较高，而我们只是采用Orl标准的人脸数据库中 的图像完成测试，因此可以得到较高的识别率。在对大量参考文献资料的阅

50、读的基础上，本设计对基于Matlab的人脸识别这一技术做了详细的综述。然而，在现实生活中由于受到采集距离、光线明暗、人脸角度等因素的影响， 采集到的人脸图像与人脸库进行匹配识别时，识别率很难可以达到测试要求。因 此，在实际应用时还要根据具体情况进行分析。本次基于Matlab的人脸识别系统的仿真设计到这里就结束了，在设计过程 中，虽然对几种方法进行了对比选择， 但是还是有很多不足，可能很多问题想的 不够充分，设计中有些数据可能会有偏差，因此在今后的学习生活中要更加努力， 不断地提高自己的科学文化水平和各方面素质。致谢在佳木斯大学的学习生活即将结束， 现在想想对母校还是有很多留恋。 在做 毕业设计

51、的这段时间里，我的老师、同学们对我给予了非常多的帮助，在这里， 谨向他们致以最真诚的感谢！尤为感谢的，是我的导师周经国老师。周老师学识渊博，思想敏锐，洞察力 超强，治学态度严谨，平易近人。在我做毕业设计的这段时间里，常常会被一些 难题所困扰，弄得焦头烂额。是周老师教导我，激励我，对我给予了细心地指导 和悉心的教诲，让我摆脱困境，重新找回自信心。同时，我也要感谢教导过我的所有老师。 是你们毫无保留的指导和细致耐心 的帮助，我才能顺利完成这次毕业设计。最后，我还要感谢身边的朋友和同学，在大学生活的四年里，我在你们的陪 伴中成长，谢谢你们在做毕业设计这段日子里给予我的帮助。真心的感谢所有在生活、学习

52、中帮助过我的良师益友，谢谢你们！参考文献口何东健，耿楠，张义宽.数字图像处理（第二版）.西安电子科技大学出版社，2008.5:1-3252于万波.基于MATLAB勺图像处理.清华大学出版社，2008.3:1-2183 陈书海，傅录祥.实用数字图像处理.北京科学出版社，20054 崔屹.数字图像处理与应用.北京：电子工业出版社，19975 何东健，杨青.实用图像处理技术.陕西科学技术出版社，19986 吕风军.溯溪图像处理编程入门.清华大学出版社，19997 章毓晋.图像工程：图像处理和分析（上）.清华大学出版社，19998章毓晋.图像工程：图像分析（中）.清华大学出版社，20059 章毓晋.图

53、像工程：图像理解与计算机视觉（下）.清华大学出版社，200010 朱秀昌，刘峰，胡栋.数字图像处理与图像通信.北京邮电大学出版社，200211韩晓军.数字图像处理技术与应用 M .北京：电子工业出版社，200912 刘刚.MATLAB数字图像处理M .北京：机械工业出版社，201013 徐倩，邓伟.一种融合两种主成分分析的人脸识别方法J.计算机学报，200714 郭文强，侯勇严.数字图彳t处理.西安电子科技大学出版社，200915 张宜华.精通MATLAB51华大学出版社，199916 张兆礼.现代图像处理技术及 MATLA毁现.人民邮电出版社，200117 Wangmen彳uo, Kuanq

54、uan Wang David Zhang, Hongzhi Zhang. Combination of two novel LDA-basedmethods for face recognitionC.Proceedings of the IEEE, 200718 何东风.人脸识别技术综述J.计算机学报，200319 The Mathworks.MATLAB User GUIdesDB/OL.2009附录1人脸识别的MATLA魄程序(1)色彩空间转换：function r,g=rgb_RGB(Ori_Face)R=Ori_Face(:,:,1);G=Ori_Face(:,:,2);B=Ori_Face(:,:,3);R1=im2double(R); % 将 uint8 型转换成 double 型G1=im2double(G);B1=im2double(B);RGB=R1+G1+B1;row=size(Ori_Face,1); %行像素column=size(Ori_F