基于人脸识别的门禁系统设计与仿真计算机专业

1、目录摘 要3第一章 绪论51.1 什么是人脸识别61.2人脸识别技术的国内外发展状况及意义61.3人脸识别技术的优缺点81.4 门禁系统9第二章 人脸识别算法简介102.1基于主成分分析的人脸识别算法102.2基于线性判别分析的人脸识别算法112.3 基于核主成分分析的人脸识别算法112.4基于独立成分分析的人脸识别算法12第三章 人脸图像预处理以及在MATLAB中的实现133.1概述133.2 MATLAB的简介133.3图像转化153.4图像增强163.5边缘检测203.6人脸定位25L = bwlabel(BW,8);27第四章 特征提取及模式识别304.1 概述304.2人脸特征提取的

2、方法314.3模式识别354.4模式识别的方法36第五章 系统整体设计与仿真385.1 系统流程图385.2 GUI人机界面设计395.3系统设计41完整识别结果43第六章 总结与展望436.1 总结436.2展望44参考文献44摘 要人脸识别技术是一种生物识别技术，因其实用性强、用途广泛、方便快捷成为现在人们最为关注的识别技术之一。本文主要介绍基于人脸识别技术的门禁系统设计与仿真，完成这一课题的主要工作有：(1)人脸数图像据库建立 (2)人脸图像获取(3)人脸图像预处理(4)人脸图像特征提取(5)判别是否与数据库匹配(6)判断门禁系统是否启动。这一课题是在matlab的工作环境下进行设计和仿

3、真的，使用现在比较常见的主成成分分析算法，最终的设计结构人机界面良好、系统运行方便快捷、识别结果简单易懂，但是因为人脸识别技术和主成分分析有着很难避免的局限性所以整个系统也存着这识别率不是非常高、人脸识别系统不可避免的误配准错误的鲁棒性问题以及很难满足实际应用中的时性要求等不足。关键词：matlab软件；人脸识别；主成成分分析；门禁系统ABSTRACTThe technology of face recognition is a biological recognition technology, because of its strong practicality ,wide applica

4、tion ,convenient become one of the most concern identification technology for people. This article mainly introduces the design and simulation of access control system based on face recognition such work as bellows:(1) Build face database (2) Face image acquisition(3) Face image preprocessing(4) Fac

5、e image feature extraction (5) To judge whether to match the database(6) To determine whether a entrance guard system star upThis subject is to design and simulation in MATLAB ,using common principal component analysis algorithm is proposed.This design has many advantages,such as excellent man-machi

6、ne interface,system is convenient and quick,easy identification results.Because face recognition technology and the principal component analysis is hard to avoid the limitation of so the recognition rate of the whole system is not very high.There is robust problem of error registration error of the

7、face recognition system.The face recognition system is very difficult to meet the real-time requirement of practical application.Key words : MATLAB；face recognition；principal component analysis；Access Control system第一章 绪论1.1 什么是人脸识别人脸识别，就是通过提取人脸照片或者图像的脸部特征信息进行来进行身份识别的一种相对比较高级的生物识别技术。因为人脸的特征信息与指纹、虹膜、

8、人体DNA等生物特性一样与生俱来，这个唯一且不可复制的良好特性使得人脸有了可以进行身份识别的前提条件。人脸识别，利用用摄像机或摄像头采集含有人脸的图像，并在图像中检测、跟踪和定位人脸，进而对检测到的人脸进行数据、图像等处理的一系列相关技术，有时又称作人像识别或者面部识别。1.2人脸识别技术的国内外发展状况及意义1.2.1人脸识别技术国际发展现状自动的机器人脸识别技术研究开始于上世纪九十年代的PRI研究人员的工作，日本是研究这一课题的几乎是最早的国家，在九十年代研制的人像识别机，可在很短的时间内中从大量的人脸数据库中识别到你要找的人。这在当时是十分了不得的技术。上世纪九十年代，美国国防部高级研究

9、项目署 (Advanced Research Projects Agency)和美国陆军研究实验室(Army Research Laboratory)联合成立了一个人脸识别技术研究的项目组，这个项目组的科研人员建立了一个庞大的包含了各种人种、肤色、姿态、环境的人脸照片的人脸数据库，因为这个数据库的十分的复杂，所以这两个组织利用这个庞大的数据库来测试全世界的人们开发出来的人脸识别算法的性能。通过对c+开发，以及利用计算机仿真软件，美国陆军实验室也能够成功的实现人脸识别，并且FAR(基于生物特征身份识别模式识别中表示识别率的一个重要参数)高达五成。在整个美国的进行的公开人脸识别的测试中FAR超过了

10、50%。不久之后，由美国空军首先领导进行的这一研究项目被美国国防部高级研究项目署重新接管，并且进行了更加深入和系统的研究。这个研究项目署的科学家利用半自动的算法进行人脸识别，但是半自动的算法有很多的不足，例如这些算法不能够自己发现人脸图像中的某些特征，需要人工或自动指出图像中人脸的一下重要特征，像人的两眼之间的中心坐标，然后才能进行人脸识别。国外对于人脸识别就是的研究主要是放在公安、刑事侦查等公用方面，其中以卡内基梅隆大学为首，麻省理工大学、雷丁大学、哈佛大学等国外的高校的研究最为先进。这主要是因为在机场展开的系统测试中，发出了太多的错误警报。在民用方面例如小区的进出安全、公司的考勤、考试验证

11、系统、家用门禁系统等方面的研究国外并不主流。1.2.2人脸识别技术国内发展现状我国对于这人脸识别方面的研究也取得了较好的成就，主要是因为我国在当今热点科研领域人脸识别这一课题上掌握了一定的核心技术，并且国家863项目“面像检测与识别核心技术”取得了一定的成功而且在市场上进行了初步应用。20上世纪初，北京一家科研公司研究出了一种非常有效人脸识别系统，这个系统能自动先对人脸图像进行预处理，例如：光线补偿、图像均衡化、图像锐化等，这些预处理消除了在拍照过程中因相机造成的影响，预处理完了之后再对图像进行特征提取和人脸识别。这一点对于人脸识别非常有意义，因为大多数的人脸识别系统只能识别出用户的正面照片，

12、就是那些环境简单的照片例如证件照等，但是一个有效的高级人脸识别系统不仅要能做到这一点，还要求识别不同时期拍摄的人脸照片，识别出使用的不同相机拍摄的人脸照片，有的照片拍摄的并不一定是正面照，这还需要进行人脸定位等处理，还要尽量消除因拍摄角度、灯光、引入噪声等各种因素所造成的影响的影响。这一系统甚至可以识别很久之前的差别比较大照片，并且识别率依旧能保持很高，在计算机中首先建立一个较为庞大的人脸正面照片的数据库，每人一张照片，使用相距年份较久的照片、差别比较大的照片去查询，首选率几乎接近一半，也就是说有近一半的可能识别出来，看起来似乎识别率并不高，但是因为照片差别较大，所以能达到这一水平已经极为不易

13、。如果输入很多的张照片中包含有与数据库中的某一人照片为同一人的照片，那么这一的识别的成功概率可达70% 。 清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家"十五"攻关项目人脸识别系统在2005年1月18日通过了由公安部主持的专家鉴定。鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。1.2.3人脸识别的意义近年来，科学技术的飞速发展以及互联网技术得到广泛应用，一个有效的身份识别技术就变得非常重要。有很多地方都迫切需要一个有效的人脸识别系统，例如：单位的出入安全和考勤、居民居住的小区的出入安全、网络登录安全与检测、家用的门禁、驾驶证的考核和检测、计

14、算机登录以及计算机中信息的阅读提取，还有很多比较重要的部门例如银行、海关边检、军队安全等都需要可靠的身份鉴别技术。如何有效快速的身份的识别，并且尽可能保证识别结果的正确已经成为人们日常生活中经常遇到的一个基本问题。传统的身份识别方法比较简单，最关键的是这些传统的方法因为使用时间太久很多不法分子已经找到了方法瞒过身份识别这一关。传统的身份识别主要基于身份标识物品例如驾驶证、身份证、学生证等来进行识别身份，人机几乎100%都是使用这种方式进行身份识别的，这在过去的很长一段时期里是非常可靠和方便的识别方法，并且在日常生活、工作、出行等很多方面得到了广泛、全面的应用。但是，随着网络、通信、交通等技术的

15、飞速发展，人们对于日常活动空间的需求不断加大，尤其是虚拟空间的需求的加大，例如以前人们的生活需求可能就是公司、家等少数几个地方，但是现在生活水平的大大提高人们的活动空间再也不是仅限于这些满足人们基本生活的地方，这些大量的改变使得需要身份认证的场合也变得无处不在，而且身份认证的方法也有了全新的要求。如果依旧使用传统的身份识别方法就非常的不合适，因为人们需要携带的能够进行身份标识物品越来越多，例如身份证、驾驶证、员工卡、学生证等，可能同一个人因为身份的变化就需要不同的身份识别的标识物品，而且身份识别所需要的标识知识也变得越来越复杂和冗长。这些标识知识极容易因其复杂和冗长的特性而被遗忘或者记忆混淆。

16、在这种情况下，传统的身份识别方式的弊端日益彰显，例如身份标识物品（身份证、驾驶证、学位证等）容易被丢失和伪造，身份标识知识容易被遗忘、窃取和破解，而且这些身份标识的重要性又使得一旦丢失了这些身份标识或者这些身份标识物品被他人仿造和利用，就会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。这就意味着一个全新的、有效的身份识别方式在现在社会中有着非常重要的作用。所以人脸识别就孕育而生。通过人脸进行身份识别就几乎接近了传统的身份识别的所有弊端，人脸识别不需要携带身份标识物品，因为你的脸就是“标识物品”，这一技术也没有复杂和冗长的标识知识需要记忆，所以人脸识别技术是当今社会非常重要的身份识别的

17、方式，也就决定了这一技术的重要性和必要性。 1.3人脸识别技术的优缺点1.3.1 优点（1） 用户可以在几乎无意识的条件下获取人脸图像（2） 用户不需要接触专门的图像采集设备（3） 在实际应用中可以同时进行多个人脸识别（4） 其输出结果简单易懂且直观有效1.3.2 缺点（1） 大多数的人脸识别算法比较复杂并且在计算机的运行过程中比较耗时，这使得基于人脸识别的门禁系统在实际应用中比较难的满足人们特别需要的的实时性的要求。（2） 人脸特征的类内变化有时候大于类间变化。（3） 现在没有一个人脸特征描述的算法和高精度核心识别算法能够满足所有的需求。（4） 很难避免的误配准错误的鲁棒性问题依然没有得到很

18、好地解决。（5） 不同的人脸的表情变化、拍摄角度和拍摄环境的不同、不同种族的肤色等引起的人脸细节的 变化非常复杂。（6） 在图像获取过程中相机的不同，甚至同一相机焦距的变化、拍摄角度的不同、背景环境的不同、天气的变化尤其是光照的变化对成像的影响是非常巨大的，同一个人因为这些因素的影响可能得到差别很大的照片。 因此如何克服这些影响以及在各种干扰下实现准确的人脸识别是很难也非常具有挑战性。 1.4 门禁系统门禁系统简称ACS（Access Control System），门禁系统里的“门”广义上来说，包括了能够通过的各种通道，人、车等能够通过的门，所以门禁系统一般来说不仅能禁人，也要能禁车。在这一

19、课题中整个系统是基于人脸识别的，所以我们就不讨论禁车这一部分。近几年随着感应卡式的门禁系统、指纹门禁系统、虹膜门禁系统、人脸识别门禁系统等各种技术的飞快发展，门禁系统已经进入成熟阶段，门禁系统的应用也变得越来越广泛，越来越多的人们意识到基于人脸识别的门禁系统的方便，因为这些各种各样的门禁系统在安全性、方便性、实时性、易于管理等各个方面的优势和优点。1. 5 本课题研究的主要内容首先要做的就是完成人脸数图像据库建立，因为时间、精力、技术、知识等各种因素的限制只能做一个很简单是数据库。第二步就是人脸图像的获取，获取的图像经过处理用来与数据库里面的图片识别对比。获取图片后要对这一图片进行预处理，预处

20、理包括图像转化、灰度图像直方图均衡化、图像平滑与锐化处理、边缘检测等部分。预处理完成后就是特征提取，基于主成成分（PCA）的特征提取。然后判别与数据库中的照片是否匹配，如果不匹配则启动门禁系统，否则不启动。第2章 人脸识别算法简介2.1基于主成分分析的人脸识别算法主成分分析（ Principal Component Analysis ,PCA ）也叫主元分析。它是一种基于K-L变换（首先由Karhunen和Leoeve提出，用来处理随机过程中连续信号的去向的相关问题）的一种从事物主要矛盾中解决问题的统计分析方法，它可以从多元或者很复杂的事物中解析出最主要的影响因素，并且提炼出事物的主要矛盾，揭

21、示事物的本质，处理核心问题，简化复杂的问题。使用基于主成分分析的人脸识别算法首先就要计算主成分，为了把复杂的问题简单化，我们通过将高维度的书籍投影到维度较低的空间中。人们很难清楚、明了、快速的认知一个由很多变量组成的复杂的事物，那么很显然我们可以抓住这一复杂事物的能够代表这一事物的主要方面进行重点分析。如果这一复杂事物的主要方面刚好体现在很多个变量中的那几个主要变量上，那么很幸运我们只需要将这几个主要的能够代表这一复杂事物的变量分离出来，然后对这几个主要变量进行详细分析，就可以达到认识这一复杂事物的目的了。但是，在一般情况下，很难或者说几乎不可能直接找出这样的关键变量，这时候就需要使用PCA的

22、方法来解决这一问题，PCA通过把原来的复杂事物的变量进行线性组合，组合的结果用来表示这个事物的主要方面。如果一个复杂的事物有n个变量，每个变量有m个表达值，那么这样就能够形成一个高维度的n*m的数据矩阵。主成分分析的就是寻找r（ r<n ）个新变量，这些新的变量能有效地反映这一复杂事物的主要特征，这样就能够压缩原有数据矩阵的规模，使得认识这个复杂事物变得相对简单。但是这些新的变量并不是随便寻找的，每个新变量是原有的部分变量的线性组合，这些线性组合出来的新的变量能够体现原有变量的综合效果，具有一定的实际含义。这些线性组合出来的有实际含义的r个新变量称为“主成分”，这些“主成分”可以在很大程

23、度上反映原来n个变量对于这个复杂事物的影响，并且这些线性组合出来的新变量是互不相关的，也是正交的。通过对人为的线性组合出来的“主成分”进行分析，将复杂数据的特征从高维空间降低到低维空间里，可以压缩数据空间，还能够直观地表示出复杂数据的一些特征。例如，一个基因实验在多个时间点、不同实验条件下进行的，那么得到的基因表达谱数据就是一个高位的数据矩阵，那么主成分分析就是将这个基因表达谱的数据从高维表示为 3 维空间中的一个点，即将数据的维数从 降到 。但是在进行基因表达谱数据分析时，确定每个实验数据是否是独立的是一个十分重要的问题，因为每次实验数据相互之间不是独立的，那么基因表达谱数据分析结果的准确性

24、就很难保证了。使用PCA处理基因芯片检测到的基因表达谱数据时，将不同的条件作为变量进行分析就会得到不同的结果，但是这些结果并不是错误的，因为不同的变量就会得到不同的实验结论，如果将基因作为实验变量使用PCA确定一组主要基因元素，那么分析数据的结果就能够说明基因特征，同时也能接受实验现象。如果实验条件作为变量，同样使用PCA进行分析，确定了一组主要实验因素后，那么这些数据就可以反应出实验条件的特征，也可以解释基因行为了。2.2基于线性判别分析的人脸识别算法线性判别分析(Linear Discriminant Analysis， LDA)，也叫Fisher线性判别，在上世纪九十年代线性判别分析被成

25、功引入人脸识别和人工智能领域，经过几十年发展，线性判别分析在这些领域有了很重要的地位。线性判别分析是一种特征提取的方法，它的基本思想是，为了得到分类信息并且想要有压缩特征空间维度的效果，并且保证投影后的模式样本在子空间有最小的累内距离以及最大的类间距离，这就要将维度很高的模式样本投影到最好的、最有利于识别的矢量空间中，然后就可以得到在这一空间中的最佳的可分离性。运用欧氏距离在这一空间中进行最邻近识别，这样就能够实现非常明显的维度变化（主要是降维）和得到较高的识别率。无论什么样的算法都有它的缺点，传统LDA算法也有两个比较明显的缺点。第一，在处理维度较高的图像时很难避免产生“小样本问题” ， 就

26、是说，训练图像的个数远远没有样本的维度数高的问题；第二，因为“小样本问题”引起的的边缘类主导特征空间分解的问题。因为这两个问题图像的识别率就会变得比较低，这样就需要引入核函数来解决这一问题。2.3 基于核主成分分析的人脸识别算法核主成分分析( Kernel Principal Component Analysis， KPCA)，是一种改进的主成分分析的方法，与主成分分析方法不同的是它采用非线性方法来提取主成分,也就是说KPCA是在高维度空间上进行PCA分析，那么数据是怎么到高维度空间中去的呢？是通过映射函数把原始向量数据映射到高维特征空间中的。基于基于核主成分分析方法的的前提是基于核方法，而核

27、方法的特征提取理论本质上都是基于样本的的特征提取方法，所以核主成分分析的方法不仅适合于解决非线性特征提取问题，而且与比线性降维方法相比较来说这种方法还提供更多的特征数目和更好的特征质量。一切的的先进非线性数据处理技术都叫做核函数，这些核函数处理方法的共同特征是这些数据处理方法都应用了核映射的方式。使用核方法第一步就是采用非线性映射的方法将原始数据由数据空间映射到特征空间中去，然后在特征空间进行数据对应的线性操作。因为运用了非线性映射的方法，而且这种进行线性映射后往往是非常复杂的，所以这种方法增强了非线性数据的处理能力。2.4基于独立成分分析的人脸识别算法独立成分分析（Independent C

28、omponent Analysis，ICA）是最近几年提出来的十分有效的一种工具，以用来进行数据分析和处理。把独立的信号从混合的、复杂的数据中提取出来是它的主要功能和作用主要作用。独立成分分析是一种非常优秀的快速寻优的迭代算法，这种迭代算法采用的是批处理的方式，这种批处理的方式就是说在每一步的迭代运算中都有大量的样本数据参与运算，这就是独立成分分析算法与普通算法的最大区别。如果以处理方式来说的话这种算法也算是一种神经网络算法，因为它的处理方式也是并行处理的。ICA算法三种形式：基于四阶累积量、基于似然最大、基于负熵最大。这种算法采用定点迭代算法，这一收敛就会更加快速和稳健。第3章 人脸图像预处

29、理以及在MATLAB中的实现 3.1概述人脸图像预处理就是基于图像检测结果，对图像进行一定的处理为后面的特征提取创造条件的过程。我们获得的图像一般都不能直接使用，因为在图像获取过程中会受到各种限制和各式各样的干扰，而图像预处理就是解决这些问题，对图像进行灰度校正、噪声过滤等等。人脸图像的预处理主要包括了图像转化、灰度图像直方图均衡化、图像平滑与锐化处理、边缘检测等部分。图 像 预 处 理直 方 图 均 衡 化 边 缘 检 测 图 像 锐 化 图 像 平 滑图 像 转 换图3.1 图像预处理3.2 MATLAB的简介MATLAB是Matrix Laboratory(矩阵实验室)的缩写，它是由19

30、80年新墨西哥大学的一位叫Cleve Moler的老师首先提出来的并取名MATLAB,这就是MATLAB的早期雏形。后来，就是在1992年，Math Works公司推出划时代意义的MATLAB4.0版，这标志着MATLAB时代的开始。它一种应用于计算机领域的高级语言，是以线性代数软件包LINPACK和特征值计算软件包EISPACK中的子程序为基础发展起来的一种开放型程序设计语言。它将计算、可视化、编程和仿真等功能集于一个易于使用的环境，具有功能强大、简答易学、效率高等特点。现如今，MATLAB以及成为全世界上最流行的仿真计算软件之一。MATLAB有着众多的功能及特点，主要包括以下几个方面：（1

31、） 开发环境MATLAB拥有十分方便操作的用户界面环境和良好的开发环境，用户同时方便的控制多个文件和图形窗口，在用户进行开发时不仅可以按照自己的习惯来定制桌面环境，满足用户的视觉需求，还可以通过根据自己的喜好和操作习惯来定义快捷键这样的方法来提高开发效率；这个软件拥有功能强大的数组编辑器和方便的工作空间浏览器，它还为用户提供M Lint代码分析器，可以方便用户修改代码。（2） 编程MATLAB不仅支持函数嵌套，还可以实现有条件中断等功能，满足大多数程序的需要，它还为用户提供匿名函数来定义单行函数的功能等。（3） 数值处理MATLAB有着独立的整数算法，这样可以方便用户处理更大整数，它有一个庞大

32、的算法库，例如：单精度算法、线性代数算法、FFT和滤波，使得用户更加方便的计算还可以处理更大单精度数据；MATLAB有一个Linsolve函数，通过这个函数用户可以很快求解线性系统通过自定义系数矩阵的方式。（4） 图形化MATLAB的用户直接在绘图界面窗口中交互式的创建并编辑图形而不需要通过输入M函数代码的方式这样大大简单了用户的操作；MATLAB的用户不仅可以多次重复的执行用户自定义作图的操作，也可以很方便的改变图像的大小，并且可以直接在图形窗口中生成M代码文件；MATLAB有着自己的强大的图形标注功能，可以很方便的读取图形的信息，它还有很强的图片处理功能例如灰度化等；MATLAB有独立的数

33、据探测工具，用户可以很容易查询图形上某一点的坐标值。（5） 图形用户界面MATLAB的面板和分组按钮使得用户可以对用户界面的控件进行分组，它的用户可以直接在GUIDE中访问ActiveX控件。（6） 文件I/O和外部应用程序接口MATLAB文件I/O函数支持用户可以读大的文本文件，这样用户就可以放心的使用较大的文本文件，并且可以向Excel和HDF5中写入内容；MATLAB支持压缩格式的MAT文件，这样不仅可以更快的读取数据，还可以使用很少的磁盘空间保存大量的数据；3.3图像转化图像转化就是解决图像之间的格式问题。MATLAB是一款支持多种图像类型的高级仿真软件,但在某些图像操作中,对图像的类

34、型有特殊的要求,所以很多时候要对对图像的类型进行转换。MATLAB图像处理工具箱为我们提供了不同图像类型相互转换的大量函数,有的可以将矩阵转换为灰度图像,有的可以转换RGB图像或把颜色映像表为灰度图像。不仅如此，在图像类型转换的时候,针对我们经常遇到的数据类型不匹配的情况,在MATLAB工具箱中,也给我们提供了各种数据类型之间的转换函数,如double()就是把数据转换为双精度类型的函数。首先要做的就是先把图像转换成灰度图像，因为后期对图像的处理都是对灰度图像进行处理的，在MATLAB中实现转换的代码如下：i=imread('f:1.jpg');j=rgb2gray(i);im

35、show(j);imwrite(j,'f:1.tif')原图像：图3.2灰度转换后的图像：图3.3 图像灰度变换图像灰度转换是后面进行图片处理的基础。3.4图像增强3.4.1直方图均衡化直方图均衡化也叫灰度均匀化。目的是通过点运算使输入图像转换为每一灰度级上都有相等数目像素点的输出图像的直方图成为一水平直线。直方图的均衡化为了实现对比度的增强，通过使用累积分布函数对灰度图像进行调整的方法来实现。直方图均衡化的方法通常用来增加大多数图像的局部对比度，当图像数据的对比度十分接近的时候这种方法十分的适合。使用这种方法，直方图上的亮度分布更加合理，所以就可以增强局部对比度而不怎么影响整

36、体对比度。直方图均衡化的中心思想就是把原图的灰度直方图中比较密集的灰度分布区域变得均匀，在整个直方图中变得均匀。这就要把原图像的像素点重新分配，使得在灰度范围内的像素分布变得大致相同。简单来说就是把给定的原来的图像的直方图变成“均匀”分布的直方图，这一久增加了像素灰度值的动态范围到达了增强图像对比度的效果。直方图均衡化的算法基础: (3-1)灰度图像直方图均衡化在MATLAB中的实现代码：i=imread('f:1.tif');j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(

37、j)运行这一程序后得到的结果：图3.4 直方图均衡化从两幅直方图中可以明显看出原图像的灰度分度很集中，而直方图均衡化后的分布就变得均匀很多，这样就可以增强图像的对比度了。3.4.2图像平滑图像平滑（image smoothing）,是对图像进行低通滤波，不仅可以在空间域实现，也可以在频率域实现。在空间域进行图像平滑的方式主要有低通卷积滤波、阈值滤波、中值滤波等。在频率域进行图像平滑主要方法有：巴特沃斯低通滤波、指数低通滤波、梯形低通滤波对等。图像平滑的目的是减少并且尽可能的消除噪声，改善图像的质量，为后面进行图像的特征提取做好准备。图像中的噪声种类很多例如高斯噪声、椒盐噪声等，这些常见的或者不

38、常见的噪声对图像的影响十分复杂，但是有些噪声对图像根本没有影响，或者说对图像处理没有影响，这些噪声和图像信号互相独立没有什么相关性，胆识大多数的噪声都会对图像的处理产生很大影响，这些噪声和图像信息是相关的，有些噪声本身之间也有些相关。因此要消除图像中复杂的噪声的影响，必须针对不同的情况采用不同的方法，使用不同的方法才有可能得到相对较为理想的图像处理的效果。乘性噪声是一种特殊的噪声，这种噪声和图像信号交织在一起，使得对于噪声的处理使用一般的方法根本不能做到，对于这种噪声如果平滑处理不当，不仅不能增强图像的质量，反而会使图像本身的细节产生很大的变化，例如边界轮廓和线条等变得模糊不清，这样反而降低了

39、图像质量，甚至使得后期的特征提取也很难进行下去。所以图像平滑总是要付出一定的细节模糊代价来提高图像的质量。那么由此可见，图像平滑技术的主要问题就是怎么样在消除噪声的同时又能尽可能的保护图像的细节使之不变得模糊。图像的平滑处理在MATLAB中的实现如下：i=imread('f:face1.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);

40、j2=imfilter(i,h);figure,subplot(1,2,1),imshow(i)subplot(1,2,2),imshow(j2)图3.5 图像平滑结果3.4.3图像锐化图像锐化（image sharpening），它的主要目的就是补偿图像的轮廓，使得图像的边缘以及灰度跳变的部分变得更加明显，增强图像灰度的对比，使图像变得更加清晰。因为图像获取方法的不可避免的影响，还有在图像处理过程中的影响使得图像会变得模糊不清，这时候使用图像锐化就能够增强图像的边缘，使图像的灰度反差变大，这样模糊的图像就会变得相对清楚一点，这是图像锐化的第一个目的。图像锐化的第二个目的就是提取物体的边界，以

41、便于对图像进行分割，最后能够实现区域识别。对于大多数的图像来说，它的能量主要集中在其低频部分，但是图像的高频段包含了图像的大多数的噪声，同时图像边缘信息也主要集中在其高频部分。在对原始图像进行平滑处理，消除噪声的过程中，就会使得图像边缘和图像轮廓变得模糊。使用图像锐化技术就能够有效的减少图像边缘和图像轮廓变得模糊这类不利效果的影响，使图像的边缘变得清晰。通过对图像进行锐化处理，改善图像的质量，使得图像变得更加适合人的观察和使用。在MATLAB中运行一下程序就可以实现图像的锐化：i=imread('f:face1.tif');j=imnoise(i,'gaussian&#

42、39;,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)实验结果如下：图3.6 图像锐化结果3.5边缘检测边缘检测是图像处理中最常见的也是最基本的问题之一。图像中灰度发生急剧变化的区域，或者说在灰度图像中周围像素灰度发生阶跃变化（屋顶变化）的那些像素，这些像素的集合就是图像的边缘

43、。边缘检测是为了标注出图像中亮度发生明显变化的各个点，在灰度图像中，这就是说边缘检测是表示出了灰度发生明显变化的点，这些点连接起来就构成了图像的边缘。图像边缘特征是图像最基本的一种特征之一，图像的边缘特征是图像的几乎不会发生改变的特征，它的这一不变的特点使得图像边缘在图像的分析中起着重要的作用。图像的边缘作为图像的一种基本特征，而且这种特征的不便特性使得它有着非常广泛的应用，尤其在图像识别、图像分割、图像增强以及图像压缩等的领域。图像边缘检测目的就是精确定位边缘，同时更好地抑制噪声。边缘检测标注出了图像中亮度发生明显变化的各个点，在灰度图像中，这就是说边缘检测是表示出了灰度发生明显变化的点，这

44、些点连接起来就构成了图像的边缘。这些变化明显的点在图像中十分重要，它们大多反映了图像属性的变化。这些变化包括了颜色（或者说是灰度）深度的不连读、图像表面方向的不连续、物质属性的变化和场景照明的变化。图像的边缘检测能够保留图像的必要的结构，消除那些对图像的处理没有用处的信息，同时还能够很大程度上减少图像处理的数据量。边缘检测的方法有很多，总体上可以分为两大类：基于查找的一类和基于零穿越的一类，也可以叫做是基于搜索和零交叉。基于查找（搜索）的方法就是以一阶导数为手段进行计算，这种方法对图像中的各个像素点使用一阶导数首先计算出图像的边缘强度，找出一阶导数中的最大值和最小值来确定图像的边缘，然后利用梯

45、度模来计算估计图像的边缘的局部方向，还可以找出局部梯度的最大值，最后在确定的图像的边缘。第二类方法 ，零穿越或者说零交叉的方法。这种方法的确定图像边缘的手段就是二阶导数了，寻找图像的二阶导数的零穿越点或者非线性差分方程的零交叉点来确定图像的边缘，使用的算子通常是拉普拉斯算子。在对图像进行边缘检测之前我们通常要对图像进行必要的滤波处理，一般采用高斯滤波，但是这种滤波处理与图像的平滑滤波是不同的，可以说这两种滤波处理有着本质的区别。例如，很多边缘检测方法依赖于对图像的梯度进行计算，然后来确定图像的边缘，这种方法就是用不同种类的滤波器来估计X和Y方向的梯度，就是纵轴和横轴两个方向的梯度。图像的边缘性

46、质是图像的基本特征之一，对于图像的处理的本质就是为了实现某一个目标或者任务，从图像的大量的数据和信息中提取出有用的信息，这一就要求必须要进行必要的丢弃，去除那些对实现目的没有作用的信息。那么怎么取舍呢？这时候我们必须尽可能利用图像的不变性质，显然图像的边缘性质就是图像最重要的不变性质，所以图像的边缘的重要性就非常明显了，利用图像的边缘特性就可以从图像中提取很多必要的信息，是图像处理和图像识别的重要部分。光线、姿态、拍摄角度、拍摄背景等外界环境的变化有可能影响了一个图像区域的外观，但是不能改变图像的边缘，而且人的视觉系统也是对图像的边缘最敏感的，这样就利用这些性质处理图像或者利用图像的边缘性质来

47、达到人脸识别等功能。边缘检测是图像处理中的必不可少的内容,是图像处理中非常重要的一部分，也是后面进行图像特征提取的前提，图像的边缘检测能大大地减少要处理的信息简化图像处理的过程但是又保留了图像中物体的形状信息，不影响图像处理的结果。图像上灰度变化最明显的不封闭就是图像的边缘，传统的边缘检测的方法就是利用了这个图像边缘的特点，对图像各个像素点进行一介微分或求二阶微分来确定边缘像素点，这就是两种基本的边缘检测的方法。对图像的像素进行一阶微分时，求得的峰值，则对应着图像的边缘点；二阶微分计算时，得到的的过零点就是对应着图像的边缘点。我们定义图像的梯度为梯度算子，它是图像处理中最常用的一阶微分算法。图

48、像梯度的最重要性质是梯度的方向是在图像灰度最大变化率上，它恰好可以反映出图像边缘上的灰度变化。图像在点处的梯度是一个向量可表示为 (3-2)在高等数学中，梯度向量变化的方向就是函数变化最大的方向，所以梯度的幅度如下 (3-3)边缘检测的具体算法有很多，例如罗伯特算子、拉普拉斯算子、索博尔算子、LOG算子。每一种算子都有不同的特点，适应不同的环境。（1） 罗伯特算子将（3-3）中的和用和这两个差分代替，得到 （3-4）根据公式：对于两个实数和我们设，应用上面的公式得到其中 （3-5）那么在（3-4）中应用（3-5）得到 （3-6）这就是罗伯特边缘算子。（2） 拉普拉斯算子关于和的二阶偏导数：组成

49、了拉普拉斯算子，根据二阶差分可得从而得到拉布拉斯算子的计算公式 （3-7）考虑到45度和135度两个方向，拉普拉斯算子可进一步表示为拉普拉斯算子考虑的方向比较多，以下两个算子的模板矩阵可以看出前者计算了4个方向，后者考虑了8个方向,所以边缘检测的灵敏度很高，但是边缘检测的方向行就一般了，而且加强了图像的噪声成分，使噪声变得敏感。 （3） 索博尔算子记和分别由X和Y两个方向上的三个中心差分加权和组成，中心加权和如下X方向：，Y方向：，上述算子的模板为，（4） LOG算子当使用一阶导数的边缘算子进行计算时，所求得的倒数大于某一个特定的阈值时，就视为边缘点，所有边缘点组成边缘，但是这样的计算方法得到

50、的边缘点可能会很多，影响图像处理。拉普拉斯算子虽然也是二阶导数算子，但是使用这一算子容易丢失边缘的方向信息，还会加强噪声，所以有人将高斯滤波器与拉普拉斯算子结合组成LGO算法，有效解决很多问题。LOG算子使用一个墨西哥草帽函数：作为滤波器。LOG的算子是一个的模板：这一模板既能够平滑图像又能够降低噪声。边缘检测在MATLAB中的实现：i=imread('f:1.tif');j=edge(i,'canny',0.04,0.25,1.5);imshow(j)边缘检测结果：图3.7 边缘检测结果 3.6人脸定位人脸定位就是检测图像中是否有人脸，并且能够将存在的人脸从图

51、像的背景中分离出来。一般情况下人脸定位比较简单，例如拍摄时比较规范，例如人的证件照等等，这些情况下人脸定位是比较容易的。但是有一些复杂的环境中拍摄的照片就很难定位人脸，例如合影、佩戴眼镜、留有胡须等。人脸在图像中的位置偏移的严重或者人脸的角度等都会影响人脸定位。人脸检测定位算法大致可以分为两类：(1) 基于显式特征的方法基于显式特征的方法就是利用人脸图像的颜色、轮廓、结构等明显的肉眼可以看见的特征进行人脸定位。通过观察来分辨哪些特征属于人脸区域，哪些特征是非人脸区域，然后提取待定位的人脸特征看看这些特征是否满足人脸区域的特征来定位人脸。(2) 基于隐式特征的方法基于隐式特征的方法就是使用大量的

52、样本进行训练，然后构造一个有效的分类器，对图像中的所有区域进行判断，知道找到属于人脸部分为止。人脸定位在MATLAB中实现的代码：i=imread('f:face1.jpg');I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)n1 n2=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c; for i=1:10 y1=1;y2=c; for j=1:10 if (y2<=c | y2>=9*c) | (x1=1 | x2=r*10) loc=find(BW(x1:x2,

53、y1:y2)=0); o p=size(loc); pr=o*100/s; if pr<=100 BW(x1:x2, y1:y2)=0; r1=x1;r2=x2;s1=y1;s2=y2; pr1=0; end imshow(BW); end y1=y1+c; y2=y2+c;end x1=x1+r; x2=x2+r;end figure,imshow(BW);L = bwlabel(BW,8);BB = regionprops(L, 'BoundingBox');BB1=struct2cell(BB);BB2=cell2mat(BB1); s1 s2=size(BB2);

54、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; endendfigure,imshow(I);hold on;rectangle('Position',BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1),'EdgeColor','r' )定位结果：图3.8 原始图像图3.9灰度图像图3.10均衡化图像图3.11定位结果有效的人脸定位是特征提取以及后面的人脸识别的基础，

55、人脸定位能够把我们所需要的能够进行人脸识别的部分与图像的背景分离出来，大大减少了特征提取时的就算量，简化了特征提取。第4章 特征提取及模式识别 4.1 概述人脸识别是根据人脸图像的特征进行的，特征的选择和提取时人脸识别的前提也是最关键的部分。特征提取是应用子数字图像处理以及计算机视觉中的技术，它是使用计算机提取出图像上面的信息然后判断出这些信息的特征然后分类处理。人脸图像的特征取很显然就是提取人脸的面部信息，人脸的特征信息有很多包括:视觉特征、颜色特征、代数特征、像素特征、变换特征等。但是人脸的二维投影图像会受到光照、表情、环境、装饰、PS等很多因素的影响，同一个人的不同的照片可能有很大的变化

56、，这就是累内变化。还有，对于计算机而言，它所能识别的只是图像转化的灰度矩阵，这些之间转换而来的矩阵维度很大，计算起来非常复杂。这一系列的问题都要求我们必须寻找一种使用很少信息就能够描述人脸的方法，特征提取有效的解决了累内变化以及大量计算的问题。有效的特征提取的方法可以很快区分不同人脸的特征，并且可以降低图像中的冗余信息，降低维度，加快运算。4.2人脸特征提取的方法人脸图像的特征提取的方法基本可以分为两大类：（1）基于知识的特征提取方法基于知识的表征方法，从名字就可以显然的看出这类方法就是利用人脸的器官形状来作为特征进行人脸描述的一类方法，这类方法通常使用人脸器官的形状以及这些器官之间的距离进行人脸描述。人脸的组成由有眼睛、鼻子、嘴巴等部分，这些器官的之间的位置、欧式距离和它们之间的角度、曲率等几何特征是进行人脸识别的重要特性。人脸的形状和纹理特征包含了许多重要的识别信息。形状特征是指人脸的边缘或者一些关键的可用于人脸识别的坐标，这些都是在二维空间中的特征信息，这些信息具有很强的抗干