基于直方图差值比较的人脸识别系统(matlab)附详细程序代码

北方工业大学论文题目：基于直方图差值比拟的人脸识别系统设计学生姓名：指导老师：学院：信息工程学院专业班级：电09A-1完成时间：2023年6月18日基于直方图差值比拟的人脸识别系统设计摘要人脸识别系统因其在平安验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安、罪犯识别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。本文提出了应用直方图差值比拟的方法实现对人脸的识别。主要包括人脸的读入、人脸锁定、特征提取、人脸识别等四大模块。本文在总结分析人脸识别系统中几种常用的图像预处理方法根底上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。关键词：人脸识别；图像预处理；特征提取；直方图差值比拟AbstractBecauseFaceIdentificationhasgreatadvantagesinfrontssuchas;Securityverification,system,Credit,card,validation,medical,File,management,Videoconference,Thehuman-computerinteraction,Thepublicsecuritysystem,CriminalidentificationsoithasincreasinglybecomeaHotspotsinPatternrecognitionandArtificialintelligence.ThisessayusesHistogramdifferencecomparisonmethodtodistinguishFaceIdentification.Itcontainsfourmodules:Facereadingin,Facelock,FeatureextractionandFaceIdentification.WesummarizeandanalysisseveralusualTheimageprocessingmethods,andwealsouseMATLABtoachieveaFacerecognitionsimulationsystemwhichincludesAvarietyofprocessingmethods.ThesimulationsystemcouldbeembeddedintoFaceIdentificationsystem.WeuseGrayimagehistogramtorecognizefacesimage'sidentification.Keywords:Facerecognition,Imagepreprocessing,Featureextraction,Histogramdifferencecomparison.目录TOC\o"1-3"\h\u137221.绪论-1-265351.1研究背景-1-158371.2人脸识别的应用前景-2-254931.2.1在平安防范领域中的应用-3-289431.2.2在犯罪刑侦领域中的应用-4-96451.2.3在公共事业领域中的应用-4-96961.3人脸识别的概述-4-275351.4本文研究的问题-5-98201.5识别系统的构成-6-302991.6人脸识别国内外开展概况-8-228721.7现阶段人脸识别应用举例-9-314581.7.1数码相机人脸自动对焦和笑脸快门技术-9-113771.7.2公安刑侦破案-9-133621.7.3门禁系统-10-273461.7.4摄像防盗系统-10-132421.7.5信用卡网络支付-10-203161.7.6身份辨识-11-90491.7.7信息平安-11-217372.图像处理的Matlab实现-13-43702.1Matlab简介-13-76122.2数字图像处理及过程-13-228472.2.1图像处理的根本操作-13-213432.2.2图像类型的转换-14-111272.2.3图像增强-14-108732.2.4边缘检测-15-183062.3.2图像增强-16-211002.3.3边缘检测-17-151193.人脸识别的常用算法介绍-19-58103.1人脸识别常用方法-19-281763.1.1基于面部几何特征的方法-19-267093.1.2基于模板匹配的方法-20-314513.1.3基于小波特征的方法-20-307113.1.4基于特征脸的方法-20-308603.1.5神经网络法-21-33933.2分类器-21-207933.2.1最小距离分类器(NC)-21-283453.2.2最近邻分类器〔NN〕-22-191873.2.3三阶近邻法-22-13533.2.4贝叶斯分类器-22-250053.2.5支撑向量机(SVM)-23-2543.2.6神经网络分类器(NNC)-23-167674.人脸识别系统的设计及实现-24-124944.1人脸识别流程-24-276164.2人脸检测定位算法-24-34174.2.1检测方法-24-101874.2.3灰度变换的相关公式-26-140954.2.4人脸锁定的相关公式-26-71454.3人脸图像的预处理-27-271625.基于直方图的人脸识别实现-30-110655.1识别理论-30-161225.2直方图均衡化-30-122365.2.1概述-30-12185.2.2根本思想-31-196015.2.3优缺点-32-108195.3直方图规定化-33-56965.3.1概述-33-55625.3.3算法描述-35-53545.4方案确定-35-17165.5人脸识别的matlab实现-36-273186.影响人脸识别的因素和常用人脸库介绍-40-154286.1影响人脸识别的因素-40-45586.1.1光照变化-40-106926.1.2姿态变化-40-293346.1.3年龄影响-41-58096.2常用人脸数据库介绍-42-237056.2.1英国ORL人脸数据库-42-108586.2.2英国Manchester人脸数据库-42-327166.2.3美国FERET人脸数据库-42-109656.2.4日本ATR数据库-43-125786.2.5欧洲MZVTS多模型人脸数据库-43-11571结论-44-23683致谢-45-12984参考文献-46-22429附录-49-13971外文资料翻译及原文-55-9264数字图像处理与边缘检测-55-1.绪论本章提出了本文的研究背景及应用前景。首先阐述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在的问题；接着介绍了自动人脸识别系统的一般框架构成；最后简要地介绍了本文的主要工作和章节结构。1.1研究背景在人类社会的开展进入到21世纪的今天，平安问题已经成为困扰人们日常生活的重要问题之一。社会的开展促进了人的流动性，进而也增加了社会的不稳定性，使得平安方面的需求成为21世纪引起广泛关注的问题。不管是享受各项效劳如网上冲浪、还是居家、办公等都涉及到平安，以往这些行为根本上是通过符号密码来进行平安保护，但是随着效劳数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个根本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速开展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无处不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丧失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识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。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动和冒领支票等成的损失达数百亿美元。面临着这样的状况，人们对身份识别的平安性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行平安控制，世界各国政府都在大力推进生物识别技术的开展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有平安可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，开展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。1.2人脸识别的应用前景人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。就从目前和将来来看，可以预测到人脸图像识别将具有广阔的应用前景，如表1.1中所列举就是其中已经实现或逐步完善的应用。表1.1人脸识别的应用应用优点存在的问题信用卡图像摄取可控需要建立庞大的数据库照片匹配潜在的巨大图像库图像质量不统一互联网应用信息视频价值高存在虚假银行储蓄平安监控效果好图像质量差人群监测图像实时性图像质量低人脸识别和其他的生物识别比起来有以下几个优点:〔1〕其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。〔2〕人脸识别可应用在远距离监控中。〔3〕针对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。〔4〕相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的一种，以其特有的稳定性、方便性、唯一性等特点被越来越多地应用于除平安问题外的各种身份识别领域。人脸识别技术可应用于以下方面：1.2.1在平安防范领域中的应用社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏和不法现象的发生。使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。1.2.2在犯罪刑侦领域中的应用在刑侦工作中，对罪犯的抓捕是至关重要的一环。应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。1.2.3在公共事业领域中的应用在现代社会，许多领域都需要对人进行身份验证。如银行、保险、交通等公共事业部门。采用传统的密码、IC卡等手段和技术对人进行身份验证具有平安性差、易遗失、易伪造等缺点。而采用人脸识别技术进行身份验证那么能够很好地克服传统身份验证手段和技术的缺点。1.3人脸识别的概述生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征那么是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。那么，生物特征识别技术是如何进行个人特征识别的呢?生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程那么从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段那么是计算生物特征之间的相似性并进行排序和一致性判断的过程。生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的开展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别那么可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的本钱低。并且自动人脸识别可以在当事人毫无发觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，那么进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与人脸库中的人脸进行比照，从而识别每张人脸的身份。1.4本文研究的问题本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法根底上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。其中涉及到图像的选取，脸部定位，特征提取，图像处理和识别几个过程。1.5识别系统的构成人类似乎具有“与生俱来〞的人脸识别能力，赋予计算机同样的能力是人类的梦想之一，这就是所谓的“人脸识别〞系统。假设我们把照相机、摄像头、扫描仪等看作计算机的“眼睛〞，数字图像可以看作计算机观察到的“影像〞，那么AFR赋予计算机根据其所“看到〞的人脸图片来判断人物身份的能力。广义的讲，自动人脸识别系统具有如图1.1所示的一般框架并完成相应功能的任务。人脸图像获取人脸图像获取人脸检测特征提取人脸识别图1.1人脸识别系统一般框架(1)人脸图像的获取一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。(2)人脸的检测人脸检测的任务是判断静态图像中是否存在人脸。假设存在人脸，给出其在图像中的坐标位置、人脸区域大小等信息。而人脸跟踪那么需要进一步输出所检测到的人脸位置、大小等状态随时间的连续变化情况。(3)特征提取通过人脸特征点的检测与标定可以确定人脸图像中显著特征点的位置〔如眼睛、眉毛、鼻子、嘴巴等器官〕，同时还可以得到这些器官及其面部轮廓的形状信息的描述。根据人脸特征点检测与标定的结果，通过某些运算得到人脸特征的描述〔这些特征包括：全局特征和局部特征，显式特征和统计特征等〕。(4)基于人脸图像比对的身份识别即人脸识别(FaceIdentification)问题。通过将输入人脸图像与人脸数据库中的所有原型人脸图像计算相似度并对其排序来给出输入人脸的身份信息。这包括两类识别问题：一类是闭集(CloseSet)人脸识别问题，即假定输入的人脸一定是人脸库中的某个个体；另一类是开集(OpenSet)识别，即首先要对输入人脸是否在人脸库中做出判断，如果是，那么给出其身份。(5)基于人脸图像比对的身份验证即人脸确认(FaceVerification)问题。系统在输入人脸图像的同时输入一个用户宣称的该人脸的身份信息，系统要对该输入人脸图像的身份与宣称的身份是否相符作出判断。本论文中的人脸识别主要是指狭义的人脸识别，指将待识别的人脸与数据库中的人脸之间进行匹配的人脸鉴别。人脸识别的目的是让计算机具有通过人脸的特征来鉴别身份的功能。基于人脸特征的身份识别主要设计到复杂场景中的人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学和人工智能等高技术的研究方向。1.6人脸识别国内外开展概况见诸文献的机器自动人脸识别研究开始于1966年PRI的Bledsoe的工作，1990年日本研制的人像识别机，可在1秒钟内中从3500人中识别到你要找的人。1993年，美国国防部高级研究工程署(AdvancedResearchProjectsAgency)和美国陆军研究实验室(ArmyResearchLaboratory)成立了Feret(FaceRecognitionTechnology)工程组，建立了feret人脸数据库，用于评价人脸识别算法的性能。美国陆军实验室也是利用vc++开发，通过软件实现的，并且FAR为49%。在美国的进行的公开测试中，FAR，为53%。美国国防部高级研究工程署，利用半自动和全自动算法。这种算法需要人工或自动指出图像中人的两眼的中心坐标，然后进行识别。在机场开展的测试中，系统发出的错误警报太多，国外的一些高校〔卡内基梅隆大学〔CarnegieMellonUniversity〕为首，麻省理工大学〔MassachusettsInstituteofTechnology〕等，英国的雷丁大学〔UniversityofReading〕〕和公司〔Visionics公司Facelt人脸识别系统、Viiage的FaceFINDER身份验证系统、LauTech公司Hunter系统、德国的BioID系统等〕的工程研究工作也主要放在公安、刑事方面，在考试验证系统的实现方面深入研究并不多。人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的平安和考勤、网络平安、银行、海关边检、物业管理、军队平安、智能身份证、智能门禁、司机驾照验证、计算机登录系统。我国在这方面也取得了较好的成就，国家863工程“面像检测与识别核心技术〞通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定的核心技术。北京科瑞奇技术开发股份在2002年开发了一种人脸鉴别系统，对人脸图像进行处理，消除了照相机的影响，再对图像进行特征提取和识别。这对于人脸鉴别特别有价值，因为人脸鉴别通常使用正面照，要鉴别的人脸图像是不同时期拍摄的，使用的照相机不一样。系统可以接受时间间隔较长的照片，并能到达较高的识别率，在计算机中库藏2300人的正面照片，每人一张照片，使用相距1--7年、差异比拟大的照片去查询，首选率可以到达50%，前20张输出照片中包含有与输入照片为同一人的照片的概率可达70%.2005年1月18日，由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当的国家〞十五〞攻关工程《人脸识别系统》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。1.7现阶段人脸识别应用举例1.7.1数码相机人脸自动对焦和笑脸快门技术首先是面部捕捉。它根据人的头部的部位进行判定，首先确定头部，然后判断眼睛和嘴巴等头部特征，通过特征库的比对，确认是人面部，完成面部捕捉。然后以人脸为焦点进行自动对焦，可以大大的提升拍出照片的清晰度。笑脸快门技术就是在人脸识别的根底上，完成了面部捕捉，然后开始判断嘴的上弯程度和眼的下弯程度，来判断是不是笑了。以上所有的捕捉和比拟都是在比照特征库的情况下完成的，所以特征库是根底，里面有各种典型的面部和笑脸特征数据。1.7.2公安刑侦破案通过查询目标人像数据寻找数据库中是否存在重点人口根本信息。例如在机场或车站安装系统以抓捕在逃案犯。1.7.3门禁系统受平安保护的地区可以通过人脸识别辨识试图进入者的身份。人脸识别系统可用于企业、住宅平安和管理。如人脸识别门禁考勤系统，人脸识别防盗门等.如图.2门禁系统。图1.2门禁识别1.7.4摄像防盗系统可在机场、体育场、超级市场等公共场所对人群进行监视，例如在机场安装监视系统以防止恐怖分子登机。如银行的自动提款机，如果用户卡片和密码被盗，就会被他人冒取现金。如果同时应用人脸识别就会防止这种情况的发生。1.7.5信用卡网络支付图1.3信用卡识别利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者使用信用卡等，如图1.3信用卡识别。1.7.6身份辨识如电子护照及身份证。这或许是未来规模最大的应用。在国际民航组织已确定，从2023年4月1日起，其118个成员国家和地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。美国已经要求和它有出入免签证协议的国家在2006年10月26日之前必须使用结合了人脸指纹等生物特征的电子护照系统，到2006年底已经有50多个国家实现了这样的系统。今年年初，美国运输平安署〔TransportationSecurityAdministration〕方案在全美推广一项基于生物特征的国内通用旅行证件。欧洲很多国家也在方案或者正在实施类似的方案，用包含生物特征的证件对旅客进行识别和管理。1.7.7信息平安如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现。如果密码被盗，就无法保证平安。如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。从而大大增加电子商务和电子政务系统的可靠性。2.图像处理的Matlab实现2.1Matlab简介由MathWork公司开发的Matlab语言语法限制不严格,程序设计自由度大,程序的可移植性好。Matlab还推出了功能强大的适应于图像分析和处理的工具箱,常用的有图像处理工具箱、小波分析工具箱及数字信号处理工具箱。利用这些工具箱,我们可以很方便的从各个方面对图像的性质进行深入的研究。Matlab图像处理工具箱支持索引图像、RGB图像、灰度图像、二进制图像并能操作.bmp、.jpg、.tif等多种图像格式文件。2.2数字图像处理及过程图像是人类获取信息、表达信息和传递信息的重要手段。利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等的理论、方法和技术称为数字图像处理。数字图像处理技术已经成为信息科学、计算机科学、工程科学、地球科学等诸多方面的学者研究图像的有效工具。数字图像处理主要包括图像变换、图像增强、图像编码、图像复原、图像重建、图像识别以及图像理解等内容。2.2.1图像处理的根本操作读取和显示图像可以通过imread()和imshow()来实现;图像的输出用imwrite()函数就可以很方便的把图像输出到硬盘上;另外还可以用imcrop()、imrisize()、imrotate()等来实现图像的裁剪、缩放和旋转等功能。2.2.2图像类型的转换Matlab支持多种图像类型,但在某些图像操作中,对图像的类型有要求,所以要涉及到对图像类型进行转换。Matlab7.0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,如mat2gray()函数可以将矩阵转换为灰度图像,rgb2gray()转换RGB图像或颜色映像表为灰度图像。在类型转换的时候,我们还经常遇到数据类型不匹配的情况,针对这种情况,Matlab7.0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。2.2.3图像增强图像增强的目的是为了改善图像的视觉效果,提高图像的清晰度和工艺的适应性,以及便于人与计算机的分析和处理,以满足图像复制或再现的要求。图像增强的方法分为空域法和频域法两大类,空域法主要是对图像中的各个像素点进行操作;而频域法是在图像的某个变换域内对整个图像进行操作,并修改变换后的系数,如傅立叶变换、DCT变换等的系数,然后再进行反变换,便可得到处理后的图像。下面以空域增强法的几种方法加以说明。(1).灰度变换增强有多种方法可以实现图像的灰度变换,其中最常用的就是直方图变换的方法,即直方图的均衡化。这种方法是一种使输出图像直方图近似服从均匀分布的变换算法。Matlab7.0图像处理工具箱中提供了图像直方图均衡化的具体函数histeq(),同时我们可以用函数imhist()函数来计算和显示图像的直方图。(2).空域滤波增强空域滤波按照空域滤波器的功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目的在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目的在于强调图像被模糊的细节。在Matlab中,各种滤波方法都是在空间域中通过不同的滤波算子实现,可用fspecial()函数来创立预定义的滤波算子,然后可以使用imfilter()或filter2()函数调用创立好的滤波器对图像进行滤波。2.2.4边缘检测数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的根底,也是图像识别中提取图像特征的一个重要属性。边缘检测算子可以检查每个像素的邻域并对灰度变化率进行量化,也包括对方向确实定,其中大多数是基于方向导数掩模求卷积的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供的edge()函数可以进行边缘检测,在其参数里面,可以根据需要选择适宜的算子及其参数。2.3图像处理功能的Matlab实现实例2.3.1图像类型的转换因后面的图像增强,边缘检测都是针对灰度图像进行的,而我们的原图是RGB图像,所以首先我们要对原图类型进行转换。实现过程代码如下:i=imread('f:\face1.jpg');j=rgb2gray(i);imshow(j);imwrite(j,'f:\face1.tif')原图如图2.1，其灰度图像如图2.2所示。图2.1原图图2.2灰度图像2.3.2图像增强灰度图像直方图均衡化，通过比拟原图和直方图均衡化后的图像可见,图像变得更清晰,而且均衡化后的直方图比原直方图的形状更理想。该局部的程序代码如下:i=imread('f:\face1.tif');j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(j)对图2.2进行均衡化结果如图2.3和图2.4均衡化前后直方图比照图。图2.3均衡化后的灰度图像图2.4均衡化前后的直方图比照图2.3.3边缘检测Matlab7.0图像处理工具箱提供了edge()函数实现边缘检测,还有各种方法算子供选择,在本实例中采用了canny算子来进行边缘检测。程序代码如下:i=imread('f:face.tif');j=edge(i,'canny',[0.04,0.25],1.5);imshow(j)运行后得到图2.7边缘检测后的灰度图像。图2.6边缘检测后的灰度图像3.人脸识别的常用算法介绍3.1人脸识别常用方法人脸识别的方法主要有：基于几何特征的人脸识别方法、基于模板匹配的人脸识别方法、基于小波特征的人脸识别方法和基于模型的人脸识别方法。其中基于模型的人脸识别方法包括特征脸法(Eigneafec)、神经网络法(NN)、隐马尔可夫模型方法(HMM)等方法。3.1.1基于面部几何特征的方法这个方法在时间上来说是最早提出的人脸识别方法之一，其特征提取以人脸面部特征点的形状和几何关系为根底的。对于不同的人来说有着不同的人脸轮廓、大小、相对位置的分布也是不相同的，所以说用这种方法来进行人脸识别还是有一定依据的。这种方法的做法是，提取眉毛、眼睛、鼻子和嘴巴这几个特征点，计算出这几个特征点的大小，以及他们之间的几何距离，来进行人脸识别，几何距离一般包括特征点之间的距离、他们之间的夹角等。特征提取后选取最近邻分类器，相异度测试选用欧式距离。基于几何特征的人脸识别算法的优点是方法简单，计算速度快。但它识别人脸就靠几个特征点的大小和距离，以及特征点之间的夹角，这样的信息是远远不够的，对于一个稍微大一点的人脸库识别率不高，还有这种方法对于人脸表情变化时没有很好的判断性。但是这种方法还是有一定潜力的，好比一个大型的人脸库，进行人脸比对前可以使用基于面部几何特征的方法对训练样本进行粗分类，这样可以大大降低人脸识别时间。3.1.2基于模板匹配的方法模板匹配方法也是模式识别中的一个比拟传统的方法。把模板匹配方法用到人脸识别中要以Poggio和Bruneili所提出的基于局部特征的模板匹配算法为代表。他们首先利用积分投影的方法确定面部特征点，提取局部特征的模板，然后进行局部模板匹配，计算相关系数进行分类，Poggio和Brulleili比拟了基于几何特征和基于模板匹配的人脸识别方法。他们的实验结果说明，在人脸尺度、光照、姿态稳定的情况下，基于模板匹配的人脸识别方法要优于基于几何特征的人脸识别方法。通过大量的实验说明，基于模板匹配的人脸识别方法对光照、旋转、人脸表情比拟敏感，仅当这些因素比拟稳定时，才能获得比拟好的效果。这种方法的计算量要比基于面部几何特征的方法要大。3.1.3基于小波特征的方法小波变换是国际上公认的最新频率分析工具，由于其“自适应性‘，和“数学显微镜性质〞而成为许多学科共同关注的焦点，在信号处理中起着至关重要的作用。目前小波技术在验证的特征上用得较多。小波变换采用以高斯函数的二阶导数作为小波基的小波变换技术来进行拐点提取，然后以该方法为根底，进行不同图像之间拐点序列的匹配;最后再利用提取的拐点来对图像进行分段和段与段对应处理。由于使用离散小波变换来分解图像的参数特征，特征提取用到自适应算法，匹配那么选择动态规划方法，初步试验取得较好的效果。3.1.4基于特征脸的方法特征脸方法是从主成成分分析(PCA)导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比拟其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。3.1.5神经网络法基于神经网络的人脸识别方法就是利用神经网络的学习能力和分类能力对人脸进行特征提取与识别。目前常用的人工神经网络方法是BP〔Back-Propagation〕神经网络、自组织神经网络、径向基函数神经网络。径向基函数神经网络与BP网络一样都是多层前向网络，它以径向基函数作为基准，以高斯函数作为隐含层的鼓励函数。这种网络的学习速率快、函数逼近、模式识别等能力均优于BP神经网络，并广泛应用于模式识别、图像处理等方面。但是这种网络比BP网络所用的神经元数目要多得多，使它的应用受到了一定的限制。3.2分类器在人脸识别过程中，通过提取特征模块，得到表示人脸图像的特征向量，此时需要利用分类器根据提取的特征向量进行分类处理，以确定当前人脸的身份。在这个过程中，分类器起着决策机制的作用，对最终的判别非常关键，分类器性能的优劣也将直接关系到人脸识别结果的好坏。常用的分类器有以下几种：3.2.1最小距离分类器(NC)最小距离分类器相似度量是以检测样本到类中心的距离大小为判据。3.2.2最近邻分类器〔NN〕最近邻法是将所有训练样本都作为代表点，因此在分类时需要计算待识别样本x到所有训练样本的距离，与x最近的训练样本所属于的类别即为待识别样本x所属类别。假定有C个类别ω1、ω、ωn的模式识别问题，每类有标明类别的样本Ni个，i=1，2，…，C，我们可以规定以类的判别函数为：3.2.3三阶近邻法三阶近邻法是计算像素的差值的绝对值。距离公式可表示为：由式(2.2.3)计算所得出的具有最小值的图像并不一定属于同—类别。三阶近邻法计算出与测试图像距离最小的三幅图像，计算这三幅图像所属的类分别计为classl，class2，class3，假设classl和class2且class2和class3不属于同一类，那么测试图像属于classl；假设classl和class2相同，那么测试图像属于classl，而class2与测试图像也是相似的；假设class2和class3属于同一类，那么测试图像属于class2，而class3与测试图像也是相似的，但classl虽然与测试图像距离最近却不属于同一类，可能是由测试图像的姿态和饰物引起的。3.2.4贝叶斯分类器如果知道各类的先验分布和条件分布，就可以采用最大后验估计(MAP)的方法进行分类。在人脸识别中，有时假定人脸服从高斯分布，能够得到不错的结果。3.2.5支撑向量机(SVM)在小样本情况下，降低了训练集的错分风险，又降低了未知人脸(如检测集)的错分风险。在人脸识别中已逐渐得到应用。3.2.6神经网络分类器(NNC)采用神经网络作为分类器是很自然的。一般一个3层网络对应模式识别中图像输入、特征提取、分类3局部。通常的NNC有多层感知机(MLP)模型、BP网络、径向基函数网络等。SVM也借鉴了神经网络的思想。4.人脸识别系统的设计及实现4.1人脸识别流程完成人脸识别的工作需要一系列的步骤，它们结合起来构成一个完整的流程。由于研究人员来自不同的学科、具有不同的背脊，而且不同的人脸识别应用中对识别的目标也不同，所以人脸识别的流程并不统一成一个比拟通用的人脸识别。4.2人脸检测定位算法4.2.1检测方法人脸检测定位算法大致可分为两大类：基于显式特征的方法和基于隐式特征的方法。所谓显式特征是指对人类肉眼来说直观可见的特征，如肤色、脸部轮廓、脸部结构等。基于显式特征的方法是指由人通过肉眼观察，总结出人脸区别于“非人脸〞区域的特征，然后根据被检测区域是否满足这些“人脸特征〞，来判定该区域是否包含人脸。根据所选择的“人脸特征〞，基于显式特征的方法分以下三类：基于肤色模型的方法、模板匹配的方法、基于先验知识的方法。在彩色图像中，颜色是人脸外表最为显著的特征之一，利用颜色检测人脸是很自然的想法。Yang等在考察了不同种族、不同个体的肤色后，认为人类的肤色能在颜色空间中聚成单独的一类，而影响肤色值变化的最主要因素是亮度变化。因此他们采用广泛使用的RGB颜色空间，在滤去亮度值的图像中通过比拟像素点的ｒ、ｇ值与肤色范围来推断该像素点及其邻域是否属于人脸区域。除了RGB颜色空间，还有诸如HIS，LUV，GLHS等其它颜色空间被使用。寻找到肤色区域后，必须进行验证，排除类肤色区域。Yoo等利用肤色像素的连通性分割出区域，使用椭圆拟合各个区域，根据椭圆长短轴的比率判断是否为人脸。模板匹配的方法一般是人为地先定义一个标准人脸模板，计算输入图像与模板的似然度；然后，确定一个似然度阈值，用以判断该输入图像中是否包含人脸。标准人脸模板可以是固定的样板，也可以是带参变量的曲线函数。基于先验知识的方法那么采用符合人脸生理结构特征的人脸镶嵌图〔mosaicimage〕模型，并在分析了足够多的人脸图像样本的根底上，针对人脸的灰度、边缘、纹理等信息，建立一种关于人脸的知识库。在检测中，首先抽取这些灰度、边缘等信息，然后检验它是否符合知识库中关于人脸的先验知识.本设计采用第一种方法，从而尽可能快的识别出人脸。4.2.2检测结果演示运用matlab对人脸锁定进行仿真，其仿真结果如下列图所示：如图4.2原图；图4.3灰度图片；图4.4均衡化灰度图片；图4.5人脸识别。图4.2原图图4.3灰度图片图4.4均衡化的灰度图像图4.5人脸识别4.2.3灰度变换的相关公式线性变换：〔2〕分段线性变换：非线性变换：4.2.4人脸锁定的相关公式〔1〕式中,x和y代表单元点的坐标,L代表区域边界曲线。C代表区域边界周长。〔2〕式中,xi和yi代表像素在像素阵列中的坐标,N代表边缘像素个数,L代表边缘像素总个数。4.3人脸图像的预处理不同的人脸识别系统根据其采用的图像来源和识别算法需要不同，采用的预处理方法也不同。常用的人脸图像预处理方法有：滤波去噪、灰度变换、图像二值化、边缘检测、尺寸归一化、灰度归一化等。用在同一系统中的可能只有其中一种或几种预处理方法，一旦库中采集到的原始图像质量发生较大变化〔如人脸大小、光照强度、拍摄条件、成像系统等方面变化〕，原有的预处理模块便不能满足特征提取的需要，还要更新，这是极不方便的。鉴于此，作者在总结分析了滤波去噪、边缘检测、灰度变换三种广泛应用于不同人脸识别系统中的预处理方法根底上，设计了一个通用的人脸图像预处理仿真系统。该系统可对不同条件下的原始图像进行相应的预处理。如用户可根据需要选择使用不同的滤波方法去除噪声、不同的边缘检测算子检测人脸边缘、选择不同的灰度变换算法实现图像的灰度校正和灰度归一化，仿真系统同时还实现了尺寸归一化、二值化等其他常用的图像预处理算法。4.3.1仿真系统中实现的人脸图像预处理方法根据所查阅文献资料，常应用于人脸图像的预处理方法有：图像类型转换、滤波去噪、灰度变换、边缘检测及二值化、尺寸归一化、灰度归一化等。作为通用人脸图像预处理模块，要能够充分适应不同人脸库中图像在人脸大小、光照强度、成像系统等方面的任意性和差异性，不能单独采用某种单一的滤波、灰度变换和边缘检测方法。所以，在本仿真系统中，对上述的每种预处理方法全部加以实现的同时，还对三种最常用预处理方法：滤波去噪、灰度变换、边缘检测，提供了多种不同的具体算法供用户比拟、选择之用。1)滤波去噪由于噪声给图像带来的失真和降质，在特征提取之前采用滤波的方式来去除噪声是实际人脸识别系统中所必须的步骤。滤波的方法有很多，如各种平滑滤波、各种锐化滤波等。下面对本文实现的滤波方法及其选择依据加以说明。在人脸图像预处理中使用较多的滤波是平滑滤波，方法可分为以下三类：线性滤波、中值滤波、自适应滤波。〔1〕线性滤波最典型的线性滤波方法如，采用邻域平均法的均值滤波器、采用邻域加权平均的高斯滤波和维纳滤波。对图像进行线性滤波可以去除图像中某些特定类型的噪声，如图像中的颗粒噪声，高斯噪声、椒盐噪声等。对扫描得到的人脸图像根据其噪声类型一般采用此种滤波方法。考虑滤波模板大小对滤波效果影响较大，仿真系统选择算法时对同种滤波算法提供了不同模板大小的情况。〔2〕中值滤波法是一种非线性滤波方法，它把像素及其邻域中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素值。中值滤波方法的最大优点是抑制噪声效果明显且能保护边界。对于使用基于整体的人脸识别算法的系统中，由于失掉小区域的细节对特征提取影响较小，所以这种滤波方法最受欢送。〔3〕自适应滤波能够根据图像的局部方差来调整滤波器的输出，其滤波效果要优于线性滤波，同时可以更好地保存图像的边缘和高频细节信息。2)灰度变换灰度变换是图像增强技术中的一种。通过灰度变换，可对原始图像中的光照不均进行补偿，使得待识别人脸图像遵循同一或相似的灰度分布。只有这样，不同图像在特征提取和识别时才具有可比性。这一过程，也被称作灰度归一化。常用在人脸识别系统中的灰度变换方法主要有：基于图像统计特征的直方图均衡化、直方图规定化和灰度均值方差标准化三种方法。直方图均衡化和直方图规定化的灰度变换原理和实现方法可由matlab仿真来实现。三种灰度变换方法，均能在一定程度上消除由于光照条件不同而对人脸识别带来的影响。故在仿真系统中提供了三种灰度变换效果比拟及选择界面，用户可根据需要选用。3)边缘检测对输入人脸图像进行边缘检测是很多人脸识别系统在人脸粗定位及人脸主要器官〔眼睛、鼻子、嘴巴〕定位时采用的预处理方法。边缘检测的方法有很多，主要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法等。每种算子对不同方向边缘的检测能力和抑制噪声的能力都不同。所以，和灰度变换及滤波去噪局部的设计思路相同，在仿真系统中，笔者给出了canny、sobel、log、prewitt四种算子在不同灰度阈值下、不同方向的边缘检测算法，使用者可从检测结果中加以比拟、选择适宜的算法。图像类型转换、图像二值化、尺寸归一化也是一些人脸识别系统中经常使用的预处理方法。为了在不修改其他算法的根底上，扩大系统处理图像的类型和范围，将输入图像首先转换为统一的类型，是多数人脸图像预处理中的第一步。在本仿真系统中通过调用MATLAB中提供的各种图像类型转换函数来实现TIF、JPG转换为BMP格式及彩色到灰度图像的转换；对图像二值化，采用了graythresh()函数来自动选择阈值的二值化方法；尺寸归一化采用的算法是对人脸图像进行剪裁和尺寸缩放，实现去除大局部头发、服饰和背景的干扰并将人脸图像大小统一。5.基于直方图的人脸识别实现5.1识别理论用灰度直方图增强图像比照度是基于图像灰度值统计的一种重要方法,它以概率论为根底的,常用的实现算法主要是直方图均衡化和直方图规定化。5.2直方图均衡化5.2.1概述图像比照度增强的方法可以分成两类:一类是直接比照度增强方法;另一类是间接比照度增强方法。直方图拉伸和直方图均衡化是两种最常见的间接比照度增强方法。直方图拉伸是通过比照度拉伸对直方图进行调整，从而“扩大〞前景和背景灰度的差异，以到达增强比照度的目的，这种方法可以利用线性或非线性的方法来实现;直方图均衡化那么通过使用累积函数对灰度值进行“调整〞以实现比照度的增强。直方图均衡化是图像处理领域中利用图像直方图对比照度进行调整的方法。这种方法通常用来增加许多图像的局部比照度，尤其是当图像的有用数据的比照度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的比照度而不影响整体的比照度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能，如图5.1直方图均衡化效果图。图5.1直方图均衡化效果图5.2.2根本思想直方图均衡化处理的“中心思想〞是把原始图像的灰度直方图从比拟集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀〞分布直方图分布。直方图均衡化的根本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可到达增强图像整体比照度的效果。设原始图像在(x，y)处的灰度为f，而改变后的图像为g，那么对图像增强的方法可表述为将在(x，y)处的灰度f映射为g。在灰度直方图均衡化处理中对图像的映射函数可定义为:g=EQ(f)，这个映射函数EQ(f)必须满足两个条件(其中L为图像的灰度级数):(1)EQ(f)在0≤f≤L-1范围内是一个单值单增函数。这是为了保证增强处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑到白(或从白到黑)的排列。(2)对于0≤f≤L-1有0≤g≤L-1，这个条件保证了变换前后灰度值动态范围的一致性。累积分布函数(cumulativedistributionfunction，CDF)即可以满足上述两个条件，并且通过该函数可以完成将原图像f的分布转换成g的均匀分布。此时的直方图均衡化映射函数为:上述求和区间为0到k，根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布求出到的灰度映射关系。在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。5.2.3优缺点这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光缺乏照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的比照度并且降低有用信号的比照度；变换后图像的灰度级减少，某些细节消失；某些图像，如直方图有顶峰，经处理后比照度不自然的过分增强。5.3直方图规定化5.3.1概述直方图均衡化能够自动增强整个图像的比照度，但它的具体增强效果不容易控制，处理的结果总是得到全局均匀化的直方图。实际上有时需要变换直方图，使之成为某个特定的形状，从而有选择地增强某个灰度值范围内的比照度。这时可以采用比拟灵活的直方图规定化。一般来说正确地选择规定化的函数可以获得比直方图均衡化更好的效果。所谓直方图规定化，就是通过一个灰度映像函数，将原灰度直方图改造成所希望的直方图。所以，直方图修正的关键就是灰度映像函数。直方图匹配方法主要有3个步骤〔这里设M和N分别为原始图和规定图中的灰度级数，且只考虑N≤M的情况〕：如同均衡化方法中，对原始图的直方图进行灰度均衡化：规定需要的直方图，并计算能使规定的直方图均衡化的变换：将第1个步骤得到的变换反转过来，即将原始直方图对应映射到规定的直方图，也就是将所有对应到。5.3.2方法推导假设和分别为原始图像和希望得到的图像的概率密度函数〔r和z分别代表原始图像和希望得到图像的灰度级〕。首先对原始图像进行直方图均衡化，即求变换函数假定已得到了所希望的图像，对它进行直方图均衡化处理，即它的逆变换为由于都是进行均衡化处理，处理后的原图像概率密度函数及理想图像概率密度函数是相等的。于是，我们可以用变换后的原始图像灰度级S代替〔5.3〕式中的V。即这时的灰度级Z便是所希望的图像的灰度级。此外，利用〔5.2〕与〔5.4〕式还可得到组合变换函数式(5.4)的离散公式为其中n为图像中像素总和，为灰度级为的像素数量，L为离散灰度级的数量。类似的式(2)的离散表达式由给定的直方图得到，且有形式式(5.5)到(5.8)是数字图像直方图规定化的根本公式。式(5.7〕是可由原始图像的像素计算得到式(5.8〕可从给定的直方图计算变换函数G式(5.5)或(5.6)亦可直接实现，但需作如下说明，由可知，所找的z值必须满足等式因此要找所对应的只需在z值上迭代，以满足等式。因为处理的是整数，所能得到的满足等式最接近的整数即可。5.3.3算法描述对源图像的直方图进行灰度级上的概率密度统计对源图像的直方图概率密度进行直方图均衡化对规定的直方图概率密度进行直方图均衡化确定源图像直方图与规定直方图的对应映射关系，原那么是针对源图像均衡化后的直方图的每一个灰度级概率密度，查找最接近的规定直方图灰度概率密度，建立灰度映射表。根据映射结果对像素点进行处理5.4方案确定直方图均衡化主要用于增强动态范围较小的图像的反差,根本思想是把原始图的直方图变换为均匀分布的形式,这样就增强了像素灰度值的动态范围,从而到达增强图像整体比照度的效果。直方图均衡化的优点是能自动地增强整个图像的比照度,但它的具体的增强效果不好控制,处理的结果总是得到全局均衡化的直方图。实际中有时需要变换直方图使之成为某个需要的形状,从而有选择地增强某个灰度值范围内的比照度或使图像灰度值的分布满足特定的要求,这时可以采用比拟灵活的直方图规定化方法。5.5人脸识别的matlab实现〔附录里的代码是正确的，但是需要自己加个图片库，如果想要整个程序和图片库的同学，请邮件通知我。〕通过方案设计和原理论证，利用MATLAB进行仿真，实现人脸识别系统的设计，其成果图如下：图5.2人脸识别主界面；图5.3读入图像；图5.4识别成功〔1〕；图5.5识别成功〔2〕；图5.6识别成功〔3〕；图5.7没有找到匹配对象等所示。图5.2人脸识别主界面图5.3读入图像图5.4识别成功(1)图5.5识别成功〔2〕图5.6识别成功〔3〕图5.7没有找到匹配对象6.影响人脸识别的因素和常用人脸库介绍6.1影响人脸识别的因素对人脸的识别会受到很多因素的影响。例如光照环境的变化会改变人脸图像不同部位的明暗，不同的识别表情会改变图像中的人脸的外观，人脸成像时的姿态也有可能产生一定的遮挡。同样的识别方法对不同年龄、性别的人的识别效果不同，或者说随着人的年龄的改变，识别的成功率也会变化。对其中假设干影响因素做初步讨论如下：6.1.1光照变化在人脸识别中，光照条件的变化常引起人脸外貌或外观的明显变化，光照变化所导致的阴影、遮挡、明暗区、暗光、高光都会使识别率大幅下降。光照的变化可以来自光线方向或能量分布的不同，也会受到人脸3D结构的影响。现有解决光照变化的方法可分两类：一类可称为被动的方法，它通过学习由于照明变化而导致的可见光谱图像的变化来设法减小光照变化造成的影响；另一类可称为主动的方法，它使用主动成像技术，使获得的图像具有在固定照明条件下所采集到图像的特点，或只有不受照明变化影响的采集方式获得的图像的特点。6.1.2姿态变化在采集人脸图像时，如果人的姿态发生变化，那么其导致的投影形变会引起人脸面部不同部位的拉伸、压缩和遮挡，使图像发生很大的改变。人脸姿态在三维空间的变化共有6个自由度：沿X、Y、Z轴的平移和绕X、Y、Z轴的旋转。其中，沿X、Y轴的平移在图像上表现为人脸位置的变化，对其的校正可通过采用适当的检测方法获取变化量再借助坐标变换实现；沿Z轴的变化在图像上表现为比例的变化，对其的校正可通过缩放二维图像或三维人脸来实现。绕轴的变化可分为平面旋转、垂直深度旋转和侧深度旋转。其中，平面旋转是绕z轴的旋转；垂直深度旋转也叫上下旋转或仰俯旋转，是绕X轴的旋转；侧深度旋转有时被称为左右旋转或水平偏转，是绕Y轴的旋转。上述6个自由度的变化中绕X和Y轴的旋转难以直接从图像上确定。克服姿态变化所带来问题的一种方法是从图像中估计出人脸的不同姿态，再设法将其变换回人脸的标准姿态，用标准的人脸识别方法进行识别。还有一种方法是学习并记忆多种姿态下的特征，这相当于建立多个姿态，工作量会大一些。最后，也可以构建头部的3D模型，从中提取姿态无关特征来识别人脸。6.1.3年龄影响人的外形和纹理会随着年龄而变化，这也会导致人脸识别中的识别率下降。解决年龄影响的思路与解决姿态影响的第一种思路有些类似，即从图像中估计出人脸的年龄，再设法将其变换回原来用于训练识别算法的人脸的年龄。与年龄有关的人脸特征即包括形状特征也包括纹理特征。形状特征可从人脸轮廓获得，而纹理特征可从人脸外表获得。在训练中，可建立起人脸特征与年龄之间的关系，即建立起年龄函数。利用年龄函数并结合人脸变老方式的分类，可自动估计出图像人脸的年龄。6.2常用人脸数据库介绍6.2.1英国ORL人脸数据库英国ORL(OlivettiResearchLaboratory)人脸数据库包括从1992年4月到1994年4月拍摄的一系列人脸图像，由40个人的400幅灰度图像组成，每幅原始图像256个灰度级，分辨率112x92，图像背景为黑色。其中人脸脸部表情和细节均有变化，例如笑与不笑，眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸的尺寸也有最多10%的变化。这是目前使用最广泛的人脸数据库。6.2.2英国Manchester人脸数据库该数据库由30个人的690幅图像组成，其中训练集和测试集分开，有不同的光照和背景特征，而且对于每个人而言，前后两张照片之间的时间间隔至少有3周。训练集对光源有一定的约束，而在测试集中那么变化多端。测试集还增加了两级难度:其一是对于其中的相似人脸，仅有发型，背景以及戴眼镜等变化;其二是特征遮挡，如头发，黑眼镜，手臂等。虽然Manchester数据库远比ORL数据库测试更为全面，但因发表的比拟结果不够多，从而远不如ORL使用广泛。6.2.3美国FERET人脸数据库美国FERET(FaceRecognitionTechoulogy)人脸数据库是目前最大的人脸数据库，由美国军方研究实验室提供，其中每人8张照片，两张正脸，3张从右到左的不同侧面角度的照片，有些人还提供了更多不同视点和不同表情的照片。该数据库中不包含戴眼镜的照片，拍摄条件也有一定的限制，人脸大小约束在规定范围内。到1996年6月，该数据库已存储了1199个人的14126幅图像，而且逐年增加。但到目前为止，该数据库并未提供运动图像系列或包含语音信息。FERET数据库的最大缺点是非美研究机构的获取不便。6.2.4日本ATR数据库该数据库考虑了除人脸特征外的其他信息在人脸识别中的作用，提供人脸和语音的合成，由60人组成。但其中人脸图像是静止的而非运动图像序列。6.2.5欧洲MZVTS多模型人脸数据库该数据库用于测试多模型身份鉴别。目前该库由37人组成，每人有5个图像序列，拍摄时间间隔一周左右。其中至少有一个序列提供合成语音。其他数据库还有:CMU(CarnegieMellonUniversity)正面人脸数据库，MIT单人脸数据库等。ORL人脸数据库是目前使用最广泛的标准数据库，它含有大量的比拟结果，并且使用该人脸数据库发表的人脸识别论文数量是最多的，是识别算法之间进行比拟的首选数据库。结论人脸识别具有重大的理论意义和应用意义，它是一项结合了多学科，多领域知识方法的技术。长期以来，如何利用计算机进行准确，快速的人脸识别，一直是图像处理与模式识别的研究热点与难点。社会的开展促进了身份认证技术市场的急速扩大，人脸识别因其自身的优点，在身份认证中的使用日益频繁。人脸识别技术具有广泛的社会需求和市场前景。本文回忆了人脸识别开展历程及研究现状，详细介绍了人脸识别系统的构成与工作以及其中的一些关键性问题，对特征脸方法作了详细介绍，并运用其设计出人脸识别程序。本文所做的主要工作归纳如下：概述了人脸识别技术的应用及其难点，开展与现状，研究内容与主要方法，及常用的人脸识别标准数据库。〔2〕介绍了人脸识别中会使用到的各种分类器。〔3〕详细介绍了人脸识别的流程，设计出人脸识别程序。〔4〕介绍了影响人脸识别的主要因素。致谢在北方工业大学的学习时光已经随着毕业设计的完成进入了尾声，回想起刚入大学校门的情景，迷茫中又有期望。转眼之间四年过去了，我在这里结识了志同道合的朋友和学到了丰富的知识。在这期间，每门课的老师都给了我莫大的帮助，是他们耐心的讲解让我对一个又一个的专业理论知识有了深层次的认识。他们身上优秀的品质感染了我，耳濡目染的教会了我作为一个工科生应有的仔细和谨慎。尤其应该感谢的是我的毕设指导教师赵红怡老师，赵老师平易近人、知识渊博、想法独特，当论文进展不顺利时，是赵老师以长者的仁爱胸怀对我表示了理解，不仅帮我指正了论文的方向，而且为我提供了大量的参考文献和网页论坛，导师勤勉的敬业精神和一丝不苟的工作态度使我深深感动，这将是我一生工作和学习的好典范。感谢各位老师们在这四年里对我的栽培和教导；感谢各位同学好友们在我无助的时候给我的鼓励和帮助；感谢北方工大让我在这里收获了这么多，让我认识了这么多可爱的人，这将是我一生不能忘记的最美好的四年！参考文献[1]侯国栋,常迎梅，杨新伟.单机型人脸识别门禁系统设计[J].仪器仪表用户，2023(12):17-23[2]任艳娜，吕素红.Web方式人脸识别的设计与实现[J].科技通报，2023(09):34-37[3]郭庆，基于VC++的人脸识别系统的设计与实现[D].辽宁.辽宁大学:2023[4]祝磊，朱善安.人脸识别的一种新的特征提取方法[J].计算机学报，2007，34〔6〕：122-1251[5]何东风，凌捷.人脸识别技术综述[J].计算机学报，2003，13〔12〕75-78[6]杨臻.三维人脸重建与识别技术研究[D].上海：上海大学，2007[7]何国辉，甘俊英.PCA-LDA算法在性别鉴别中的应用[J].中国图像图形学报，2006，32〔19〕：208-211.[8]王聃，贾云伟，林福严.人脸识别系统中的特征提取[J].自动化学报，2005，21〔7-3〕.[9]WangmengZuo，KuanquanWang，DavidZhang，HongzhiZhang.CombinationoftwonovelLDA-basedmethodsforfacerecognition[C].ProceedingsoftheIEEE，2007：735-742[10]刘贵喜，杨万海.基于小波分解的图像融和方法及性能评价[J].自动化学报，2002，28〔6〕：927-934[11]周嫔，马少平，苏中.多分类器合成方法综献[J].自动化学报，2000，28〔1〕：122-124[12]王蕴红，范伟，谭铁牛.融合全局与局部特征的子空间人脸识别算法[J].电子学报，2005，28〔10〕：1657-1662[13]钟向阳.基于Gabor小波的人脸识别系统的实现[J].中国图像图形学报，2005，23〔3〕：73-77[14]张燕昆，刘重庆.一种新颖的基于LDA的人脸识别方法[J].自动化学报，2003，22〔5〕：327-330[15]张敏贵，潘泉，张洪才等.多生物特征识别[J].信息与控制，2002,31(6):524-528.[16]赵明华.人脸检测和识别技术的研究[D].四川:四川大学电子系，2006[17]赵丽红.人脸检测和识别算法的研究与实现[D].东北:东北大学电子系，2006附录程序清单：1人脸锁定i=imread('face1.jpg');I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)[n1n2]=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;fori=1:10y1=1;y2=c;forj=1:10if(y2<=c|y2>=9*c)|(x1==1|x2==r*10)loc=find(BW(x1:x2,y1:y2)==0);[op]=size(loc);pr=o*100/s;ifpr<=100BW(x1:x2,y1:y2)=0;r1=x1;r2=x2;s1=y1;s2=y2;pr1=0;endimshow(BW);endy1=y1+c;y2=y2+c;endx1=x1+r;x2=x2+r;endfigure,imshow(BW)L=bwlabel(BW,8);百度搜索一下，在百度文库里BB=regionprops(L,'BoundingBox');BB1=struct2cell(BB);BB2=cell2mat(BB1);[s1s2]=size(BB2);mx=0;fork=3:4:s2-1p=BB2(1,k)*BB2(1,k+1);ifp>mx&(BB2(1,k)/BB2(1,k+1))<1.8mx=p;j=k;endendfigure,imshow(I);holdon;rectangle('Position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'EdgeColor','r')2人脸识别functionvarargout=Face_D(varargin)warningoffallgui_Singleton=1;gui_State=struct('gui_Name',mfilename,...'gui_Singleton',gui_Singleton,...'gui_OpeningFcn',@Face_D_OpeningFcn,...'gui_OutputFcn',@Face_D_OutputFcn,...'gui_LayoutFcn',[],...'gui_Callback',[]);ifnargin&&ischar(varargin{1})gui_State.gui_Callback=str2func(varargin{1});endifnargout[varargout{1:nargout}]=gui_mainfcn(gui_State,varargin{:});elsegui_mainfcn(gui_State,varargin{:});endfunctionFace_D_OpeningFcn(hObject,eventdata,handles,varargin)handles.output=hObject;guidata(hObject,handles);functionvarargout=Face_D_OutputFcn(hObject,eventdata,handles)varargout{1}=handles.output;functionpushbutton1_Callback(hObject,eventdata,handles)globalimg_info;globalfile_name;addpathdatabase;n=size(file_name);c=rgb2gray(img_info);[l1l2l3]=size(img_info);d=0;fori=1:nin_to=imread(file_name(i).name);[a1b1c1]=size(in_to);in_2=rgb2gray(in_to);ifa1==l1&&b1==l2&&c1==l3if(corr2(in_2,c)>0.9)msgbox('匹配成功');axes(handles.axes2);imshow(in_to);d=1;endendendifd==0msgbox('没有找到可以匹配的');endifd==1I=rgb2gray(img_info);BW=im2bw(I);[n1n2]=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;fori=1:10y1=1;y2=c;forj=1:10if(y2<=c|y2>=9*c)|(x1==1|x2==r*10)loc=find(BW(x1:x2,y1:y2)==0);[op]=size(loc);pr=o*100/s;ifpr<=100BW(x1:x2,y1:y2)=0;r1=x1;r2=x2;s1=y1;s2=y2;pr1=0;endend