《顏色科學(xué)與數(shù)字圖像》——課程設(shè)計——人臉識別

1、顏色科學(xué)與數(shù)字圖像課程設(shè)計題目：人臉識別姓名：孔維滇學(xué)號：134090314專業(yè)：光電子13級授課時間：2015-2016第一學(xué)期授課教師：石俊生教授 成績： 教師簽名：評分標(biāo)準(zhǔn)編號評分內(nèi)容評分標(biāo)準(zhǔn)與要求滿分實際得分總分1書寫格式字?jǐn)?shù)：8000以上10書寫內(nèi)容：按照發(fā)表論文，包括摘要、關(guān)鍵詞、正文5參考文獻：不少于10篇，書寫格式按照發(fā)表論文5書寫排版：字體小四號、行距1.5，圖標(biāo)規(guī)范102研究內(nèi)容研究內(nèi)容明確、正確103研究方案研究方案明確、可行104研究結(jié)果完成了設(shè)計（包括電路原理圖、光學(xué)設(shè)計圖等）20完成了設(shè)計，并含有獨立設(shè)計5做出了實物10做出了實物，并含有獨立制作55研究意義有價值和

2、意義10總分 摘要：近幾年來計算機網(wǎng)絡(luò)傳輸、監(jiān)控及視頻分析在社會上不斷的興起，數(shù)字信息已經(jīng)超越了模擬信息其主要原因在于數(shù)字信息更易于存儲和分析，因此，在視頻監(jiān)控領(lǐng)域采用計算機對視頻信息進行采集、壓縮、分析、存儲得到了很多人的青睞。人臉識別是通過對人的臉部特征信息進行身份識別的一種生物識別技術(shù)。研究現(xiàn)實基于人臉識別的身份驗證系 統(tǒng)具有重要意義?；趏pencv的人臉檢測與識別系統(tǒng)在計算機模式計算和模式識別等方面具有極其重要的作用。在基于人臉識別，圖像壓縮，視頻監(jiān)控，運動物體檢測等方面有著更重要的應(yīng)用價值。近年來計算機視覺技術(shù)在視覺領(lǐng)域中取得了飛速的發(fā)展，并在其他領(lǐng)域中得到了廣泛的應(yīng)用。本論文以o

3、pencv庫為基礎(chǔ)，采用電腦作為圖形界面開發(fā)，具有人臉采集，圖片訓(xùn)練，數(shù)據(jù)庫管理及人臉識別等功能。該系統(tǒng)能夠進行長時間的運行并測試穩(wěn)定，在程序中提供了統(tǒng)一的接口以并進行二次開發(fā)。關(guān)鍵詞：人臉檢測 人臉識別 opencv算法 前言：自70年代以來.隨著人工智能技術(shù)的興起.以及人類視覺研究的進展.人們逐漸對人臉圖像的機器識別投入很大的熱情，并形成了一個人臉圖像識別研究領(lǐng)域，.這一領(lǐng)域除了它的重大理論價值外，也極具實用價值。在進行人工智能的研究中，人們一直想做的事情就是讓機器具有像人類一樣的思考能力，以及識別事物、處理事物的能力，因此從解剖學(xué)、心理學(xué)、行為感知學(xué)等各個角度來探求人類的思維機制、以及感

4、知事物、處理事物的機制，并努力將這些機制用于實踐，如各種智能機器人的研制。人臉圖像的機器識別研究就是在這種背景下興起的，因為人們發(fā)現(xiàn)許多對于人類而言可以輕易做到的事情，而讓機器來實現(xiàn)卻很難，如人臉圖像的識別，語音識別，自然語言理解等。如果能夠開發(fā)出具有像人類一樣的機器識別機制，就能夠逐步地了解人類是如何存儲信息，并進行處理的，從而最終了解人類的思維機制。同時，進行人臉圖像識別研究也具有很大的使用價依。如同人的指紋一樣，人臉也具有唯一性，也可用來鑒別一個人的身份。現(xiàn)在己有實用的計算機自動指紋識別系統(tǒng)面世，并在安檢等部門得到應(yīng)用，但還沒有通用成熟的人臉自動識別系統(tǒng)出現(xiàn)。人臉圖像的自動識別系統(tǒng)較之指

5、紋識別系統(tǒng)、DNA鑒定等更具方便性，因為它取樣方便，可以不接觸目標(biāo)就進行識別，從而開發(fā)研究的實際意義更大。并且與指紋圖像不同的是，人臉圖像受很多因素的干擾:人臉表情的多樣性;以及外在的成像過程中的光照，圖像尺寸，旋轉(zhuǎn)，姿勢變化等。使得同一個人，在不同的環(huán)境下拍攝所得到的人臉圖像不同，有時更會有很大的差別，給識別帶來很大難度。因此在各種干擾條件下實現(xiàn)人臉圖像的識別，也就更具有挑戰(zhàn)性。國外對于人臉圖像識別的研究較早，現(xiàn)己有實用系統(tǒng)面世，只是對于成像條件要求較苛刻，應(yīng)用范圍也就較窄，國內(nèi)也有許多科研機構(gòu)從事這方而的研究，并己取得許多成果。人臉圖像識別的應(yīng)用前景：人臉圖像識別除了具有重大的理論價值以及

6、極富挑戰(zhàn)性外，還其有許多潛在的應(yīng)用前景，利用人臉圖像來進行身份驗證，可以不與目標(biāo)相接觸就取得樣本圖像，而其它的身份驗證手段，如指紋、眼睛虹膜等必須通過與目標(biāo)接觸或相當(dāng)接近來取得樣木，在某些場合，這些識別手段就會有不便之處。就從目前和將來來看，可以預(yù)測到人臉圖像識別將具有廣闊的應(yīng)用前景，如表1-1中所列舉就是其中已經(jīng)實現(xiàn)或逐步完善的應(yīng)用。表1-1 人臉識別的應(yīng)用應(yīng)用優(yōu)點存在問題信信用卡、汽車駕照、護照以及個人身份驗證等圖像攝取可控圖像分割可控圖像質(zhì)量好需要建立龐大的數(shù)據(jù)庫嫌疑犯照片匹配圖像質(zhì)量不統(tǒng)一多幅圖像可用潛在的巨大圖像庫互聯(lián)網(wǎng)應(yīng)用視頻信息價值高多人參與存在虛假銀行/儲蓄安全監(jiān)控效果好圖像分

7、割不可控圖像質(zhì)量較差人群監(jiān)測圖像質(zhì)量高可利用攝像圖像圖像分割自由圖像質(zhì)量低、實時性預(yù)備知識人類似乎具有“與生俱來”的人臉識別能力，賦予計算機同樣的能力是人類的夢想之一，這就是所謂的“人臉識別”系統(tǒng)。假設(shè)我們把照相機、攝像頭、掃描儀等看作計算機的“眼睛”，數(shù)字圖像可以看作計算機觀察到的“影像”，那么AFR賦予計算機根據(jù)其所“看到”的人臉圖片來判斷人物身份的能力。廣義的講，自動人臉識別系統(tǒng)具有如圖1.1所示的一般框架并完成相應(yīng)功能的任務(wù)。 圖1.1 人臉識別系統(tǒng)一般框架(1)人臉圖像的獲取一般來說，圖像的獲取都是通過攝像頭攝取，但攝取的圖像可以是真人，也可以是人臉的圖片或者為了相對簡單，可以不考慮

8、通過攝像頭來攝取頭像，而是直接給定要識別的圖像。(2)人臉的檢測人臉檢測的任務(wù)是判斷靜態(tài)圖像中是否存在人臉。若存在人臉，給出其在圖像中的坐標(biāo)位置、人臉區(qū)域大小等信息。而人臉跟蹤則需要進一步輸出所檢測到的人臉位置、大小等狀態(tài)隨時間的連續(xù)變化情況。 (3)特征提取通過人臉特征點的檢測與標(biāo)定可以確定人臉圖像中顯著特征點的位置（如眼睛、眉毛、鼻子、嘴巴等器官），同時還可以得到這些器官及其面部輪廓的形狀信息的描述。根據(jù)人臉特征點檢測與標(biāo)定的結(jié)果，通過某些運算得到人臉特征的描述（這些特征包括：全局特征和局部特征，顯式特征和統(tǒng)計特征等）。(4)基于人臉圖像比對的身份識別即人臉識別(Face Identifi

9、cation)問題。通過將輸入人臉圖像與人臉數(shù)據(jù)庫中的所有已知原型人臉圖像計算相似度并對其排序來給出輸入人臉的身份信息。這包括兩類識別問題：一類是閉集(Close Set)人臉識別問題，即假定輸入的人臉一定是人臉庫中的某個個體；另一類是開集(Open Set)識別，即首先要對輸入人臉是否在已知人臉庫中做出判斷，如果是，則給出其身份。(5)基于人臉圖像比對的身份驗證即人臉確認(rèn)(Face Verification)問題。系統(tǒng)在輸入人臉圖像的同時輸入一個用戶宣稱的該人臉的身份信息，系統(tǒng)要對該輸入人臉圖像的身份與宣稱的身份是否相符作出判斷。圖像處理的Matlab實現(xiàn)（1） Matlab簡介由Math

10、Work公司開發(fā)的Matlab語言語法限制不嚴(yán)格,程序設(shè)計自由度大,程序的可移植性好。Matlab還推出了功能強大的適應(yīng)于圖像分析和處理的工具箱,常用的有圖像處理工具箱、小波分析工具箱及數(shù)字信號處理工具箱。利用這些工具箱,我們可以很方便的從各個方面對圖像的性質(zhì)進行深入的研究。Matlab圖像處理工具箱支持索引圖像、RGB圖像、灰度圖像、二進制圖像并能操作.bmp、.jpg、.tif等多種圖像格式文件。（2）數(shù)字圖像處理及過程圖像是人類獲取信息、表達信息和傳遞信息的重要手段。利用計算機對圖像進行去除噪聲、增強、復(fù)原、分割、提取特征等的理論、方法和技術(shù)稱為數(shù)字圖像處理。數(shù)字圖像處理技術(shù)已經(jīng)成為信息

11、科學(xué)、計算機科學(xué)、工程科學(xué)、地球科學(xué)等諸多方面的學(xué)者研究圖像的有效工具。數(shù)字圖像處理主要包括圖像變換、圖像增強、圖像編碼、圖像復(fù)原、圖像重建、圖像識別以及圖像理解等內(nèi)容。（3）圖像處理的基本操作讀取和顯示圖像可以通過imread()和imshow()來實現(xiàn);圖像的輸出用imwrite()函數(shù)就可以很方便的把圖像輸出到硬盤上;另外還可以用imcrop()、imrisize()、imrotate()等來實現(xiàn)圖像的裁剪、縮放和旋轉(zhuǎn)等功能。（4）圖像類型的轉(zhuǎn)換Matlab支持多種圖像類型,但在某些圖像操作中,對圖像的類型有要求,所以要涉及到對圖像類型進行轉(zhuǎn)換。Matlab7.0圖像處理工具箱為我們提供

12、了不同圖像類型相互轉(zhuǎn)換的大量函數(shù),如mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像,rgb2gray()轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像。在類型轉(zhuǎn)換的時候,我們還經(jīng)常遇到數(shù)據(jù)類型不匹配的情況,針對這種情況,Matlab7.0工具箱中,也給我們提供了各種數(shù)據(jù)類型之間的轉(zhuǎn)換函數(shù),如double()就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類型的函數(shù)。（5）圖像增強圖像增強的目的是為了改善圖像的視覺效果,提高圖像的清晰度和工藝的適應(yīng)性,以及便于人與計算機的分析和處理,以滿足圖像復(fù)制或再現(xiàn)的要求。圖像增強的方法分為空域法和頻域法兩大類,空域法主要是對圖像中的各個像素點進行操作;而頻域法是在圖像的某個變換域內(nèi)對整個圖

13、像進行操作,并修改變換后的系數(shù),如傅立葉變換、DCT變換等的系數(shù),然后再進行反變換,便可得到處理后的圖像。下面以空域增強法的幾種方法加以說明。(5.1).灰度變換增強有多種方法可以實現(xiàn)圖像的灰度變換,其中最常用的就是直方圖變換的方法,即直方圖的均衡化。這種方法是一種使輸出圖像直方圖近似服從均勻分布的變換算法。Matlab7.0圖像處理工具箱中提供了圖像直方圖均衡化的具體函數(shù)histeq(),同時我們可以用函數(shù)imhist()函數(shù)來計算和顯示圖像的直方圖。(5.2).空域濾波增強空域濾波按照空域濾波器的功能又可分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實現(xiàn),目的在于模糊圖像或消除噪聲;

14、銳化濾波器是用高通濾波來實現(xiàn),目的在于強調(diào)圖像被模糊的細(xì)節(jié)。在Matlab中,各種濾波方法都是在空間域中通過不同的濾波算子實現(xiàn),可用fspecial()函數(shù)來創(chuàng)建預(yù)定義的濾波算子,然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對圖像進行濾波。（6）邊緣檢測數(shù)字圖像的邊緣檢測是圖像分割、目標(biāo)區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ),也是圖像識別中提取圖像特征的一個重要屬性。邊緣檢測算子可以檢查每個像素的鄰域并對灰度變化率進行量化,也包括對方向的確定,其中大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Lo

15、g算子等。Matlab7.0工具箱中提供的edge()函數(shù)可以進行邊緣檢測,在其參數(shù)里面,可以根據(jù)需要選擇合適的算子及其參數(shù)。（7）圖像處理功能的Matlab實現(xiàn)實例本文通過運用圖像處理工具箱的有關(guān)函數(shù)對一人臉的彩色圖像進行處理。7.1)圖像類型的轉(zhuǎn)換因后面的圖像增強,邊緣檢測都是針對灰度圖像進行的,而我們的原圖是RGB圖像,所以首先我們要對原圖類型進行轉(zhuǎn)換。實現(xiàn)過程代碼如下:i=imread(f:face1.jpg);j=rgb2gray(i);imshow(j);imwrite(j,f:face1.tif)效果圖2.1圖2.17.2)圖像增強(7.2.1)灰度圖像直方圖均衡化通過比較原圖和

16、直方圖均衡化后的圖像可見,圖像變得更清晰,而且均衡化后的直方圖比原直方圖的形狀更理想。該部分的程序代碼如下:i=imread(f:face1.tif);j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(j)執(zhí)行后的效果圖如圖2.2和圖2.3: 圖2.2均衡化后的灰度圖像 圖2.3均衡化前后的直方圖對比圖(7.2.2)灰度圖像平滑與銳化處理平滑濾波器的目的在于模糊圖像或消除噪聲,Matlab7.0圖像處理工具箱提供了medfilter2()函數(shù)用于實現(xiàn)中值濾波,wiener2()實現(xiàn)對圖像噪聲的

17、自適應(yīng)濾波。在本文實例中,為了使濾波效果更明顯,我們事先為圖像認(rèn)為增加濾波,然后用自適應(yīng)濾波方法對圖像進行濾波。銳化處理的目的在于強調(diào)圖像被模糊的細(xì)節(jié),在本實例中采用了預(yù)定義高斯濾波器的方法對圖像進行銳化濾波。功能實現(xiàn)的代碼如下:i=imread(f:fae1.tif);j=imnoise(i,guassian,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),ims

18、how(i)subplot(1,2,2),imshow(j2)得到的效果圖如圖2.4和圖2.5:加入噪聲的圖像 濾波后的圖像圖2.4 平滑濾波效果 原灰度圖像 銳化后的圖像 圖2.5 銳化濾波效果圖7.3)邊緣檢測Matlab7.0圖像處理工具箱提供了edge()函數(shù)實現(xiàn)邊緣檢測,還有各種方法算子供選擇,在本實例中采用了canny算子來進行邊緣檢測,程序代碼如下:i=imread(f:face.tif);j=edge(i,canny,0.04,0.25,1.5);imshow(j)效果圖如圖2.6原灰度圖像 邊緣檢測后的圖像 圖2.6 邊緣檢測效果圖人臉圖像識別計算機系統(tǒng)1、系統(tǒng)基本機構(gòu)人臉識

19、別是一個復(fù)雜的過程，一個計算機人臉識別的流程如圖3-1所示。它包括幾個步驟：對采集到的圖像，首先進行人臉檢測（在輸入圖像中尋找人臉），給出人臉有無的結(jié)果；然后進行人臉定位，確定人臉的位置并提取出來。對人臉的定位在輸入是圖像序列時一般也稱之為人臉跟蹤。通常檢測和定位結(jié)合進行。對提取出來的人臉借助人臉描述就可以進行（狹義的）人臉識別，即通過提取特征來確定其身份。 圖3.1 基本框架圖2、人臉檢測定位算法人臉檢測定位算法大致可分為兩大類：基于顯式特征的方法和基于隱式特征的方法。所謂顯式特征是指對人類肉眼來說直觀可見的特征，如膚色、臉部輪廓、臉部結(jié)構(gòu)等?；陲@式特征的方法是指由人通過肉眼觀察，總結(jié)出人

20、臉區(qū)別于“非人臉”區(qū)域的特征，然后根據(jù)被檢測區(qū)域是否滿足這些“人臉特征”，來判定該區(qū)域是否包含人臉。根據(jù)所選擇的“人臉特征”，基于顯式特征的方法分以下三類：基于膚色模型的方法、模板匹配的方法、基于先驗知識的方法。在彩色圖像中，顏色是人臉表面最為顯著的特征之一，利用顏色檢測人臉是很自然的想法。Yang等在考察了不同種族、不同個體的膚色后，認(rèn)為人類的膚色能在顏色空間中聚成單獨的一類，而影響膚色值變化的最主要因素是亮度變化。因此他們采用廣泛使用的RGB顏色空間，在濾去亮度值的圖像中通過比較像素點的、值與膚色范圍來推斷該像素點及其鄰域是否屬于人臉區(qū)域。除了RGB顏色空間，還有諸如HIS，LUV，GLH

21、S等其它顏色空間被使用。尋找到膚色區(qū)域后，必須進行驗證，排除類膚色區(qū)域。Yoo等利用膚色像素的連通性分割出區(qū)域，使用橢圓擬合各個區(qū)域，根據(jù)橢圓長短軸的比率判斷是否為人臉。模板匹配的方法一般是人為地先定義一個標(biāo)準(zhǔn)人臉模板，計算輸入圖像與模板的似然度；然后，確定一個似然度閾值，用以判斷該輸入圖像中是否包含人臉。標(biāo)準(zhǔn)人臉模板可以是固定的樣板，也可以是帶參變量的曲線函數(shù)。基于先驗知識的方法則采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖（mosaic image）模型，并在分析了足夠多的人臉圖像樣本的基礎(chǔ)上，針對人臉的灰度、邊緣、紋理等信息，建立一種關(guān)于人臉的知識庫。在檢測中，首先抽取這些灰度、邊緣等信息，然后

22、檢驗它是否符合知識庫中關(guān)于人臉的先驗知識。以上三種方法的優(yōu)缺點比較見表3-1。表3-1 基于顯示特征方法的特點檢測方法優(yōu)點與適用場合缺點與需要改進的地方膚色模型檢測速度快高光和陰影會造成人臉區(qū)域被分割而被漏檢；膚色區(qū)域的存在提高了預(yù)警率模板匹配直觀性好，具有較好的適應(yīng)性對表情、尺度變換敏感；可變模板的選擇和參數(shù)的確定非常困難基于知識的方法適用復(fù)雜圖像中的人臉檢測依賴先驗知識；多尺度空間遍歷工作量大，運算時間長基于隱式特征的方法將人臉區(qū)域看成一類模式，使用大量“人臉”、“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖像中所有可能區(qū)域是否屬于“人臉模式”的方法來實現(xiàn)人臉檢測。這類方法有：特征臉法、人工神

23、經(jīng)網(wǎng)絡(luò)法、支持向量機法；積分圖像法。特征臉法（eigenface）把單個圖像看成一維向量，眾多的一維向量形成了人臉圖像特征空間，再將其變換到一個新的相對簡單的特征空間，通過計算矩陣的特征值和特征向量，利用圖像的代數(shù)特征信息，尋找“人臉”、“非人臉”兩種模式在該特征空間中的分布規(guī)律。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的方法是通過訓(xùn)練一個網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計特性隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)之中。基于人工神經(jīng)網(wǎng)絡(luò)的方法對于復(fù)雜的、難以顯式描述的模式，具有獨特的優(yōu)勢。支撐向量機（Support Vector Machine，SVM）法是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展出

24、的一種新的模式識別方法，它基于結(jié)構(gòu)風(fēng)險最小化的原理，較之于基于經(jīng)驗風(fēng)險最小化的人工神經(jīng)網(wǎng)絡(luò)，一些難以逾越的問題，如：模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等都得到了很大程度上的解決。但是直接使用SVM方法進行人臉識別有兩方面的困難：第一，訓(xùn)練時需要求解二次規(guī)劃問題計算復(fù)雜度高，內(nèi)存需求量巨大；第二，在非人臉樣本不受限制時，需要極大規(guī)模的訓(xùn)練集合，得到的支持向量會很多，使得分類器的計算量過高?；诜e分圖像（Integral Image）特征的人臉檢測方法是Viola等新近提出的一種算法，它綜合使用了積分圖像描述方法、Adaboost學(xué)習(xí)算法及訓(xùn)練方法、級聯(lián)弱分類器。以上四種方

25、法的優(yōu)缺點比較見表3-2表3-2 基于隱式特征方法的特征檢測方法優(yōu)點缺點與需要改進的地方本征臉法標(biāo)準(zhǔn)人臉模板能抽象人臉全部信息，運算不涉及迭代耗費時間短但模板檢測效率低，多模板提高了效率也增加了檢測時間神經(jīng)網(wǎng)絡(luò)法檢測效率高，錯誤報警數(shù)目不多，訓(xùn)練成熟的網(wǎng)絡(luò)監(jiān)測速度快多樣本訓(xùn)練耗費時間多，但網(wǎng)絡(luò)監(jiān)測錯誤報警數(shù)目多支撐向量機機法比神經(jīng)網(wǎng)絡(luò)方法具有更好的泛化能力，能對為觀測到的例子進行有效分類“非人臉”樣本復(fù)雜多樣，造成支持向量數(shù)目多，運算復(fù)雜度大基于積分圖像分析法檢測速度快，基本滿足實時檢測要求，檢測效率可以與神經(jīng)網(wǎng)絡(luò)法比較錯誤報警數(shù)目少時，檢測率不高 運用matlab仿真進行人臉檢測定位實例：人

26、臉檢測定位程序：% Reading of a RGB image i=imread(face1.jpg);I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW) % minimisation of background portion 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=9*c) | (x1=1 | x2=r*10) loc=find(BW(x1:x2, y1:y2)=0); o p=size(l

27、oc); pr=o*100/s; if prmx & (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 ) 原始圖片 灰度圖片 均衡化灰度圖片 人臉定位3、人臉圖像的預(yù)處理不同的人臉識別系統(tǒng)根據(jù)其采用的圖像來源和識別算法需要不同，采用的預(yù)處理方法也不同。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只

28、有其中一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。鑒于此，作者在總結(jié)分析了濾波去噪、邊緣檢測、灰度變換三種廣泛應(yīng)用于不同人臉識別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計了一個通用的人臉圖像預(yù)處理仿真系統(tǒng)。該系統(tǒng)可對不同條件下的原始圖像進行相應(yīng)的預(yù)處理。如，用戶可根據(jù)需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測算子檢測人臉邊緣、選擇不同的灰度變換算法實現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時還實現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法。（1）仿真系

29、統(tǒng)中實現(xiàn)的人臉圖像預(yù)處理方法根據(jù)所查閱文獻資料，常應(yīng)用于人臉圖像的預(yù)處理方法有：圖像類型轉(zhuǎn)換、濾波去噪、灰度變換、邊緣檢測及二值化、尺寸歸一化、灰度歸一化等。作為通用人臉圖像預(yù)處理模塊，要能夠充分適應(yīng)不同人臉庫中圖像在人臉大小、光照強度、成像系統(tǒng)等方面的任意性和差異性，不能單獨采用某種單一的濾波、灰度變換和邊緣檢測方法。所以，在本仿真系統(tǒng)中，對上述的每種預(yù)處理方法全部加以實現(xiàn)的同時，還對三種最常用預(yù)處理方法：濾波去噪、灰度變換、邊緣檢測，提供了多種不同的具體算法供用戶比較、選擇之用。1)濾波去噪由于噪聲給圖像帶來的失真和降質(zhì)，在特征提取之前采用濾波的方式來去除噪聲是實際人臉識別系統(tǒng)中所必須的步

30、驟。濾波的方法有很多，如各種平滑濾波、各種銳化濾波等，關(guān)于各種濾波方法的原理和分類可參考文獻2。下面對本文實現(xiàn)的濾波方法及其選擇依據(jù)加以說明。在人臉圖像預(yù)處理中使用較多的濾波是平滑濾波，方法可分為以下三類：線性濾波、中值濾波、自適應(yīng)濾波。（1.1）線性濾波最典型的線性濾波方法如，采用鄰域平均法的均值濾波器、采用鄰域加權(quán)平均的高斯濾波和維納濾波。對圖像進行線性濾波可以去除圖像中某些特定類型的噪聲，如圖像中的顆粒噪聲，高斯噪聲、椒鹽噪聲等。對掃描得到的人臉圖像根據(jù)其噪聲類型一般采用此種濾波方法?？紤]濾波模板大小對濾波效果影響較大，仿真系統(tǒng)選擇算法時對同種濾波算法提供了不同模板大小的情況。（1.2）

31、中值濾波法中值濾波法是一種非線性濾波方法，它把像素及其鄰域中的像素按灰度級進行排序，然后選擇該組的中間值作為輸出像素值。中值濾波方法的最大優(yōu)點是抑制噪聲效果明顯且能保護邊界。對于使用基于整體的人臉識別算法的系統(tǒng)中，由于失掉小區(qū)域的細(xì)節(jié)對特征提取影響較小，所以這種濾波方法最受歡迎。（1.3）自適應(yīng)濾波自適應(yīng)濾波能夠根據(jù)圖像的局部方差來調(diào)整濾波器的輸出，其濾波效果要優(yōu)于線性濾波，同時可以更好地保存圖像的邊緣和高頻細(xì)節(jié)信息。2)灰度變換灰度變換是圖像增強技術(shù)中的一種。通過灰度變換，可對原始圖像中的光照不均進行補償，使得待識別人臉圖像遵循同一或相似的灰度分布。只有這樣，不同圖像在特征提取和識別時才具有

32、可比性。這一過程，也被稱作灰度歸一化。常用在人臉識別系統(tǒng)中的灰度變換方法主要有：基于圖像統(tǒng)計特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標(biāo)準(zhǔn)化三種方法。直方圖均衡化和直方圖規(guī)定化的灰度變換原理和實現(xiàn)方法可由matlab仿真來實現(xiàn)。三種灰度變換方法，均能在一定程度上消除由于光照條件不同而對人臉識別帶來的影響。故在仿真系統(tǒng)中提供了三種灰度變換效果比較及選擇界面，用戶可根據(jù)需要選用。3)邊緣檢測對輸入人臉圖像進行邊緣檢測是很多人臉識別系統(tǒng)在人臉粗定位及人臉主要器官（眼睛、鼻子、嘴巴）定位時采用的預(yù)處理方法。邊緣檢測的方法有很多，主要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法

33、等。每種算子對不同方向邊緣的檢測能力和抑制噪聲的能力都不同。所以，和灰度變換及濾波去噪部分的設(shè)計思路相同，在仿真系統(tǒng)中，筆者給出了canny、sobel、log、prewitt四種算子在不同灰度閾值下、不同方向的邊緣檢測算法，使用者可從檢測結(jié)果中加以比較、選擇合適的算法。圖像類型轉(zhuǎn)換、圖像二值化、尺寸歸一化也是一些人臉識別系統(tǒng)中經(jīng)常使用的預(yù)處理方法。為了在不修改其他算法的基礎(chǔ)上，擴大系統(tǒng)處理圖像的類型和范圍，將輸入圖像首先轉(zhuǎn)換為統(tǒng)一的類型，是多數(shù)人臉圖像預(yù)處理中的第一步。在本仿真系統(tǒng)中通過調(diào)用MATLAB中提供的各種圖像類型轉(zhuǎn)換函數(shù)來實現(xiàn)TIF、JPG轉(zhuǎn)換為BMP格式及彩色到灰度圖像的轉(zhuǎn)換；對

34、圖像二值化，采用了graythresh()函數(shù)來自動選擇閾值的二值化方法1；尺寸歸一化采用的算法是對人臉圖像進行剪裁和尺寸縮放，實現(xiàn)去除大部分頭發(fā)、服飾和背景的干擾并將人臉圖像大小統(tǒng)一。基于直方圖的人臉識別實現(xiàn)1識別理論用灰度直方圖增強圖像對比度是基于圖像灰度值統(tǒng)計的一種重要方法,它以概率論為基礎(chǔ)的,常用的實現(xiàn)算法主要是直方圖均衡化和直方圖規(guī)定化。直方圖均衡化主要用于增強動態(tài)范圍較小的圖像的反差,基本思想是把原始圖的直方圖變換為均勻分布的形式,這樣就增強了像素灰度值的動態(tài)范圍,從而達到增強圖像整體對比度的效果。直方圖均衡化的優(yōu)點是能自動地增強整個圖像的對比度,但它的具體的增強效果不好控制,處理

35、的結(jié)果總是得到全局均衡化的直方圖。實際中有時需要變換直方圖使之成為某個需要的形狀,從而有選擇地增強某個灰度值范圍內(nèi)的對比度或使圖像灰度值的分布滿足特定的要求,這時可以采用比較靈活的直方圖規(guī)定化方法。2 人臉識別的matlab實現(xiàn)實現(xiàn)結(jié)果如圖4.1和4.2 圖4.1 用戶界面 圖4.2 實現(xiàn)結(jié)果在過去十年中基于直方圖方法證其明簡單性和有用性。 最初這種想法基于顏色直方圖。 此算法提供我們的建議技術(shù)名為直方圖處理人臉識別的第一部分。同時使用灰度圖像。 第一，每個灰度級的頻率是計算并存儲在媒介作進一步處理。 第二，平均從存儲載體的連續(xù)九個頻率的計算，并存儲在另一個載體，供以后使用，在測試階段。 此均

36、值向量用于計算平均值的曾受訓(xùn)練的圖像和測試圖像絕對差異。 最后確定最小差異的圖像與測試圖像匹配， 識別的準(zhǔn)確性是 99.75%總結(jié)基于matlab數(shù)字圖像處理與識別系統(tǒng)其實是一個范圍很大的應(yīng)用系統(tǒng)，作者在此只是有針對性、有選擇地進行了一些開發(fā)和實現(xiàn)。該系統(tǒng)的主要功能模塊共有二個：（1）數(shù)字圖像處理的基本方法；（2）人臉識別。 在“數(shù)字圖像處理的基本方法”這一部分，用到的一些基本方法和一些最常用的處理方法來實現(xiàn)圖像預(yù)處理，如格式轉(zhuǎn)換，灰度變化和濾波銳化。僅就這一部分而言，就有很多可以繼續(xù)完成的工作，可將其它一些數(shù)字圖像處理方法進一步加以實現(xiàn)，如圖像的平滑，圖像矩陣的變換（K-L變換、Fourier變換、小波變換等），圖像的膨脹腐蝕、圖像的幾何變換（平移、旋轉(zhuǎn)、縮放等），以及各種編碼圖像的讀寫與顯