圖像處理技術(shù)在人臉識別中的應(yīng)用研究畢業(yè)設(shè)計(jì)論文

圖像處理技術(shù)在人臉識別中的應(yīng)用研究畢業(yè)設(shè)計(jì)論文1引言隨著我國信息技術(shù)的快速發(fā)展，諸多領(lǐng)域?qū)θ四樧R別的迫切需求，所以人臉技術(shù)在各方面得到廣泛應(yīng)用，這是引起人臉識別就是在當(dāng)今社會被重視的原因。加上社會的需求和發(fā)展的需要，所以在最近幾年人臉識別技術(shù)在取得突破性的進(jìn)展，特別是PCA人臉識別技術(shù)。人臉識別技術(shù)與其他生物識別技術(shù)（如指紋識別、簽名識別、基因識別等）相比，具備以下的優(yōu)點(diǎn)：識別精度高、速度快；隱蔽性好；直觀性突出；通用性好等。人臉識別已經(jīng)向自動識別和模式識別的方向發(fā)展，它是通過采集和分析比較人臉面部特征信息進(jìn)行人臉識別的計(jì)算機(jī)技術(shù)，這種人臉識別技術(shù)從多個(gè)領(lǐng)域來研究，包括認(rèn)知科學(xué)、心理學(xué)、計(jì)算機(jī)圖形學(xué)、圖像處理技術(shù)學(xué)、模式科學(xué)、人體生理學(xué)和可視化科學(xué)等等[1]。本文設(shè)計(jì)可以實(shí)現(xiàn)的功能是：首先建立圖像數(shù)據(jù)庫，即樣本庫，樣本庫的建立包括人臉圖像預(yù)處理、樣本庫的添加、插入和刪除；其次將待識別的人臉圖像與樣本庫的圖像進(jìn)行匹配并且識別，可以識別給定場景下的靜態(tài)圖像識別。目前很多成功的人臉識別技術(shù)已經(jīng)可以識別動態(tài)圖像系列，而且可以從已知的人臉庫中識別多個(gè)人臉，有的還從年齡、種族、性別、表情甚至是語音等方面來研究人臉，并且取得很好的效果[2]。人臉識別系統(tǒng)要解決的關(guān)鍵問題是：如何在復(fù)雜的圖像中分割人臉、如何才能采集到人臉面部的特征、系統(tǒng)在識別時(shí)是否及時(shí)準(zhǔn)確等技術(shù)問題。由于待識別的人臉圖像是一個(gè)未知的圖像，系統(tǒng)要將待處理的圖像與樣本庫的圖像進(jìn)行比較，得出與待處理圖像相一致或者是相似率很高的圖像；接著系統(tǒng)在識別時(shí)對輸入人臉圖像進(jìn)行判別分析，并將判別的結(jié)果輸出，如果跟樣本庫的圖像一致或有相似性，則接受，反之拒絕[3]。1.1人臉識別的研究目的及意義近年來我國信息技術(shù)的快速發(fā)展以及應(yīng)用越來越普及，以及計(jì)算機(jī)的軟硬件性能的不斷提升，高效率的人臉識別技術(shù)的實(shí)現(xiàn)成本可以降低到了可以接受的程度。加上社會經(jīng)濟(jì)的快速發(fā)展，對金融貿(mào)易和安全入口方面提出更高的要求，所以人臉識別技術(shù)得到社會各界的重視。人臉識別在現(xiàn)今生物識別技術(shù)中應(yīng)用最廣泛的技術(shù)之一，雖然我國人臉識別技術(shù)起步較晚，但是在短短的幾年內(nèi)為廣大人所知。我們平時(shí)看到的人臉識別技術(shù)運(yùn)用最多的應(yīng)該是在電影中：即將拍到的面部圖片輸入到計(jì)算機(jī)，然后與計(jì)算機(jī)中的面部圖像資料進(jìn)行比對，并找出與之相對的資料和記錄。由于人臉識別技術(shù)擁有以上的諸多優(yōu)勢，所以人臉識別技術(shù)將成為一個(gè)活躍的研究領(lǐng)域。研究人臉識別在應(yīng)用和技術(shù)研發(fā)上都有重要的意義：一是可以將研發(fā)出來的技術(shù)為社會服務(wù)，為復(fù)雜領(lǐng)域提供服務(wù)，也可以為國家的安全保障服務(wù)；二是滿足智能識別技術(shù)的應(yīng)用需求。人臉識別系統(tǒng)的建立，利用計(jì)算機(jī)的來實(shí)現(xiàn)人臉的自動識別有著廣泛的應(yīng)用領(lǐng)域和誘人的應(yīng)用前景。同時(shí)人臉識別與其他的人物識別技術(shù)（DNA檢測、虹膜等）相比有如下的優(yōu)點(diǎn)：采用的是自動識別方式，無需人工參與；人臉圖像的采集不需要與被檢測人發(fā)生接觸，可以在不驚動被測對象的前提下進(jìn)行[4]；人臉識別技術(shù)的圖像采集只需要簡單的輸入設(shè)備就可以完成，如攝像頭、相機(jī)、手機(jī)等都能完成，所以人臉識別在實(shí)現(xiàn)的過程中成本低，容易實(shí)現(xiàn)。1.2人臉識別國內(nèi)外研究現(xiàn)狀（1）國外研究現(xiàn)狀近年來世界上很多國家都在研究人臉識別技術(shù)，尤其是日本，歐洲和美國在這個(gè)領(lǐng)域的研究較早，但是真正取得巨大突破的還是在20世紀(jì)末期，之所以取得如此成就是因?yàn)楦咝阅苡?jì)算機(jī)的出現(xiàn)，從而引領(lǐng)人臉識別技術(shù)真正的進(jìn)入自動識別階段。國外的很多大學(xué)都在深入研究人臉識別技術(shù)，而且他們研究的領(lǐng)域也是非常的廣泛，其中有從認(rèn)知科學(xué)和心理學(xué)來研究人臉識別機(jī)制的，如美國的Texasatdalls大學(xué)的Toole和Abdi小組，主要是從感知科學(xué)來研究人臉規(guī)律；英國很多大學(xué)的研究小組從人臉視覺角度來研究人臉規(guī)律；還有從生理機(jī)制和神經(jīng)網(wǎng)絡(luò)機(jī)制來研究人臉識別的方法。不管是從哪方面來研究，最終的研究方向還是從將數(shù)字化圖像輸入計(jì)算機(jī)來識別人臉的研究方法。通過查閱國外研究人臉識別的相關(guān)文獻(xiàn)，得到國外在人臉識別中主要是從以下的幾個(gè)當(dāng)面來研究：神經(jīng)網(wǎng)絡(luò)的識別方法、基于動態(tài)鏈接結(jié)構(gòu)的彈性圖匹配方法；基于幾何特征的識別方法人臉面部圖像識別方法；基于模板匹配的的人臉識別方法；基于K-L變換的特征臉識別的方法。而且基于K-L變換的特征臉識別的方法廣泛的應(yīng)用，本文的研究也使用這個(gè)方法。（2）國內(nèi)研究現(xiàn)狀目前我國的人臉識別技術(shù)的研究主要集中在三種類型的研究方法:基于幾何特征的人臉自動識別方法、基于代數(shù)特征的人臉自動識別方法、基于連接機(jī)制的人臉正面自動識別方法[5]。四川大學(xué)教授周激流實(shí)現(xiàn)的人臉識別系統(tǒng)，是具有正反饋機(jī)制，利用積分投影提取人臉特征，并用于識別的，以獲得滿意的效果。他還試圖以“穩(wěn)定視圖”為特征提取方法，即識別系統(tǒng)包含3D的信息，他對人臉側(cè)面投影影識別做了一定的研究，以確定一個(gè)圖像輪廓外形特征研究，并實(shí)現(xiàn)了正，側(cè)面互相參照的人臉識別系統(tǒng)。清華大學(xué)的彭輝和張長水在特征臉提取方法上做了進(jìn)一步的擴(kuò)展，即利用類間散布矩陣的作為特征矩陣，這個(gè)方法的提出大大降低來圖像在投影時(shí)的矩陣維度，同時(shí)該方法還有保持圖像的識別率，從而可以保證圖像的質(zhì)量，并且該方法還可以減少計(jì)算難度。張輝、周鴻翔和何振亞采用主成分分析的神經(jīng)網(wǎng)絡(luò)，利用冗余和重量的照片和人臉特征提取與識別方法。使用這種方法的少量提取的特性，并且計(jì)算數(shù)據(jù)的成本更小，較好地實(shí)現(xiàn)了大量樣品存儲和快速人臉識別。1.3課題主要研究方向及解決的主要問題近年來涌現(xiàn)出很多關(guān)于人臉識別技術(shù)的方法人臉識別的方法，但是每種方法都有各自的優(yōu)缺點(diǎn)，通過綜合分析各種方法的優(yōu)缺點(diǎn)以及在生活中的實(shí)用價(jià)值，本課題主要從人臉面部特征來識別人臉的方法，不涉及感知和心理分類方面，即采用的是基于代數(shù)特征的識別方法，也稱為PCA（PrincipalComponentAnalysis)[6]。PCA是目前在實(shí)際應(yīng)用中使用得最多的一類方法，其主要原因是由于該方法對角度，表情等因素都具有一定的穩(wěn)定性，且對于光照而言，似乎效果并不太明顯[7]。人臉識別系統(tǒng)主要有以下功能模塊組成：預(yù)處理模塊，人臉器官定位模塊，特征提取模塊，人臉圖像識別模塊圖1.1人臉識別系統(tǒng)結(jié)構(gòu)框架（1）圖像樣本庫的建立。本識別系統(tǒng)是利用軟件仿真的方法來模擬人臉識別，首先對圖形庫的樣本進(jìn)行預(yù)處理，包括對樣本圖灰度化處理、二值化、圖像均衡化處理以及圖像噪聲去除等。經(jīng)過處理后的圖片利用PCA的特征提取方法產(chǎn)生樣本庫，可以對輸入的圖像進(jìn)行對比并輸出識別結(jié)果。（2）待識別圖像的預(yù)處理。當(dāng)有需要識別的圖像輸入時(shí)，首先要進(jìn)行預(yù)處理。處理的目的是去除噪聲，得到我們需要的有用信息。其包括的步驟有：去除圖像灰度化、二值化、均衡化和去除噪聲等。（3）人臉識別。識別的目的是將待識別的圖像與樣本庫的圖像進(jìn)行進(jìn)行匹配，也就是說將待處理的圖像特征與樣本庫的圖像特征進(jìn)行比較，看是否有相一致的特征和相似的特征，從而達(dá)到識別的效果。識別要完成得任務(wù)是：人臉辨別，即輸入的圖像特征與樣本庫中哪個(gè)圖片特征相一致，識別的過程是一對多的識別；被識別的人臉確定，即被辨別出來的人臉身份是否屬實(shí)，是一對一的辨別過程。人臉辨別的工作要比人臉確認(rèn)的工作要復(fù)雜得多，因?yàn)槿四槺鎰e涉及到大量數(shù)據(jù)的匹配，在大量數(shù)據(jù)的檢索和比對中，識別的效率和識別的精度是兩個(gè)非常重要的指標(biāo)。人臉確定是人臉辨別的簡單化，人臉辨別的結(jié)果直接影響到人臉的確定。（4）根據(jù)輸入圖像的性質(zhì)，可以將被識別的圖像分為靜態(tài)圖像人臉識別和動態(tài)圖像人臉識別。前者實(shí)現(xiàn)的過程中相對簡單，而且靜態(tài)圖像主要是從照片、證件、拍照得到的圖像，從而進(jìn)行識別；后者是用攝影機(jī)攝影而得到的動態(tài)場景，相對于靜態(tài)圖像，識別過程更復(fù)雜，需要的數(shù)據(jù)越來越多。由于技術(shù)原因，本課題可以識別的是靜態(tài)圖像。2人臉圖像的預(yù)處理輸入的原圖像由于受到外界條件的干擾，往往不能在視覺系統(tǒng)中直接使用，必須對原圖像進(jìn)行處理，稱為圖像的預(yù)處理，即利用一定的操作方法來改變圖像的像素點(diǎn)，以便達(dá)到需要的效果，比如圖像更加清晰，或者是從預(yù)處理后的圖像得到所需的特定信息。對于圖片相對位置不合理的圖片我們需要進(jìn)行幾何平移；對于含有噪聲的圖像我們需要去除噪聲；為了確保后續(xù)的識別和檢測能夠順利的進(jìn)行，我們必須對對原圖像進(jìn)行灰度化等等[8]。由此看來，圖像預(yù)處理模塊的主要目的是為了達(dá)到改善圖片的質(zhì)量，將復(fù)雜的原圖像轉(zhuǎn)換成便于人們觀察，有利于計(jì)算機(jī)識別的目的，也就是說圖像預(yù)處理的好壞將會直接影響到后面檢測和識別率的高低。對于彩色圖像我們要利用顏色空間轉(zhuǎn)換，將RGB顏色空間轉(zhuǎn)換到Y(jié)CrCb顏色空間，使得各種色度和亮度分量盡可能的獨(dú)立，互不干擾，即圖像的灰度化。2.1圖像的灰度化圖像一般可以分為黑白圖像和彩色圖像。專業(yè)的說黑白圖像就是灰度圖像，灰度圖像只有亮度信息，不包含彩色信息，而且圖像亮度的變化時(shí)連續(xù)變化的。而灰度圖像則是將圖片不同區(qū)域的臉色進(jìn)行量化，灰度級別從0到255，總共有256個(gè)灰度級別，從0到255灰度級別是梯增的[9]。而彩色圖像的顏色有紅藍(lán)綠（RGB)三中顏色混合而成，不同的圖片其顏色組成不同。由于彩色圖像的三種顏色是混合，要對彩色圖像進(jìn)行識別往往很困難，而且識別的過程中會受到復(fù)雜背景的影響，存在很多缺陷。因此，在很多成功的圖像處理方法都使用灰度化圖像，灰度化圖像易實(shí)現(xiàn)識別，而且識別率高。然而我們所處理的圖像基本都是彩色圖像，所以需要轉(zhuǎn)化成灰度圖像。圖像的灰度化主要由以下幾個(gè)步驟完成：圖2.1圖像的灰度流程彩色圖像轉(zhuǎn)化成灰度圖像的公式如2-1所示（2-1）圖像灰度化前后如圖2.2所示：圖2.2RGB圖像與灰度化圖像的比較2.2圖像的二值化處理圖像的二值化就是將灰度圖像上的灰度點(diǎn)賦值化，將灰度點(diǎn)置為0或者是255，通俗的說就是將整個(gè)圖片呈現(xiàn)為黑白效果。圖像的二值化最主要的環(huán)節(jié)是找到一個(gè)合適的閥值，從而將整個(gè)圖像各個(gè)部分的邊緣特征分開，例如將人臉、眼睛及背景等區(qū)域輪廓分開[10]。（1）二值化的計(jì)算（2-2）公式中的表示原圖像位于坐標(biāo)的（x,y)點(diǎn)，的取值有0和255，其中0表示黑色，255表示白色。當(dāng)大于等于128像素點(diǎn)時(shí)函數(shù)等于255，即用白色來表示；當(dāng)小于128時(shí)函數(shù)等于0，即用黑色表示。（3）圖像二值化后的效果圖2.3灰度化圖像與二值化圖像的比較2.3直方圖均衡化直方圖的均衡化就是將原圖像的灰度值進(jìn)行非線性變換，使得原圖形的直方圖形成均勻分布，以增加圖像灰度值的動態(tài)范圍，從而可以增加圖像的對比度，使得原圖形變得更清晰。圖像的直方圖均衡化的計(jì)算包含以下步驟：列出原圖形和變換后圖像的灰度級，其中L是灰度等級總數(shù)計(jì)算直方圖各灰度等級的出現(xiàn)總數(shù)（2-3）其中表示原圖形各灰度級的像素個(gè)數(shù);n表示原圖像的像素總個(gè)數(shù)。計(jì)算累積直方圖（2-4）計(jì)算輸出圖像的灰度等級（2-5）其中P為輸出圖像的灰度級個(gè)數(shù)，公式中的i=0,1，…，p-1用以下的公式計(jì)算輸出圖像的直方圖（2-6）原圖像的直方圖均衡化得到如下的效果圖2.4直方圖均衡化2.4圖像噪聲去除由于圖像在形成和傳輸過程中會受外界環(huán)境的干擾而使得圖像的質(zhì)量下降，為了得到理想的圖像質(zhì)量，也為了提高人臉識別的準(zhǔn)確率和實(shí)效性，我們必須去除一些不必要的干擾，從而得到所必須的圖像信息。本設(shè)計(jì)主要采用中值濾波方法來去除噪聲。（1）中值濾波去噪的原理及優(yōu)點(diǎn)把原圖像或者是數(shù)字序列中的一點(diǎn)的值用該點(diǎn)的一個(gè)領(lǐng)域中的中值代替，讓周圍領(lǐng)域的值都接近真實(shí)值，從而消除孤立的噪聲點(diǎn)，達(dá)到去除噪聲的效果。中值濾波采用非線性信號處理技術(shù)，可以很好的保護(hù)原圖像的邊緣效果，而且去除噪聲的效果比較明顯，在圖像處理領(lǐng)域得到廣泛的應(yīng)用[11]。（2）中值濾波實(shí)現(xiàn)步驟①將原圖像與模板中心位置重合。②讀取原圖像與模板相對應(yīng)的灰度值，并將所有的灰度值從小到大依次排列。③在排列好的所有灰度值中找出中間值，并將找到的中間值賦予模板中心位置。對于二維中值濾波主要由以下公式來實(shí)現(xiàn)（2-7）其中表示處理后圖像，表示原圖像，W為二維模板3人臉面部特征提取在模式識別方法中主要問題是如何提取特征和選擇特征，而且特征提取的好壞直接影響后面的識別。在模式識別系統(tǒng)中往往不易找到最要的特征，所以特征的選擇和提取是構(gòu)成模式識別系統(tǒng)中最困難的技術(shù)之一。人臉面部特征提取和選擇的主要任務(wù)是如何在待處理的圖像中提取最突出和最有效的的面部特征，為了提取到的特征容易被視覺、觸覺和感覺器官發(fā)現(xiàn)，一般采用的是物理和結(jié)構(gòu)特征來進(jìn)行識別，但是目前我們用的計(jì)算機(jī)都是處理數(shù)字信號，所以計(jì)算機(jī)在處理這些特征時(shí)是比較復(fù)雜的，而且很難實(shí)現(xiàn)。因此，目前在人臉識別這個(gè)領(lǐng)域一般選擇的是提取數(shù)學(xué)特征。3.1特征的選擇和提取的步驟（1）人臉特征的形成利用前面的預(yù)處理模塊將待識別的圖像進(jìn)行處理，得到效果更好的圖像，然后根據(jù)被識別的圖像產(chǎn)生基本特征，再將各個(gè)灰度點(diǎn)進(jìn)行賦值，得到人臉的數(shù)字圖像，進(jìn)而方便計(jì)算機(jī)的識別。（2）特征的提取由于原圖像含有信息比較復(fù)雜，而且是高維度的圖像，不利于計(jì)算機(jī)的處理，利用特征提取法將高維度的圖片轉(zhuǎn)換成低維度圖片。通過提取特征得到的圖像一般保持原始圖像的某種組合，而且通常是線性的，所謂的特征提取就是將圖像的高維空間在X測量面的投影和Y測量面的投影。（3）特征選擇通過特征提取得到很多特征的組合，需要從諸多的特征組合中挑選具有代表性的特征，從而達(dá)到降低維度的目的，這個(gè)過程稱為特征的選擇。特征選擇的標(biāo)準(zhǔn)是：數(shù)量少、可靠性、獨(dú)立性、可區(qū)別性。3.2PCA人臉特征提取法（1）PCA的原理PCA（PrincipalComponentAnalysis)的中文意思就是主成分分析法，也稱為特征臉識別方法。是一種采用代數(shù)計(jì)算識別算法，該方法可以達(dá)到降維的效果，將多維的圖像進(jìn)行降維，以便計(jì)算，所以在當(dāng)今人臉識別研究領(lǐng)域有廣泛的應(yīng)用，并且取得巨大的成就。PCA人臉識別的原理是：利用K-L變換得到人臉各個(gè)部分的主要成分，從而將這些特征的結(jié)合構(gòu)成特征臉空間，當(dāng)進(jìn)行識別時(shí)將被識別的圖像進(jìn)行空間投影，得到一組投影向量，通過與人臉庫的圖像進(jìn)行配對，從而達(dá)到識別的效果。（2）K-L變換PCA人臉識別技術(shù)是由Turk和Pentlad提出的，該技術(shù)是以Karhunen-loeve變換（簡稱K-L變換）為基礎(chǔ)，是當(dāng)今在人臉識別技術(shù)中最常用的正交變換[12]。首先要對K-L變換做個(gè)介紹：假設(shè)y為n維的隨機(jī)變量，那個(gè)Y可以由（3-1）來表示（3-1）其中：表示加權(quán)系數(shù)，表示基向量。3-1的公式還可以用矩陣的形式表示，如公式（3-2）所示：（3-2）公式中，取向量為正交向量，得到式（3-3）所示（3-3）因?yàn)槭怯烧幌蛄繕?gòu)成的，所以是正交矩陣，可以用（3-4）表示（3-4）將式（3-4）相應(yīng)的變換，即兩邊同時(shí)乘以得到式（3-5）和（3-6）（3-5）（3-6）為了得到A向量的各個(gè)向量間互不相關(guān)設(shè)隨機(jī)向量矩陣式（3-7）所示（3-7）將式（3-2）帶入式（3-7）得到式（3-8）（3-8）為了使得向量a各個(gè)分量間互不相關(guān)，需滿足以下的的關(guān)系式（3-9）（3-9）將式（3-9）寫成矩陣形式，得到式（3-10）：（3-10）將式（3-10）變換形式得到式（3-11）：（3-11）將等式（3-11）作相應(yīng)的變換得到式（3-12）和（3-13）：(3-12)(3-13)由以上的推理，可以得出是Y的特征值，是特征向量。綜上所示，K-L變換的展開式系數(shù)可以由以下步驟構(gòu)成：步驟一：在求自相關(guān)矩陣時(shí)如果沒有自相關(guān)矩陣，那么得到均值向量是沒有意義的，所以必須把數(shù)據(jù)的協(xié)方差矩陣作為K-L的坐標(biāo)系，我們用來表示均值向量。步驟二：通過公式求出自相關(guān)矩陣R的特征值和特征向量，同時(shí)將所有的特征向量構(gòu)成矩陣步驟三：展開系數(shù)通過公式求得。4樣本庫的建立和人臉識別4.1樣本庫的建立(1)樣本庫的建立方法與流程人臉樣本庫包括人臉原始圖像和人臉特征，其中人臉圖像可以通過預(yù)處理得到，人臉特征可以通過人臉特征提取得到。人臉樣本庫的建立包括以下步驟：當(dāng)輸入原圖像時(shí)要進(jìn)行預(yù)處理，預(yù)處理包括圖像灰度化、二值化、圖像均衡化處理、噪聲去除等等。將處理好的圖像進(jìn)行器官定位定位好的圖像進(jìn)行特征提取和選擇處理、(2)圖像樣本庫的管理圖像樣本庫的管理主要包括以下的操作：樣本的添加本設(shè)計(jì)采用的的是PCA的人臉識別，所以在樣本采用的是認(rèn)為的添加過程，也就是說如果需要識別一個(gè)樣本，那么首先需要的樣本庫中添加樣本，而且樣本圖像的大小必須跟圖像庫中的圖像大小一致。其程序流程如圖4-2所示。插入插入就是將指定的樣本加到某個(gè)位置，但是在加入的過程中需要判斷加入的位置是否有樣本，如果沒有樣本那就是簡單的插入；如果已經(jīng)有樣本，那么需要作出判斷，判斷的結(jié)果是把原有的樣本覆蓋還是將制定位置及之后的位置樣本全部往后面移動。其程序流程如圖4-3所示。刪除刪除就是將不需要的樣本從樣本庫中移除，并且此后的樣本是要全部往前移動。圖4.1樣本添加流程圖圖4.2程序流程圖4.2人臉識別由于計(jì)算機(jī)只能處理數(shù)字信號，所以要對輸入的圖像進(jìn)行數(shù)字化處理，再將圖像進(jìn)行預(yù)處理，去除噪聲等操作，得到效果更好的圖像，然后對圖像進(jìn)行特征提取，進(jìn)行分類等等[13]。圖像識別系統(tǒng)主要由識別和分析兩個(gè)部分構(gòu)成，如圖4.3所示圖4.3人臉識別與分析示意圖本設(shè)計(jì)采用的是PCA識別方法，具體流程一般包括以下步驟：將被識別的人臉圖像進(jìn)行預(yù)處理；讀入樣本庫，即人臉庫；將測試圖像和訓(xùn)練圖像投影到一個(gè)模板空間上；將測試圖像和訓(xùn)練圖像匹配識別。本設(shè)計(jì)是采用MATLAB7.1作為工作平臺來實(shí)現(xiàn)人臉識別，可以進(jìn)行人臉的自動識別。仿真識別在ORL圖像庫上進(jìn)行的，ORL包含有40個(gè)人臉，每個(gè)人共有10張人臉圖像，其中每個(gè)人的前5張圖像時(shí)用來訓(xùn)練的，后面5張是用來識別檢測。在所有的人臉圖像中，必須保證每幅圖的大小一致，否則系統(tǒng)將無法識別。每個(gè)人的10張人臉圖像是在不同的光照下拍照，且面部表情不一致[14]。如圖4.4所示圖4.4ORL人臉庫中的5張人臉圖像（1）讀入樣本庫通過預(yù)處理后得到人臉樣本庫，而且每個(gè)人共有10張人臉圖像，前面5張是構(gòu)成訓(xùn)練集，后面的5張是用來構(gòu)成測試集。預(yù)處理后的圖像大小是N×N，總共構(gòu)成了維向量，通過K-L變換可以得到了低維度的人臉圖像。（2）利用K-L變換生產(chǎn)相關(guān)的矩陣，取得特征值和特征向量。假設(shè)人臉樣本庫中總共有n幅人臉圖像，分別用向量來表示為，利用式（4-1）計(jì)算平均人臉（4-1）再計(jì)算每幅圖像的均差值，即如式（4-2）（4-2）由此可以得到協(xié)方差矩陣的計(jì)算公式，即（4-3）（4-3）由式（4-3）可以計(jì)算出C的特征值和特征向量（3）將樣本庫的人臉圖像分別投影到特征空間。特征向量和特征值是構(gòu)成人臉圖像的主要信息，將所有樣本庫的圖像的均差分別向模板空間投影，得到各自的向量空間，分別用來表示。如式（4-4）和式（4-5）所示。（4-4）(4.5)如果要識別人臉圖像I，那么需要計(jì)算投影向量，計(jì)算公式如式（4-6）（4-6）得到的投影向量與樣本庫投影的向量進(jìn)行比較，從而達(dá)到識別的效果。（4）通過將測量圖像和訓(xùn)練圖像向匹配，從而確定需要識別圖像的類別對于圖像的分類，有多種不同的分類器：角度、最小距離等。圖4.3主成份數(shù)量與識別率的關(guān)系圖4.3識別結(jié)果5結(jié)論本設(shè)計(jì)通過分析各種人臉識別的優(yōu)缺點(diǎn)，綜合各種方法的使用價(jià)值和研究成本，所以采用主要成分分析法（PrincipalComponentAnalysis，PCA)，該方法的本質(zhì)就是抽象的將人臉圖像識別測評中的基線算法。其本質(zhì)就是尋找圖像在模板上投影后向量差最大的的投影向量，然后將原始圖像的數(shù)據(jù)在向量差最大的方向上投影。為了減少圖像的維度，所以本設(shè)計(jì)主要是研究圖像在水平方向上和垂直方向上的投影來確定人臉的特征。該方法的識別流程首先上將輸入的圖像進(jìn)行預(yù)處理，利用主元件分析法來特征提取，最后識別判決。該方法擁有以下的優(yōu)點(diǎn)：（1）由于該方法上在低維度空間上對原始圖像進(jìn)行壓縮，所以與其他的人臉識別方法相比，識別過程更簡單、快捷有效。（2）原始人臉圖像通過灰度化處理后得到的灰度數(shù)據(jù)不需要通過任何處理，可以直接用來識別的學(xué)習(xí)。（3）該方法在識別中容易實(shí)現(xiàn)，且識別率可以到達(dá)實(shí)際應(yīng)用的要求，所以被廣泛的應(yīng)用。目前該方法的識別只能應(yīng)用在樣本庫的圖像和測試的圖像匹配識別，對人臉圖像的預(yù)處理模塊的要求很高，圖像預(yù)處理的好壞直接影響到后面的識別。如果測試圖像和樣本庫的圖像差別很大，那么系統(tǒng)將無法識別出來，所以要求樣本庫的圖像和測試圖像有很大的相似性，所以該方法在使用對象上有很大的局限性，主要表現(xiàn)在以下幾個(gè)方面：（1）該方法只能處理正面人臉圖像，外界條件和人臉姿態(tài)對識別效果影響很大，如外界光照、人臉姿態(tài)等[15]。（2）由于該方法是通過計(jì)算某個(gè)特征點(diǎn)的距離來達(dá)到識別的目的，所以圖像的尺寸變化直接影響到識別結(jié)果，因此在識別前需要對圖像進(jìn)行處理。（3）只能處理簡單的圖像，而且要求圖像的背景單一，對于復(fù)雜的圖像背景和變化多樣的圖像需要將圖像進(jìn)行分割處理。由于主元件分析法外界條件的變化和人臉姿態(tài)對其識別結(jié)果又很大的影響，而且隨著光線變化、人臉尺寸的變化、圖像的角度變化等因素的變化，而導(dǎo)致識別率的下降，因此主元件成分分析法在人臉識別的應(yīng)用上還有局限性，對于要求精度很高的應(yīng)用方向還不能達(dá)到要求，所以主元件成份分析法需要在原來的基礎(chǔ)上進(jìn)行改進(jìn)。今后PCA人臉識別會采用二維圖像和多維圖像的結(jié)合，多種識別模式的結(jié)合使用，從而可以有效的提高系統(tǒng)的識別準(zhǔn)確度；圖像的算法將有低維圖像向高維圖像算法的應(yīng)用；今后主元件成分分析法將會克服外界因素的影響，包括光照、表情和姿態(tài)的變化、配戴眼鏡等因素的影響；識別的計(jì)算量也將向最少化過度。克服以上的諸多因素，從而在國家安全和金融等領(lǐng)域得到有效的應(yīng)用，從而使得金融機(jī)構(gòu)和國家安全得到保障。參考文獻(xiàn)[1]王躍，王繼文.遙感圖像處理技術(shù)在人臉識別中的應(yīng)用研究[J].電腦知識與技術(shù)（學(xué)術(shù)交流）.2007,4（22）[2]趙明華．人臉檢測和識別技術(shù)研究[M]．四川大學(xué)，2006．[3]吳玲.人臉識別中的圖像處理技術(shù)[J].計(jì)算機(jī)與網(wǎng)絡(luò)，2012.[4]劉麗．復(fù)雜背景下快速人臉檢測與識別[M]．西北工業(yè)大學(xué)，2004．[5]阮秋琦．基于動態(tài)模板匹配的人臉面部特征提取的研究[M]．湖南大學(xué)，2004．[6]劉洋.基于PCA的人臉識別方法研究[J].北京工業(yè)大學(xué).2009.[7]莊連生.復(fù)雜光照下的人臉識別關(guān)鍵算法研究[J].2006[8]胡曉軍，徐飛.MATLAB應(yīng)用圖像處理[M].西安電子科技大學(xué).2011:25-28.[9]趙紅梅.MATLAB基礎(chǔ)與提高[M].電子工業(yè).2005:176-182.[10]袁東,肖廣兵.MATLAB快速入門與應(yīng)用[M].電子工業(yè).2011:170-200[11]蔡玉.基于主元分析和小濾波變換的人臉識別方法研究與實(shí)現(xiàn)[J].2005[12]馬曉路.MATLAB圖像處理從人們到精通[M].中國鐵道.2013:130-134.[13]德福，馬力男．?dāng)?shù)字信號處理器在實(shí)時(shí)數(shù)字圖像處理中的應(yīng)用[M]．武警技術(shù)學(xué)院學(xué)報(bào)，2001．[14]張翠平,蘇光大.人臉識別技術(shù)綜述[J].電子工業(yè).2000.[15]田印中,董志學(xué),黃建偉.基于PCA的人臉識別算法研究及實(shí)現(xiàn).2010.03.致謝四年的大學(xué)生活就快走入尾聲，我的校園生活就要劃上句號，心中是無盡的難舍與眷戀。從這里走出，對我的人生來說，將是踏上一個(gè)新的征程，要把所學(xué)的知識應(yīng)用到實(shí)際工作中去?；厥姿哪辏〉昧诵┰S成績，生活中有快樂也有艱辛。感謝老師四年來對我孜孜不倦的教誨，對我成長的關(guān)心和愛護(hù)。學(xué)友情深，情同兄妹。四年的風(fēng)風(fēng)雨雨，我們一同走過，充滿著關(guān)愛，給我留下了值得珍藏的最美好的記憶。在我的十幾年求學(xué)歷程里，離不開父母的鼓勵(lì)和支持，是他們辛勤的勞作，無私的付出，為我創(chuàng)造良好的學(xué)習(xí)條件，我才能順利完成完成學(xué)業(yè)，感激他們一直以來對我的撫養(yǎng)與培育。衷心感謝我的公司伍爾特的電子重慶有限公司桐梓分公司的各位領(lǐng)導(dǎo)和同事，在公司半年有余使我對品質(zhì)部工作的深入了解，使得我真正將學(xué)到的知識應(yīng)用到工作中去，特別感謝他們在工作中對我的支持和幫助。我要特別感謝劉娜師。是她在我畢業(yè)的最后關(guān)頭給了我們巨大的幫助與鼓勵(lì),使我能夠順利完成畢業(yè)設(shè)計(jì)，在此表示衷心的感激。她認(rèn)真負(fù)責(zé)的工作態(tài)度，嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神和深厚的理論水平都使我收益匪淺。她無論在理論上還是在實(shí)踐中，都給與我很大的幫助，使我得到不少的提高這對于我以后的工作和學(xué)習(xí)都有一種巨大的幫助，感謝她耐心的輔導(dǎo)。最后，衷心祝愿母校長師的明天更加美好！附錄A源程序（1）訓(xùn)練程序functionLdx_PCA_FR_Train()%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%1功能說明：PCA人臉識別,訓(xùn)練%2人臉庫:Yale的ORL人臉庫,共40不同的人,每人10張圖像%3課題設(shè)計(jì):用每個(gè)人的前5張圖像進(jìn)行訓(xùn)練,后5張進(jìn)行測試%4作者:李才學(xué)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clearall;closeall;clc;%初始參數(shù)設(shè)置PerseonNum=40;%人數(shù)FilePath='ORL人臉庫\s';%人臉圖像所在路徑%第一部分：訓(xùn)練PCA%1訓(xùn)練(用每個(gè)人的前5張圖像進(jìn)行訓(xùn)練)A=[];%用于只在每個(gè)人的平均臉AllFace=[];%所有用于訓(xùn)練的人臉forn=1:PerseonNums=num2str(n);%數(shù)值轉(zhuǎn)成字符%讀出該人的5張人臉圖像form=1:5ss=num2str(m);%數(shù)值轉(zhuǎn)成字符fn=[FilePath,s,'\',ss,'.bmp'];%合成人臉圖像文件名Tface=imread(fn);[t1,t2,Dim]=size(Tface);if(Dim==3)Tface=rgb2gray(Tface);endTface=double(Tface);AllFace=[AllFace,Tface(:)];%把人臉圖像的數(shù)據(jù)變成一列，放到AllFace中,也就是說，在AllFace每一列表示一張人臉圖像的數(shù)據(jù)if(m==1)face=Tface;elseface=face+Tface;endendface=face./5;%個(gè)人平均臉%個(gè)人平均臉排在一起,即A中每一列代表一個(gè)人的平均臉A=[A,face(:)];%放在一起end%2將所有的樣本圖像顯示出來s=1;form=1:10forn=1:20TrainFace((m-1)*112+1:m*112,(n-1)*92+1:n*92)=reshape(AllFace(:,s),[11292]);s=s+1;endendfigure,imshow(uint8(TrainFace)),title('所有訓(xùn)練樣本人臉圖像')%3計(jì)算總平均臉AvgFaceAvgFace=mean(A,2)%個(gè)人平均臉與總平均臉之差X=double(A)-repmat(AvgFace,[1PerseonNum]);%散布矩陣R=X'*X;%4求R的特征值D與特征向量V[VD]=eig(R);%說明：特征值D是由小到大順序排列在D中U=(X*V);%散布矩陣的特征向量forn=1:PerseonNumU(:,n)=U(:,n)/(sqrt(D(n,n)));end%特征臉eigface=[];forn=1:40f=U(:,40-n+1);Tmax=max(f);Tmin=min(f);f=(f-Tmin)/(Tmax-Tmin)*255;eigface=[eigface,uint8(f)];end%5將特征臉圖像顯示出來s=1;sform=1:5forn=1:8EigFace((m-1)*112+1:m*112,(n-1)*92+1:n*92)=reshape(eigface(:,s),[11292]);s=s+1;endendfigure,imshow(EigFace),title('特征臉圖像')save'PCA_Model.mat'UXAvgFace%將PCA的訓(xùn)練結(jié)果U,XAvgFace保存在PCA_Model.mat中%第二部分：對剩下的所有人臉圖像，進(jìn)行測試，并統(tǒng)計(jì)精度%也就是：對每個(gè)人剩下的5張人臉，在不同的k值情況下，都識別一下，并統(tǒng)計(jì)識別正確率%6利用投影系數(shù)的歐氏距離最鄰近的方法進(jìn)行識別%測試圖像(用每個(gè)人的后5張圖像進(jìn)行測試)TestFace=[];forn=1:PerseonNums=num2str(n);%數(shù)值轉(zhuǎn)成字符form=6:10ss=num2str(m);fn=[FilePath,s,'\',ss,'.bmp'];%樣本Tface=imread(fn);[t1t2Dim]=size(Tface);if(Dim==3)Tface=rgb2gray(Tface);endTestFace=[TestFace,Tface(:)];endend%7將所有的測試圖像顯示出來s=1;form=1:10forn=1:20TF((m-1)*112+1:m*112,(n-1)*92+1:n*92)=reshape(TestFace(:,s),[11292]);s=s+1;endendfigure,imshow(TF),title('所有測試人臉圖像')%8當(dāng)主成份數(shù)k由1變到40時(shí)，統(tǒng)計(jì)識別正確率及畫圖顯示PCA_Corr=zeros(1,PerseonNum);%往往當(dāng)k大些，精度會高些fork=1:40P=U(:,40-k+1:40);train_wt=P'*X;%在主元空間中的投影系數(shù)RightNum=0;forid=1:PerseonNumform=1:5faceImg=double(TestFace(:,(id-1)*5+m));faceImg=faceImg-AvgFace;test_wt=P'*faceImg;%在主元空間中的投影系數(shù)MinDis=inf;%最小距離faceID=0;%識別結(jié)果forn=1:PerseonNumTsim=sqrt(sum(((train_wt(:,n)-test_wt)).^2));if(Tsim<MinDis)MinDis=T