《人脸识别设计报告.doc》由会员分享，可在线阅读，更多相关《人脸识别设计报告.doc（8页珍藏版）》请在三一办公上搜索。
1、精选优质文档-倾情为你奉上数字信号处理设计报告 设 计 题 目： 人脸检测 学 院、系： 信工学院电信系 年 级、班： 11级电信2班 设计单位(组)： 第四组 2014. 5. 7专心-专注-专业摘要人脸识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。本文介绍了多种人脸识别方法，基于对人脸识别方法优缺点的分析比较, 提出了一种基于主元分析(PCA )的人脸识别方法。通过PCA 算法对人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别。利用剑桥ORL的人脸数据库的数据进行实验仿真，仿
2、真结果验证了本算法是有效的。 关键词：人脸识别， 主元分析，最近邻距离分类法，人脸库 绪论 人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关
3、键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。一、人脸识别方法 虽然人脸识别方法的分类标准可能有所不同，但是目前的研究主要有两个方向，一类是从人脸图像整体(Holistic Approaches)出发，基于图像的总体信息进行分类识别，他重点考虑了模式的整体属性，其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数(Feature-Based Approaches)，例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。这
4、种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其严格进行特征匹配会出现困难。而分别介绍一些常用的方法，前两种方法属于从图像的整体方面进行研究，后三种方法主要从提取图像的局部特征讲行研究。基于特征脸的方法 特征脸方法(eigenface)是从主元分析方法PCA C Principal ComponentAnalysis导出的一种人脸分析识别方法，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个己知人的人脸图像进行比较识别，取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。特征脸方法原理简单、易于
5、实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。研究表明:特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。 二、仿真实验训练样本测试模块分类结果测试样本PCA变换矩阵流程图图1 整体流程图先确定训练样本和测试样本，之后经过PCA变换矩阵达到降维的目的，投影到降维子空间中形成相应的坐标，最后用最邻近距离分类法进行识别。训练样本总体散度矩阵去均值奇异值分解PCA变换矩阵图2 训练部分流程图确定训练样本，之后去均值，计算总体散度矩阵，利用奇异值分解后经过PCA变换矩阵达到降维的目的。仿真结果图3人脸识别仿真结果提取面部特征，将
6、人脸图像看成高维向量，将其组成一个向量矩阵，对每一幅图像进行变换（即在特征空间中进行投影）计算其协方差矩阵，故经过PCA 变换去除了数据间的相关性，减小了冗余。达到了降维的目的。选取大的特征值，即将特征值按从大到小排序，选取前k个特征值对应的特征向量，主成分矩阵为样本在该特征空间上的投影，从而计算出特征向量和特征值，对于要测试的人脸，将其在该子空间上投影，得到其坐标，和样本空间上各个人脸的坐标相比较，距离最近的即为该人脸的识别结果。有图可知:上面四幅图为样本在降维子空间上的投影，下面四幅图为要检测的人脸在降维子空间上的投影，用最邻近距离分类法，阴影部分距离最近的即为识别结果。三、MATLAB人
7、脸识别系统人脸识别是图像识别的一个重要分支，其基本结构如图所示。为了保证人脸的位置一致性，在一定程度上克服了背景、头发等冗余信息的干扰，首先要对人脸库中的图像进行一些预处理操作。紧接着，进行特征抽取，将得到的人脸特征和训练样本进行对比，根据相似程序的高低决定最后的识别结果。（一）、人脸图像的预处理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、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。1、滤波去噪 由于噪声给图像带来的失真和降质在特
8、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。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。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。 （2）中值滤波法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。 （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
9、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。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
10、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。（二）、 特征提取 利用PCA进行特征提取的经典算法Eigenface算法在利用PCA进行特征提取的算法中，特征脸方法(Eigenface)是其中的一个经典算法。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用K一L变换获得其正交K一L基底。对应其中较大特征值的基底具有与人脸相似的形状，因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成。识别过程就是将人脸图像映
11、射到由特征脸张成的子空间上，比较其与己知人脸在特征空间中的位置，具体步骤如下: (1)初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间，存储在模板库中，以便系统进行识别; (2)输入新的人脸图像，将其映射到特征脸空间，得到一组关于该人脸的特征数据; (3)通过检查图像与人脸空间的距离判断它是否是人脸;(4) 若为人脸，根据权值模式判断它是否为数据库中的某个人，并做出具体的操作。四、结语虽然我完成了该设计，但对于此课程设计并没有学到多少，总结如下： 1、对人脸识别了解太少，想做，但感觉无从下手，不知道从哪开始，到哪结束，并且对于人脸识别的整个过程并不是很了解，且到底是怎样一个识别过程，有种似懂非懂的感觉。 2、对于人脸识别过程中的细节，不知如何细化，比如其中的预处理部分，就算从网上了解到应该有滤波去噪，灰度处理等，也不知道该用哪个函数，或是自己应该写一个怎样的函数。 3、对于MATLAB这个工具，懂得少之又少。从以上三个方面阐述本次课程设计缺少实践的原因。参考文献1王蕴红，朱勇，谭铁牛.基于虹膜识别的身份鉴别J.自动化学报，2002，28(11):1-10.2梁路宏.人脸检测与跟踪研究D清华大学博士论文，2001.3杜德银.GSM基站系统故障浅析J.科技信息，2009(6).4夏振华，蔡昌新，王小爽.远程故障报警系统的设计J.工业仪表与自动化装置，2010(4).
