数字图像处理课程设计人脸检测与识别.doc
《数字图像处理课程设计人脸检测与识别.doc》由会员分享，可在线阅读，更多相关《数字图像处理课程设计人脸检测与识别.doc（8页珍藏版）》请在冰豆网上搜索。
数字图像处理
课
程
设
计
人脸检测与识别课程设计
一、简介
人脸检测与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。
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。
本此课程设计基于MATLAB，将检测与识别分开进行。
其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。
识别部分采用PCA算法对检测出的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，将在后文具体表述。
仿真结果验证了本算法是有效的。
二、人脸检测
1.源码
img=imread（'D:
\std_test_images\face3.jpg'）;
figure;
imshow（img）;
R=img（:
:
1）;
G=img（:
:
2）;
B=img（:
:
3）;
faceRgn1=（R>95）&（G>40）&（B>20）&max（img,[],3）-min（img,[],3）>15&abs（R-G）>15&R>B;
figure;
imshow（faceRgn1）;
r=double（R）./double（sum（img,3））;
g=double（G）./double（sum（img,3））;
Y=0.3*R+0.59*G+0.11*B;
faceRgn2=（r>0.333）&（r<0.664）&（g>0.246）&（g<0.398）&（r>g）&g>=0.5-0.5*r;
figure;
imshow（faceRgn2）;
Q=faceRgn1.*faceRgn2;
P=bwlabel（Q,8）;
BB=regionprops（P,'Boundingbox'）;
BB1=struct2cell（BB）;
BB2=cell2mat（BB1）;
figure;
imshow（img）;
[s1s2]=size（BB2）;
mx=0;
fork=3:
4:
s2-1
p=BB2（1,k）*BB2（1,k+1）;
ifp>mx&（BB2（1,k）/BB2（1,k+1））<1.8
mx=p;
j=k;
holdon;
rectangle（'position',[BB2（1,j-2）,BB2（1,j-1）,BB2（1,j）,BB2（1,j+1）],'linewidth',3,'edgecolor','r'）;
holdoff;
end
end
2.处理过程
三、人脸识别
1.算法简述
在Matlab2012a版本中添加了对PCA算法的支持，由于水平有限我选择直接调用。
在本次课程设计中，PCA算法又分为样本训练和人脸识别两个过程，在样本训练阶段，将样本库（每组15张共15组人脸图像，对每组前11张进行特征提取用于训练，后4张用于检测）中的人脸图像转换为特征向量表示，并投影到PCA子空间，最终将这些向量数据保存到训练数据库中。
而在识别阶段，同样将待识别的人脸图像使用PCA子空间的向量表示，通过计算待识别图像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为识别结果。
2.源码
clear
clc
%样本数量15*11
people_count=15;
face_count_per_people=11;
%训练比率,设置为75%识别正确率可达100%
training_ratio=.75;
%能量
energy=90;
training_count=floor（face_count_per_people*training_ratio）;
training_samples=[];
path_mask='D:
\\pca_face_rec\\%03d\\%02d.jpg';
%训练
fori=1:
people_count
forj=1:
training_count
img=im2double（imread（sprintf（path_mask,i,j）））;
img=imresize（img,[1010]）;%归一化至50*50
ifndims（img）==3
img=rgb2gray（img）;
end
training_samples=[training_samples;img（:
）'];
end
end
mu=mean（training_samples）;
[coeff,scores,~,~,explained]=pca（training_samples）;
idx=find（cumsum（explained）>energy,1）;
coeff=coeff（:
1:
idx）;
scores=scores（:
1:
idx）;
%测试
acc_count=0;
fori=1:
people_count
forj=training_count+1:
face_count_per_people
img=im2double（imread（sprintf（path_mask,i,j）））;
img=imresize（img,[1010]）;
ifndims（img）==3
img=rgb2gray（img）;
end
score=（img（:
）'-mu）/coeff';
[~,idx]=min（sum（（scores-repmat（score,size（scores,1）,1））.^2,2））;
ifceil（idx/training_count）==i
acc_count=acc_count+1;
end
end
end
test_count=（people_count*（face_count_per_people-training_count））;
acc_ratio=acc_count/test_count;
fprintf（'测试样本数量:
%d,正确识别率:
%2.2f%%',test_count,acc_ratio*100）
3.仿真结果及说明
样本库举例：
结果为：
测试样本数量:
45,正确识别率:
100.00%
四、总结
人脸识别是一个多学科领域的挑战性难题，近30年来人脸识别的研究虽然取得了巨大的进步，但与人类的感知能力相距甚远。
人脸识别还涉及到很多理论和技术问题，这一技术的不断进步还需要研究者们的不断创新和努力。
本次课程设计让我对人脸识别算法有了初步的认识，了解到了PCA算法，K-L变换及特征向量的提取，最近邻分类器等人脸识别所需要的知识，为我的进一步学习指明了方向。
升级会员 