数字图像处理课程设计人脸检测Word文件下载.docx

数字图像处理课程设计人脸检测Word文件下载.docx

《数字图像处理课程设计人脸检测Word文件下载.docx》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Word文件下载.docx（10页珍藏版）》请在冰豆网上搜索。

人脸识别作为生物特征识别中成功的应用之一，因为其巨大的商业应用前景，受到越来越多的重视。

人们更多的是在电影中看到这种技术的神奇应用：

警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。

这并非虚构的情节，在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。

在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。

近30年以来，人脸识别技术有了长足的发展，并且逐步走向实际应用阶段[1]。

2实验方法

2.1方法综述

典型人脸识别系统的实现过程如图2.1所示，一般包括三个步骤:

人脸检测、人脸特征提取、人脸识别与验证。

在实现过程中，首先输入图像集，然后用人脸检测模块进行人脸检测。

如果检测到人脸图像，则进行特征点定位，一般以两眼中心为基准，根据两眼距离d，对人脸图像进行归一化处理，归一化处理包含了图像预处理，图像缩放以及有效人脸区域选取等操作。

最后对归一化的人脸图像进行特征提取，送入分类器进行识别，最终获得识别结果[2]。

图2.1人脸识别技术处理流程图

在预处理阶段，对图像进行优化，尽可能去除或者减小光照、成像系统、外部环境等对待处理图像的干扰，为后续处理提高质量。

以便使不同的人脸图像尽可能在同一条件下完成特征提取、训练和识别。

人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。

人脸扶正是为了得到人脸位置端正的人脸图像；

图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。

归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像。

2.2具体方法

2.2.1图像预处理

图像预处理就是对获取得来的图像进行适当的处理，使它具有的特征能够在图像中明显的表现出来。

在本次实验中，从五个方面对图像进行了预处理，分别概述如下。

（1）二值化

二值化的目的是将采集获得的多层次灰度图像处理成二值图像，以便于分析理解和识别并减少计算量。

二值化就是通过一些算法，通过一个阈值改变图像中的像素颜色，令整幅图像画面内仅有黑白二值，该图像一般由黑色区域和白色区域组成，可以用一个比特表示一个像素，“1”表示黑色，“0”表示白色，当然也可以倒过来表示，这种图像称之为二值图像。

这便有利于我们对特征的提取。

该设计中采用组内方差和组外方差来实现二值化。

（2）直方图均衡

直方图均衡是将一已知灰度概率密度分布的图像，经过某种变换，变成一幅具有均匀灰度概率分布的新图像，其结果是扩展了像元取值的动态范围，从而达到了增强图像整体对比度的效果。

直方图是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同的数量的像素点，使直方图趋于平衡。

直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像（即输出的直方图是平的）。

这对于图像比较或分割是十分有用的。

均衡化处理的步骤如下：

（a）对给定的待处理图像统计其直方图，求出

（b）根据统计出的直方图采用累积分布函数做变换

求变换后的新灰度；

（c）用新灰度代替就灰度，求出

，这一步是近似过程，应根据处理的目的尽量做到合理，同时把灰度值相等或近似的合

并到一起。

（3）中值滤波

中值滤波是一种非线性处理技术，能抑制图像中的噪声。

它是基于图像的这样一种特性：

噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素较多、面积较大的小块构成。

在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。

在处理之后，位于窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。

例如若窗口长度为5，窗口中像素的灰度值为80、90、200、110、120，则中值为110，因为按小到大（或大到小）排序后，第三位的值是110。

于是原来窗口正中的灰度值200就由110取代。

如果200是一个噪声的尖峰，则将被滤除。

然而，如果它是一个信号，则滤波后就被消除，降低了分辨率。

因此中值滤波在某些情况下抑制噪声，而在另一些情况下却会抑制信号。

无论是直接获取的灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，噪声对图像质量有很大的影响。

进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像。

中值滤波是一种非线性的信号处理方法，因此中值滤波器也就是一种非线性的滤波器。

中值滤波器最先被应用于一维信号的处理中，后来被人们引用到二维图像的处理中来。

中值滤波可以在一定程度上克服线性滤波所带来的图像细节模糊，而且它对滤除脉冲干扰和图像扫描噪声非常有效。

中值滤波的步骤：

（a）将模板在图中漫游，并将模板中心与图中某个像素位置重合；

（b）读取模板下各对应像素的灰度值；

（c）将这些灰度值从小到大排成一列；

（d）找出这些值里排在中间的一个；

（e）将这个中间值赋给对应模板中心位置的像素。

由以上步骤可以看出，中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，所以它对孤立的噪声像素的消除能力是很强的。

由于它不是简单的取均值，所以产生的模糊比较少。

换句话说，中值滤波即能消除噪声又能保持图像的细节。

2.2.2特征提取

对图像进行分割，提取人脸的特征。

本实验中通过边缘检测来实现特征提取。

边缘是位于两个区域的边界线上的连续像素集合，一般而言，当人们看到有边缘物体时，首先感觉到的便是边缘，灰度或结构等信息的突变处称为边缘。

边缘上的这种变化可以通过微分算子进行检测：

（1）一阶导数：

通过梯度来计算——梯度锐化法：

梯度是一个矢量，其大小为:

对于数字图像可以用差分来近似微分。

其差分形式为：

梯度大小与相邻像素的灰度差成正比：

即灰度变化大则梯度值很大，灰度变化平缓则梯度值小，灰度无变化则梯度值为0。

（2）二阶导数：

通过拉普拉斯算子来计算

定义：

一个二元图像函数f（x,y）的拉普拉斯变换定义为：

可以用多种方式表示为数字形式。

对于一个3×

3的区域，经验上推荐最多的形式如下为：

拉普拉斯锐化前后图像的灰度如图2.2所示:

（a）原图像灰度（b）拉普拉斯锐化后图像的灰度

图2.2拉普拉斯锐化前后图像的灰度图

2.2.3特征对比

通过与库存中的特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析。

如果分析在我们所确认的范围内，我们就认为该人就是我们所要找的。

然后从库存中提取出该人相关的信息，并显示出来。

如果库存中没有，则给出提示是否对存库作为样本。

3实验结果及分析

本实验主要由图像预处理、特征提取、特征对比三个部分组成。

图像预处理对于后面的工作结果好坏起着至关重要的作用，因此从软件开发的最初阶段我们就要对软件进行不断的测试，对图像处理模块中的各个子模块进行测试以便检测经过处理后的图像效果是否达到预期的效果。

对图像预处理的测试过程进行描述如下：

采用多张图像进行逐一测试，看这些图片经过处理后是否达到预期的效果，如高斯平滑的实现采用了模板操作，因此模板参数的选择对其十分重要，先用图片进行测试来检测平滑效果，如果效果不理想则继续选择模板参数，直至效果理想为止。

经过测试之后，二值化使得该图像一般由黑色区域和白色区域组成，有利于对特征的提取；

而中值滤波即消除了噪声又保持了图像的细节，高斯平滑能有效的消除图像噪音，提高了图像质量。

对人脸的区域进行了准确定位，成功地提取出了人脸的特征，并与库存中的图像进行了对比，得到了预期的结果如图3.1。

图a错检图片

图b检测正确结果

图3.2检测结果

漏检率：

在本次实验中总共检测了20张图片，有6张检测不正确，漏检率为30%。

在本次设计中还存在着以下不足：

（1）预处理的方法还有很多，如膨胀腐蚀运算，但由于实际情况有限不能一一展现。

（2）漏检率比较高，需要进一步改进程序。

4参考文献

[1]夏德深,傅德胜.现代图像处理技术与应用[M].江苏:

东南大学出版社,1997，21-36

[2]杨淑莹.图像模式识别VC++技术实现[M].北京:

清华大学出版社,2005,55-68

[3]何斌等.VisualC++数字图像处理[M].北京:

人民邮电出版社,2001,46-48

[4]朱虹.数字图像处理基础与应用[M].北京:

清华大学出版社,2013,145-148

[5]徐惠等.VisualC++数字图像实用工程案例精选[M].北京:

人民邮电出版社,2004,167-200

附录：

主要程序