人脸识别系统报告汇总.docx

人脸识别系统报告汇总.docx

《人脸识别系统报告汇总.docx》由会员分享，可在线阅读，更多相关《人脸识别系统报告汇总.docx（17页珍藏版）》请在冰豆网上搜索。

人脸识别系统报告汇总

摘要

文章具体讨论了主成分分析（PCA）人脸识别算法的原理及实现。

它具有简单、快速和易行等特点,能从整体上反映人脸图像的灰度相关性具有一定的实用价值。

人脸识别是目前较活跃的研究领域,本文详细给出了基于主成分分析的人脸特征提取的原理与方法。

并使用matlab作为工具平台,实现了一个人脸自动识别的系统原型。

实验结果表明,该系统识别率为100%,达到预期的效果。

如果想进一步提高人脸识别率,可以考虑与其他方法结合。

仅单独使用任何一种现有的方法一般都不会取得很好的识别效果,将其他人脸识别方法组合是今后研究的一种趋势。

也可以考虑改进分类决策的方法。

本系统采用的最小距离分类法属于线性的分类器,而利用神经网络这类学习能力更强的非线性分类器对高维人脸识别问题可能会有更好的解决。

目录

1.引言1

2．需求分析1

2.1课题的来源1

2.2人脸识别技术的研究意义2

2.2.1面部关键特征定位及人脸2D形状检测技术2

2.2.2面部感知系统的重要内容2

2.3人脸识别的国内外发展概况3

2.3.1国外的发展概况3

2.3.2国内的发展概况4

3．概要设计5

3.1问题描述5

3.2模块设计5

3.3主成分的一般定义6

3.4主成分的性质7

3.5主成分的数目的选取7

4.详细设计--PCA算法的功能实现8

4.1引言8

4.2K-L变换8

4.3PCA方法9

4.4利用PCA进行人脸识别10

5.实验及结果分析11

6.总结14

7.matlab源码15

参考文献19

1.引言

人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。

人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。

如今，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。

如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。

现在人脸识别技术已经应用在许多领域中，并起到了举足轻重的作用，人脸识别研究开始于1966年PRI的Bledsoe的工作，经过三十多年的发展，人脸识别技术取得了长足的进步，现在就目前国内外的发展情况来进行展述。

2．需求分析

2.1课题的来源

随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。

目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。

而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。

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。

2.2人脸识别技术的研究意义

2.2.1面部关键特征定位及人脸2D形状检测技术

在人脸检测的基础上，面部关键特征检测试图检测人脸上的主要的面部特征点的位置和眼睛和嘴巴等主要器官的形状信息。

灰度积分投影曲线分析、模板匹配、可变形模板、Hough变换、Snake算子、基于Gabor小波变换的弹性图匹配技术、主动性状模型和主动外观模型是常用的方法。

可变形模板的主要思想是根据待检测人脸特征的先验的形状信息，定义一个参数描述的形状模型，该模型的参数反映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布特性的动态地交互适应来得以修正。

由于模板变形利用了特征区域的全局信息，因此可以较好地检测出相应的特征形状。

由于可变形模板要采用优化算法在参数空间内进行能量函数极小化，因此算法的主要缺点在于两点：

一、对参数初值的依赖程度高，很容易陷入局部最小；二、计算时间长。

针对这两方面的问题，我们采用了一种由粗到细的检测算法：

首先利用人脸器官构造的先验知识、面部图像灰度分布的峰谷和频率特性粗略检测出眼睛、鼻子、嘴、下巴的大致区域和一些关键的特征点；然后在此基础上，给出了较好的模板的初始参数，从而可以大幅提高算法的速度和精度。

眼睛是面部最重要的特征，它们的精确定位是识别的关键。

基于区域增长的眼睛定位技术，该技术在人脸检测的基础上，充分利用了眼睛是面部区域内脸部中心的左上方和右上方的灰度谷区这一特性，可以精确快速的定位两个眼睛瞳孔中心位置。

该算法采用了基于区域增长的搜索策略，在人脸定位算法给出的大致人脸框架中，估计鼻子的初始位置，然后定义两个初始搜索矩形，分别向左右两眼所处的大致位置生长。

该算法根据人眼灰度明显低于面部灰度的特点，利用搜索矩形找到眼部的边缘，最后定位到瞳孔的中心。

实验表明，本算法对于人脸大小、姿态和光照的变化，都有较强的适应能力，但在眼部阴影较重的情况下，会出现定位不准。

佩戴黑框眼镜，也会影响本算法的定位结果。

2.2.2面部感知系统的重要内容

基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类（年龄、种族、性别等的判别）、表情识别、唇读等分系统，如图1-1所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节，是后续工作的基础，具有重要的意义。

尽管人脸识别不能说是其他面部感知模块的必备功能，但是，可以肯定的是，利用已知的身份信息，结合特定人的先验知识，可以提高表情分析、唇读和语音识别、手势识别乃至手写体识别的可靠性。

而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：

如使用者的个性化工作环境，信息的共享和隐私保护等等。

图1面部感知系统结构图

2.3人脸识别的国内外发展概况

2.3.1国外的发展概况

见诸文献的机器自动人脸识别研究开始于1966年PRI的Bledsoe的工作，1990年日本研制的人像识别机，可在1秒钟内中从3500人中识别到你要找的人。

1993年，美国国防部高级研究项目署（AdvancedResearchProjectsAgency）和美国陆军研究实验室（ArmyResearchLaboratory）成立了Feret（FaceRecognitionTechnology）项目组，建立了feret人脸数据库，用于评价人脸识别算法的性能。

美国陆军实验室也是利用vc++开发，通过软件实现的，并且FAR为49%。

在美国的进行的公开测试中，FAR，为53%。

美国国防部高级研究项目署，利用半自动和全自动算法。

这种算法需要人工或自动指出图像中人的两眼的中心坐标，然后进行识别。

在机场开展的测试中，系统发出的错误警报太多，国外的一些高校（卡内基梅隆大学（CarnegieMellonUniversity）为首，麻省理工大学（MassachusettsInstituteofTechnology）等，英国的雷丁大学（UniversityofReading））和公司（Visionics公司Facelt人脸识别系统、Viiage的FaceFINDER身份验证系统、LauTech公司Hunter系统、德国的BioID系统等）的工程研究工作也主要放在公安、刑事方面，在考试验证系统的实现方面深入研究并不多。

2.3.2国内的发展概况

人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。

我国在这方面也取得了较好的成就，国家863项目“面像检测与识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定的核心技术。

北京科瑞奇技术开发股份有限公司在2002年开发了一种人脸鉴别系统，对人脸图像进行处理，消除了照相机的影响，再对图像进行特征提取和识别。

这对于人脸鉴别特别有价值，因为人脸鉴别通常使用正面照，要鉴别的人脸图像是不同时期拍摄的，使用的照相机不一样。

系统可以接受时间间隔较长的照片，并能达到较高的识别率，在计算机中库藏2300人的正面照片，每人一张照片，使用相距1--7年、差别比较大的照片去查询，首选率可以达到50%，前20张输出照片中包含有与输入照片为同一人的照片的概率可达70%。

 2005年1月18日，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家"十五"攻关项目《人脸识别系统》通过了由公安部主持的专家鉴定。

鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。

本课程设计主要对该人脸识别系统进行模块划分，并介绍各模块的功能，重点介绍图像预处理模块，对其内的子模块的功能和算法进行详细讲述，主要介绍光线补偿、图像灰度化、高斯平滑、均衡直方图、图像对比度增强，图像预处理模块在整个系统中起着极其关键的作用，图像处理的好坏直接影响着后面的定位和识别工作。

3．概要设计

3.1问题描述

对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。

不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。

因此，本次试题采用PCA算法并利用GUI实现。

对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性,一时难以综合。

这时就需要借助主成分分析来概括诸多信息的主要方面。

我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。

任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。

如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。

由这一点来看，一项指标在个体间的变异越大越好。

因此我们把“变异大”作为“好”的标准来寻求综合指标。

3.2模块设计

完成人脸识别的工作需要一系列的步骤，它们结合起来构成一个完整的流程。

由于研究人员来自不同的学科、具有不同的背脊，而且不同的人脸识别应用中对识别的目标也不同，所以人脸识别的流程并不统一一个比较通用的人脸识别流程如下图所示：

结果输出

输入图像

→→→→→

图2人脸识别流程图

其主要步骤包括：

人脸检测/跟踪,特征提取,特征降维,匹配识别.它们之间基本上是串行的关系。

（1）人脸检测/跟踪。

人脸检测是完成人脸识别工作的自动系统的第一个步骤。

该步骤的目的是在输入的图像中寻找人脸区域。

具体来说：

给定意一幅任图像，人脸检测的目的是确定是否图像州有人脸存在，如果存在，给出每个人脸的具体位置和范围。

实际应用中人脸图像的采集或获取常在非受控的条件下进行，这样所得到的图像中的人脸在尺寸、朝向、明暗、遮挡、分辨率等方面都有很多不同，使同一的人脸出现各种变形，并有可能导致各种误识、漏识等失败的情况。

为校正人脸在尺度、光照和旋转等方面的变化，常需采用一些包括几何归一化（空间尺度归一化）和光照归一化（灰度幅值归一化）等手段来调整不同的人脸图像，以利于用统一算法进行识别。

（2）特征提取。

为区分不同的人脸，需提取各种人脸的独特性质。

也就是要从人脸图像中映射提取