【畢業(yè)論文】基于matlab的人臉識(shí)別系統(tǒng)設(shè)計(jì)與仿真(含matlab源程序)

1、基于matlab的人臉識(shí)別系統(tǒng)設(shè)計(jì)與仿真第一章緒論本章提出了本文的研究背景及應(yīng)用前景。首先闡述了人臉圖像識(shí)別意義；然后介紹了人臉圖像識(shí)別研究中存在的問題；接著介紹了自動(dòng)人臉識(shí)別系統(tǒng)的一般框架構(gòu)成；最后簡要地介紹了本文的主要工作和章節(jié)結(jié)構(gòu)。研究背景自70年代以來.隨著人工智能技術(shù)的興起.以及人類視覺研究的進(jìn)展.人們逐漸對(duì)人臉圖像的機(jī)器識(shí)別投入很大的熱情，并形成了一個(gè)人臉圖像識(shí)別研究領(lǐng)域，.這一領(lǐng)域除了它的重大理論價(jià)值外，也極具實(shí)用價(jià)值。在進(jìn)行人工智能的研究中，人們一直想做的事情就是讓機(jī)器具有像人類一樣的思考能力，以及識(shí)別事物、處理事物的能力，因此從解剖學(xué)、心理學(xué)、行為感知學(xué)等各個(gè)角度來探求人類的

2、思維機(jī)制、以及感知事物、處理事物的機(jī)制，并努力將這些機(jī)制用于實(shí)踐，如各種智能機(jī)器人的研制。人臉圖像的機(jī)器識(shí)別研究就是在這種背景下興起的，因?yàn)槿藗儼l(fā)現(xiàn)許多對(duì)于人類而言可以輕易做到的事情，而讓機(jī)器來實(shí)現(xiàn)卻很難，如人臉圖像的識(shí)別，語音識(shí)別，自然語言理解等。如果能夠開發(fā)出具有像人類一樣的機(jī)器識(shí)別機(jī)制，就能夠逐步地了解人 類是如何存儲(chǔ)信息，并進(jìn)行處理的，從而最終了解人類的思維機(jī)制。同時(shí)，進(jìn)行人臉圖像識(shí)別研究也具有很大的使用價(jià)依。如同人的指紋一樣，人臉也具有唯一性，也可用來鑒別一個(gè)人的身份。現(xiàn)在己有實(shí)用的計(jì)算機(jī)自動(dòng)指紋識(shí)別系統(tǒng)面世，并在安檢等部門得到應(yīng)用，但還沒有通用成熟的人臉自動(dòng)識(shí)別系統(tǒng)出現(xiàn)。人臉圖像的

3、自動(dòng)識(shí)別系統(tǒng)較之指紋識(shí)別系統(tǒng)、DNA鑒定等更具方便性，因?yàn)樗臃奖悖梢圆唤佑|目標(biāo)就進(jìn)行識(shí)別，從而開發(fā)研究的實(shí)際意義更大。并且與指紋圖像不同的是，人臉圖像受很多因素的干擾:人臉表情的多樣性;以及外在的成像過程中的光照，圖像尺寸，旋轉(zhuǎn)，姿勢(shì)變化等。使得同一個(gè)人，在不同的環(huán)境下拍攝所得到的人臉圖像不同，有時(shí)更會(huì)有很大的差別，給識(shí)別帶來很大難度。因此在各種干擾條件下實(shí)現(xiàn)人臉圖像的識(shí)別，也就更具有挑戰(zhàn)性。國外對(duì)于人臉圖像識(shí)別的研究較早，現(xiàn)己有實(shí)用系統(tǒng)面世，只是對(duì)于成像條件要求較苛刻，應(yīng)用范圍也就較窄，國內(nèi)也有許多科研機(jī)構(gòu)從事這方而的研究，并己取得許多成果。人臉圖像識(shí)別的應(yīng)用前景人臉圖像識(shí)別除了具有重

4、大的理論價(jià)值以及極富挑戰(zhàn)性外，還其有許多潛在的應(yīng)用前景，利用人臉圖像來進(jìn)行身份驗(yàn)證，可以不與目標(biāo)相接觸就取得樣本圖像，而其它的身份驗(yàn)證手段，如指紋、眼睛虹膜等必須通過與目標(biāo)接觸或相當(dāng)接近來取得樣木，在某些場(chǎng)合，這些識(shí)別手段就會(huì)有不便之處。就從目前和將來來看，可以預(yù)測(cè)到人臉圖像識(shí)別將具有廣闊的應(yīng)用前景，如表1-1中所列舉就是其中已經(jīng)實(shí)現(xiàn)或逐步完善的應(yīng)用。表1-1人臉識(shí)別的應(yīng)用應(yīng)用優(yōu)點(diǎn)存在問題信信用卡、汽車駕照、護(hù)照以及個(gè)人身份驗(yàn)證等圖像攝取可控圖像分割可控圖像質(zhì)量好需要建立龐大的數(shù)據(jù)庫嫌疑犯照片匹配圖像質(zhì)量不統(tǒng)一多幅圖像可用潛在的巨大圖像庫互聯(lián)網(wǎng)應(yīng)用視頻信息價(jià)值高多人參與存在虛假銀行/儲(chǔ)蓄安全監(jiān)

5、控效果好圖像分割不可控圖像質(zhì)量較差人群監(jiān)測(cè)冬像質(zhì)量高可利用攝像圖像圖像分割自由冬像質(zhì)量低、實(shí)時(shí)性本文研究的問題本文介紹了人臉圖像識(shí)別中所應(yīng)用MATLAB對(duì)圖像進(jìn)行預(yù)處理，應(yīng)用該工具箱對(duì)圖像進(jìn)行經(jīng)典圖像處理,通過實(shí)例來應(yīng)用matlab圖像處理功能，對(duì)某一特定的人臉圖像處理，進(jìn)而應(yīng)用到人臉識(shí)別系統(tǒng)。本文在總結(jié)分析人臉識(shí)別系統(tǒng)中幾種常用的圖像預(yù)處理方法基礎(chǔ)上，利用MATLAB實(shí)現(xiàn)了一個(gè)集多種預(yù)處理方法于一體的通用的人臉圖像預(yù)處理仿真系統(tǒng)，將該系統(tǒng)作為圖像預(yù)處理模塊可嵌入在人臉識(shí)別系統(tǒng)中，并利用灰度圖像的直方圖比對(duì)來實(shí)現(xiàn)人臉圖像的識(shí)別判定。其中涉及到圖像的選取，臉部定位，特征提取，圖像處理和識(shí)別幾個(gè)過

6、程。1.4識(shí)別系統(tǒng)構(gòu)成人類似乎具有“與生俱來”的人臉識(shí)別能力，賦予計(jì)算機(jī)同樣的能力是人類的夢(mèng)想之一，這就是所謂的“人臉識(shí)別”系統(tǒng)。假設(shè)我們把照相機(jī)、攝像頭、掃描儀等看作計(jì)算機(jī)的“眼睛”，數(shù)字圖像可以看作計(jì)算機(jī)觀察到的“影像”那么AFR賦予計(jì)算機(jī)根據(jù)其所“看到”的人臉圖片來判斷人物身份的能力。廣義的講，自動(dòng)人臉識(shí)別系統(tǒng)具有如圖1.1所示的一般框架并完成相應(yīng)功能的任務(wù)。人臉圖像獲取人臉檢測(cè)特征提取人臉識(shí)別圖1.1人臉識(shí)別系統(tǒng)一般框架(1)人臉圖像的獲取一般來說，圖像的獲取都是通過攝像頭攝取，但攝取的圖像可以是真人，也可以是人臉的圖片或者為了相對(duì)簡單，可以不考慮通過攝像頭來攝取頭像，而是直接給定要識(shí)

7、別的圖像。(2)人臉的檢測(cè)人臉檢測(cè)的任務(wù)是判斷靜態(tài)圖像中是否存在人臉。若存在人臉，給出其在圖像中的坐標(biāo)位置、人臉區(qū)域大小等信息。而人臉跟蹤則需要進(jìn)一步輸出所檢測(cè)到的人臉位置、大小等狀態(tài)隨時(shí)間的連續(xù)變化情況。(3)特征提取通過人臉特征點(diǎn)的檢測(cè)與標(biāo)定可以確定人臉圖像中顯著特征點(diǎn)的位置(如眼睛、眉毛、鼻子、嘴巴等器官)，同時(shí)還可以得到這些器官及其面部輪廓的形狀信息的描述。根據(jù)人臉特征點(diǎn)檢測(cè)與標(biāo)定的結(jié)果，通過某些運(yùn)算得到人臉特征的描述(這些特征包括：全局特征和局部特征，顯式特征和統(tǒng)計(jì)特征等)。(4)基于人臉圖像比對(duì)的身份識(shí)別即人臉識(shí)別(FaceIdentification)問題。通過將輸入人臉圖像與人

8、臉數(shù)據(jù)庫中的所有已知原型人臉圖像計(jì)算相似度并對(duì)其排序來給出輸入人臉的身份信息。這包括兩類識(shí)別問題：一類是閉集(CloseSet)人臉識(shí)別問題，即假定輸入的人臉一定是人臉庫中的某個(gè)個(gè)體；另一類是開集(OpenSet)識(shí)別，即首先要對(duì)輸入人臉是否在已知人臉庫中做出判斷，如果是，則給出其身份。(5)基于人臉圖像比對(duì)的身份驗(yàn)證即人臉確認(rèn)(FaceVerification)問題。系統(tǒng)在輸入人臉圖像的同時(shí)輸入一個(gè)用戶宣稱的該人臉的身份信息，系統(tǒng)要對(duì)該輸入人臉圖像的身份與宣稱的身份是否相符作出判斷。1.5論文的內(nèi)容及組織第二章主要介紹人臉識(shí)別系統(tǒng)中所用到的仿真軟件Matlab,介紹了在人臉圖像識(shí)別過程中所需

9、要的圖像處理技術(shù)，包括：一些基本操作、格式轉(zhuǎn)換、圖像增強(qiáng)等。并做了一個(gè)Matlab圖像處理功能的實(shí)例第三章主要始涉三個(gè)方面：首先是對(duì)人臉識(shí)別系統(tǒng)的構(gòu)成做詳細(xì)論述；其次就是對(duì)人臉識(shí)別過程中的關(guān)鍵環(huán)節(jié)人臉檢測(cè)、特征提取和圖像預(yù)處理做詳細(xì)介紹；最后就是Matlab在人臉識(shí)別系統(tǒng)中的具體應(yīng)用，即人臉圖像識(shí)別的具體技術(shù)，并用Matlab進(jìn)行仿真試驗(yàn)并得到結(jié)果。第四章是對(duì)人臉圖像識(shí)別體系構(gòu)架的設(shè)計(jì)，并給出了人臉識(shí)別用到的理論知識(shí)即直方圖差異對(duì)比，并編寫matlab代碼實(shí)現(xiàn)人臉圖像識(shí)別。第五章總結(jié)了全文的工作并對(duì)以后的需要進(jìn)一步研究的問題進(jìn)行了展望。第二章圖像處理的Matlab實(shí)現(xiàn)2.1Matlab簡介由M

10、athWork公司開發(fā)的Matlab語言語法限制不嚴(yán)格,程序設(shè)計(jì)自由度大,程序的可移植性好。Matlab還推出了功能強(qiáng)大的適應(yīng)于圖像分析和處理的工具箱,常用的有圖像處理工具箱、小波分析工具箱及數(shù)字信號(hào)處理工具箱。利用這些工具箱,我們可以很方便的從各個(gè)方面對(duì)圖像的性質(zhì)進(jìn)行深入的研究oMatlab圖像處理工具箱支持索引圖像、RGB圖像、灰度圖像、二進(jìn)制圖像并能操作.bmp、.jpg、.tif等多種圖像格式文件。數(shù)字圖像處理及過程圖像是人類獲取信息、表達(dá)信息和傳遞信息的重要手段。利用計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等的理論、方法和技術(shù)稱為數(shù)字圖像處理。數(shù)字圖像處理技術(shù)已經(jīng)成為信息

11、科學(xué)、計(jì)算機(jī)科學(xué)、工程科學(xué)、地球科學(xué)等諸多方面的學(xué)者研究圖像的有效工具。數(shù)字圖像處理主要包括圖像變換、圖像增強(qiáng)、圖像編碼、圖像復(fù)原、圖像重建、圖像識(shí)別以及圖像理解等內(nèi)容。2.2.1圖像處理的基本操作讀取和顯示圖像可以通過imread()和imshow()來實(shí)現(xiàn);圖像的輸出用imwrite()函數(shù)就可以很方便的把圖像輸出到硬盤上;另外還可以用imcrop()、imrisize()、imrotate()等來實(shí)現(xiàn)圖像的裁剪、縮放和旋轉(zhuǎn)等功能。2.2.2圖像類型的轉(zhuǎn)換Matlab支持多種圖像類型,但在某些圖像操作中,對(duì)圖像的類型有要求，所以要涉及到對(duì)圖像類型進(jìn)行轉(zhuǎn)換。Matlab7.0圖像處理工具箱為

12、我們提供了不同圖像類型相互轉(zhuǎn)換的大量函數(shù)，如mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像,rgb2gray()轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像。在類型轉(zhuǎn)換的時(shí)候，我們還經(jīng)常遇到數(shù)據(jù)類型不匹配的情況,針對(duì)這種情況,Matlab7.0工具箱中,也給我們提供了各種數(shù)據(jù)類型之間的轉(zhuǎn)換函數(shù)，如double()就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類型的函數(shù)。2.2.3圖像增強(qiáng)圖像增強(qiáng)的目的是為了改善圖像的視覺效果,提高圖像的清晰度和工藝的適應(yīng)性,以及便于人與計(jì)算機(jī)的分析和處理,以滿足圖像復(fù)制或再現(xiàn)的要求。圖像增強(qiáng)的方法分為空域法和頻域法兩大類,空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作;而頻域法是在圖像的某個(gè)變換

13、域內(nèi)對(duì)整個(gè)圖像進(jìn)行操作,并修改變換后的系數(shù),如傅立葉變換、DCT變換等的系數(shù),然后再進(jìn)行反變換,便可得到處理后的圖像。下面以空域增強(qiáng)法的幾種方法加以說明。(1).灰度變換增強(qiáng)有多種方法可以實(shí)現(xiàn)圖像的灰度變換,其中最常用的就是直方圖變換的方法,即直方圖的均衡化。這種方法是一種使輸出圖像直方圖近似服從均勻分布的變換算法。Matlab7.0圖像處理工具箱中提供了圖像直方圖均衡化的具體函數(shù)histeq(),同時(shí)我們可以用函數(shù)imhist()函數(shù)來計(jì)算和顯示圖像的直方圖。(2).空域?yàn)V波增強(qiáng)空域?yàn)V波按照空域?yàn)V波器的功能又可分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實(shí)現(xiàn),目的在于模糊圖像或消除噪

14、聲;銳化濾波器是用高通濾波來實(shí)現(xiàn),目的在于強(qiáng)調(diào)圖像被模糊的細(xì)節(jié)。在Matlab中,各種濾波方法都是在空間域中通過不同的濾波算子實(shí)現(xiàn),可用fspecial()函數(shù)來創(chuàng)建預(yù)定義的濾波算子，然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對(duì)圖像進(jìn)行濾波。2.2.4邊緣檢測(cè)數(shù)字圖像的邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ),也是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。邊緣檢測(cè)算子可以檢查每個(gè)像素的鄰域并對(duì)灰度變化率進(jìn)行量化,也包括對(duì)方向的確定,其中大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法。常用的有Sobel算子,Prewitt算子Roberts算子

15、,Log算子等。Matlab7.0工具箱中提供的edge()函數(shù)可以進(jìn)行邊緣檢測(cè)，在其參數(shù)里面,可以根據(jù)需要選擇合適的算子及其參數(shù)。2.3圖像處理功能的Matlab實(shí)現(xiàn)實(shí)例本文通過運(yùn)用圖像處理工具箱的有關(guān)函數(shù)對(duì)一人臉的彩色圖像進(jìn)行處理。圖像類型的轉(zhuǎn)換因后面的圖像增強(qiáng),邊緣檢測(cè)都是針對(duì)灰度圖像進(jìn)行的，而我們的原圖是RGB圖像，所以首先我們要對(duì)原圖類型進(jìn)行轉(zhuǎn)換。實(shí)現(xiàn)過程代碼如下：i=imread(f:face1.jpg);j=rgb2gray(i);imshow(j);imwrite(j,f:face1.tif)效果圖2.1圖2.1圖像增強(qiáng)(1)灰度圖像直方圖均衡化通過比較原圖和直方圖均衡化后的圖

16、像可見，圖像變得更清晰，而且均衡化后的直方圖比原直方圖的形狀更理想。該部分的程序代碼如下:i=imread(f:facel.tif);j=histeq(i);imshow(j);figure,subplot(l,2,l),imhist(i);subplot(l,2,2),imhist(j)執(zhí)行后的效果圖如圖2.2和圖2.3:3A.JA冃口32像圖2.2均衡化后的灰度圖圖2.3均衡化前后的直方圖對(duì)比圖(2)灰度圖像平滑與銳化處理平滑濾波器的目的在于模糊圖像或消除噪聲,Matlab7.0圖像處理工具箱提供了medfilter2()函數(shù)用于實(shí)現(xiàn)中值濾波,wiener2()實(shí)現(xiàn)對(duì)圖像噪聲的自適應(yīng)濾波。

17、在本文實(shí)例中,為了使濾波效果更明顯,我們事先為圖像認(rèn)為增加濾波,然后用自適應(yīng)濾波方法對(duì)圖像進(jìn)行濾波。銳化處理的目的在于強(qiáng)調(diào)圖像被模糊的細(xì)節(jié),在本實(shí)例中采用了預(yù)定義高斯濾波器的方法對(duì)圖像進(jìn)行銳化濾波。功能實(shí)現(xiàn)的代碼如下:i=imread(f:fae1.tif);j=imnoise(i,guassian,0,0.02);subplot(1,2,1),imshow(j);j1=wiener2(j);subplot(1,2,2),imshow(j1);h=fspecial(gaussian,2,0.05);j2=imfilter(i,h);figure,subplot(1,2,1),imshow(i)

18、subplot(1,2,2),imshow(j2)得到的效果圖如圖2.4和圖2.5:加入噪聲的圖像濾波后的圖像圖2.4平滑濾波效果原灰度圖像銳化后的圖像圖2.5銳化濾波效果圖邊緣檢測(cè)Matlab7.0圖像處理工具箱提供了edge()函數(shù)實(shí)現(xiàn)邊緣檢測(cè)，還有各種方法算子供選擇，在本實(shí)例中采用了canny算子來進(jìn)行邊緣檢測(cè)，程序代碼如下：i=imread(f:face.tif);j=edge(i,canny,0.04,0.25,1.5);imshow(j)效果圖如圖2.6:邊緣檢測(cè)原灰度圖像后的圖像圖2.6邊緣檢測(cè)效果圖2.4本章小結(jié)以上實(shí)例只是對(duì)Matlab圖像處理工具箱函數(shù)的一小部分運(yùn)用，從這些

19、功能的運(yùn)用可以看出,Matlab語言簡潔，可讀性強(qiáng)。作為人臉識(shí)別系統(tǒng)中圖像預(yù)處理工具，有非常好的處理功能。第三章人臉圖像識(shí)別計(jì)算機(jī)系統(tǒng)3.1引言計(jì)算機(jī)人臉識(shí)別是一個(gè)非?；钴S的研究領(lǐng)域，因其在公安刑偵破案、銀行密碼系統(tǒng)、計(jì)算機(jī)安全系統(tǒng)以及動(dòng)態(tài)監(jiān)視系統(tǒng)等方面都有廣泛應(yīng)用，已成為當(dāng)前模式識(shí)別、計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。人臉識(shí)別系統(tǒng)一般包括人臉檢測(cè)與定位、人臉圖像預(yù)處理、特征提取和匹配識(shí)別四個(gè)組成部分。其中，人臉圖像預(yù)處理，作為特征提取和識(shí)別的前提步驟，是計(jì)算機(jī)人臉識(shí)別系統(tǒng)中的必要環(huán)節(jié)。其目的是在去除噪聲，加強(qiáng)有用信息，對(duì)輸入設(shè)備或其他因素造成的退化現(xiàn)像進(jìn)行復(fù)原，為后續(xù)的特征提取和識(shí)別作準(zhǔn)備。不同的人

20、臉識(shí)別系統(tǒng)根據(jù)其采用的圖像來源和識(shí)別算法需要不同，采用的預(yù)處理方法也不同。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測(cè)、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強(qiáng)度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。鑒于此，作者在總結(jié)分析了灰度變換、濾波去噪、邊緣檢測(cè)三種廣泛應(yīng)用于不同人臉識(shí)別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計(jì)了一個(gè)通用的人臉圖像預(yù)處理仿真系統(tǒng)。該系統(tǒng)可對(duì)不同條件下的原始圖像進(jìn)行相應(yīng)的預(yù)處理。如，用戶可根據(jù)需要選擇

21、使用不同的濾波方法去除噪聲、不同的邊緣檢測(cè)算子檢測(cè)人臉邊緣、選擇不同的灰度變換算法實(shí)現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時(shí)還實(shí)現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法。系統(tǒng)基本機(jī)構(gòu)人臉識(shí)別是一個(gè)復(fù)雜的過程，一個(gè)計(jì)算機(jī)人臉識(shí)別的流程如圖3-1所示。它包括幾個(gè)步驟：對(duì)采集到的圖像，首先進(jìn)行人臉檢測(cè)（在輸入圖像中尋找人臉），給出人臉有無的結(jié)果；然后進(jìn)行人臉定位，確定人臉的位置并提取出來。對(duì)人臉的定位在輸入是圖像序列時(shí)一般也稱之為人臉跟蹤。通常檢測(cè)和定位結(jié)合進(jìn)行。對(duì)提取出來的人臉借助人臉描述就可以進(jìn)行（狹義的）人臉識(shí)別，即通過提取特征來確定其身份。圖3.1基本框架圖人臉檢測(cè)定位算法人臉檢測(cè)

22、定位算法大致可分為兩大類：基于顯式特征的方法和基于隱式特征的方法。所謂顯式特征是指對(duì)人類肉眼來說直觀可見的特征，如膚色、臉部輪廓、臉部結(jié)構(gòu)等?；陲@式特征的方法是指由人通過肉眼觀察，總結(jié)出人臉區(qū)別于“非人臉”區(qū)域的特征，然后根據(jù)被檢測(cè)區(qū)域是否滿足這些“人臉特征”，來判定該區(qū)域是否包含人臉。根據(jù)所選擇的“人臉特征”，基于顯式特征的方法分以下三類：基于膚色模型的方法、模板匹配的方法、基于先驗(yàn)知識(shí)的方法。在彩色圖像中，顏色是人臉表面最為顯著的特征之一，利用顏色檢測(cè)人臉是很自然的想法。Yang等在考察了不同種族、不同個(gè)體的膚色后，認(rèn)為人類的膚色能在顏色空間中聚成單獨(dú)的一類，而影響膚色值變化的最主要因素

23、是亮度變化。因此他們采用廣泛使用的RGB顏色空間，在濾去亮度值的圖像中通過比較像素點(diǎn)的、g值與膚色范圍來推斷該像素點(diǎn)及其鄰域是否屬于人臉區(qū)域。除了RGB顏色空間，還有諸如HIS，LUV，GLHS等其它顏色空間被使用。尋找到膚色區(qū)域后，必須進(jìn)行驗(yàn)證，排除類膚色區(qū)域。Yoo等利用膚色像素的連通性分割出區(qū)域，使用橢圓擬合各個(gè)區(qū)域，根據(jù)橢圓長短軸的比率判斷是否為人臉。模板匹配的方法一般是人為地先定義一個(gè)標(biāo)準(zhǔn)人臉模板，計(jì)算輸入圖像與模板的似然度；然后，確定一個(gè)似然度閾值，用以判斷該輸入圖像中是否包含人臉。標(biāo)準(zhǔn)人臉模板可以是固定的樣板，也可以是帶參變量的曲線函數(shù)?；谙闰?yàn)知識(shí)的方法則采用符合人臉生理結(jié)構(gòu)特

24、征的人臉鑲嵌圖(mosaicimage)模型，并在分析了足夠多的人臉圖像樣本的基礎(chǔ)上，針對(duì)人臉的灰度、邊緣、紋理等信息，建立一種關(guān)于人臉的知識(shí)庫。在檢測(cè)中，首先抽取這些灰度、邊緣等信息，然后檢驗(yàn)它是否符合知識(shí)庫中關(guān)于人臉的先驗(yàn)知識(shí)。以上三種方法的優(yōu)缺點(diǎn)比較見表3-1。表3-1基于顯示特征方法的特點(diǎn)檢測(cè)方法優(yōu)點(diǎn)與適用場(chǎng)合缺點(diǎn)與需要改進(jìn)的地方膚色模型檢測(cè)速度快高光和陰影會(huì)造成人臉區(qū)域被分割而被漏檢；膚色區(qū)域的存在提咼了預(yù)警率模板匹配直觀性好，具有較好的適應(yīng)性對(duì)表情、尺度變換敏感；可變模板的選擇和參數(shù)的確定非常困難基于知識(shí)的方法適用復(fù)雜圖像中的人臉檢測(cè)依賴先驗(yàn)知識(shí)；多尺度空間遍歷工作量大，運(yùn)算時(shí)間長

25、基于隱式特征的方法將人臉區(qū)域看成一類模式，使用大量“人臉”、“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖像中所有可能區(qū)域是否屬于“人臉模式”的方法來實(shí)現(xiàn)人臉檢測(cè)。這類方法有：特征臉法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法；積分圖像法。特征臉法(eigenface)把單個(gè)圖像看成一維向量，眾多的一維向量形成了人臉圖像特征空間，再將其變換到一個(gè)新的相對(duì)簡單的特征空間，通過計(jì)算矩陣的特征值和特征向量，利用圖像的代數(shù)特征信息，尋找“人臉”、“非人臉”兩種模式在該特征空間中的分布規(guī)律。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)的方法是通過訓(xùn)練一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計(jì)特性隱含在神經(jīng)網(wǎng)絡(luò)

26、的結(jié)構(gòu)和參數(shù)之中。基于人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)于復(fù)雜的、難以顯式描述的模式，具有獨(dú)特的優(yōu)勢(shì)。支撐向量機(jī)(SupportVectorMachineSVM)法是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展出的一種新的模式識(shí)別方法，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理，較之于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的人工神經(jīng)網(wǎng)絡(luò)，一些難以逾越的問題，如：模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點(diǎn)問題等都得到了很大程度上的解決。但是直接使用SVM方法進(jìn)行人臉識(shí)別有兩方面的困難：第一，訓(xùn)練時(shí)需要求解二次規(guī)劃問題計(jì)算復(fù)雜度高，內(nèi)存需求量巨大；第二，在非人臉樣本不受限制時(shí)，需要極大規(guī)模的訓(xùn)練集合，得到的支持向量會(huì)很多，使得分類器的計(jì)算量過高?；诜e分

27、圖像(IntegralImage)特征的人臉檢測(cè)方法是Viola等新近提出的一種算法，它綜合使用了積分圖像描述方法、Adaboost學(xué)習(xí)算法及訓(xùn)練方法、級(jí)聯(lián)弱分類器。以上四種方法的優(yōu)缺點(diǎn)比較見表3-2表3-2基于隱式特征方法的特征檢測(cè)方法優(yōu)點(diǎn)缺點(diǎn)與需要改進(jìn)的地方本征臉法標(biāo)準(zhǔn)人臉模板能抽象人臉全部信息，運(yùn)算不涉及迭代耗費(fèi)時(shí)間短但模板檢測(cè)效率低，多模板提高了效率也增加了檢測(cè)時(shí)間神經(jīng)網(wǎng)絡(luò)法檢測(cè)效率高，錯(cuò)誤報(bào)警數(shù)目不多，訓(xùn)練成熟的網(wǎng)絡(luò)監(jiān)測(cè)速度快多樣本訓(xùn)練耗費(fèi)時(shí)間多，但網(wǎng)絡(luò)監(jiān)測(cè)錯(cuò)誤報(bào)警數(shù)目多支撐向量機(jī)機(jī)法比神經(jīng)網(wǎng)絡(luò)方法具有更好的泛化能力，能對(duì)為觀測(cè)到的例子進(jìn)行有效分類“非人臉”樣本復(fù)雜多樣，造成支持向量

28、數(shù)目多，運(yùn)算復(fù)雜度大基于積分圖像分析法檢測(cè)速度快，基本滿足實(shí)時(shí)檢測(cè)要求，檢測(cè)效率可以與神經(jīng)網(wǎng)絡(luò)法比較錯(cuò)誤報(bào)警數(shù)目少時(shí)，檢測(cè)率不咼運(yùn)用matlab仿真進(jìn)行人臉檢測(cè)定位實(shí)例人臉檢測(cè)定位程序：%ReadingofaRGBimagei=imread(face1.jpg);I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW)%minimisationofbackgroundportionn1n2=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c;fori=1:10y1=1;y2=c;forj=1:10if(y2=9*c)|(x1=1|x2=r*10)loc=find(BW(x1:x2,y1:y2)=0);op=size(loc);pr=o*100/s;ifprmx&(BB2(1,k)/BB2(1,k+1)TestingImageo