人臉識(shí)別課程設(shè)計(jì)附帶代

人臉識(shí)別中圖像預(yù)處理的研究.課程設(shè)計(jì)目的隨著人工智能技術(shù)的興起，以及人類視覺(jué)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。如同人的指紋一樣，人臉也具有唯一性，也可用來(lái)鑒別一個(gè)人的身份。人臉圖像的自動(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，開(kāi)發(fā)研究的實(shí)際意義更大。然而人臉圖像受很多因素的干擾，給識(shí)別帶來(lái)很大難度。國(guó)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(guó)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。.方法綜述特征臉?lè)ǎ≒CA）: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(jiǎn)單的特征空間，通過(guò)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)（ANN）法：通過(guò)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)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)（SVM）法：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(wèn)題，如：模型選擇和過(guò)學(xué)習(xí)問(wèn)題、非線性和維數(shù)災(zāi)難問(wèn)題、局部極小點(diǎn)問(wèn)題等都得到了很大程度上的解決。但是直接使用5丫乂方法進(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(wèn)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(guò)高?；诜e分圖像特征的人臉檢測(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。.實(shí)驗(yàn)結(jié)果與分析人臉識(shí)別的整體過(guò)程圖3.1人臉識(shí)別技術(shù)處理流程圖3.1.1人臉圖像的獲取一般來(lái)說(shuō)，圖像的獲取都是通過(guò)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(jiǎn)單，可以不考慮通過(guò)攝像頭來(lái)攝取頭像，而是直接給定要識(shí)別的圖像。人臉定位對(duì)人臉圖像打上網(wǎng)格，對(duì)區(qū)域塊圖像做二值分析，通過(guò)像素比例來(lái)做處理，進(jìn)而得到人臉區(qū)域。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。研究人員在考察了不同種族、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(guò)比較像素點(diǎn)的「、g值與膚色范圍來(lái)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HSLUV,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。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(zhǎng)短軸的比率判斷是否為人臉。如圖3.2所示。原圖像網(wǎng)格標(biāo)記圖像二值圖像標(biāo)記圖像原圖像網(wǎng)格標(biāo)記圖像二值圖像標(biāo)記圖像圖3.2人臉定位過(guò)程圖像預(yù)處理①濾波去噪：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聲;銳化濾波器是用高通濾波來(lái)實(shí)現(xiàn),目的在于強(qiáng)調(diào)圖像被模糊的細(xì)節(jié)。②灰度變換：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。③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,Log算子等。3.4.4人臉識(shí)別把單個(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(jiǎn)單的特征空間，通過(guò)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。傳統(tǒng)主成成份分析方法的基本原理是：利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識(shí)別時(shí)將測(cè)試圖像投影到此空間，得到一組投影系數(shù)，通過(guò)與各個(gè)人臉圖像比較進(jìn)行識(shí)別。對(duì)于一幅M*N的人臉圖像，將其每列相連構(gòu)成一個(gè)大小為D=M*N維的列向量。D就是人臉圖像的維數(shù)，即是圖像空間的維數(shù)。設(shè)n是訓(xùn)練樣本的數(shù)目；入表示第j幅人臉圖像形成的人臉向量，則所需樣本的協(xié)方差矩陣為：其中U為訓(xùn)練樣本的平均圖像向量：汗St=(題一3—?)T一令A(yù)=僅］7心-5..%-5,則有SjAAt,其維數(shù)為DxD。根據(jù)K-L變換原理，需要求得的新坐標(biāo)系由矩陣AAt的非零特征值所對(duì)應(yīng)的特征向量組成。直接計(jì)算的計(jì)算量比較大，所以采用奇異值分解(SVD)定理，通過(guò)求解AtA的特征值和特征向量來(lái)獲得AAt的特征值和特征向量。依據(jù)SVD定理，令產(chǎn)12…,r)為矩陣AtA的r個(gè)非零特征值，工為AtA對(duì)應(yīng)于［的特征向量，則AAt的正交歸一特征向量”為：則“特征臉”空間為：w=(UfU2，…,UJ將訓(xùn)練樣本投影到“特征臉”空間，得到一組投影向量Q=wtu,構(gòu)成人臉識(shí)別的數(shù)據(jù)庫(kù)。在識(shí)別時(shí)，先將每一幅待識(shí)別的人臉圖像投影到“特征臉”空間，再利用最鄰近分類器比較其與庫(kù)中人臉的位置，從而識(shí)別出該圖像是否是庫(kù)中的人臉，如果是，是哪一幅人臉。圖3.1.4測(cè)試圖像與對(duì)比結(jié)果實(shí)驗(yàn)過(guò)程具體分析人臉檢測(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。特征提取通過(guò)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(guò)某些運(yùn)算得到人臉特征的描述。基于人臉圖像比對(duì)的身份識(shí)別通過(guò)將輸入人臉圖像與人臉數(shù)據(jù)庫(kù)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(lái)給出輸入人臉的身份信息。這包括兩類識(shí)別問(wèn)題：一類是閉集人臉識(shí)別問(wèn)題，即假定輸入的人臉一定是人臉庫(kù)中的某個(gè)個(gè)體；另一類是開(kāi)集識(shí)別，即首先要對(duì)輸入人臉是否在已知人臉庫(kù)中做出判斷，如果是，則給出其身份?；谌四槇D像比對(duì)的身份驗(yàn)證即人臉確認(rèn)問(wèn)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。.實(shí)驗(yàn)結(jié)果分析人臉識(shí)別的優(yōu)勢(shì)在于其自然性和不被被測(cè)個(gè)體察覺(jué)的特點(diǎn)。人臉識(shí)別的困難主要是人臉作為生物特征的特點(diǎn)所帶來(lái)的。相似性：不同個(gè)體之間的區(qū)別不大，所有的人臉的結(jié)構(gòu)都相似，甚至人臉器官的結(jié)構(gòu)外形都很相似。這樣的特點(diǎn)對(duì)于利用人臉進(jìn)行定位是有利的，但是對(duì)于利用人臉區(qū)分人類個(gè)體是不利的。易變性：人臉的外形很不穩(wěn)定，人可以通過(guò)臉部的變化產(chǎn)生很多表情，而在不同觀察角度，人臉的視覺(jué)圖像也相差很大，另外人臉識(shí)別還受光照條件、人臉的很多遮蓋物、年齡等多方面因素的影響。特征臉?biāo)惴?PCA)使得壓縮前后的均方誤差最小，且變換后的低維空間有很好的分辨能力，但是在種方法在處理人臉圖像時(shí)，要將二維圖像矩陣轉(zhuǎn)換成一維的列向量，使圖像的維數(shù)達(dá)到上萬(wàn)維，計(jì)算工作量非常大，特征提取速度慢。為了克服傳統(tǒng)PCA的不足,研究者們相繼提出了二維PCA(2DPCA)方法、PCA+2DPCA等一些方法。這些方法的提出不僅有效地解決了圖像處理的高維問(wèn)題，而且大大提高了人臉的識(shí)別率。.心得體會(huì)通過(guò)本學(xué)期對(duì)數(shù)字圖象處理課程的學(xué)習(xí),是我對(duì)數(shù)字圖像處理領(lǐng)域有了一定的了解與體會(huì)，熟悉了圖像處理的流程與方式方法，加深了我對(duì)數(shù)字領(lǐng)域的理解。通過(guò)matlab實(shí)驗(yàn)，是我對(duì)matlab應(yīng)用有了更進(jìn)一步的掌握與學(xué)習(xí)，為下一步學(xué)習(xí)打下了良好的基礎(chǔ)。參考文獻(xiàn)[1]阮秋琦.數(shù)字圖像處理學(xué)[M].北京：電子工業(yè)出版社,2000.4[2]賀興華.MATLAB7.X圖像處理[M].北京：人民郵電出版社,2006.11⑶王耀南.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京：高等教育出版社,2001.6⑷章毓晉.圖像工程[M].北京：清華大學(xué)出版社,2001.9[5]胡學(xué)龍.數(shù)字圖像處理[M].北京：電子工業(yè)出版社,2006.9⑹羅軍輝.MATLAB7.0在圖像處理中的應(yīng)用[M].北京：機(jī)械工業(yè)出版社,2005.6[7]劉文耀.數(shù)字圖像采集與處理[M].北京：電子工業(yè)出版社,2007.8[8]繆紹綱.數(shù)字圖像處理——活用MATLAB[M].成都：西南交通大學(xué)出版社,2001.7[9]羅良正.數(shù)字圖像處理[M].南京：東南大學(xué)出版社，1999.8附錄代碼：(運(yùn)行exampae.m文件)%Ch1Img=imread('1.jpg');ifndims(Img)==3I=rgb2gray(Img);else=Img;endBW=im2bw(I,graythresh(I));%二值化figure;imshow(Img);title('原圖像')；holdon;%%endend[xt,yt]=meshgrid(round(linspace(1,size(I,1),10)),...round(linspace(1,size(I,2),10)));mesh(yt,xt,zeros(size(xt)),'FaceColor',...'None','LineWidth',3,...'EdgeColor','r');imshow(BW);title('二值圖像')；[n1,n2]=size(BW);r=floor(n1/10);%分成10塊，行c=floor(n2/10);%分成10塊，列x1=1;x2=r;%對(duì)應(yīng)行初始化s=r*c;%塊面積fori=1:10y1=1;y2=c;%對(duì)應(yīng)列初始化forj=1:10if(y2<=c||y2>=9*c)||(x1==1||x2==r*10)%如果是在四周區(qū)域loc=find(BW(x1:x2,y1:y2)==0);[p,q]=size(loc);pr=p/s*100;%黑色像素所占的比例數(shù)ifpr<=100BW(x1:x2,y1:y2)=0;endendy1=y1+c;%列跳躍y2=y2+c;%列跳躍endx1=x1+r;%行跳躍x2=x2+r;%行跳躍[L,num]=bwlabel(BW,8);%區(qū)域標(biāo)記stats=regionprops(L,'BoundingBox');%得到包圍矩形框Bd=cat(1,stats.BoundingBox);[s1,s2]=size(Bd);mx=0;fork=1:s1p=Bd(k,3)*Bd(k,4);%寬*高ifp>mx&&(Bd(k,3)/Bd(k,4))<1.8%如果滿足面積塊大，而且寬/高<1.8mx=p;j=k;endendimshow(I);holdon;rectangle('Position',Bd(j,:),...'EdgeColor','r','LineWidth',3);title(標(biāo)記圖像’)；%CreateDatabasefunctionT=CreateDatabase(TrainDatabasePath)%Alignasetoffaceimages(thetrainingsetT1,T2,...,TM)%%Description:Thisfunctionreshapesall2Dimagesofthetrainingdatabase%into1Dcolumnvectors.Then,itputsthese1Dcolumnvectorsinarowto%construct2Dmatrix'T'.%%%Argument:TrainDatabasePath-Pathofthetrainingdatabase%Returns:-%Returns:vectors.%SupposeallPimagesinthetrainingdatabase%havethesamesizeofMxN.Sothelengthof1D%columnvectorsisMNand'T'willbeaMNxP2Dmatrix.%%Seealso:STRCMP,STRCAT,RESHAPE%OriginalversionbyAmirHosseinOmidvarnia,October2007%Email:aomidvar@ece.ut.ac.ir%%%%%%%%%%%%%%%%%%%%%%%%FilemanagementTrainFiles=dir(TrainDatabasePath);Train_Number=0;fori=1:size(TrainFiles,1)ifnot(strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'..')|strcmp(TrainFiles(i).name,'Thumbs.db'))Train_Number=Train_Number+1;%Numberofallimagesinthetrainingdatabaseendend%%%%%%%%%%%%%%%%%%%%%%%%Constructionof2Dmatrixfrom1DimagevectorsT=[];fori=1:Train_Number%Ihavechosenthenameofeachimageindatabasesasacorresponding%number.However,itisnotmandatory!str=int2str(i);str=strcat('\',str,'.jpg');str=strcat(TrainDatabasePath,str);img=imread(str);img=rgb2gray(img);[irowicol]=size(img);temp=reshape(img',irow*icol,1);%Reshaping2Dimagesinto1DimagevectorsT=[Ttemp];%'T'growsaftereachturnend%EigenfaceCorefunction[m,A,Eigenfaces]=EigenfaceCore(T)%UsePrincipleComponentAnalysis(PCA)todeterminethemost%discriminatingfeaturesbetweenimagesoffaces.%%Description:Thisfunctiongetsa2Dmatrix,containingalltrainingimagevectors%andreturns3outputswhichareextractedfromtrainingdatabase.%Argument:Timagevectors.%trainingdatabase%lengthof1D%Argument:Timagevectors.%trainingdatabase%lengthof1D%beaMNxP2Dmatrix.%%Returns:mdatabase%Eigenfacescovariancematrixofthetrainingdatabase%Avectors%%Seealso:EIG-A2Dmatrix,containingall1DSupposeallPimagesinthehavethesamesizeofMxN.SothecolumnvectorsisM*Nand'T'will-(M*Nx1)Meanofthetraining-(M*Nx(P-1))Eigenvectorsofthe-(M*NxP)Matrixofcenteredimage%OriginalversionbyAmirHosseinOmidvarnia,October2007%Email:aomidvar@ece.ut.ac.ir%%%%%%%%%%%%%%%%%%%%%%%%Calculatingthemeanimagem=mean(T,2);%Computingtheaveragefaceimagem=(1/P)*sum(Tj's)(j=1:P)Train_Number=size(T,2);%%%%%%%%%%%%%%%%%%%%%%%%CalculatingthedeviationofeachimagefrommeanimageA=[];fori=1:Train_Numberendendendendtemp=double(T(:,i))-m;%ComputingthedifferenceimageforeachimageinthetrainingsetAi=Ti-mA=[Atemp];%Mergingallcenteredimagesend%%%%%%%%%%%%%%%%%%%%%%%%SnapshotmethodofEigenfacemethos%WeknowfromlinearalgebratheorythatforaPxQmatrix,themaximum%numberofnon-zeroeigenvaluesthatthematrixcanhaveismin(P-1,Q-1).%Sincethenumberoftrainingimages(P)isusuallylessthanthenumber%ofpixels(M*N),themostnon-zeroeigenvaluesthatcanbefoundareequal%toP-1.SowecancalculateeigenvaluesofA'*A(aPxPmatrix)insteadof%A*A'(aM*NxM*Nmatrix).ItisclearthatthedimensionsofA*A'ismuch%largerthatA'*A.Sothedimensionalitywilldecrease.L=A'*A;%ListhesurrogateofcovariancematrixC=A*A'.[VD]=eig(L);%DiagonalelementsofDaretheeigenvaluesforbothL=A'*AandC=A*A'.%%%%%%%%%%%%%%%%%%%%%%%%Sortingandeliminatingeigenvalues%AlleigenvaluesofmatrixLaresortedandthosewhoarelessthana%specifiedthreshold,areeliminated.Sothenumberofnon-zero%eigenvectorsmaybelessthan(P-1).L_eig_vec=[];fori=1:size(V,2)if(D(i,i)>1)L_eig_vec=[L_eig_vecV(:,i)];end%%%%%%%%%%%%%%%%%%%%%%%%Calculatingtheeigenvectorsofcovariancematrix'C'%EigenvectorsofcovariancematrixC(orso-called"Eigenfaces")%canberecoveredfromL'seiegnvectors.Eigenfaces=A*L_eig_vec;%A:centeredimagevectors%example%Asamplescript,whichshowstheusageoffunctions,includedin%PCA-basedfacerecognitionsystem(Eigenfacemethod)%%Seealso:CREATEDATABASE,EIGENFACECORE,RECOGNITION%OriginalversionbyAmirHosseinOmidvarnia,October2007%Email:aomidvar@ece.ut.ac.irclearallclccloseall%YoucancustomizeandfixinitialdirectorypathsTrainDatabasePath=uigetdir('D:\ProgramFiles\MATLAB\R2006a\work','Selecttrainingdatabasepath');TestDatabasePath=uigetdir('D:\ProgramFiles\MATLAB\R2006a\work','Selecttestdatabasepath');prompt={'Entertestimagename(anumberbetween1to10):'};dlg_title='InputofPCA-BasedFaceRecognitionSystem';num_lines=1;def={'1'};TestImage=inputdlg(prompt,dlg_title,num_lines,def);TestImage=strcat(TestDatabasePath,'\',char(TestImage),'.jpg');im=imread(TestImage);T=CreateDatabase(TrainDatabasePath);[m,A,Eigenfaces]=EigenfaceCore(T);OutputName=Recognition(TestImage,m,A,Eigenfaces);SelectedImage=strcat(TrainDatabasePath,'\',OutputName);SelectedImage=imread(SelectedImage);imshow(im)title('TestImage');figure,imshow(SelectedImage);title('EquivalentImage');str=strcat('Matchedimageis:',OutputName);disp(str)%RecognitionfunctionOutputName=Recognition(TestImage,m,A,Eigenfaces)%Recognizingstep%%Description:Thisfunctioncomparestwofacesbyprojectingtheimagesintofacespaceand%measuringtheEuclideandistancebetweenthem.%%Argument:TestImage%%%%Argument:TestImage%%m%'EigenfaceCore'function.%%Eigenfaces%%'EigenfaceCore'function.%%A%'EigenfaceCore'function.%%Returns:OutputNameinthetrainingdatabase.%%Seealso:RESHAPE,STRCAT-Pathoftheinputtestimage(M*Nx1)Meanofthetrainingdatabase,whichisoutputof(M*Nx(P-1))Eigenvectorsofthecovariancematrixofthetrainingdatabase,whichisoutputof(M*NxP)Matrixofcenteredimagevectors,whichisoutputof-Nameoftherecognizedimage%OriginalversionbyAmirHosseinOmidvarnia,October2007%Email:aomidvar@ece.ut.ac.ir%%%%%