基于matlab的人脸识别专业系统设计与仿真.doc

基于Matlab人脸识别系统设计和仿真 摘要人脸识别即指利用分析比对人脸视觉特征信息从而达成身份判别效果计算机技术。人脸识别是一项当下十分热门计算机技术研究领域，该项技术能够人脸明暗侦测，而且自动调整动态曝光赔偿，同时对人脸追踪侦测，并自动调整影像放大；这项技术属于生物特征识别技术一个，是利用生物体（通常指人）本身生物特征从而达成区分生物体个体目标。人脸识别技术现在关键用做身份识别。因为视频监控飞速普及，使这项应用迫切需要一个能实现在用户非配合状态下、远距离进行快速身份识别技术，以求能在远距离之下快速识她人员身份，从而实现智能预警功效。最好选择无疑是人脸识别技术。采取快速人脸检测识别技术能够从视频监控图象中实时捕捉到人脸信息，并和人脸数据库中已存信息进行实时比对，从而达成快速身份识别效果。汇报利用MATLAB软件来实现人脸信息检测和识别，利用YCbCr空间和灰度图像来实现人脸边缘分割, 将真彩图像转换为灰度图像，并依据肤色在YCbCr色度空间上分布范围，来设定门限阀值，从而实现人脸区域和非人脸区域分割，经过图像处理等一系列操作来剔除干扰原因，再经过长宽比和目标面积等方法在图像中定位出人脸区域，经试验，该方法能够排除面部表情、衣着背景、发型等干扰原因，从而定位出人脸区域。关键词：Matlab软件；灰度图像；边缘分割；人脸区域AbstractFace recognition especially use comparative analysis face visual feature information for identification of computer technology. Face recognition is a hot research field computer technology, face detection, light and shade can be automatically adjusted dynamically exposure compensation, human face tracking detection, automatic adjustment of image magnification; It belongs to the biometric identification technology, it is of organisms (generally refers to a person) individual biological characteristics to distinguish between the organism itself.Face recognition is mainly used for identification. Because of the video monitoring is fast popularization, many of the video monitoring application is an urgent need to a long distance, the user not cooperate condition of rapid identification technology, in order . Face recognition technology is undoubtedly the best choice, the fast face detection technology to monitor in real-time video image search from face, and with real-time than face database, so as to realize rapid identification.Report using MATLAB software to realize face information detection and recognition, using YCbCr space and gray image to realize the face edge segmentation, the true color image is converted to a grayscale image, and according to the color of skin in YCbCr chroma space distribution, to set the threshold threshold, so as to realize the segmentation of face region with the face region, through a series of operations such as image processing to eliminate interference factors, and through such means as aspect ratio and the target area locate the face region in the image, the experiment, this method can eliminate facial expressions, clothes, hair background interference factors, so as to locate the face region.Keywords：Matlab；Gray image；edge segmentation；face region目录摘要1ABSTRACT2目录3第1章 绪论41.1 课题研究背景、目标及意义41.1.1 课题研究背景41.1.2 研究目标及意义51.2 本课题关键内容5第2章 图像处理MATLAB实现62.1 识别系统组成62.2 人脸图像读取和显示72.3 图像类型转换72.4 图像增强82.5 灰度图像平滑和锐化处理92.6 边缘检测11第3章 人脸识别计算机系统123.1 系统基础构架123.2 人脸检测定位算法123.3 匹配和识别17结论24致谢25参考文件26附录1 人脸识别MATLAB源程序27附录2 外文参考文件及翻译31第1章 绪论1.1 课题研究背景、目标及意义1.1.1 课题研究背景数字图像处理技术是20世纪60年代发展起来一门新兴技术。近30多年来，在计算机科技和大规模集成电路技术迅猛发展、离散数学理论创建和完善，和工业、军事、医学等方面应用需求在不停增加，人脸识别技术已经在人机交互、安全验证系统、系统公安(罪犯识别等)、医学、档案管理、信用卡验证、视频会议等方面巨大应用前景而越来越成为目前模式识别和人工智能领域一个研究热点。现在，人脸识别技术应用最广泛地方就是各大企业、商场、政府保密机构门禁考勤系统。20世纪90年代后期以来，部分商业性人脸识别技术系统逐步进入市场。自美国遭遇恐怖分子攻击事件后，这一技术引发了社会各方广泛关注。因为隐蔽性十分好，该项技术逐步成为国际反恐及安全防范关键手段之一。人脸识别技术在中国也有迅猛发展历史。国家“十一五”科技发展计划就将人脸识别技术研究和发展列入其中，并明确指出“要在生物特征识别技术领域缩小和世界优异水平差距，开展生物特征识别应用技术研究，开发含有高安全性、低误报率出入口控制新产品。”在这种形势下，中国部分科研院所在人脸识别技术上有了重大发展和突破。如清华大学、中科院计算机所、中科院自动化所等自主研发人脸识别技术已经达成了国际优异水平。经过多年研发探索，在世界各大研究机构研发人员共同努力下，人脸识别技术这一领域取得了丰硕结果，这些研究结果取得和科技进步，更深入推进了人类对人脸识别技术这一高端技术深入研究。人脸识别技术，顾名思义，指利用采集、分析、比较人脸视觉特征信息来进行身份判别计算机技术。广义人脸识别实际包含构建人脸识别系统一系列相关技术，包含人脸图像采集、人脸定位、人脸识别预处理、身份确定和身份查找等；而狭义人脸识别特指经过人脸进行身份确定或身份查找技术或系统。它是大家一直所追求让机器智能化技术，就是让机器含有和人类一样思索能力，识别能力和处理事务能力。而人脸识别技术研究就是在这么背景下发展起来。1.1.2 研究目标及意义现在，人脸识别技术已经广泛用于军队、政府、社会福利保障、银行、安全防务及电子商务等领域。而我们研究这项技术目标就是让其愈加好地服务于人类社会，在这个生活快节奏前提下，和人方便。比如京沪高铁三站将建立人脸识别系统，即使整容也能被识别。铁路部门公布计划时表示，将在京沪高铁段天津西站、济南西站、上海虹桥站这三个站点，建立人脸识别系统工程，以此来帮助公安部门甄别、抓捕在逃罪犯。利用这个系统，即使作案后犯罪分子进行整容，也会被识别。研究人脸识别技术，在现实意义上含有重大意义：一是能深入加强对人类视觉系统本身认知；二是能够满足人类社会中对人工智能应用广泛需要。同时人脸识别技术又有自然性、无侵犯性、成本低、智能化等多个显著优势。人脸识别技术研究也有重大学术价值。因为人类有很复杂细节改变，比如眼镜、胡须、发型等隶属物干扰，这就给该项技术带来了巨大挑战。成功结构出人脸识别系统将为处理其它和之类似复杂问题提供关键启示。1.2 本课题关键内容此次课题关键讲述了人脸识别中应用Matlab对图像进行预处理，经过人脸检测、人脸跟踪、人脸比对来实现基于Matlab人脸识别系统仿真。利用Matlab实现一个集多个预处理方法于一体通用人脸识别仿真系统，将该系统作为图像预处理模块嵌入在人脸识别系统中，并利用灰度图像直方图比对来实现人脸图像识别判定。文中在研究人脸识别技术仿真过程中，关键包含了YCbCr空间、灰度图像转换、噪声消除、图像填孔、图像重构、人脸区域确定、边缘检测等技术。经过数次试验并比对各个算法和技术优缺点，有效地实现了基于Matlab人脸识别系统设计和仿真，并达成了预期目标和效果。第2章 图像处理Matlab实现2.1 识别系统组成人脸识别技术系统关键可分为四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取和匹配和识别。通常人脸识别系统构架图2.1所表示：人脸图像采集及检测人脸图像预处理人脸图像特征提取匹配和识别图2.1 人脸识别系统构架（1）人脸图像采集及检测 人脸图像采集：人脸图像信息全部能经过摄像镜头采集统计下来，比如不一样位置、不一样表情、静态图像、动态图像等方面全部能得到很好采集。当目标在采集设备拍摄范围内时，采集设备会自动搜索并采集目标人脸图像;人脸检测：在实际中关键应用于人脸识别预处理，即在采集到图像中正确定位出人脸位置。人脸图像中包含模式特征很丰富，如模板特征、结构特征、直方图特征、颜色特征等。人脸检测就是挑出这其中有用特征信息，并利用这些特征来实现人脸识别。（2）人脸图像预处理 人脸图像预处理：所谓人脸图像预处理，就是基于人脸检测结果，并对人脸图像进行处理，最终服务于人脸特征提取过程。系统获取原始人脸图像因为受到随机干扰和多种条件限制，通常不能直接使用，所以必需在人脸图像处理过程中要先对它进行灰度图像、噪声过滤等图像预处理。而对于人脸图像，预处理过程关键包含灰度变换、人脸图像光线赔偿、几何校正、直方图均衡化、归一化、滤波和锐化等。（3）人脸图像特征提取 人脸图像特征提取：人脸识别系统通常会使用特征分为视觉特征、人脸图像变换系数特征、像素统计特征和人脸图像代数特征等。所谓人脸特征提取即针对人脸一些特征进行提取。人脸特征提取，也被称为人脸表征，是对人脸特征进行建模过程。人脸特征提取方法总结起来能够分为两大类：一个是基于统计学习或代数特征表征方法；另一个是基于知识表征方法。（4）匹配和识别 人脸图像匹配和识别：将提取到图像特征数据和数据库中已存特征模板进行搜索匹配，设定一个阈值，当相同度超出这一阈值时，则把匹配所得到结果输出。人脸识别就是将待识别人脸特征和已存放人脸特征模板进行比对，依据相同度对该人脸图像身份信息进行判别。这一过程关键分为两步：第一步是确定，就是一对一进行图像比较过程，第二步是识别，就是一对多进行图像匹配对比过程。2.2 人脸图像读取和显示人脸图像读取和显示可经过imread( )和imshow( )指令来实现;图像输出能够用imwrite( )函数，很方便快捷将图像输出到电脑硬盘上;另外还能够经过imcrop( )、imrisize( )、imrotate( )等函数来实现图像裁剪、缩放和旋转等功效。2.3 图像类型转换Matlab支持多个图像类型,在很多图像操作处理中,对图像类型有要求,所以就包含到了对图像类型进行转换。Matlab7.0图像处理工具箱包含了不一样图像类型之间相互转换大量函数,如rgb2gray()能够将颜色映像表或RGB图像转换为灰度图像，经过mat2gray()函数能实现矩阵转换为灰度图像功效。在类型转换处理过程中,我们还会常常碰到数据类型不匹配问题,针对这一问题,Matlab7.0工具箱中为我们提供了多种数据类型之间相互转换函数,比如double()函数功效就是将数据转换为双精度数据类型。因为后续图像增强、边缘检测等全部是针对灰度图像进行,而原图像是RGB图像,所以我们首先要对原图像进行类型转换。实现过程代码以下:i=imread(F:2.JPG);j=rgb2gray(i);imshow(j);imwrite(j,F:2.tif)转换后灰度图像图2.2所表示：图2.2 灰度图像2.4 图像增强图像增强目标是改善图像视觉效果,或使图像更适合于人或机器进行分析处理。经过图像增强，能够降低图像中噪声，提升目标和背景对比度，也能够强调或抑制图像中一些细节。比如，消除照片中划痕，改善光照不均匀图像，突出目标边缘等。实现图像灰度转换方法有很多,其中最常见到是直方图变换方法,即直方图均衡化。该种方法是使输出图像直方图近似服从均匀分布变换方法。Matlab7.0图像处理工具箱中为我们提供了图像直方图均衡化函数histeq(),我们也能够经过imhist()函数计算和显示图像直方图。经过原图和直方图均衡化后图像对比能够发觉,图像变得愈加清楚,而且均衡化后直方图相对于原直方图形状更为理想。实现过程代码以下:i=imread(F:2.tif);j=histeq(i);imshow(j);figure,subplot(1,2,1),imhist(i);subplot(1,2,2),imhist(j)实施后得到图像以下所表示： 图2.3 均衡化后灰度图像 图2.4 均衡化前后直方图对比图2.5 灰度图像平滑和锐化处理平滑滤波器作用是模糊图像或消除噪声,Matlab7.0图像处理工具箱为我们提供了wiener2()来实现对图像噪声自适应滤波，medfilter2()函数用来实现中值滤波。在本文案例中,为使滤波效果愈加显著,我们预先为人脸图像人为增加噪声,然后用自适应滤波方法对图像进行滤波处理。锐化处理作用是用来强调图像中被模糊细节,在本案例中，采取了预定义高斯滤波器方法对图像进行锐化滤波。实现过程代码以下:i=imread(F:2.tif);j=imnoise(i,gaussian,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)subplot(1,2,2),imshow(j2)实施上述代码后得到图像以下所表示：图2.5 平滑滤波效果图图2.6 锐化滤波效果图图2.5中，第一个为加入噪声图像，第二个为滤波后图像；图2.6中，第一个为原灰度图像，第二个为锐化后图像。2.6 边缘检测数字图像边缘检测是目标区域识别、图像分割、区域形状提取等图像分析过程中十分关键基础步骤,也是人脸图像识别中用来实现提取图像特征一个关键步骤。经过计算一阶导数或二阶导数能够快捷地检测出图像中每个像素在其邻域内灰度改变，从而检测出边缘。常见有梯度算子, ,Roberts算子，canny算子,Log算子等。Matlab7.0工具箱中为我们提供edge()函数能够用来进行边缘检测,同时也能够依据案例所需要选择适宜算子及其参数。Matlab7.0图像处理工具箱中提供了edge()函数来实现图像边缘检测,还有多种方法算子供我们选择,在本案例中采取了canny算子来进行图像边缘检测,程序代码以下:i=imread(F:2.tif);j=edge(i,canny,0.04,0.25,1.5);imshow(j)实施上述程序后得到以下图像： 图2.1 原灰度图像 图2.7 边缘检测效果图第3章 人脸识别计算机系统3.1 系统基础构架人脸识别是一个十分复杂过程，通常人脸识别计算机系统步骤图3.1所表示。它包含多个步骤：进行图像采集，对于采集到图像，首优异行人脸检测，得出有没有些人脸结果；然后进行人脸定位，找出人脸位置并提取出来。对于人脸定位，在输入是图像序列时，通常也被称为人脸跟踪。通常检测和定位同时进行。借助人脸描述对提取出来人脸就能够进行人脸识别，即经过提取人脸特征来确定其身份。开 始图像采集检测定位是否定位成功是否处理成功图像预处理人脸识别是否识别成功识别结果结 束是是是图3.1 基础框架图3.2 人脸检测定位算法人脸检测定位算法可分为两大类：一类是基于隐式特征方法；另一类是基于显式特征方法所谓显式特征，即指人类肉眼能够直观看到特征，如肤色、脸部结构、脸部轮廓等。基于显式特征方法是指经过肉眼观察，总结概括出人脸区域区分于“非人脸”区域特征，依据和被检测区域对比，即是否满足这些人脸特征，从而判定该区域包含人脸是否。依据所选择“人脸特征”，基于显式特征方法能够分为三类：模板匹配方法、基于肤色模型方法、基于先验知识方法。以上三类方法优缺点概括见表3-1：表3-1 优缺点对比检测方法优 点缺 点模板匹配含有较强直观性和很好适应性对面部表情变换敏感；对于模板选择、参数确实定很困难肤色模型检测速度相对较快阳光、背景光线等会使人脸区域被分割，造成被漏检先验知识方法对于复杂图像中人脸检测有较大优势依靠于先验知识；工作量较大，运算时间较长基于隐式特征方法就是将人脸区域看成一类模式，经过“人脸”、“非人脸”样本、结构分类器使用，判别图像中全部可能区域是否符合“人脸模式”一类方法来实现人脸检测。这类方法能够分为：神经网络法、特征脸法、积分图像法、支持向量法。以上四种方法优缺点比较见表3-2：表3-2 优缺点对比表检测方法优 点缺 点神经网络法效率较高，错误报警数较少，网络监测速度较快多样本训练所花费时间多，网络监测错误报警数较多本征脸法能抽象人脸全部信息，运算时间相对较短经过模板测效率较低，多模板即使增加了效率，不过检测时间较长积分图像分析法检测速度较快，满足实时检测要求，检测效率相对较高错误报警数和检测率成反比支撑向量法含有愈加好泛化能力“非人脸”复杂造成支持向量数目较多，造成运算复杂度变大利用matlab软件仿真进行人脸检测定位实例：人脸检测定位程序：% Reading of a RGB image原始图像 i=imread(F:2.JPG);I=rgb2gray(i);BW=im2bw(I);figure,imshow(BW) %灰度图像及均衡化灰度图像 n1 n2=size(BW);r=floor(n1/10);c=floor(n2/10);x1=1;x2=r;s=r*c; for i=1:10 y1=1;y2=c; for j=1:10 if (y2=9*c) | (x1=1 | x2=r*10) loc=find(BW(x1:x2, y1:y2)=0); o p=size(loc); pr=o*100/s; if prmx & (BB2(1,k)/BB2(1,k+1)1.8 mx=p; j=k; endendfigure,imshow(I);hold on;rectangle(Position,BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j),EdgeColor,r ) 1.原始图片 2.灰度图片 3.均衡化灰度图片 4.人脸定位3.3 匹配和识别人脸人别系统最终一步是人脸识别。人脸识别，即经过对所采集到人脸图像进行一系列处理，提取待识她人脸图像特征信息，经过和已存人脸数据库信息进行匹配识别，确定待识她人脸图像基础信息。运行以下代码：function varargout = faceCore(varargin)% FACECORE M-file for faceCore.fig% FACECORE, by itself, creates a new FACECORE or raises the existing% singleton*.% H = FACECORE returns the handle to a new FACECORE or the handle to% the existing singleton*.% FACECORE(CALLBACK,hObject,eventData,handles,.) calls the local% function named CALLBACK in FACECORE.M with the given input arguments.% FACECORE(Property,Value,.) creates a new FACECORE or raises the% existing singleton*. Starting from the left, property value pairs are% applied to the GUI before faceCore_OpeningFunction gets called. An% unrecognized property name or invalid value makes property application% stop. All inputs are passed to faceCore_OpeningFcn via varargin.% *See GUI Options on GUIDEs Tools menu. Choose GUI allows only one% instance to run (singleton).% See also: GUIDE, GUIDATA, GUIHANDLES% Copyright - The MathWorks, Inc.% Edit the above text to modify the response to help faceCore% Last Modified by GUIDE v2.5 28-May- 10:21:26% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct(gui_Name, mfilename, . gui_Singleton, gui_Singleton, . gui_OpeningFcn, faceCore_OpeningFcn, . gui_OutputFcn, faceCore_OutputFcn, . gui_LayoutFcn, , . gui_Callback, );if nargin & ischar(varargin1) gui_State.gui_Callback = str2func(varargin1);endif nargout varargout1:nargout = gui_mainfcn(gui_State, varargin:);else gui_mainfcn(gui_State, varargin:);end% End initialization code - DO NOT EDIT% - Executes just before faceCore is made visible.function faceCore_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to faceCore (see VARARGIN)% Choose default command line output for faceCorehandles.output = hObject;% Update handles structureguidata(hObject, handles);% UIWAIT makes faceCore wait for user response (see UIRESUME)% uiwait(handles.figure1);% - Outputs from this function are returned to the command line.function varargout = faceCore_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% Get default command line output from handles structurevarargout1 = handles.output;% - Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global TrainDatabasePath ;TrainDatabasePath = uigetdir(strcat(matlabroot,work), 训练库路径选择. );% - Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global TestDatabasePath;TestDatabasePath = uigetdir(strcat(matlabroot,work), 测试库路径选择.);% - Executes on button press in pushbutton3.%function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)%filename,pathname=uigetfile(*.jpg;*.bmp,);%str=pathname filename;%im=imread(str);%axes(handles.axes1);%imshow(im);% - Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global TrainDatabasePath ;global TestDatabasePath;global T;T = CreateDatabase(TrainDatabasePath);%m V_PCA V_Fisher ProjectedImages_Fisher = FisherfaceCore(T);% - Executes on button press in pushbutton5.function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global im;filename,pathname=uigetfile(*.jpg;*.bmp,选择测试图片.);str=pathname filename;im=imread(str);axes(handles.axes1);imshow(im);% - Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to p