毕业论文基于matlab的人脸识别专业系统设计与仿真含matlab源程序.doc

基于matlab人脸辨认系统设计与仿真

第一章 绪论
本章提出了本文研究背景及应用前景。一方面阐述了人脸图像辨认意义；然后简介了人脸图像辨认研究中存在问题；接着简介了自动人脸辨认系统普通框架构成；最后简要地简介了本文重要工作和章节构造。
1.1 研究背景
自70年代以来.随着人工智能技术兴起.以及人类视觉研究进展.人们逐渐对人脸图像机器辨认投入很大热情，并形成了一种人脸图像辨认研究领域，.这一领域除了它重大理论价值外，也极具实用价值。
在进行人工智能研究中，人们始终想做事情就是让机器具备像人类同样思考能力，以及辨认事物、解决事物能力，因而从解剖学、心理学、行为感知学等各个角度来探求人类思维机制、以及感知事物、解决事物机制，并努力将这些机制用于实践，如各种智能机器人研制。人脸图像机器辨认研究就是在这种背景下兴起，由于人们发现许多对于人类而言可以容易做到事情，而让机器来实现却很难，如人脸图像辨认，语音辨认，自然语言理解等。如果可以开发出具备像人类同样机器辨认机制，就可以逐渐地理解人类是如何存储信息，并进行解决，从而最后理解人类思维机制。
同步，进行人脸图像辨认研究也具备很大使用价依。犹如人指纹同样，人脸也具备唯一性，也可用来鉴别一种人身份。当前己有实用计算机自动指纹辨认系统面世，并在安检等部门得到应用，但还没有通用成熟人脸自动辨认系统浮现。人脸图像自动辨认系统较之指纹辨认系统、DNA鉴定等更具以便性，由于它取样以便，可以不接触目的就进行辨认，从而开发研究实际意义更大。并且与指纹图像不同是，人脸图像受诸多因素干扰:人脸表情多样性;以及外在成像过程中光照，图像尺寸，旋转，姿势变化等。使得同一种人，在不同环境下拍摄所得到人脸图像不同，有时更会有很大差别，给辨认带来很大难度。因而在各种干扰条件下实现人脸图像辨认，也就更具备挑战性。
国外对于人脸图像辨认研究较早，现己有实用系统面世，只是对于成像条件规定较苛刻，应用范畴也就较窄，国内也有许多科研机构从事这方而研究，并己获得许多成果。
1.2 人脸图像辨认应用前景
人脸图像辨认除了具备重大理论价值以及极富挑战性外，还其有许多潜在应用前景，运用人脸图像来进行身份验证，可以不与目的相接触就获得样本图像，而其他身份验证手段，如指纹、眼睛虹膜等必要通过与目的接触或相称接近来获得样木，在某些场合，这些辨认手段就会有不便之处。
就从当前和将来来看，可以预测到人脸图像辨认将具备辽阔应用前景，如表1-1中所列举就是其中已经实现或逐渐完善应用。
表1-1 人脸辨认应用
应用
长处
存在问题
信信用卡、汽车驾照、护照以及个人身份验证等
图像摄取可控
图像分割可控
图像质量好
需要建立庞大数据库
嫌疑犯照片匹配
图像质量不统一
多幅图像可用
潜在巨大图像库
互联网应用
视频信息价值高多人参加
存在虚假
银行/储蓄安全
监控效果好
图像分割不可控
图像质量较差
人群监测
图像质量高
可运用摄像图像
图像分割自由
图像质量低、实时性

1.3 本文研究问题
本文简介了人脸图像辨认中所应用MATLAB对图像进行预解决，应用该工具箱对图像进行典型图像解决,通过实例来应用matlab图像解决功能，对某一特定人脸图像解决，进而应用到人脸辨认系统。本文在总结分析人脸辨认系统中几种惯用图像预解决办法基本上，运用MATLAB实现了一种集各种预解决办法于一体通用人脸图像预解决仿真系统，将该系统作为图像预解决模块可嵌入在人脸辨认系统中，并运用灰度图像直方图比对来实现人脸图像辨认鉴定。
其中涉及到图像选用，脸部定位，特性提取，图像解决和辨认几种过程。
1.4 辨认系统构成
人类似乎具备“与生俱来”人脸辨认能力，赋予计算机同样能力是人类梦想之一，这就是所谓“人脸辨认”系统。假设咱们把照相机、摄像头、扫描仪等看作计算机“眼睛”，数字图像可以看作计算机观测到“影像”，那么AFR赋予计算机依照其所“看到”人脸图片来判断人物身份能力。
广义讲，自动人脸辨认系统具备如图1.1所示普通框架并完毕相应功能任务。

人脸图像获取
人脸检测
特性提取
人脸辨认

图1.1 人脸辨认系统普通框架
(1)人脸图像获取
普通来说，图像获取都是通过摄像头摄取，但摄取图像可以是真人，也可以是人脸图片或者为了相对简朴，可以不考虑通过摄像头来摄取头像，而是直接给定要辨认图像。
(2)人脸检测
人脸检测任务是判断静态图像中与否存在人脸。若存在人脸，给出其在图像中坐标位置、人脸区域大小等信息。而人脸跟踪则需要进一步输出所检测到人脸位置、大小等状态随时间持续变化状况。
(3)特性提取
通过人脸特性点检测与标定可以拟定人脸图像中明显特性点位置（如眼睛、眉毛、鼻子、嘴巴等器官），同步还可以得到这些器官及其面部轮廓形状信息描述。
依照人脸特性点检测与标定成果，通过某些运算得到人脸特性描述（这些特性涉及：全局特性和局部特性，显式特性和记录特性等）。
(4)基于人脸图像比对身份辨认
即人脸辨认(Face Identification)问题。通过将输入人脸图像与人脸数据库中所有已知原型人脸图像计算相似度并对其排序来给出输入人脸身份信息。这涉及两类辨认问题：一类是闭集(Close Set)人脸辨认问题，即假定输入人脸一定是人脸库中某个个体；另一类是开集(Open Set)辨认，即一方面要对输入人脸与否在已知人脸库中做出判断，如果是，则给出其身份。
(5)基于人脸图像比对身份验证
即人脸确认(Face Verification)问题。系统在输入人脸图像同步输入一种顾客宣称该人脸身份信息，系统要对该输入人脸图像身份与宣称身份与否相符作出判断。
1.5 论文内容及组织
第二章重要简介人脸辨认系统中所用到仿真软件Matlab，简介了在人脸图像辨认过程中所需要图像解决技术，涉及：某些基本操作、格式转换、图像增强等。并做了一种Matlab图像解决功能实例
第三章重要始涉三个方面：一方面是对人脸辨认系统构成做详细阐述；另一方面就是对人脸辨认过程中核心环节人脸检测、特性提取和图像预解决做详细简介；最后就是Matlab在人脸辨认系统中详细应用，即人脸图像辨认详细技术，并用Matlab进行仿真实验并得到成果。
第四章是对人脸图像辨认体系构架设计，并给出了人脸辨认用到理论知识即直方图差别对比，并编写matlab代码实现人脸图像辨认。
第五章总结了全文工作并对后来需要进一步研究问题进行了展望。

第二章 图像解决Matlab实现
2.1 Matlab简介
由Math Work公司开发Matlab语言语法限制不严格,程序设计自由度大,程序可移植性好。Matlab还推出了功能强大适应于图像分析和解决工具箱,惯用有图像解决工具箱、小波分析工具箱及数字信号解决工具箱。运用这些工具箱,咱们可以很以便从各个方面对图像性质进行进一步研究。Matlab图像解决工具箱支持索引图像、RGB图像、灰度图像、二进制图像并能操作.bmp、.jpg、.tif等各种图像格式文献。
2.2 数字图像解决及过程
图像是人类获取信息、表达信息和传递信息重要手段。运用计算机对图像进行去除噪声、增强、复原、分割、提取特性等理论、办法和技术称为数字图像解决。数字图像解决技术已经成为信息科学、计算机科学、工程科学、地球科学等诸多方面学者研究图像有效工具。数字图像解决重要涉及图像变换、图像增强、图像编码、图像复原、图像重建、图像辨认以及图像理解等内容。
2.2.1图像解决基本操作
读取和显示图像可以通过imread()和imshow()来实现;图像输出用imwrite()函数就可以很以便把图像输出到硬盘上;此外还可以用imcrop()、imrisize()、imrotate()等来实现图像裁剪、缩放和旋转等功能。
2.2.2图像类型转换
Matlab支持各种图像类型,但在某些图像操作中,对图像类型有规定,因此要涉及到对图像类型进行转换。Matlab7.0图像解决工具箱为咱们提供了不同图像类型互相转换大量函数,如mat2gray()函数可以将矩阵转换为灰度图像,rgb2gray()转换RGB图像或颜色映像表为灰度图像。在类型转换时候,咱们还经常遇到数据类型不匹配状况,针对这种状况,Matlab7.0工具箱中,也给咱们提供了各种数据类型之间转换函数,如double()就是把数据转换为双精度类型函数。
2.2.3图像增强
图像增强目是为了改进图像视觉效果,提高图像清晰度和工艺适应性,以及便于人与计算机分析和解决,以满足图像复制或再现规定。图像增强办法分为空域法和频域法两大类,空域法重要是对图像中各个像素点进行操作;而频域法是在图像某个变换域内对整个图像进行操作,并修变化换后系数,如傅立叶变换、DCT变换等系数,然后再进行反变换,便可得到解决后图像。下面以空域增强法几种办法加以阐明。
(1).灰度变换增强
有各种办法可以实现图像灰度变换,其中最惯用就是直方图变换办法,即直方图均衡化。这种办法是一种使输出图像直方图近似服从均匀分布变换算法。Matlab7.0图像解决工具箱中提供了图像直方图均衡化详细函数histeq(),同步咱们可以用函数imhist()函数来计算和显示图像直方图。
(2).空域滤波增强
空域滤波按照空域滤波器功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目在于强调图像被模糊细节。在Matlab中,各种滤波办法都是在空间域中通过不同滤波算子实现,可用fspecial()函数来创立预定义滤波算子,然后可以使用imfilter()或filter2()函数调用创立好滤波器对图像进行滤波。
2.2.4边沿检测
数字图像边沿检测是图像分割、目的区域辨认、区域形状提取等图像分析领域十分重要基本,也是图像辨认中提取图像特性一种重要属性。边沿检测算子可以检查每个像素邻域并对灰度变化率进行量化,也涉及对方向拟定,其中大多数是基于方向导数掩模求卷积办法。惯用有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供edge()函数可以进行边沿检测,在其参数里面,可以依照需要选取适当算子及其参数。
2.3图像解决功能Matlab实现实例
本文通过运用图像解决工具箱关于函数对一人脸彩色图像进行解决。
1)图像类型转换
因背面图像增强,边沿检测都是针对灰度图像进行,而咱们原图是RGB图像,因此一方面咱们要对原图类型进行转换。实现过程代码如下:
i=imread('f:\face1.jpg');j=rgb2gray(i);
imshow(j);imwrite(j,'f:\face1.tif')
效果图2.1

图2.1
2)图像增强
(1)灰度图像直方图均衡化
通过比较原图和直方图均衡化后图像可见,图像变得更清晰,并且均衡化后直方图比原直方图形状更抱负。该某些程序代码如下:
i=imread('f:\face1.tif');
j=histeq(i);imshow(j);
figure,subplot(1,2,1),imhist(i);
subplot(1,2,2),imhist(j)
执行后效果图如图2.2和图2.3:

图2.2均衡化后灰度图像 图2.3均衡化先后直方图对比图

(2)灰度图像平滑与锐化解决
平滑滤波器目在于模糊图像或消除噪声,Matlab7.0图像解决工具箱提供了medfilter2()函数用于实现中值滤波,wiener2()实现对图像噪声自适应滤波。在本文实例中,为了使滤波效果更明显,咱们事先为图像以为增长滤波,然后用自适应滤波办法对图像进行滤波。锐化解决目在于强调图像被模糊细节,在本实例中采用了预定义高斯滤波器办法对图像进行锐化滤波。功能实当代码如下:
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)
subplot(1,2,2),imshow(j2)

得到效果图如图2.4和图2.5:

加入噪声图像 滤波后图像

图2.4 平滑滤波效果

原灰度图像 锐化后图像

图2.5 锐化滤波效果图

3)边沿检测
Matlab7.0图像解决工具箱提供了edge()函数实现边沿检测,还
有各种办法算子供选取,在本实例中采用了canny算子来进行边沿检
测,
程序代码如下:
i=imread('f:face.tif');
j=edge(i,'canny',[0.04,0.25],1.5);
imshow(j)
效果图如图2.6:

原灰度图像 边沿检测后图像

图2.6 边沿检测效果图

2.4 本章小结
以上实例只是对Matlab图像解决工具箱函数一小某些运用,从这些功能运用可以看出,Matlab语言简洁,可读性强。作为人脸辨认系统中图像预解决工具，有非常好解决功能。
第三章 人脸图像辨认计算机系统
3.1 引言
计算机人脸辨认是一种非常活跃研究领域，因其在公安刑侦破案、银行密码系统、计算机安全系统以及动态监视系统等方面均有广泛应用，已成为当前模式辨认、计算机视觉领域研究热点。人脸辨认系统普通涉及人脸检测与定位、人脸图像预解决、特性提取和匹配辨认四个构成某些。其中，人脸图像预解决，作为特性提取和辨认前提环节，是计算机人脸辨认系统中必要环节。其目是在去除噪声，加强有用信息，对输入设备或其她因素导致退化现像进行复原，为后续特性提取和辨认作准备。
不同人脸辨认系统依照其采用图像来源和辨认算法需要不同，采用预解决办法也不同。惯用人脸图像预解决办法有：滤波去噪、灰度变换、图像二值化、边沿检测、尺寸归一化、灰度归一化等。用在同一系统中也许只有其中一种或几种预解决办法，但一旦库中采集到原始图像质量发生较大变化（如人脸大小、光照强度、拍摄条件、成像系统等方面变化），原有预解决模块便不能满足特性提取需要，还要更新，这是极不以便。
鉴于此，作者在总结分析了灰度变换、滤波去噪、边沿检测三种广泛应用于不同人脸辨认系统中预解决办法基本上，设计了一种通用人脸图像预解决仿真系统。该系统可对不同条件下原始图像进行相应预解决。如，顾客可依照需要选取使用不同滤波办法去除噪声、不同边沿检测算子检测人脸边沿、选取不同灰度变换算法实现图像灰度校正和灰度归一化，仿真系统同步还实现了尺寸归一化、二值化等其她惯用图像预解决算法。
3.2系统基本机构
人脸辨认是一种复杂过程，一种计算机人脸辨认流程如图3-1所示。它涉及几种环节：对采集到图像，一方面进行人脸检测（在输入图像中寻找人脸），给出人脸有无成果；然后进行人脸定位，拟定人脸位置并提取出来。对人脸定位在输入是图像序列时普通也称之为人脸跟踪。普通检测和定位结合进行。对提取出来人脸借助人脸描述就可以进行（狭义）人脸辨认，即通过提取特性来拟定其身份。

图3.1 基本框架图
3.3 人脸检测定位算法
人脸检测定位算法大体可分为两大类：基于显式特性办法和基于隐式特性办法。
所谓显式特性是指对人类肉眼来说直观可见特性，如肤色、脸部轮廓、脸部构造等。基于显式特性办法是指由人通过肉眼观测，总结出人脸区别于“非人脸”区域特性，然后依照被检测区域与否满足这些“人脸特性”，来鉴定该区域与否包括人脸。依照所选取“人脸特性”，基于显式特性办法分如下三类：基于肤色模型办法、模板匹配办法、基于先验知识办法。
在彩色图像中，颜色是人脸表面最为明显特性之一，运用颜色检测人脸是很自然想法。Yang等在考察了不同种族、不同个体肤色后，以为人类肤色能在颜色空间中聚成单独一类，而影响肤色值变化最重要因素是亮度变化。因而她们采用广泛使用RGB颜色空间，在滤去亮度值图像中通过比较像素点ｒ、ｇ值与肤色范畴来推断该像素点及其邻域与否属于人脸区域。除了RGB颜色空间，尚有诸如HIS，LUV，GLHS等其他颜色空间被使用。寻找到肤色区域后，必要进行验证，排除类肤色区域。Yoo等运用肤色像素连通性分割出区域，使用椭圆拟合各个区域，依照椭圆长短轴比率判断与否为人脸。
模板匹配办法普通是人为地先定义一种原则人脸模板，计算输入图像与模板似然度；然后，拟定一种似然度阈值，用以判断该输入图像中与否包括人脸。原则人脸模板可以是固定样板，也可以是带参变量曲线函数。
基于先验知识办法则采用符合人脸生理构造特性人脸镶嵌图（mosaic image）模型，并在分析了足够多人脸图像样本基本上，针对人脸灰度、边沿、纹理等信息，建立一种关于人脸知识库。在检测中，一方面抽取这些灰度、边沿等信息，然后检查它与否符合知识库中关于人脸先验知识。
以上三种办法优缺陷比较见表3-1。

表3-1 基于显示特性办法特点
检测办法
长处与合用场合
缺陷与需要改进地方
肤色模型
检测速度快
高光和阴影会导致人脸区域被分割而被漏检；肤色区域存在提高了预警率
模板匹配
直观性好，具备较好适应性
对表情、尺度变换敏感；可变模板选取和参数拟定非常困难
基于知识办法
合用复杂图像中人脸检测
依赖先验知识；多尺度空间遍历工作量大，运算时间长

基于隐式特性办法将人脸区域当作一类模式，使用大量“人脸”、“非人脸”样本训练、构造分类器，通过鉴别图像中所有也许区域与否属于“人脸模式”办法来实现人脸检测。此类办法有：特性脸法、人工神经网络法、支持向量机法；积分图像法。
特性脸法（eigenface）把单个图像当作一维向量，众多一维向量形成了人脸图像特性空间，再将其变换到一种新相对简朴特性空间，通过计算矩阵特性值和特性向量，运用图像代数特性信息，寻找“人脸”、“非人脸”两种模式在该特性空间中分布规律。
人工神经网络（Artificial Neural Network，ANN）办法是通过训练一种网络构造，把模式记录特性隐含在神经网络构造和参数之中。基于人工神经网络办法对于复杂、难以显式描述模式，具备独特优势。
支撑向量机（Support Vector Machine，SVM）法是在记录学习理论基本上发展出一种新模式辨认办法，它基于构造风险最小化原理，较之于基于经验风险最小化人工神经网络，某些难以逾越问题，如：模型选取和过学习问题、非线性和维数劫难问题、局部极小点问题等都得到了很大限度上解决。但是直接使用SVM办法进行人脸辨认有两方面困难：第一，训练时需规定解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模训练集合，得到支持向量会诸多，使得分类器计算量过高。
基于积分图像（Integral Image）特性人脸检测办法是Viola等新近提出一种算法，它综合使用了积分图像描述办法、Adaboost学习算法及训练办法、级联弱分类器。
以上四种办法优缺陷比较见表3-2
表3-2 基于隐式特性办法特性
检测办法
长处
缺陷与需要改进地方
本征脸法
原则人脸模板能抽象人脸所有信息，运算不涉及迭代耗费时间短
但模板检测效率低，多模板提高了效率也增长了检测时间
神经网络法
检测效率高，错误报警数目不多，训练成熟网络监测速度快
多样本训练耗费时间多，但网络监测错误报警数目多
支撑向量机机法
比神经网络办法具备更好泛化能力，能对为观测到例子进行有效分类
“非人脸”样本复杂多样，导致支持向量数目多，运算复杂度大
基于积分图像分析法
检测速度快，基本满足实时检测规定，检测效率可以与神经网络法比较
错误报警数目少时，检测率不高

运用matlab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

i=imread('face1.jpg');
I=rgb2gray(i);
BW=im2bw(I);
figure,imshow(BW)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%% minimisation of background portion

[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<=c | 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 pr<=100
BW(x1:x2，y1:y2)=0;
r1=x1;r2=x2;s1=y1;s2=y2;
pr1=0;
end
imshow(BW);
end
y1=y1+c;
y2=y2+c;
end

x1=x1+r;
x2=x2+r;
end
figure,imshow(BW)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%% detection of face object

L = bwlabel(BW,8);
BB = regionprops(L，'BoundingBox');
BB1=struct2cell(BB);
BB2=cell2mat(BB1);

[s1 s2]=size(BB2);
mx=0;
for k=3:4:s2-1
p=BB2(1,k)*BB2(1,k+1);
if p>mx & (BB2(1,k)/BB2(1,k+1))<1.8
mx=p;
j=k;
end
end
figure,imshow(I);
hold on;
rectangle('Position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'EdgeColor','r' )

原始图片 灰度图片

均衡化灰度图片 人脸定位

3.4 人脸图像预解决
不同人脸辨认系统依照其采用图像来源和辨认算法需要不同，采用预解决办法也不同。惯用人脸图像预解决办法有：滤波去噪、灰度变换、图像二值化、边沿检测、尺寸归一化、灰度归一化等。用在同一系统中也许只有其中一种或几种预解决办法，但一旦库中采集到原始图像质量发生较大变化（如人脸大小、光照强度、拍摄条件、成像系统等方面变化），原有预解决模块便不能满足特性提取需要，还要更新，这是极不以便。鉴于此，作者在总结分析了滤波去噪、边沿检测、灰度变换三种广泛应用于不同人脸辨认系统中预解决办法基本上，设计了一种通用人脸图像预解决仿真系统。该系统可对不同条件下原始图像进行相应预解决。如，顾客可依照需要选取使用不同滤波办法去除噪声、不同边沿检测算子检测人脸边沿、选取不同灰度变换算法实现图像灰度校正和灰度归一化，仿真系统同步还实现了尺寸归一化、二值化等其她惯用图像预解决算法。
3.4.1 仿真系统中实现人脸图像预解决办法
依照所查阅文献资料，常应用于人脸图像预解决办法有：图像类型转换、滤波去噪、灰度变换、边沿检测及二值化、尺寸归一化、灰度归一化等。作为通用人脸图像预解决模块，要可以充分适应不同人脸库中图像在人脸大小、光照强度、成像系统等方面任意性和差别性，不能单独采用某种单一滤波、灰度变换和边沿检测办法。因此，在本仿真系统中，对上述每种预解决办法所有加以实现同步，还对三种最惯用预解决办法：滤波去噪、灰度变换、边沿检测，提供了各种不同详细算法供顾客比较、选取之用。
1)滤波去噪
由于噪声给图像带来失真和降质，在特性提取之前采用滤波方式来去除噪声是实际人脸辨认系统中所必要环节。滤波办法有诸多，如各种平滑滤波、各种锐化滤波等，关于各种滤波办法原理和分类可参照文献[2]。下面对本文实现滤波办法及其选取根据加以阐明。在人脸图像预解决中使用较多滤波是平滑滤波，办法可分为如下三类：线性滤波、中值滤波、自适应滤波。
（1）线性滤波最典型线性滤波办法如，采用邻域平均法均值滤波器、采用邻域加权平均高斯滤波和维纳滤波。对图像进行线性滤波可以去除图像中某些特定类型噪声，如图像中颗粒噪声，高斯噪声、椒盐噪声等。对扫描得到人脸图像依照其噪声类型普通采用此种滤波办法。考虑滤波模板大小对滤波效果影响较大，仿真系统选取算法时对同种滤波算法提供了不同模板大小状况。
（2）中值滤波法中值滤波法是一种非线性滤波办法，它把像素及其邻域中像素按灰度级进行排序，然后选取该组中间值作为输出像素值。中值滤波办法最大长处是抑制噪声效果明显且能保护边界。对于使用基于整体人脸辨认算法系统中，由于失掉社区域细节对特性提取影响较小，因此这种滤波办法最受欢迎。
（3）自适应滤波自适应滤波可以依照图像局部方差来调节滤波器输出，其滤波效果要优于线性滤波，同步可以更好地保存图像边沿和高频细节信息。
2)灰度变换
灰度变换是图像增强技术中一种。通过灰度变换，可对原始图像中光照不均进行补偿，使得待辨认人脸图像遵循同一或相似灰度分布。只有这样，不同图像在特性提取和辨认时才具备可比性。这一过程，也被称作灰度归一化。惯用在人脸辨认系统中灰度变换办法重要有：基于图像记录特性直方图均衡化、直方图规定化和灰度均值方差原则化三种办法。直方图均衡化和直方图规定化灰度变换原理和实现办法可由matlab仿真来实现。
三种灰度变换办法，均能在一定限度上消除由于光照条件不同而对人脸辨认带来影响。故在仿真系统中提供了三种灰度变换效果比较及选取界面，顾客可依照需要选用。
3)边沿检测
对输入人脸图像进行边沿检测是诸多人脸辨认系统在人脸粗定位及人脸重要器官（眼睛、鼻子、嘴巴）定位时采用预解决办法。边沿检测办法有诸多，重要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法等。每种算子对不同方向边沿检测能力和抑制噪声能力都不同。因此，和灰度变换及滤波去噪某些设计思路相似，在仿真系统中，笔者给出了canny、sobel、log、prewitt四种算子在不同灰度阈值下、不同方向边沿检测算法，使用者可从检测成果中加以比较、选取适当算法。图像类型转换、图像二值化、尺寸归一化也是某些人脸辨认系统中经常使用预解决办法。为了在不修改其她算法基本上，扩大系统解决图像类型和范畴，将输入图像一方面转换为统一类型，是多数人脸图像预解决中第一步。在本仿真系统中通过调用MATLAB中提供各种图像类型转换函数来实现TIF、JPG转换为BMP格式及彩色到灰度图像转换；对图像二值化，采用了graythresh()函数来自动选取阈值二值化办法[1]；尺寸归一化采用算法是对人脸图像进行剪裁和尺寸缩放，实现去除大某些头发、服饰和背景干扰并将人脸图像大小统一。

第四章 基于直方图人脸辨认实现
4.1辨认理论
用灰度直方图增强图像对比度是基于图像灰度值记录一种重要办法,它以概率论为基本,惯用实现算法重要是直方图均衡化和直方图规定化。
直方图均衡化重要用于增强动态范畴较小图像反差,基本思想是把原始图直方图变换为均匀分布形式,这样就增强了像素灰度值动态范畴,从而达到增强图像整体对比度效果。直方图均衡化长处是能自动地增强整个图像对比度,但它详细增强效果不好控制,解决成果总是得到全局均衡化直方图。实际中有时需要变换直方图使之成为某个需要形状,从而有选取地增强某个灰度值范畴内对比度或使图像灰度值分布满足特定规定,这时可以采用比较灵活直方图规定化办法。
4.2 人脸辨认matlab实现
实现成果如图4.1和4.2

图4.1 顾客界面 图4.2 实现成果
4.3 本章小结
在过去十年中基于直方图办法证其明简朴性和有用性。 最初这种想法基于颜色直方图。 此算法提供咱们建议技术名为"直方图解决人脸辨认"第一某些。同步使用灰度图像。 第一，每个灰度级频率是计算并存储在媒介作进一步解决。 第二，平均从存储载体持续九个频率计算，并存储在另一种载体，供后来使用，在测试阶段。 此均值向量用于计算平均值曾受训练图像和测试图像绝对差别。 最后拟定最小差别图像与测试图像匹配， 辨认精确性是 99.75%

第五章 结语
基于matlab数字图像解决与辨认系统其实是一种范畴很大应用系统，作者在此只是有针对性、有选取地进行了某些开发和实现。
该系统重要功能模块共有二个：（1）数字图像解决基本办法；（2）人脸辨认。
在“数字图像解决基本办法”这一某些，用到某些基本办法和某些最惯用解决办法来实现图像预解决，如格式转换，灰度变化和滤波锐化。仅就这一某些而言，就有诸多可以继续完毕工作，可将其他某些数字图像解决办法进一步加以实现，如图像平滑，图像矩阵变换（K-L变换、Fourier变换、小波变换等），图像膨胀腐蚀、图像几何变换（平移、旋转、缩放等），以及各种编码图像读写与显示。仅这一某些即可形成一种专用图像解决平台。
关于“人脸辨认”，在理解了人脸辨认各种办法后，选取了图像直方图差值比较进行了实现。该办法能较好地实现人脸分类，但对人脸图像规定较高，当前仅是采用Orl原则人脸库中图像来进行测试，因而能获得较高辨认率。而在现实生活中采集到人脸图像则会受到诸多因素影响，辨认率就未必能达到规定了。若要进一步提高辨认率和合用范畴，则还需要结合其他算法，如PCA、神经网络等。

道谢
在河北大学学习生活即将结束，在做毕业设计这段时间里，我教师、同窗、朋友和家人予以了我无微不至关怀，毫无保存指引和耐心细致协助，借此毕业论文完毕之际，谨向她们致以我最真诚感谢！
一方面，我衷心感谢我导师。林教师学识渊博、治学严谨、平易近人，她以其辽阔视野、敏锐洞察力、严谨治学态度在学术上给了我悉心指引。论文进展并不顺利时，是林教师以长者仁爱胸怀对我表达了理解，不但帮我指正了论文方向，并且为我提供了大量参照文献和网页论坛，导师勤勉敬业精神和一丝不苟工作态度使我深深感动，这将是我毕生工作和学习好榜样。

参照文献
[1] 祝磊，朱善安.人脸辨认一种新特性提取办法[J].计算机学报，，34（6）：122-1251
[2] 何东风，凌捷.人脸辨认技术综述[J].计算机学报，，13（12）75-78
[3] ,Younus Fazl-e-Basit Javed和Usman Qayyum”,采用直方图人脸辨认和解决”,第三阶段仅有关新兴技术研报告。
[4] 何国辉，甘俊英.PCA-LDA算法在性别鉴别中应用[J].中华人民共和国图像图形学报，，32（19）：208-211.
[5] 王聃，贾云伟，林福严.人脸辨认系统中特性提取[J].自动化学报，，21（7-3）.
[6] 张俭鸽，王世卿，盛光磊.基于小波和DFB-PCA人脸辨认算法研究[J].自动化学报，，23（2-1）.
[7] 曹林，王东峰，刘小军，邹谋炎.基于二维Gabor小波人脸辨认算法[J].电子学报，，28（3）490-494
[8] 焦峰，山世光，崔国勤，高文，李锦涛.基于局部特性分析人脸辨认办法[J].自动化学报，，15（1）：53-58
[9] Wangmeng Zuo，Kuanquan Wang，David Zhang，Hongzhi Zhang. Combination of two novel LDA-based methods for face recognition[C].Proceedings of the IEEE，：735-742
[10] 徐倩，邓伟.一种融合两种主成分分析人脸辨认办法[J].计算机学报，，43（25）：195-197

附录 人脸辨认matlab程序
function varargout = FR_Processed_histogram(varargin)
gui_Singleton = 1;
gui_State = struct('gui_Name'， mfilename，...
'gui_Singleton'， gui_Singleton，...
'gui_OpeningFcn'，@FR_Processed_histogram_OpeningFcn，...
'gui_OutputFcn'， @FR_Processed_histogram_OutputFcn，...
'gui_LayoutFcn'， [] ，...
'gui_Callback'， []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State，varargin{:});
else
gui_mainfcn(gui_State，varargin{:});
end
% End initialization code - DO NOT EDIT

%--------------------------------------------------------------------------
% --- Executes just before FR_Processed_histogram is made visible.
function FR_Processed_histogram_OpeningFcn(hObject，eventdata，handles，varargin)

handles.output = hObject;

% Update handles structure