基于matlab程序实现人脸识别.doc

基于matlab程序实现人脸识别(完整资料）(可以直接使用，可编辑 优秀版资料，欢迎下载）基于mtla程序实现人脸识别.人脸识别流程.1基本原理基于CbCr颜色空间的肤色模型进行肤色分割.在YCbCr色彩空间内对肤色进行了建模发现,肤色聚类区域在CbC子平面上的投影将缩减,与中心区域显著不同。采用这种方法的图像分割已经能够较为精确的将人脸和非人脸分割开来。1。1.2流程图人脸识别流程图2. 人脸识别程序（1） 人脸和非人脸区域分割程序funtion rslt ski(Y，C,Cr)SIN ummr of tis funcion goes hre% Dtild explanaio goesere=2。3；b=14。03；ecx1.60；cy=2；sta=253;cx=1098;y=15。0；shu=cos(sia） sin（sita）；si（sit） cos(ta）；%如果亮度大于23，则将长短轴同时扩大为原来的1.1倍if(Y23） a=1.*； b=1.*b；根据公式进行计算Cb=dole(Cb）;Cr=doble（C)；t（C-x）;（Cr-cy);temp=isht;val=（temp(1)c)2/a（temp(2）cy）2/b2；%大于1则不是肤色，返回0;否则为肤色，返回1if ue esu=0;else reult=1；ndn（2） 人脸的确认程序unctioney = finye（Imag，x,y，w,h）FDEESummary of thi function goes here% Deailed explantiogeshereparzeros（,)；%二值化for iy:(h）for j=:（x+）ifbImg（i,j）=0 art（i+,j-x+1）=255;ele prt(iy1，-+）；endendeL,num=bwlbl(rt,8）；%如果区域中有两个以上的矩形则认为有眼睛f num2 eye0；s eye=1；endnd(3) 人脸识别主程序clar all;读入原始图像Iiread（fa3.pg）；gray=rgb2gray(I）；ybcr=rgycbc（I）;将图像转化为CbCr空间highthsize（gray,1)；%读取图像尺寸dth=sze(gr，2）；for i=1：heighth 利用肤色模型二值化图像forj=1:dth =ybcr(i，j，1）； C=yb(,j,2）； Cr=ycbc（i，j，3）;if（Y0） y(i，j)=;lseif（skin（，C，Cr）=)%根据色彩模型进行图像二值化 gr(，）255；else ray（,j)=;endendenend=re(abitrary，ee（);%二值图像形态学处理gip(a，se);fiure;imsho(ra）,num=blael（gra，);采用标记方法选出图中的白色区域stts=regionpops(L,Bondgox)；%度量区域属性n=1；%存放经过筛选以后得到的所有矩形块reltzer（，）;fgure,ishow（I）;hl n；for 1：num %开始筛选特定区域 bo=stats(i）.BoundingBo； x=box（1);矩形坐标X =x（2）；矩形坐标Y =ox(）;%矩形宽度w h=x(4)；矩形高度 raio=h/w；%宽度和高度的比例 =ut6(x）; yut8（y);if ux1 uu-1；end uy1 uyy1；enf 20 2|w*h400 矩形长宽的范围和矩形的面积可自行设定oinuese rio2&ratio06& fideye(gray，x,，w,h)=根据“三庭五眼”规则高度和宽度比例应该在（0。6,2)内； resut(n,：)= y w； n=n+；endedif size(eul，1）=1 & sut(1，）0 对可能是人脸的区域进行标记 ectange(Position，result（1,1），rest（1,2)，slt（1，3),resul（,4）,EdgeColor，r);els%如果满足条件的矩形区域大于，则再根据其他信息进行筛选 a； arr1=；arr2;fom1：siz（rsult,1) m1=result（m，1）; m2=reslt(m,2）； m3rsult(m，）； =result（，);%得到符合和人脸匹配的数据if 3wid & m2+mhegth m3.2*th a=a+1; rr（a）=m3；arr2（a)=m;%rectangle(Positin，m,m2,m3，4,Egeoor，r）；ened%得到人脸长度和宽度的最小区域 arr=;arr3st（rr1,ascend); rr4=；arr=sort(arr2,ase）;根据得到的数据标定最终的人脸区域form1:siz(result，1） m1=rest（m，1); 2=result（m，2）； m=result（m，3)； m4=reslt(，4）；最终标定人脸im3wit& 2+m4heih& 30.2*widt =a3()； marr（1）; rctangle(Ption,m1,m2,m3，4，EdgeColor，）；edndend(4)程序说明人脸识别程序主要包含三个程序模块，人脸识别主程序由三部分构成。第一部分：将图像转化为Cbr颜色空间，根据色彩模型进行图像二值化,二值化图像进行形态学处理、开运算,显示二值图像；第二部分：采用标记方法选取出图中的白色区域，度量区域属性，存放经过筛选以后得到的所有矩形块,筛选特定区域,存储人脸的矩形区域;第三部分:对于所有人脸的矩形区域,如果满足条件的矩形区域大于1则再根据其他信息进行筛选,标记最终的人脸区域。图像分割程序中，利用肤色可以较为精确的将人脸和非人脸区域分割开来，得到较为精确的二值化图像。人脸的确认程序，以存储的所有矩形区域作为研究对象,当区域内有眼睛存在时，才认为此区域为人脸区域3运行结果（1） 第一幅图原始图像肤色分割的二值化图像人脸识别图像（2） 第二幅图原始图像肤色分割的二值化图像人脸识别图像（3） 第三幅图原始图像肤色分割的二值化图像人脸标定项目题目： 基于Mlb的语音识别 一、引言语音识别技术是让计算机识别一些语音信号，并把语音信号转换成相应的文本或者命令的一种高科技技术。语音识别技术所涉及的领域非常广泛，包括信号处理、模式识别、人工智能等技术。近年来已经从实验室开始走向市场，渗透到家电、通信、医疗、消费电子产品等各个领域，让人们的生活更加方便。语音识别系统的分类有三种依据：词汇量大小，对说话人说话方式的要求和对说话人的依赖程度。(）根据词汇量大小,可以分为小词汇量、中等词汇量、大词汇量及无限词汇量识别系统.（）根据对说话人说话方式的要求，可以分为孤立字(词)语音识别系统、连接字语音识别系统及连续语音识别系统。（3）根据对说话人的依赖程度可以分为特定人和非特定人语音识别系统。二、语音识别系统框架设计2。1语音识别系统的基本结构语音识别系统本质上是一种模式识别系统,其基本结构原理框图如图l所示，主要包括语音信号预处理、特征提取、特征建模（建立参考模式库）、相似性度量（模式匹配）和后处理等几个功能模块，其中后处理模块为可选部分.三、语音识别设计步骤.语音信号的特征及其端点检测图2 数字7开始部分波形图2是数字”7”的波形进行局部放大后的情况,可以看到，在6800之前的部分信号幅度很低，明显属于静音。而在680以后，信号幅度开始增强，并呈现明显的周期性。在波形的上半部分可以观察到有规律的尖峰,两个尖峰之间的距离就是所谓的基音周期,实际上也就是说话人的声带振动的周期。这样可以很直观的用信号的幅度作为特征，区分静音和语音。只要设定一个门限,当信号的幅度超过该门限的时候，就认为语音开始，当幅度降低到门限以下就认为语音结束。3。语音识别系统 3。语音识别系统的分类语音识别按说话人的讲话方式可分为3类：（1)即孤立词识别（isolatd wor reontin）,孤立词识别的任务是识别事先已知的孤立的词，如“开机、“关机等。(3）连续语音识别,连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话。从识别对象的类型来看，语音识别可以分为特定人语音识别和非特定人语音识别，特定人是指针对一个用户的语音识别,非特定人则可用于不同的用户。显然,非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。 .22语音识别系统的基本构成语音识别系统的实现方案如图3所示.输入的模拟语音信号首先要进行处理，包括预滤波,采样和量化,加窗，端点检测，预加重等。语音信号经处理后,接下来很重要的一环就是特征参数提取.图 语音识别系统在训练阶段,将特征参数进行一定的处理之后,为每个词条得到一个模型，保存为模版库。在识别阶段，语音信号经过相同的通道得到语音参数，生成测试模版，与参考模板进行匹配，将匹配分数最高的参考模型作为识别结果。3。 2.3 语音识别系统的特征参数提取特征提取是对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。语音信号是一种典型的时变信号，然而如果把观察时间缩短到十毫秒至几十毫秒，则可以得到一系列近似稳定的信号.人的发音器官可以用若干段前后连接的声管进行模拟，这就是所谓的声管模型。全极点线性预测参数 (LPC:Liner Peictionoefeien)可以对声管模型进行很好的描述，LPC参数是模拟人的发声器官的,是一种基于语音合成的参数模型.在语音识别中,很少用LPC系数，而是用C倒谱参数 （LPCC: Lier Pdicio eral Coeficint）。LCC参数的优点是计算量小,对元音有较好的描述能力，其缺点在于对辅音的描述能力较差,抗噪声性能较差。然而,人的听觉系统是一个特殊的非线性系统，它响应不同频率信号的灵敏度是不同的，基本上是一个对数关系。近年来，一种能够比较充分利用人耳这种特殊的感知特性的参数得到了广泛的应用，这就是Ml倒谱参数(MFCC:Mel一Freuency Pstral Coeffeiet）。MC参数能够比LCC参数更好地提高系统的识别性能.。3。.4 特定人语音识别算法-DTW算法在孤立词语音识别中,最为简单有效的方法是采用DTW（DynamicTiWr，动态时间归整）算法,该算法基于动态规划（DP）的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别.HM算法在训练阶段需要提供大量的语音数据，通过反复计算才能得到模型参数，而DTW算法的训练中几乎不需要额外的计算.所以在孤立词语音识别中,DTW算法仍然得到广泛的应用. 无论在训练和建立模板阶段还是在识别阶段，都先采用端点算法确定语音的起点和终点。已存入模板库的各个词条称为参考模板，一个参考模板可表示为R=（1），R(2),R(m），R(），m为训练语音帧的时序标号，=1为起点语音帧,m=为终点语音帧，因此为该模板所包含的语音帧总数,R(）为第m帧的语音特征矢量.所要识别的一个输入词条语音称为测试模板,可表示为(），T(2),，T(n)，(），n为测试语音帧的时序标号，n=1为起点语音帧，n=N为终点语音帧,因此为该模板所包含的语音帧总数，()为第n帧的语音特征矢量。参考模板与测试模板一般采用相同类型的特征矢量（如MF,LP系数)、相同的帧长、相同的窗函数和相同的帧移。四、基于atab的语音识别系统仿真.1 语音模板的获取运用系统的采集模块录制一个普通男声声音，录制 十个语音为实验对象 分别命名为0。wv,1.wa，av，a.av,4.av，.v,。v，.，a,。av 分析处理后提取特征参数，经过模板训练,为十个语音分别选取最合适的语音作为模板,存入数据库建立参考模型库.4。2 语音训练类似，录制一组普通男声的声音，同样为十个语音，作为十个待测语音信号。 图 数字0的训练波形及系数4. 语音识别训练结束后,用录音设备录入09中的数字,经过波形及系数匹配识别出录入数字，并正确显示识别结果。图数字0的识别结果五 总结通过这次二级项目,更深入的了解的Matab软件强大的功能，了解了利用Matb软件进行界面设计等。学习到语音识别技术仿真中各函数的运用。在不断地改进和完善中，这次二级项目终于顺利完成。参考文献1何强、何英. MTLAB扩展编程。北京：清华大学出版社，20026.江官星王建英一种改进的检测语音端点的方法微计算机信息20063.陈勇 屈志毅 刘莹 等语音特征参数 MFC的提取及其应用.湖南农业大学学报 自然科学版 204. 王炳锡等，实用语音识别基础,北京，国防工业出版社，20年 韩纪庆 张磊 郑铁然。语音信号处理北京:清华大学出版社200佳木斯大学毕业论文基于Matlab的人脸识别系统设计与仿真学 院 信息电子技术专 业电子信息工程班 级11级班学 籍 号00540116姓 名 杨 雷指导教师 周经国佳木 斯大 学205年6月1日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到身份鉴别效果的计算机技术。人脸识别是一项当下十分热门的计算机技术的研究领域，该项技术可以人脸明暗侦测，并且自动调整动态曝光补偿，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的一种,是利用生物体(一般指人）本身的生物特征从而达到区分生物体个体的目的。人脸识别技术目前主要用做身份识别。由于视频监控的飞速普及,使这项应用迫切的需要一种能实现在用户非配合状态下、远距离的进行快速身份识别的技术，以求能在远距离之下快速识别人员身份，从而实现智能预警的功能。最佳的选择无疑是人脸识别技术。采用快速人脸检测识别技术可以从视频监控图象中实时捕获到人脸信息，并与人脸数据库中的已存信息进行实时比对,从而达到快速身份识别的效果。报告利用MAA软件来实现人脸信息检测与识别,利用YCbr空间以及灰度图像来实现人脸的边缘分割, 将真彩图像转换为灰度图像，并根据肤色在CC色度空间上的分布范围，来设定门限阀值,从而实现人脸区域与非人脸区域的分割,通过图像处理等一系列的操作来剔除干扰因素，再通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、发型等干扰因素,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AbstrctFacerecognin eseialle compartie aali face visa feaue ifomation for idifcation of compuertechology Face conitons ao resear fild cmptertechnlogy，facedtcton,lght hd can be atomticalyadjusted dnacallexpsure cmpnstio， humnae trcing etecin, amaicdjusment of ige agniiation； t beongsto theometric ientifiation tehnolg, it s o ranims （geneally efers t peron)indvdual bilgcal carateritic to distinguishetween the orgasmitel.ce ecognitin s mainl udf idenificatio。 ecase of he vd monitornis fast polaizain， many thevido monoringapplication isan urget eed o a longtace, teuser notcooerate condition o apid dentifcaon technoloy, in orer . Faceeognitinehnlogy undoubtedly the et coe， the fat ace detectontecnlog tomonitor in realtimevdeoiage eah fo face， d with ra-time tanfcedtbse， soso realie rapd idetificaion。Reporusin MTAB sfwaretrelie faeinormaion detctionandrecognition， ingCbCrsceand gray imge toreae thface g segmetaion， te tuelor mae sconvertedoagayscaleme, an accrdng tothe color of skn in YCC chromaspce isrutin, tostth theshod hreshold, so asto realiz he segmeaton offace gon with he fce ion， hrou eiesof oprtons suchs iage prssigo eminatiteferen factors, a trugh such means as set rtoand th arget elocate he faceegon int mage，the xperin， hismethod ca elinafacal xpression, cthes,air bckgrund iterence facors,s as tolateth ace region。Keyrds：alab；Gay image;edge segmntatn;face en目录摘要1ABSTRC2目录3第章绪论41.1 课题的研究背景、目的及意义1。1。1 课题的研究背景41。1。2 研究目的及意义51。2 本课题的主要内容5第2章图像处理的AA实现621 识别系统构成62.2 人脸图像的读取与显示72.3 图像类型的转换72. 图像增强82。5 灰度图像平滑与锐化处理926 边缘检测11第3章人脸识别计算机系统12。1 系统基本构架12 人脸检测定位算法1233 匹配与识别17结论4致谢25参考文献6附录1 人脸识别的MALB源程序2附录2 外文参考文献及翻译31第1章 绪论1。1课题的研究背景、目的及意义1。1。课题的研究背景数字图像处理技术是2世纪6年代发展起来的一门新兴技术。近0多年来,在计算机科技和大规模集成电路技术的迅猛发展、离散数学理论创立和完善，以及工业、军事、医学等方面的应用需求在不断增长，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、视频会议等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。目前,人脸识别技术应用最广泛的地方就是各大公司、商场、政府保密机构的门禁考勤系统。0世纪90年代后期以来，一些商业性的人脸识别技术系统逐渐进入市场.自美国遭遇恐怖分子袭击事件后,这一技术引起了社会各方的广泛关注.由于隐蔽性十分好,该项技术逐渐成为国际反恐及安全防范的重要手段之一。人脸识别技术在中国也有迅猛发展的历史。国家“十一五”科技发展规划就将人脸识别技术的研究与发展列入其中,并明确指出“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究,开发具有高安全性、低误报率的出入口控制新产品。”在这种形势下，国内一些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的人脸识别技术已经达到了国际先进的水平。经过多年的研发探索，在世界各大研究机构的研发人员的共同努力下,人脸识别技术这一领域取得了丰硕的成果,这些研究成果的取得和科技的进步,更进一步推动了人类对人脸识别技术这一高端技术的深入研究。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鉴别的计算机技术。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统.它是人们一直所追求的让机器智能化技术，就是让机器具备和人类一样的思考能力,识别能力以及处理事务的能力.而人脸识别技术的研究就是在这样的背景下发展起来的.11.2 研究目的及意义目前，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的目的就是让其更好地服务于人类社会，在这个生活快节奏的前提下，与人方便.例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。铁路部门发布计划时表示，将在京沪高铁段的天津西站、济南西站、上海虹桥站这三个站点，建立人脸识别系统工程，以此来协助公安部门甄别、抓捕在逃罪犯。利用这个系统,即使作案后的犯罪分子进行整容,也会被识别。研究人脸识别技术，在现实意义上具有重大意义:一是能进一步加强对人类视觉系统本身的认知；二是能够满足人类社会中对人工智能应用的广泛需要.同时人脸识别技术又有自然性、无侵犯性、成本低、智能化等几个显著优势.人脸识别技术的研究也有重大的学术价值。由于人类有非常复杂的细节变化,例如眼镜、胡须、发型等附属物的干扰,这就给该项技术带来了巨大挑战.成功构造出人脸识别系统将为解决其他与之类似的复杂问题提供重要的启示。.2 本课题的主要内容本次课题主要讲述了人脸识别中应用atlb对图像进行预处理，通过人脸检测、人脸跟踪、人脸比对来实现基于atlb的人脸识别系统的仿真。利用Mata实现一个集多种预处理方法于一体的通用的人脸识别仿真系统，将该系统作为图像预处理模块嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判断.文中在研究人脸识别技术的仿真过程中，主要涉及了Ybr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。通过多次实验并比对各个算法和技术的优缺点,有效地实现了基于Maab的人脸识别系统的设计与仿真,并达到了预期目标和效果。第2章 图像处理的Matab实现1 识别系统构成人脸识别技术系统主要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、人脸图像特征提取以及匹配与识别.一般人脸识别系统构架如图2。1所示: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与识别图.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:人脸图像信息都能通过摄像镜头采集记录下来,比如不同位置、不同表情、静态图像、动态图像等方面都能得到很好的采集。当目标在采集设备拍摄的范围内时，采集设备会自动搜索并采集目标的人脸图像；人脸检测:在实际中主要应用于人脸识别的预处理，即在采集到的图像中准确定位出人脸的位置.人脸图像中包含的模式特征非常丰富,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的特征信息，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的过程。系统获取的原始人脸图像由于受到随机干扰和各种条件的限制，通常不能直接使用，所以必须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，预处理的过程主要涉及灰度变换、人脸图像的光线补偿、几何校正、直方图均衡化、归一化、滤波以及锐化等。（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的特征分为视觉特征、人脸图像变换系数特征、像素统计特征以及人脸图像代数特征等.所谓人脸特征提取即针对人脸的某些特征进行的提取。人脸特征提取，也被称为人脸表征,是对人脸特征进行建模的过程。人脸特征提取的方法总结起来可以分为两大类:一种是基于统计学习或代数特征的表征方法;另一种是基于知识的表征方法.(4）匹配与识别人脸图像的匹配与识别：将提取到的图像特征数据与数据库中已存的特征模板进行搜索匹配，设定一个阈值,当相似度超过这一阈值时，则把匹配所得到的结果输出。人脸识别就是将待识别的人脸特征与已存储的人脸特征模板进行比对,依据相似度对该人脸图像的身份信息进行判别.这一过程主要分为两步：第一步是确认,就是一对一进行图像比较的过程,第二步是辨认,就是一对多进行图像匹配对比的过程。2 人脸图像的读取与显示人脸图像的读取和显示可通过ied（）和mshow(）指令来实现;图像的输出可以用imwrite（)函数，很方便快捷的将图像输出到电脑硬盘上；另外还可以通过imcro（)、imriize（）、imotte（）等函数来实现图像的裁剪、缩放与旋转等功能。23 图像类型的转换at支持多种图像类型,在很多图像操作处理中，对图像的类型有要求,所以就涉及到了对图像的类型进行转换.atlab7.图像处理工具箱包含了不同图像类型之间相互转换的大量函数,如2gray()可以将颜色映像表或RGB图像转换为灰度图像,通过maga（）函数能实现矩阵转换为灰度图像的功能.在类型转换的处理过程中，我们还会经常遇到数据类型不匹配的问题，针对这一问题,Matlb7.0工具箱中为我们提供了各种数据类型之间相互转换的函数,例如duble()函数的功能就是将数据转换为双精度数据类型。因为后续的图像增强、边缘检测等都是针对灰度图像进行的,而原图像是RB图像,所以我们首先要对原图像进行类型转换.实现过程代码如下：i=red（F:2JG）；j=b2gra()；mshow（j);mrte（j,F：2。f）转换后的灰度图像如图.2所示：图。2 灰度图像2.4 图像增强图像增强的目的是改善图像的视觉效果，或者使图像更适合于人或机器进行分析处理.通过图像增强，可以减少图像中的噪声,提高目标与背景的对比度，也可以强调或抑制图像中的某些细节。例如，消除照片中的划痕，改善光照不均匀图像,突出目标的边缘等。实现图像的灰度转换的方法有很多,其中最常用到的是直方图变换的方法，即直方图的均衡化.该种方法是使输出图像直方图近似服从均匀分布的变换方法。Mtab7.0图像处理工具箱中为我们提供了图像直方图均衡化的函数hstq(），我们也可以通过imhist（)函数计算和显示图像的直方图。通过原图与直方图均衡化后图像对比可以发现,图像变得更加清晰，并且均衡化后的直方图相对于原直方图的形状更为理想。实现过程代码如下：iimread（F：2。t)；=hieq（i);imsho（）；figr,ubplot（1，2,1）,imhist(i);sbpl（,2，),mhist（j）执行后得到的图像如下所示：图2。 均衡化后的灰度图像 图2。4 均衡化前后的直方图对比图2。5 灰度图像平滑与锐化处理平滑滤波器的作用是模糊图像或者消除噪声,Matab7。图像处理工具箱为我们提供了iener()来实现对图像噪声的自适应滤波,medfilte()函数用来实现中值滤波。在本文案例中，为使滤波效果更加明显,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。锐化处理的作用是用来强调图像中被模糊的细节,在本案例中，采用了预定义高斯滤波器的方法对图像进行锐化滤波.实现过程的代码如下:=iread(F：。tif）;=moie(i,gusn,0，0.2)；subplo(，2，1)，imshow(j);j1=wieer2(j);subplot（1，2,2），mshow（1)；fpea(gausian，0。05）；j=mfer(,h);fiue，subplo(1，2，），imhow（i)sublot（1,2,2），imsow（j）执行上述代码后得到的图像如下所示：图25 平滑滤波效果图图。6 锐化滤波效果图图。5中，第一个为加入噪声的图像，第二个为滤波后的图像；图2.6中,第一个为原灰度图像,第二个为锐化后的图像.2。6 边缘检测数字图像的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重要的基础步骤，也是人脸图像识别中用来实现提取图像特征的一个重要步骤。通过计算一阶导数或二阶导数可以快捷地检测出图像中每个像素在其邻域内的灰度变化，从而检测出边缘。常用的有梯度算子，,Roberts算子，canny算子，og算子等。Maab70工具箱中为我们提供的g（）函数可以用来进行边缘检测，同时也可以根据案例所需要的选择合适的算子及其参数。atlb7。0图像处理工具箱中提供了ede（）函数来实现图像边缘检测，还有各种方法算子供我们选择,在本案例中采用了cany算子来进行图像边缘检测,程序代码如下：i=mrad(F：2.tif）;j=edge（i,canny,0。4，0.5,5);imshow(j）执行上述程序后得到如下图像： 图.1 原灰度图像 图2。7 边缘检测效果图第章 人脸识别计算机系统。1 系统基本构架人脸识别是一个十分复杂的过程,一般人脸识别的计算机系统流程如图1所示。它包括几个步骤:进行图像采集，对于采集到的图像,首先进行人脸检测,得出有无人脸的结果;然后进行人脸定位，找出人脸的位置并提取出来.对于人脸定位，在输入的是图像序列时，一般也被称为人脸跟踪。通常检测和定位同步进行.借助人脸描述对提取出来的人脸就可以进行人脸识别，即通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 基本框架图. 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的方法；另一类是基于显式特征的方法所谓的显式特征，即指人类肉眼可以直观看到的特征，如肤色、脸部结构、脸部轮廓等。基于显式特征的方法是指通过肉眼的观察,总结概括出人脸区域区别于“非人脸”区域的特征,根据与被检测区域的对比，即是否满足这些人脸特征，从而判定该区域包含人脸与否.根据所选择的“人脸特征,基于显式特征的方法可以分为三类:模板匹配的方法、基于肤色模型的方法、基于先验知识的方法.以上三类方法的优缺点概