人脸识别专业系统设计与仿真基于matlab的含matlab源程序版权不归自己交流使用.doc

人脸识别系统设计和仿真基于matlab（含matlab源程序）

交流使用 参考后自行那个删除 后果自负
目录
第一章 绪论 2
1.1 研究背景 2
1.2 人脸图像识别应用前景 3
1.3 本文研究问题 4
1.4 识别系统组成 4
1.5 论文内容及组织 6
第二章 图像处理Matlab实现 7
2.1 Matlab介绍 7
2.2 数字图像处理及过程 7
2.2.1图像处理基础操作 7
2.2.2图像类型转换 8
2.2.3图像增强 8
2.2.4边缘检测 9
2.3图像处理功效Matlab实现实例 9
2.4 本章小结 13
第三章 人脸图像识别计算机系统 14
3.1 引言 14
3.2系统基础机构 15
3.3 人脸检测定位算法 15
3.4 人脸图像预处理 22
3.4.1 仿真系统中实现人脸图像预处理方法 23
第四章 基于直方图人脸识别实现 26
4.1识别理论 26
4.2 人脸识别matlab实现 26
4.3 本章小结 27
第五章 总结 28
致谢 29
参考文件 30
附录 32

第一章 绪论
本章提出了本文研究背景及应用前景。首先叙述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在问题；接着介绍了自感人脸识别系统通常框架组成；最终简明地介绍了本文关键工作和章节结构。
1.1 研究背景
自70年代以来.伴随人工智能技术兴起.和人类视觉研究进展.大家逐步对人脸图像机器识别投入很大热情，并形成了一个人脸图像识别研究领域，.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，大家一直想做事情就是让机器含有像人类一样思索能力，和识别事物、处理事物能力，所以从解剖学、心理学、行为感知学等各个角度来探求人类思维机制、和感知事物、处理事物机制，并努力将这些机制用于实践，如多种智能机器人研制。人脸图像机器识别研究就是在这种背景下兴起，因为大家发觉很多对于人类而言能够轻易做到事情，而让机器来实现却极难，如人脸图像识别，语音识别，自然语言了解等。假如能够开发出含有像人类一样机器识别机制，就能够逐步地了解人类是怎样存放信息，并进行处理，从而最终了解人类思维机制。
同时，进行人脸图像识别研究也含有很大使用价依。如同人指纹一样，人脸也含有唯一性，也可用来判别一个人身份。现在己有实用计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟人脸自动识别系统出现。人脸图像自动识别系统较之指纹识别系统、DNA判定等更具方便性，因为它取样方便，能够不接触目标就进行识别，从而开发研究实际意义更大。而且和指纹图像不一样是，人脸图像受很多原因干扰:人脸表情多样性;和外在成像过程中光照，图像尺寸，旋转，姿势改变等。使得同一个人，在不一样环境下拍摄所得到人脸图像不一样，有时更会有很大差异，给识别带来很大难度。所以在多种干扰条件下实现人脸图像识别，也就更含有挑战性。
国外对于人脸图像识别研究较早，现己有实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，中国也有很多科研机构从事这方而研究，并己取得很多结果。
1.2 人脸图像识别应用前景
人脸图像识别除了含有重大理论价值和极富挑战性外，还其有很多潜在应用前景，利用人脸图像来进行身份验证，能够不和目标相接触就取得样本图像，而其它身份验证手段，如指纹、眼睛虹膜等必需经过和目标接触或相当靠最近取得样木，在一些场所，这些识别手段就会有不便之处。
就从现在和未来来看，能够估计到人脸图像识别将含有宽广应用前景，如表1-1中所列举就是其中已经实现或逐步完善应用。
表1-1 人脸识别应用
应用
优点
存在问题
信信用卡、汽车驾照、护照和个人身份验证等
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与
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
可利用摄像图像
图像分割自由
图像质量低、实时性

1.3 本文研究问题
本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,经过实例来应用matlab图像处理功效，对某一特定人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中多个常见图像预处理方法基础上，利用MATLAB实现了一个集多个预处理方法于一体通用人脸图像预处理仿真系统，将该系统作为图像预处理模块可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。
其中包含到图像选择，脸部定位，特征提取，图像处理和识别多个过程。
1.4 识别系统组成
人类似乎含有“和生俱来”人脸识别能力，给予计算机一样能力是人类梦想之一，这就是所谓“人脸识别”系统。假设我们把摄影机、摄像头、扫描仪等看作计算机“眼睛”，数字图像能够看作计算机观察到“影像”，那么AFR给予计算机依据其所“看到”人脸图片来判定人物身份能力。
广义讲，自感人脸识别系统含有图1.1所表示通常框架并完成对应功效任务。

人脸图像获取
人脸检测
特征提取
人脸识别

图1.1 人脸识别系统通常框架
(1)人脸图像获取
通常来说，图像获取全部是经过摄像头摄取，但摄取图像能够是真人，也能够是人脸图片或为了相对简单，能够不考虑经过摄像头来摄取头像，而是直接给定要识别图像。
(2)人脸检测
人脸检测任务是判定静态图像中是否存在人脸。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。而人脸跟踪则需要深入输出所检测到人脸位置、大小等状态随时间连续改变情况。
(3)特征提取
经过人脸特征点检测和标定能够确定人脸图像中显著特征点位置（如眼睛、眉毛、鼻子、嘴巴等器官），同时还能够得到这些器官及其面部轮廓形状信息描述。
依据人脸特征点检测和标定结果，经过一些运算得到人脸特征描述（这些特征包含：全局特征和局部特征，显式特征和统计特征等）。
(4)基于人脸图像比正确身份识别
即人脸识别(Face Identification)问题。经过将输入人脸图像和人脸数据库中全部已知原型人脸图像计算相同度并对其排序来给出输入人脸身份信息。这包含两类识别问题：一类是闭集(Close Set)人脸识别问题，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)识别，即首先要对输入人脸是否在已知人脸库中做出判定，假如是，则给出其身份。
(5)基于人脸图像比正确身份验证
即人脸确定(Face Verification)问题。系统在输入人脸图像同时输入一个用户宣称该人脸身份信息，系统要对该输入人脸图像身份和宣称身份是否相符作出判定。
1.5 论文内容及组织
第二章关键介绍人脸识别系统中所用到仿真软件Matlab，介绍了在人脸图像识别过程中所需要图像处理技术，包含：部分基础操作、格式转换、图像增强等。并做了一个Matlab图像处理功效实例
第三章关键始涉三个方面：首先是对人脸识别系统组成做具体叙述；其次就是对人脸识别过程中关键步骤人脸检测、特征提取和图像预处理做具体介绍；最终就是Matlab在人脸识别系统中具体应用，即人脸图像识别具体技术，并用Matlab进行仿真试验并得到结果。
第四章是对人脸图像识别体系构架设计，并给出了人脸识别用到理论知识即直方图差异对比，并编写matlab代码实现人脸图像识别。
第五章总结了全文工作并对以后需要深入研究问题进行了展望。

第二章 图像处理Matlab实现
2.1 Matlab介绍
由Math Work企业开发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还推出了功效强大适应于图像分析和处理工具箱,常见有图像处理工具箱、小波分析工具箱及数字信号处理工具箱。利用这些工具箱,我们能够很方便从各个方面对图像性质进行深入研究。Matlab图像处理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等多个图像格式文件。
2.2 数字图像处理及过程
图像是人类获取信息、表示信息和传输信息关键手段。利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等理论、方法和技术称为数字图像处理。数字图像处理技术已经成为信息科学、计算机科学、工程科学、地球科学等很多方面学者研究图像有效工具。数字图像处理关键包含图像变换、图像增强、图像编码、图像复原、图像重建、图像识别和图像了解等内容。
2.2.1图像处理基础操作
读取和显示图像能够经过imread()和imshow()来实现;图像输出用imwrite()函数就能够很方便把图像输出到硬盘上;另外还能够用imcrop()、imrisize()、imrotate()等来实现图像裁剪、缩放和旋转等功效。
2.2.2图像类型转换
Matlab支持多个图像类型,但在一些图像操作中,对图像类型有要求,所以要包含到对图像类型进行转换。Matlab7.0图像处理工具箱为我们提供了不一样图像类型相互转换大量函数,如mat2gray()函数能够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,我们还常常碰到数据类型不匹配情况,针对这种情况,Matlab7.0工具箱中,也给我们提供了多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
图像增强目标是为了改善图像视觉效果,提升图像清楚度和工艺适应性,和便于人和计算机分析和处理,以满足图像复制或再现要求。图像增强方法分为空域法和频域法两大类,空域法关键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,并修改变换后系数,如傅立叶变换、DCT变换等系数,然后再进行反变换,便可得四处理后图像。下面以空域增强法多个方法加以说明。
(1).灰度变换增强
有多个方法能够实现图像灰度变换,其中最常见就是直方图变换方法,即直方图均衡化。这种方法是一个使输出图像直方图近似服从均匀分布变换算法。Matlab7.0图像处理工具箱中提供了图像直方图均衡化具体函数histeq(),同时我们能够用函数imhist()函数来计算和显示图像直方图。
(2).空域滤波增强
空域滤波根据空域滤波器功效又可分为平滑滤波器和锐化滤波器。平滑滤波器能够用低通滤波实现,目标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,目标在于强调图像被模糊细节。在Matlab中,多种滤波方法全部是在空间域中经过不一样滤波算子实现,可用fspecial()函数来创建预定义滤波算子,然后能够使用imfilter()或filter2()函数调用创建好滤波器对图像进行滤波。
2.2.4边缘检测
数字图像边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分关键基础,也是图像识别中提取图像特征一个关键属性。边缘检测算子能够检验每个像素邻域并对灰度改变率进行量化,也包含对方向确实定,其中大多数是基于方向导数掩模求卷积方法。常见有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供edge()函数能够进行边缘检测,在其参数里面,能够依据需要选择适宜算子及其参数。
2.3图像处理功效Matlab实现实例
本文经过利用图像处理工具箱相关函数对一人脸彩色图像进行处理。
1)图像类型转换
因后面图像增强,边缘检测全部是针对灰度图像进行,而我们原图是RGB图像,所以首先我们要对原图类型进行转换。实现过程代码以下:
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
经过比较原图和直方图均衡化后图像可见,图像变得更清楚,而且均衡化后直方图比原直方图形状更理想。该部分程序代码以下:
i=imread('f:\face1.tif');
j=histeq(i);imshow(j);
figure,subplot(1,2,1),imhist(i);
subplot(1,2,2),imhist(j)
实施后效果图图2.2和图2.3:

图2.2均衡化后灰度图像 图2.3均衡化前后直方图对比图

(2)灰度图像平滑和锐化处理
平滑滤波器目标在于模糊图像或消除噪声,Matlab7.0图像处理工具箱提供了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,为了使滤波效果更显著,我们事先为图像认为增加滤波,然后用自适应滤波方法对图像进行滤波。锐化处理目标在于强调图像被模糊细节,在本实例中采取了预定义高斯滤波器方法对图像进行锐化滤波。功效实现代码以下:
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)边缘检测
Matlab7.0图像处理工具箱提供了edge()函数实现边缘检测,还
有多种方法算子供选择,在本实例中采取了canny算子来进行边缘检
测,
程序代码以下:
i=imread('f:face.tif');
j=edge(i,'canny',[0.04,0.25],1.5);
imshow(j)
效果图图2.6:

原灰度图像 边缘检测后图像

图2.6 边缘检测效果图

2.4 本章小结
以上实例只是对Matlab图像处理工具箱函数一小部分利用,从这些功效利用能够看出,Matlab语言简练,可读性强。作为人脸识别系统中图像预处理工具，有很好处理功效。
第三章 人脸图像识别计算机系统
3.1 引言
计算机人脸识别是一个很活跃研究领域，因其在公安刑侦破案、银行密码系统、计算机安全系统和动态监视系统等方面全部有广泛应用，已成为目前模式识别、计算机视觉领域研究热点。人脸识别系统通常包含人脸检测和定位、人脸图像预处理、特征提取和匹配识别四个组成部分。其中，人脸图像预处理，作为特征提取和识别前提步骤，是计算机人脸识别系统中必需步骤。其目标是在去除噪声，加强有用信息，对输入设备或其它原因造成退化现像进行复原，为后续特征提取和识别作准备。
不一样人脸识别系统依据其采取图像起源和识别算法需要不一样，采取预处理方法也不一样。常见人脸图像预处理方法有：滤波去噪、灰度变换、图像二值化、边缘检测、尺寸归一化、灰度归一化等。用在同一系统中可能只有其中一个或多个预处理方法，但一旦库中采集到原始图像质量发生较大改变（如人脸大小、光照强度、拍摄条件、成像系统等方面改变），原有预处理模块便不能满足特征提取需要，还要更新，这是极不方便。
鉴于此，作者在总结分析了灰度变换、滤波去噪、边缘检测三种广泛应用于不一样人脸识别系统中预处理方法基础上，设计了一个通用人脸图像预处理仿真系统。该系统可对不一样条件下原始图像进行对应预处理。如，用户可依据需要选择使用不一样滤波方法去除噪声、不一样边缘检测算子检测人脸边缘、选择不一样灰度变换算法实现图像灰度校正和灰度归一化，仿真系统同时还实现了尺寸归一化、二值化等其它常见图像预处理算法。
3.2系统基础机构
人脸识别是一个复杂过程，一个计算机人脸识别步骤图3-1所表示。它包含多个步骤：对采集到图像，首优异行人脸检测（在输入图像中寻求人脸），给出人脸有没有结果；然后进行人脸定位，确定人脸位置并提取出来。对人脸定位在输入是图像序列时通常也称之为人脸跟踪。通常检测和定位结合进行。对提取出来人脸借助人脸描述就能够进行（狭义）人脸识别，即经过提取特征来确定其身份。

图3.1 基础框架图
3.3 人脸检测定位算法
人脸检测定位算法大致可分为两大类：基于显式特征方法和基于隐式特征方法。
所谓显式特征是指对人类肉眼来说直观可见特征，如肤色、脸部轮廓、脸部结构等。基于显式特征方法是指由人经过肉眼观察，总结出人脸区分于“非人脸”区域特征，然后依据被检测区域是否满足这些“人脸特征”，来判定该区域是否包含人脸。依据所选择“人脸特征”，基于显式特征方法分以下三类：基于肤色模型方法、模板匹配方法、基于先验知识方法。
在彩色图像中，颜色是人脸表面最为显著特征之一，利用颜色检测人脸是很自然想法。Yang等在考察了不一样种族、不一样个体肤色后，认为人类肤色能在颜色空间中聚成单独一类，而影响肤色值改变最关键原因是亮度改变。所以她们采取广泛使用RGB颜色空间，在滤去亮度值图像中经过比较像素点ｒ、ｇ值和肤色范围来推断该像素点及其邻域是否属于人脸区域。除了RGB颜色空间，还有诸如HIS，LUV，GLHS等其它颜色空间被使用。寻求到肤色区域后，必需进行验证，排除类肤色区域。Yoo等利用肤色像素连通性分割出区域，使用椭圆拟合各个区域，依据椭圆长短轴比率判定是否为人脸。
模板匹配方法通常是人为地先定义一个标准人脸模板，计算输入图像和模板似然度；然后，确定一个似然度阈值，用以判定该输入图像中是否包含人脸。标准人脸模板能够是固定样板，也能够是带参变量曲线函数。
基于先验知识方法则采取符合人脸生理结构特征人脸镶嵌图（mosaic image）模型，并在分析了足够多人脸图像样本基础上，针对人脸灰度、边缘、纹理等信息，建立一个相关人脸知识库。在检测中，首先抽取这些灰度、边缘等信息，然后检验它是否符合知识库中相关人脸先验知识。
以上三种方法优缺点比较见表3-1。

表3-1 基于显示特征方法特点
检测方法
优点和适用场所
缺点和需要改善地方
肤色模型
检测速度快
高光和阴影会造成人脸区域被分割而被漏检；肤色区域存在提升了预警率
模板匹配
直观性好，含有很好适应性
对表情、尺度变换敏感；可变模板选择和参数确实定很困难
基于知识方法
适用复杂图像中人脸检测
依靠先验知识；多尺度空间遍历工作量大，运算时间长

基于隐式特征方法将人脸区域看成一类模式，使用大量“人脸”、“非人脸”样本训练、结构分类器，经过判别图像中全部可能区域是否属于“人脸模式”方法来实现人脸检测。这类方法有：特征脸法、人工神经网络法、支持向量机法；积分图像法。
特征脸法（eigenface）把单个图像看成一维向量，众多一维向量形成了人脸图像特征空间，再将其变换到一个新相对简单特征空间，经过计算矩阵特征值和特征向量，利用图像代数特征信息，寻求“人脸”、“非人脸”两种模式在该特征空间中分布规律。
人工神经网络（Artificial Neural Network，ANN）方法是经过训练一个网络结构，把模式统计特征隐含在神经网络结构和参数之中。基于人工神经网络方法对于复杂、难以显式描述模式，含有独特优势。
支撑向量机（Support Vector Machine，SVM）法是在统计学习理论基础上发展出一个新模式识别方法，它基于结构风险最小化原理，较之于基于经验风险最小化人工神经网络，部分难以逾越问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问题等全部得到了很大程度上处理。不过直接使用SVM方法进行人脸识别有两方面困难：第一，训练时需要求解二次计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，得到支持向量会很多，使得分类器计算量过高。
基于积分图像（Integral Image）特征人脸检测方法是Viola等新近提出一个算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。
以上四种方法优缺点比较见表3-2
表3-2 基于隐式特征方法特征
检测方法
优点
缺点和需要改善地方
本征脸法
标准人脸模板能抽象人脸全部信息，运算不包含迭代花费时间短
但模板检测效率低，多模板提升了效率也增加了检测时间
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
多样本训练花费时间多，但网络监测错误报警数目多
支撑向量机机法
比神经网络方法含有愈加好泛化能力，能对为观察到例子进行有效分类
“非人脸”样本复杂多样，造成支持向量数目多，运算复杂度大
基于积分图像分析法
检测速度快，基础满足实时检测要求，检测效率能够和神经网络法比较
错误报警数目少时，检测率不高

利用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 人脸图像预处理
不一样人脸识别系统依据其采取图像起源和识别算法需要不一样，采取预处理方法也不一样。常见人脸图像预处理方法有：滤波去噪、灰度变换、图像二值化、边缘检测、尺寸归一化、灰度归一化等。用在同一系统中可能只有其中一个或多个预处理方法，但一旦库中采集到原始图像质量发生较大改变（如人脸大小、光照强度、拍摄条件、成像系统等方面改变），原有预处理模块便不能满足特征提取需要，还要更新，这是极不方便。鉴于此，作者在总结分析了滤波去噪、边缘检测、灰度变换三种广泛应用于不一样人脸识别系统中预处理方法基础上，设计了一个通用人脸图像预处理仿真系统。该系统可对不一样条件下原始图像进行对应预处理。如，用户可依据需要选择使用不一样滤波方法去除噪声、不一样边缘检测算子检测人脸边缘、选择不一样灰度变换算法实现图像灰度校正和灰度归一化，仿真系统同时还实现了尺寸归一化、二值化等其它常见图像预处理算法。
3.4.1 仿真系统中实现人脸图像预处理方法
依据所查阅文件资料，常应用于人脸图像预处理方法有：图像类型转换、滤波去噪、灰度变换、边缘检测及二值化、尺寸归一化、灰度归一化等。作为通用人脸图像预处理模块，要能够充足适应不一样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异性，不能单独采取某种单一滤波、灰度变换和边缘检测方法。所以，在本仿真系统中，对上述每种预处理方法全部加以实现同时，还对三种最常见预处理方法：滤波去噪、灰度变换、边缘检测，提供了多个不一样具体算法供用户比较、选择之用。
1)滤波去噪
因为噪声给图像带来失真和降质，在特征提取之前采取滤波方法来去除噪声是实际人脸识别系统中所必需步骤。滤波方法有很多，如多种平滑滤波、多种锐化滤波等，相关多种滤波方法原理和分类可参考文件[2]。下面对本文实现滤波方法及其选择依据加以说明。在人脸图像预处理中使用较多滤波是平滑滤波，方法可分为以下三类：线性滤波、中值滤波、自适应滤波。
（1）线性滤波最经典线性滤波方法如，采取邻域平均法均值滤波器、采取邻域加权平均高斯滤波和维纳滤波。对图像进行线性滤波能够去除图像中一些特定类型噪声，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据其噪声类型通常采取此种滤波方法。考虑滤波模板大小对滤波效果影响较大，仿真系统选择算法时对同种滤波算法提供了不一样模板大小情况。
（2）中值滤波法中值滤波法是一个非线性滤波方法，它把像素及其邻域中像素按灰度级进行排序，然后选择该组中间值作为输出像素值。中值滤波方法最大优点是抑制噪声效果显著且能保护边界。对于使用基于整体人脸识别算法系统中，因为失掉小区域细节对特征提取影响较小，所以这种滤波方法最受欢迎。
（3）自适应滤波自适应滤波能够依据图像局部方差来调整滤波器输出，其滤波效果要优于线性滤波，同时能够愈加好地保留图像边缘和高频细节信息。
2)灰度变换
灰度变换是图像增强技术中一个。经过灰度变换，可对原始图像中光照不均进行赔偿，使得待识她人脸图像遵照同一或相同灰度分布。只有这么，不一样图像在特征提取和识别时才含有可比性。这一过程，也被称作灰度归一化。常见在人脸识别系统中灰度变换方法关键有：基于图像统计特征直方图均衡化、直方图要求化和灰度均值方差标准化三种方法。直方图均衡化和直方图要求化灰度变换原理和实现方法可由matlab仿真来实现。
三种灰度变换方法，均能在一定程度上消除因为光照条件不一样而对人脸识别带来影响。故在仿真系统中提供了三种灰度变换效果比较及选择界面，用户可依据需要选择。
3)边缘检测
对输入人脸图像进行边缘检测是大家脸识别系统在人脸粗定位及人脸关键器官（眼睛、鼻子、嘴巴）定位时采取预处理方法。边缘检测方法有很多，关键有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法等。每种算子对不一样方向边缘检测能力和抑制噪声能力全部不一样。所以，和灰度变换及滤波去噪部分设计思绪相同，在仿真系统中，笔者给出了canny、sobel、log、prewitt四种算子在不一样灰度阈值下、不一样方向边缘检测算法，使用者可从检测结果中加以比较、选择适宜算法。图像类型转换、图像二值化、尺寸归一化也是部分人脸识别系统中常常使用预处理方法。为了在不修改其它算法基础上，扩大系统处理图像类型和范围，将输入图像首先转换为统一类型，是多数人脸图像预处理中第一步。在本仿真系统中经过调用MATLAB中提供多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，采取了graythresh()函数来自动选择阈值二值化方法[1]；尺寸归一化采取算法是对人脸图像进行剪裁和尺寸缩放，实现去除大部分头发、衣饰和背景干扰并将人脸图像大小统一。

第四章 基于直方图人脸识别实现
4.1识别理论
用灰度直方图增强图像对比度是基于图像灰度值统计一个关键方法,它以概率论为基础,常见实现算法关键是直方图均衡化和直方图要求化。
直方图均衡化关键用于增强动态范围较小图像反差,基础思想是把原始图直方图变换为均匀分布形式,这么就增强了像素灰度值动态范围,从而达成增强图像整体对比度效果。直方图均衡化优点是能自动地增强整个图像对比度,但它具体增强效果不好控制,处理结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,从而有选择地增强某个灰度值范围内对比度或使图像灰度值分充满足特定要求,这时能够采取比较灵活直方图要求化方法。
4.2 人脸识别matlab实现
实现结果图4.1和4.2

图4.1 用户界面 图4.2 实现结果
4.3 本章小结
在过去十年中基于直方图方法证其明简单性和有用性。 最初这种想法基于颜色直方图。 此算法提供我们提议技术名为"直方图处理人脸识别"第一部分。同时使用灰度图像。 第一，每个灰度级频率是计算并存放在媒介作深入处理。 第二，平均从存放载体连续九个频率计算，并存放在另一个载体，供以后使用，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异。 最终确定最小差异图像和测试图像匹配， 识别正确性是 99.75%

第五章 结语
基于matlab数字图像处理和识别系统其实是一个范围很大应用系统，作者在此只是有针对性、有选择地进行了部分开发和实现。
该系统关键功效模块共有二个：（1）数字图像处理基础方法；（2）人脸识别。
在“数字图像处理基础方法”这一部分，用到部分基础方法和部分最常见处理方法来实现图像预处理，如格式转换，灰度改变和滤波锐化。仅就这一部分而言，就有很多能够继续完成工作，可将其它部分数字图像处理方法深入加以实现，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），和多种编码图像读写和显示。仅这一部分即可形成一个专用图像处理平台。
相关“人脸识别”，在了解了人脸识别多种方法后，选择了图像直方图差值比较进行了实现。该方法能很好地实现人脸分类，但对人脸图像要求较高，现在仅是采取Orl标准人脸库中图像来进行测试，所以能取得较高识别率。而在现实生活中采集到人脸图像则会受到很多原因影响，识别率就未必能达成要求了。若要深入提升识别率和适用范围，则还需要结合其它算法，如PCA、神经网络等。

致谢
在××大学学习生活立即结束，在做毕业设计这段时间里，我老师、同学、好友和家人给了我无微不至关心，毫无保留指导和耐心细致帮助，借此毕业论文完成之际，谨向她们致以我最真诚感谢！
首先，我衷心感谢我导师林森老师。林老师学识渊博、治学严谨、平易近人，她以其宽广视野、敏锐洞察力、严谨治学态度在学术上给了我悉心指导。论文进展并不顺利时，是林老师以长者仁爱胸怀对我表示了了解，不仅帮我指正了论文方向，而且为我提供了大量参考文件和网页论坛，导师勤勉敬业精神和一丝不苟工作态度使我深深感动，这将是我一生工作和学习好楷模。
其次，我还要尤其感谢我同学范红杰和杜锋，她们不仅为我提供了部分MATLAB编程代码，还细心给我讲解了代码含义，让我对我课题有了愈加深入了解。
最终，我要感谢我父母和家人，她们这么多年来一直给我以无私关爱和支持，浓浓亲情和期盼全部是我学习动力和源泉。
再次真心感谢全部关心珍惜我良师益友和亲大家

参考文件
[1] 祝磊，朱善安.人脸识别一个新特征提取方法[J].计算机学报，，34（6）：122-1251
[2] 何东风，凌捷.人脸识别技术综述[J].计算机学报，，13（12）75-78
[3] ,Younus Fazl-e-Basit Javed和Usman Qayyum”,采取直方图人脸识别和处理”,第三阶段仅相关新兴技术研汇报。
[4] 何国辉，甘俊英.PCA-LDA算法在性别判别中应用[J].中国图像图形学报，，32（19）：208-211.
[5] 王聃，贾云伟，林福严.人脸识别系统中特征提取[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人脸识别算法研究[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小波人脸识别算法[J].电子学报，，28（3）490-494
[8] 焦峰，山世光，崔国勤，高文，李锦涛.基于局部特征分析人脸识别方法[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.一个融合两种主成份分析人脸识别方法[J].计算机学报，，43（25）：195-197
[11] 刘贵喜，杨万海.基于小波分解图像融和方法及性能评价[J].自动化学报，，28（6）：927-934
[12] 周嫔，马少平，苏中.多分类器合成方法综献[J].自动化学报，，28（1）：122-124
[13] 王蕴红，范伟，谭铁牛.融合全局和局部特征子空间人脸识别算法[J].电子学报，，28（10）：1657-1662
[14] 庄哲民，张阿妞，李芬兰.基于优化LDA算法人脸识别研究[J].中国图像图形学报，，29（9）：2047-2049
[15] 钟向阳.基于Gabor小波人脸识别系统实现[J].中国图像图形学报，，23（3）
[16] 张燕昆，刘重庆.一个新奇基于LDA人脸识别方法[J].自动化学报，，22（5）：327-330