《基于MATLAB的人脸识别系统的研究毕业论文.doc》由会员分享，可在线阅读，更多相关《基于MATLAB的人脸识别系统的研究毕业论文.doc（15页珍藏版）》请在金锄头文库上搜索。
1、长沙民政职业技术学院毕业实践报告题目： 基于MATLAB的人脸识别系统的研 毕业论文毕业设计毕业专题 类型：指导老师：_谭刚林_系 别：_电子信息工程系_班 级：_电子1133 _学 号：1119013333 1119013334 1119013335姓 名： 刘盼 符思遥 樊阳辉 _2014年 5 月 5 日1基于MATLAB的人脸识别系统的研究符思遥、刘盼、樊阳辉指导老师：谭刚林 苏宏艮 马勇赞【摘要】人脸检测与识别技术是计算机视觉和模式识别等学科的研究热点之一，是进行身份认证最友好直接的手段，在出入境安全检查、内容检索、证件验证、门禁系统等领域都具有十分广泛的应用前景。多年来，人脸识别技
2、术中的很多问题都被深入地研究，而且大量的算法已经成功应用于人脸识别。本文在研究了人脸检测和身份识别的关键技术和相关理论的基础上，重点讨论了在光照和背景不同的条件下，彩色静止图像的人脸检测和身份识别问题，它包括基于肤色分割的人脸粗检测、基于人眼检测的几何归一化和基于二维主成分分析法(2DPCA)的身份识别。本文主要工作如下：首先对彩色图像进行光照补偿，其次通过肤色检测获得可能的脸部区域并二值化，再用形态学开闭运算对图像进行滤波处理并通过一定规则确定人脸区域，然后运用水平垂直投影定位人眼坐标以此对人脸进行几何归一化，识别部分运用2DPCA的图像映射方法对灰度图进行特征匹配，最后输出识别结果并进行语
3、音播报。实验结果表明，结合肤色和面部几何特征的算法能够对人脸进行较快速和准确的定位，同时2DPCA算法运用于身份识别也能达到较高的识别率。本毕业设计对实际应用具有一定的参考价值，该系统的操作流程和输入输出方式是以实际应用为出发点，可应用于公安机关证件验证以及日常家庭的自动门禁系统等。【关键词】人脸检测；肤色分割；人眼检测；2DPCA；特征提取目 录1 绪论11.1 选题的背景11.2 人脸识别系统21.3 人脸识别的典型方法22 基于YCbCr颜色空间的肤色分割32.1 三种色彩空间32.1.1 RGB色彩空间33 基于2DPCA特征提取的身份识别43.1 2DPCA算法实验结果与分析53.1
4、.1实验用数据库53.1.2实验结果与分析53.1.3结论74 人脸检测与识别系统设计与实现74.1 系统环境74.2 人脸检测与识别系统框图74.3 系统功能模块84.4 实验结果分析95 总结与展望105.1 总结105.2 展望10参考文献1241 绪论1.1 选题的背景近年来随着计算机技术和互联网的发展，信息技术的安全变得越来越重要，生物特征识别技术得到广泛研究与开发，如人脸识别、指纹识别、掌形识别等。人脸检测与身份识别技术（以下统称为人脸识别）是利用计算机对人脸图像进行检测、特征提取和识别的模式识别技术，它是基于生物特征识别技术的身份认证中最主要的方法之一1。人脸是一个常见而又复杂的
5、视觉模式，是人类情感表达和交流最重要、最直接的信息载体，人脸包含着大量的有价值的信息，如轮廓、肤色、表情等信息，这些信息在人们的交往活动中有着非常重要的意义，是一个潜在的、友好的人机交互接口。2008年，人脸识别技术首次亮相奥运会，为保障北京奥运会及残奥会的开闭幕式的安全起到了重要的作用。除此之外，人脸识别技术在以下场合也有着重要应用2：(1)视频监控：视频的实时监控是指对于可以控制的特定场合进行智能化的监控，例如对超市、银行等公共场合的视频监控，可以通过人脸特征的识别来智能实时的判断出可疑的人脸，进而保障公共安全。(2)人机交互：人机的智能交互是指用户可以通过机器视觉和听觉等技术与机器进行智
6、能人性化的交互和沟通的行为。例如智能的机器人可以理解人的某些特定的手势和动作等行为。(3)门禁系统：智能门禁系统属于入口控制的一种，例如办公大楼、私人住宅和公司单位等在门口设置的一种安全检查系统。人脸特征具有比其他生物特征更直接、更方便和更友好的特点。相比于其他由数字和字符组成的口令，人脸识别技术具有更不易被黑客攻破，更不易被遗忘等特点。(4)公安系统：公安部门都有存储嫌疑犯照片的数据库，当通过监控录像等途径获得了有关嫌疑犯罪人的面部图片后，就可以通过人脸识别技术，快速地和数据库中的人脸图像进行身份匹配，高效准确地进行确认，从而大大提高刑侦破案的准确性和高效性。这些应用都是被限制在特定的场合和
7、环境下的，在实际应用中，会遇到各种不同的情况，如人脸图像的背景特别复杂，人脸图像存在姿态的旋转、光照变化，甚至目标人脸被遮挡等问题。所以，继续对人脸识别进行理论上的研究，并使人脸识别系统具有更好的适应性，是一个具有重大研究意义的课题。1.2 人脸识别系统人脸识别系统包括人脸检测、特征提取和身份识别三大过程，如图1-1所示。人脸检测包括人脸检测与定位，对于给定任意图像，判断其中是否存在人脸，如果有人脸则做出准确的定位；特征提取是提取人脸图像中有用的信息，去除冗余，提高运算速度；身份识别就是将待识别人脸与人脸库中的已知人脸比较，计算相似度，根据相似程度把待识别人脸归到某一类，人脸识别系统及识别过程
8、更细致描述如图1-2所示。国际上有很多用来训练和测试身份识别算法的图库可供研究，如FERET人脸库、Yale人脸库、ORL人脸库、AR人脸库等。本文主要针对人脸检测和身份识别两个过程各研究了一种方法及其它相关算法。人脸检测彩色图像标准人脸身份识别特征提取特征向量识别结果图1-1人脸识别过程人脸注册身份识别人脸库图1-2人脸识别系统及识别过程的原理图1.3 人脸识别的典型方法可以将人脸检测方法分为基于肤色特征的方法和基于灰度特征的方法两类。前者适用于构造快速的人脸检测和人脸跟踪算法，后者利用了人脸区别于其它物体的更为本质的特征，是人脸检测领域研究的重点。根据在特征综合时采用的不同模型，可以将基于
9、灰度特征的方法分为两大类:基于启发式(知识)模型的方法和基于统计模型的方法。由于人脸检测问题的复杂性，无论哪一类方法都无法适应所有的情况，一般都针对人脸检测领域内某些特定的问题3。(1) 基于肤色特征方法的一般过程是：首先将肤色像素按照较为严格的颜色一致性和几何约束条件聚类为同一区域，需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域，然后按照一定规则进行归并，归并后或归并过程中利用其它特征进行验证。本文研究的就是此种算法。(2) 基于启发式模型的方法的一般过程是：首先抽取几何形状、灰度、纹理等特征，然后检验它们是否符合人脸的先验知识。基于这一原理的人脸检测方法有很多.比如Yan
10、g46等提出了基于镶嵌图 (Mosaic Image，又称为马赛克图)的人脸检测方法。卢春雨等人5对镶嵌图方法进行了改进。利用人脸的轮廓、对称性等少量特征的方法适用于较强约束条件下(如简单背景、头肩图像)的人脸检测。需要看到的是，要想进一步提高知识模型的适应能力，需要综合更多的特征，这实际上涉及到图像理解这一困难的问题，这是此类方法进一步发展遇到的主要障碍。(3) 基于统计模型的方法是解决具有复杂图像，难以描述图像特征的这类问题的一种有效途径。此类方法的基本思想是将人脸区域看作一类模式，即模板特征，通过对人脸样本集和非人脸样本集进行学习以得到分类算法，然后构造分类器，将人脸检测视为从模式样本中
11、区分人脸样本和非人脸样本的模式识别问题，通过判别图像中所有可能区域属于哪类模式实现人脸的检测。2 基于YCbCr颜色空间的肤色分割肤色是人脸的重要信息，而且肤色不受面部的细节特征、旋转、表情变化以及饰物遮挡等情况的影响。因此，基于肤色的人脸检测就成为一种值得研究的重要方法。要想有效地利用肤色来进行人脸检测就需要选取合适的色彩空间，并在该色彩空间建立肤色模型。这就是本章所要研究的内容。2.1 三种色彩空间在图像和图形处理中，有许多色彩模型可供研究，各个模型具有多种色彩模式，用来反映不同的色彩范围，其中一些色彩空间在Matlab中能用对应的命令相互转换。本文重点讨论RGB色彩空间7。2.1.1 R
12、GB色彩空间RGB色彩空间是美国国家电视系统委员会NTSC建立的一种表色系统，国际照明委员会CIE规定选用红色(R)，绿色(G)，蓝色(B)三种单色光作为该系统的三基色，将三基色以某种比例混合就可以组合成任意颜色，如式2-1所示：C(c) = R(r)+G(g)+B(b) (2-1)RGB色彩空间比较简单直观，在数字图像中每一像素点的颜色值都可以用R、G、B三基色表示。如图2-1所示为RGB色彩空间立方体。在RGB色彩空间的色系坐标中的三个轴分别对应于红、绿、蓝三基色，RGB色彩立方体的原点对应于黑色，各个颜色分量上的亮度值都为零。当R、G、B的分量亮度同时达到最大时的点为白色，该点是离原点最
13、远的点。而当三基色的三个分量分别相等时便产生了灰度像素点，满足这样条件的所有像素点都聚集在该立方体的对角线上，这条线称作灰度直线。如图2-1所示，三基色红、绿、蓝分别对应了立方体的三个顶点，黄、青以及紫色对应于其余的点。图2-1 RGB色彩空间一般来说，由于R、G、B各分变量在RGB色彩空间中相关性很强，直接利用R、G、B建立肤色模型并不是很容易，为了从图像背景（非肤色区域）中提取出肤色区域，我们需要选择一个鲁棒性较强的肤色模型。在RGB色彩空间中，三基色不仅包含了颜色信息，而且还包含了亮度分量，由于亮度分量容易受到环境光照变化的影响，在这种情况下，直接在RGB色彩空间中建立肤色模型并进行肤色
14、分割难以达到很好的效果。由于 RGB 色彩空间存在以上不足，因此该色彩空间在肤色检测中很少用到。但其它颜色空间一般能以RGB为基础进行线性变换或者非线性变换得到。此外，RGB颜色空间可以直接通过线性变换转化为灰度信息，转化关系见公式2-2。Gray = 0. 299R+0.587G+0.114B (2-2)3 基于2DPCA特征提取的身份识别PCA方法将包含人脸的图像区域看作随机向量，因此可采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。但二维的人脸图像事先必须转换成一维
15、的向量，而且这一向量的维数往往是很高的。根据一批训练样本实际计算得到的协方差矩阵是对真实协方差矩阵的近似，而训练样本的数量相对协方差矩阵的维数来说往往显得过小，因此，想精确得到协方差矩阵是困难的，协方差矩阵的不精确必然导致相应的特征值和特征向量的不精确。为了克服上述缺点，Jian Yang,David Zhang,Alejandro F.Franfi和Jing-yu Yang于2004年提出了一种新的用于人脸识别方法，即2DPCA方法。本文所用的人脸识别就是此种方法，详细过程将在后面介绍26。3.1 2DPCA算法实验结果与分析3.1.1实验用数据库本文实验分别采用了英国剑桥大学的ORL人脸图像数据库AR人脸图像数据库26。ORL人脸库：由剑桥大学AT&T实验室创建,包含40人共400张面部图像
