《人脸图像识别技术的研究 毕业论文.doc》由会员分享，可在线阅读，更多相关《人脸图像识别技术的研究 毕业论文.doc（9页珍藏版）》请在三一文库上搜索。
1、前言随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用
2、在公安、金 融、网络安全、物业管理以及考勤等领域。 人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。我国在这方面也取得了较好的成就，国家863项目“面像检测与识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定的核心技术。北京科瑞奇技术开发股份有限公司在2002年开发了一种人脸鉴别系统，对人脸图像进行处理，消除了照相机的影响，再对图像进行特征提取和识别。这对于人脸鉴别特别有价值，因为人脸鉴别通常使用正面照，要鉴别的人脸图像是不
3、同时期拍摄的，使用的照相机不一样。系统可以接受时间间隔较长的照片，并能达到较高的识别率，在计算机中库藏2300人的正面照片，每人一张照片，使用相距1-7年、差别比较大的照片去查询，首选率可以达到50%，前20张输出照片中包含有与输入照片为同一人的照片的概率可达70% 。2005年1月18日，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家十五攻关项目人脸识别系统通过了由公安部主持的专家鉴定。鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。虽然人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容，而且
4、目前在这方面的研究也取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。基于此，本文通过调研、分析现有的人脸识别方法，主要目的是给出人脸识别的一般模型，并通过该模型确定正面人脸识别的方案以及其对应的算法。通过查阅书籍，上网搜索资料再加上老师的指导及帮助我最后确定的正面人脸图像的识别方案如下：在本方案中要实现人脸图像的正面识别需通过下列几个步骤进行A：首先必须要有图片，图片的来源可以通过摄像机照相也
5、可以从图像库中提取，这就是所谓的图像获取模块，也是方案中的第一步；B：由于该题的研究目的是人脸，所以当获取了图片后还要获取图片中的人脸，因此紧接的下一步便是人脸区域的获取，主要是根据肤色来进行获取，通过肤色非线形分段色彩变换来实现。这一非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型，这一类肤色模型的建立首先要选取一种合适的色彩空间。C：通常通过上述两个步骤得到的图像由于噪声、光线不平衡等原因往往不能满足研究或识别的要求，所以在精确识别图像之前要对的得到的图像进行预处理即图像预处理，这一步是整个方案的关键，预处理的好坏直接影响到后面整个方案的实现，由于它的重要性，所以在这步中我决定通过
6、几个小步骤来实现：n 光线补偿因为通过图像提取得到的图片可能会存在光线不平衡的情况，这会影响我们对特征的提取，所以有必要对图像进行光线补偿。尽可能将它的特征在图像中表现出来。n 灰度变化图像灰度化的过程就是把彩色图像转换为黑白色图像的过程，它也是为了将图像的信息更加具体、简单的表现出来，但是，这样做也将会丢失图像信息。因此，尽可能在转化的过程中用简单的方式表现图像复杂的信息。n 高斯平滑处理高斯平滑将对图像进行平滑处理，在图像采集过程中，由于各种因素的影响，图像往往会出现一些不规则的噪声，入图像在传输、存储等都有可能产生数据的丢失。从而影响图像的质量。处理噪声的过程称为平滑。平滑可以降低图像的
7、视觉噪声，同时出去图像中的高频部分后，那些本来不明显的低频成分更容易识别。平滑可以通过卷积来实现。经过卷积平滑后的水平投影后，二值化提供了较好的图像效果。n 对比度增强对比度增强，就是对图像的进一步处理，将对比度再一次拉开。它针对原始图像的每一个像素直接对其灰度进行处理的，其处理过程主要是通过增强函数对像素的灰度级进行运算并将运算结果作为该像素的新灰度值来实现的。通过改变选用的增强函数的解析表达式就可以得到不同的处理效果。n 二值化二值化的目的是将采集获得的多层次灰度图像处理成二值图像，以便于分析理解和识别并减少计算量。二值化就是通过一些算法，通过一个阈值改变图像中的像素颜色，令整幅图像画面内
8、仅有黑白二值，该图像一般由黑色区域和白色区域组成，可以用一个比特表示一个像素，“1”表示黑色，“0”表示白色，当然也可以倒过来表示，这种图像称之为二值图像。这便有利于我们对特征的提取。该设计中采用组内方差和组外方差来实现二值化。n 直方图均衡直方图均衡化的目的是使一输入图像转换为在每一灰度级上都有相同的象素点数，它的处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，它的研究思路是：通过直方图变换式来进行直方图的均衡处理，直方图变换式是： 但是直方图均衡化存在着两个缺点： 1）变换后图像的灰度级减少，某些细节消失； 2）某些图像，如直方图有高峰，经处理
9、后对比度不自然的过分增强。以上图像与处理包含的几个小步骤可用直方图表示如下图一示： 图一：预处理层次图： 预处理光线补偿图像灰度化高斯平滑均衡直方图图像对比度增强二值化 D：经过对图像的预处理之后，我们就可以对处理后的图像进行人脸定位。人脸定位是将典型的脸部特征（如眼睛，鼻尖，嘴唇等等）标记出来，在本系统中，定位的特征是眼睛，鼻尖和嘴巴三个。由于眼睛具有对称性，因此可以很快就能标记出来，而鼻子是在眼睛下面，且嘴巴在鼻子下面，所以只要眼睛标记好，鼻子和嘴巴也能相应的标记出来。F：有了以上各步的准备工作后我们先在就可以就行图像的特征提取了，在该步中我们通过几个小步骤实现如下示：n 提取两只眼睛的距
10、离；n 眼睛的倾角度；n 眼睛、嘴巴的重心；n 用一个矩形标出每一个特征； 最后将提取得到的值存入后台数据库中。 G：接下来示本方案的最后一步即识别阶段了。在该步中，通过与库存中的特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析。如果分析在我们所确认的范围内，我们就认为该人就是我们所要找的。然后从库存中提取出该人相关的信息，并显示出来。如果库存中没有，则给出提示是否对存库作为样本。以上的便是本文中所提出的人脸正面图像的识别方案，在本方案中最主要的是图像的预处理，图像预处理模块在整个方案中起着极其关键的作用，图像处理的好坏直接影响着后面的定位和识别工作。在人脸正面图像识别方案提出的
11、基础上，我们进一步研究其实现的可能，关键是实现该方案的算法，在本方案中，由于图像的预处理在整个方案中起举足轻重的作用，该步实现的好坏直接影响整个方案的顺路进行，所以在研究算法的过程中，我们着重把时间及精力放在这一块上，因此，下面我将该出实现该步的算法分析以及算法：u 光线补偿算法的分析计算法：A：光线补偿的想法的提出主要是考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色彩偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖、照片偏黄、便蓝等等。这种现象在艺术照片中更为常见。所以Anil K.Jain等提出，为了抵消这种整个图像中存在着的色彩偏差，我们将
12、整个图像中所有像素亮度（是经过了非线形r-校正后的亮度）从高到低进行排列，取前5%的像素，如果这些像素的数目足够多（例如，大于100），我们就将它们的亮度作为“参考白”（Reference White），也即将它们的色彩的R、G、B分量值都调整为255。整幅图像的其他像素点的色彩值也都按这一调整尺度进行交换。 B：算法实现如下示：void CFaceDetectView: OnReadyLightingconpensate() hDIBTemp = gDib.CopyHandle(hDIB);gDib.LightingCompensate(hDIB);GlobalUnlock(hDIB);In
13、validate();LightingCompensate（） for(i =0;iheight;i+)for(int j=0;jPixelOffset(i,j,wBytesPerLine); *(lpData+lOffset) = colorb;colorb = *(lpData+lOffset+1);colorb *=co;if(colorb 255)colorb = 255;*(lpData+lOffset+1) = colorb;colorb = *(lpData+lOffset+2);colorb *=co;if(colorb 255)colorb = 255;*(lpData+lO
14、ffset+2) = colorb;u 图像灰度化的算法分析及算法 A：算法分析： 彩色转换成灰度 将彩色图像转化为灰阶图像常采用如下的经验式： gray0.39R0.50G0.11B（式3）其中，gray为灰度值，R、G、B分别为红色、绿色和蓝色分量值。灰度比例变换灰度比例变换是把原像素的灰度乘以一个缩放因子，并最后截至0,255。灰度线性变换当图像由于成像时曝光不足或曝光过度，会产生对比度不足的弊病，从而使图像中的细节分辨不清。将图像灰度进行线性扩展，常能显著地改善图像的外观。灰度线性变换的计算式为： g = （式4）f，其他式中，f是原像素的灰度，g为变换后的灰度。该变换把属于a,b的灰
15、度级变换至灰度区间c,d，而没有在a,b区间的原像素灰度将保持不变。这里a，b，c，d，f，g均为0,255之间的整数值。可见，a被映射为c，b被映射为d。灰度线性截断 灰度线性截断的思想是：如果原像素的灰度小于a，则该像素的灰度等于c；如果原像素的灰度大于b，则该像素的灰度等于d。B：算法实现如下示： ReadyLightingconpensate() ColorB=*(lpData + lOffset); ColorG=*(lpData + lOffset+1); ColorR=*(lpData + lOffset+2); gray = (ColorG*50+ColorR*39+Color
16、B*11)/100;*(lpData + lOffset)=gray ; *(lpData + lOffset+1)=gray ; *(lpData + lOffset+2)=gray ;u 图像对比度增强算法分析及算法：A：算法分析：在对图像均衡直方图处理以后，便可对图像进行对比度增强，进一步拉开对比度。它通过对图像的灰度值进行统计，对于比最小设定值小的则认为是有关的信息，则将它作为黑色处理，比最大设定值大的则认为是一些无关的信息，将它们去掉，而处于两者之间的，则进行对比度增强，将他们在总的灰度值里面的比例作为新的像素信息保存起来。B：算法实现：lOffset = gDib.PixelOff
17、set(i, j, gwBytesPerLine);int state=IncreaseContrast(ZFTkk1, 100); IncreaseContrast() if(pByte=Low) return 0; else if (LowpByte)&(pByteHigh)return int(pByte-Low)/Grad); else return 255； u 高斯平滑算法分析及算法;A:算法分析：在图像的采集过程中,由于各种因素的影响,图像中往往会出现一些不规则的随机噪声,如数据在传输、存储时发生的数据丢失和损坏等,这些都会影响图像的质量。处理噪声点的过程称之为平滑,平滑可以降低
18、图像的视觉噪声,同时除去图像中的高频部分后,那些本来不明显的低频成分更容易识别。而噪声点一般是孤立的点,噪声点的像素灰度与它们的近邻像素有显著的区别,即灰度变化总在这附近有突变高频。平滑可用卷积来实现,平滑的频率截止点由卷积核的大小及卷积系数决定。用于平滑滤波的卷积核叫做低通过滤波器,低通过滤波器具有如下的特征:1卷积核的行、列数为奇数,通常为33的矩阵;2卷积系数以中心点为中心对称分布;3所有的卷积系数都为正数;4距离中心较远的卷积系数的值较小或保持不变;5卷积后的结果不改变图像的亮度。经过卷积平滑后给随后的水平投影、二值化提供了较好的图像效果。水平投影的曲线显得比较平滑,二值化后的图像孤立
19、点比较少。以下是几个常用的卷积核:1/9 1/9 1/9 1/10 1/10 1/10 1/16 2/16 1/161/9 1/9 1/9 1/10 1/5 1/10 2/16 4/16 2/161/9 1/9 1/9 1/10 1/10 1/10 1/16 2/16 1/16L P1 LP2 LP3通常的处理是:将中心点周围八个点的像素值乘于各自矩阵相应的系数后相加得到一个值,然后将这个值乘上中心点的系数,中心点的像素值赋为得到的最后值。一般来说,不同的噪声有各自针对性的卷积算法。本文使用的卷积算法是高斯卷积核,亦即上面卷积核的LP3。高斯卷积是通过采样2维高斯函数得到的。高斯平滑算法的优点
20、是平滑后图像的失真少,算法更具备通用性,能去除不同的噪声干扰。需要注意的是:在平滑处理时,图像边界点无法处理,因此循环范围应设定在图像边界内。B：算法实现： Template（）for(m=i-(tem_h-1)/2);m=i+(tem_h-1)/2);m+) for(n=j-(tem_w-1)/2);n=j+(tem_w-1)/2);n+) sum+=Graymn*tem(m-i+(tem_h-1)/2)*tem_w+n-j+(tem_w-1)/2); sum=(int)sum*xishu; sum = fabs(sum);if(sum255) sum=255; HeightTemplate
21、ij = sum；以上给出的是方案中最重要的一步实现时所需的算法，虽然在提出的方案不是很完全能解决目前在人脸识别技术上从存在的问题，但它还是可以实现一些基本的功能，比如图像提取，人脸定位，图像与处理，特征提取及人脸识别等，在算法的设计过程中同样也有一些问题，比如：在光线补偿算法中，由于要改变每一个像素的亮度，开始，我通过对数幅图像使用一个固定的值进行测试，得到的效果都满理想，但是当对更多的图像处理时，该固定值就出现了明显的不足，最后不得不采用全局统计的方法，才能得到比较理想的效果，再比如在均衡直方图算法中，开始时，图像的会度一直都处于很散的状态，而且图像的特征不明显，原本想经过高斯平滑后进行灰度变换，但是并未能成功。经过了一翻苦战，最终找到均衡直方图的办法，经过多次尝试，效果一直处于比较理想的状态，等等。不管是在方案设计上还是在算法的实现中，虽然问题是存在的但经过一系列测试总体来说还是基本能满足要求的，还是比较成功的。