关 键 词：

精品 vc 识别 辨认 技术设计 论文 源代码

资源描述：

【精品】VC人脸识别技术设计(论文+源代码),精品,vc,识别,辨认,技术设计,论文,源代码

内容简介：

1脸识别算法 脸识别算法 摘 要 人脸自动识别是模式识别领域的一 项 热门研究课题，有着十 分广泛的应用前景 。 本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸 位置 矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文 第二章 提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法， 它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文 第三章 提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像 提 取 人脸特征（矢量）， 并 在 验结果证明了该方法的有效性和稳定性。 关键词 1脸位置矫正，人脸特征提取，人脸识别，神经网络 ， 灰度图像 ，图像块纵向复杂度 ， 主元分析法， 1u he of is a in of a of As of as a of is in of a to on a In a of to of in of on of is is in of of s to of of 1n , a to on By P to is of a of 谢 首先要感谢我的毕业设计导师曹文明教授， 他是我在人脸识别领域研究的启蒙老师。 在整个毕业设计的过程中，他给了我各方面的悉心指导，他严谨求实的作风和渊博深厚的学识深深的感染了我。 感谢 中科院 王守觉院士在毕业设计阶段 对我的课题研究工作给予的关注和支持 ，这给了我极大的鼓舞。 还要感谢沈珠俊同学和 6们对待毕业设计的认真态度给 了 我很大的教育，同时也感谢他们随时随地的无私帮助。 毕业设计任务的如期完成离不开我自己的刻苦钻研和辛勤耕耘，但也离不开老师的指导和同学的帮助。这里， 再次对他们表示感谢。 1 录 中文摘要 . i . 谢 . 录 . 一章 绪论 . 1 人脸识别技术研究的背景和意义 . 1 人脸识别技术简介 . 2 脸识别的研究范围 . 2 要的人脸识别技术 . 2 人脸识别系统的构成 . 4 论文內容概述 . 4 第二章 人脸位置矫正算法 . 5 人脸位置矫正问题 的引入 . 5 算法的设计思路 . 6 算法的基本实现步骤 . 6 算法参数设计和算法基本 实现步骤的清晰化 . 6 直方差投影 . 6 平积分投影 . 7 像块纵向复杂度 . 7 睛黑斑模型 . 7 基于眼睛定位的人脸位置矫正算法 . 8 度人脸区域（人眼搜索区域）的确定 . 8 眼位置的确定 . 10 索复杂度最大的图像块 . 10 用人眼黑斑模型精确定位人眼 . 11 1 依据人脸图像的轴对称性矫正人脸位置 . 12 算法实验结果分析 . 13 结论 . 14 第 三章 人脸特征提取与识别 算法 . 15 特征提取需遵循的原则 . 15 主元分析算法 . 15 人工神经网络简介及 . 16 人工神经网络及其特性介绍 . 16 . 17 基于神经网络的主元分析人脸识别方法 . 19 利用非线性神经网络提取主元特征 . 20 特征数据的归一化和 . 2 算法实验结果及分析 . 22 总结 . 22 第 四 章 人脸识别系统 结构 . 23 人脸识别系统的目标 . 23 4. 2 本文的人脸识别系统 结构 . 23 第 五 章 总结与 展望 . 24 本文完成的工作 . 24 目前系统存在的不足之处 . 24 目前系统改进计划和今后努力方向 . 24 参考文献 . 25 附录 A 毕业设计期间发表论文 . 26 附录 B 人脸识别系统（软件）使用说明书 1一章 绪论 网络信息化时代的一大特征就是身份的数字化和隐性化 ,如何 准确鉴定一个人的身份，保 护信息安全是当今信息化时代必须解决的一个关键社会问题。 正在悄然兴起的 人脸 识别技 术正好可以解决这一问题。 人脸识别技术是最近 20年在全球范围内迅速发展 起来的计算机安全技术，是人体生物特征识别技术的一种。它根据人脸 固有的生物特征信息，利用图像处理和模式识别技术对个人身份进行鉴定。 鉴别人的身份是一个非常困难的问题，传统的身份鉴别方法把这个问题转化为鉴别一些标识个人身份的事物，这包括两个方面： 身份标识物品，比如钥匙、证件、 身份标识知识 ，比如用户名和密码。在一些安全性要求严格的系统中，可以将这两者结合起来，比如 要求用户同时提供 和密码。这些传统的身份鉴别方法存在明显的缺点：个人拥有的物品容易丢失或被伪造，个人的密码容易遗忘或记错。更为严重的是这些系统无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识事物，就可以拥有相同 的权力。 与传统的身份鉴定手段相比，基于人脸生物特征信息的身份鉴定技术具有以下优点： 用户易接受 ： 简单易用，对用户无特殊要求 。 防伪性能好： 不易伪造或被盗 。 “随身携带 ” ： 不用担心遗漏或丢失，随时随地可用。 除此之外，人脸识别技术还有主动性好，精确性高，性能 /成本比高，自学习功能强等优点。 鉴于人脸识别技术在个人身份鉴定方面的众多优点，这项技术可以在很多领域得到应用： 国家安全领域。协助公安，海关等国家安全机构加强对可疑人物、罪犯、恐怖分子的 追踪、监控和识别。 公众安全领域。加强交通管制；确认身份证、护照等证件的真伪；验证各类信用卡的持卡人身份。 计算机交互领域。根据计算机使用者人脸特征确定身份，提供个性化服务。 家庭娱乐领域等等。 人脸识别技术在这些领域的充分 利用，对于有效地鉴定个人的身份，防止犯罪和诈骗、提高公效率、节约资源有着重大的社会和经济意义。 脸识别技术简介 脸识别的研究范围 “人脸识别 ( 的研究范围广义上讲大致包括以下 5个方面的内容 1 (1) 人脸检测 (即从各种不同的背景条件下检测出人脸的存在并确定其位 置 声、面部倾斜度以及各种各样遮挡的影响 . (2) 人脸表征 (即采取某种表示方式表示检测出的人脸和数据的已知 人脸 如欧氏距离、曲率、角度 )、代数特征 (如矩阵特征矢量 )、 固定特征模板、特征脸、云纹图等 . (3) 人脸鉴别 (通常所说的“人脸识别” )：即将待识别的人脸与数据库中的已知人脸比较 ,得出相关信息 系统的构造与人脸的表征方式密切相关 . (4) 表情 /姿态分析 (即对待识 别人脸的表情或姿态信息进行分析 ,并对其加以归类 . (5) 生理分类 (即对待识别人脸的生理特征进行分析 ,得出其年龄、性别等相关信息。 从人的角度来看，他们之间并没有一个十分清晰和绝对的界限，实现其中之一往也就同时实现了其他方面，他们之间存在着相互依赖的关系 。 不过，为了便于计算机自动处理，我们还是将整个人脸识别研究的范围理解划分成以上 5个部分。 要的人脸识别技术 通常 ,人类进行人脸识别依靠的感觉器官包括视觉 ,听觉 ,嗅觉 ,触觉等 ,一般人脸的识别可以用单个感官完成 ,也可以是多感官相配合来存储和检索人脸 ,而计算机的人脸识别所利用的则主要是视觉数据 2 人脸图像 。 人脸识别的输入图象通常有 3 种情况：正面、倾斜、侧面。但由于实际情况的要求，人们对人脸识别技术的研究以正面模式居多，它的发展大致经历三个阶段：人工识别（别过程完全依赖于操作人员），人机交互式识别阶段，机器自动识别阶段。 近十余年来，随着高速度高性能计算机的发展，人脸模式识别技术有了较大的突破，提出了多种机器全自动识别系统。根据人脸表征方式的不同 ，我们通常将人脸正面自动模式识技术分成三类 1 ：基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。（ 1）基于几何特征的人脸识别方法 这类识别法将人脸用一个几何特征矢量表示 ,用模式识别中层次聚类的思想设计分类器达到识别目的 能够反映不同人脸之间的差别 ,同时又具有一定的弹性 ,以消除时间跨度、光照等的影响 其分量通常包括人脸指定两点间的欧氏距离、曲 率、角度等 5维人脸特征矢量用于模式分类。这种方法是比较直观的，侧重于人脸面部器官的轮廓和特征点寻找，还需利用人脸结构的先验知识（人脸器官的几何位置，形状特征等），达到了一定的识别效果。但这种方法往往是以少数特征点代替整个人脸二维图像，忽略了人脸器官和其他部位上的纹理信息。 (2)基于代数特征的人脸正面自动识别方法 这类识别法仍然是将人脸用特征矢量表示 ,只不过用的是代数特征矢量 :即人脸图象在由 “特征脸”张成的降维子空间上的投影 。 首先将 换用于人脸图象的最优表示 4 进一步提出了“特征脸” 方法，该方法以训练样本集的总体散布矩阵 为产生矩阵 ,经 称作“特征脸” 。 这样 ,就产生了一个由“特征脸”矢量张成的子空间 ,每一幅人脸图像向其投影都可以获得一组坐标系数 ,这组坐标系数表明了人脸在子空间中的位置 ,实验表明其具有较强的稳定性 ,可以作为人脸识别的依据。但研究表明 ,特征脸的方法随着光线、角度及人脸的尺寸等因素引入 ,识别率急剧下降。虽然可通过采用同一人的训练样本的平均来计算类间散布矩阵 ,但也只能在一定程度上纠正这个缺点。由于对 换而言 ,外在因素带来的图象差异和人脸本身带来的差异是不加任何区分的 ,因此 ,不管如何选择正交基 ,也不能根本解决问题。其改善的一个思路是针对干扰所在 ,对输入图象作规范化处理 ,其中包括将输入图的均值方差归一化、人脸尺寸归一化等。此外，由于提取人脸特征时要用到一些复杂的代数运算，此方法运算量较大，不太适合实时性要求较高的场合。 (3)基于连接机制（ 神经网络）的人脸正面自动识别方法 这类识别法将人脸直接用灰度图 (二维矩阵 )表征 ,利用了神经网络的学习能力及分类能力。这种方法的优势在于保存了人脸图象中的材质信息及细微的形状信息 ,同时避免了较为复杂的特征提取工作。而且 ,由于图象被整体输入 ,符合心理学中对人类识别能力的解释。但同时也由于图像被整体输入，存在着输入结点过高的问题，由此引发了网络训练时间长，计算量大，不利于人工神经网络收敛等问题。改善的方法之一就是在不影响网络分类识别能力的础上，采取一定的措施对输入图像进行降维处理。 当然，还有一种常见的观点 2 是将人脸识技术分为基于整体人脸特征的识别技术（特征脸方法和神经网络方法）和基于人脸组成部件（眼睛等）特征的识别技术 . 脸识别系统的构成 人脸识别系统包括 6 两个主要技术环节 (如图 1示 ):首先是人脸的检测和定位 ,即从输入图像中找到人脸及人脸存在的位置 ,并将人脸从背景中分割出来 ,然后才是对归一化的人脸图像进行特征提取与识别。这里需要说明的一点就是，人脸位置矫正也属于检测定位的范畴，并对后续的人脸特征提取和识 别具有积极影响。 图 1脸识别系统的基本结构 文内容概述 本文对人脸识别算法的研究主要集中在以下两个方面： 人脸位置矫正算法； 人脸特征提取和识别算法。以这两个算法的设计与实现为中心，论文的内容作了如下安排：第 1章 是对人脸识别的研究意义和人脸识别技术、人脸识别系统等背景知识的介绍。第 2章 借鉴 了文献 7的想法， 设计并实现了 一种新的 基于眼睛定位的人脸位置矫正算法 。第 3章 提出了 利用 主元分析法和 经网络实现的 人脸 特征提取与识别算法。第 4 章 提出了基于第 2， 3章算法的人脸识别系统结构 。第 5章 是对本文的总结与展望。 图像或图像序列 识别结果 人脸图像 人脸的检测与定位 特征提取与识别 二章 人脸位置矫正算法 本章针对大部分人脸识别系统建模中存在的不足 ，将人脸位置矫正问题引入思考，并根据人脸 图像 特点设计实现了一种 新的基于眼睛定位的 人脸位置矫正算法。 （ 为方 便叙述 起见，我们称人脸在竖直平面内的倾斜角度 为平面旋转角度，而称人脸在水平面内的倾斜角度为深度旋转角度。 本文 中 出现的人脸位置 矫正说法都是针对平面旋转角度而言的。 ） 脸位置矫正问题的引入 作为人类智能的重要体现 和个人身份鉴定的重要手段，人脸识别技术具有广泛的应用前景，已 成为一项热门研究课题。人脸识别的关键技术之一就是人脸的检测定位 。 在一个完整的人脸识别系统中 ， 能否对人脸进行正确的检测定位将对整个人脸识别系统的性能优劣产生极其重要的影响 ，而影响人脸检测定位的一个重要因素就是人脸在图像中的姿势。 实际中， 由于受到人的行为习惯，生理特征以及图像采集环境等诸多因素的影响，人脸在采集到的人脸图像中的姿势往往并不是完全正立的，而是在水平和竖直面内都存在一定的倾 斜 角 度 （即深度旋转角度和平面旋转角度） 。但是大部分的人脸识别系统 都是针对正立的正面人脸图像而设计的 8 ，没有考虑到人脸图像可能存在的倾斜问题，致使这些人脸识别系统从人脸倾斜的图像中提取的特征 数据 在 一定程度上失效，并有可能进一步导致人脸识别系统在最终识别结果中 产生误判。 针对这一情况，我们可以采取两种措施加以解决。其一，研究新的适用于非完全正立人脸图像的特征检测方法并对人脸特征的提取作相应的调整 ,这种解决方法在文献 9已有所尝试；其二，沿 用现有 的 人脸识别系统，但在人脸图像送识别系统进行特征提取和识别之前（即在人脸检测和定位阶段） ，先进行人脸位置矫正的工作 ,这种方法在文献 10中也已有所研究，并取得了较好的效果。 文献 7也是在人脸检测和定位阶段进行人脸位置矫正的方法之一，该方法存在两个明显的不足之处： 对 于最关键的眼睛定位问题，由于仅仅考虑了眼睛所在图像块的纵向灰度变特点 ，结构居中度操作只能保证眼睛结构相对于图像块在竖直方向上居中，而无法保证水平方向上的眼睛结构居中； 基于图像块灰度统计特征的眼睛匹配算法对于图像块 光照条件过于敏感，匹配处理后的眼睛最终定位结果不佳。尽管如此，文献 7中利用图像块 纵向 复杂度搜索眼睛大致位置的 方法和利用人脸结构对称性进行人脸位置矫正的思想是值得借鉴的。 本文借鉴 7的想法，提出了一种新的基于眼睛定位的人脸位置矫正方法 ，它适用于背景 较简单的单人脸灰度图像 。 法 的 设计思路 在介绍人脸位置矫正算法设计思路之前，先对人脸的主要特点作一 分析 。人脸是一个典型的形变体，其特点是：人脸模型已知；人脸特征器官的分布具有对称性，例如眼睛等；复杂的，高度相似的形变体。 基于对人脸特点的深入了解，我们得到了下面 的 设计思路： (1) 由于实验背景较简单，人脸在采集到的人脸图像 中表现为一块复杂的灰度图像。这 就提示 我们可以利用某种较简单的图像灰度分析曲线将人脸区域从人脸灰度图像中检测出来。 (2) 人脸具有对称性 ，人脸的特征器官分布也具有这种对称性，这就提示我们可以通过准确定 位人脸的某种特征器官，利用人脸图像的对称性对人脸图像位置加以矫正。 (3)人脸区域纵向、横向灰度变化复杂，特别是眼睛周围，灰度变化尤为显著。这就提示我们 可以利用人脸区域的灰度变化特点实现对眼睛的定位。 (4)眼睛的平面几何形状基本呈圆形或椭圆形，这就提示我们可以将眼睛 及其 周围灰度变化特点和眼睛的几何形状结合考虑，实现对眼睛的准确定位。 法 的基本 实现 步骤 根据 本节 给出了基于眼睛定位的人脸位置矫正算法的基本 实现 步骤： (1) 灰度人脸区域（人眼搜索区域）的确定 。这一步主要完成对人脸左右、上下边界的确定 , 为眼睛的粗略定位作准备。 (2) 人眼位置的确定。这一步实现了眼睛位置由粗到细的定位。 (3) 根据双眼的定位结果以及人脸的对称性实现人脸位置矫正。 法参数设计 和算法基本实现步骤的清晰化 度变化是表征人脸特征的主要指标。在单人脸灰度图中，相对于简单背景而言灰度人脸区域表现为一块复杂图形；而在灰 度人脸中，相对于脸部其他器官而言，眼睛与周围皮肤的灰度差异最为显著。较脸部其他器官而言，眼睛的 平面 几何形状也很有特点，基本上呈圆形或椭圆形，且双眼关于人脸对称轴对称。根据上述分析， 为 具体实现 基于眼睛定位的 人脸位置矫正算法，本节 为 横向 向 图像块（其灰度矩阵为 第 设计 了下面这些参数。 直方差投影 2V2V 表征了图像内在的纵向灰度值间变化的显著程度，其表达式为： )(2 = Mi )(1 (1) 其中， 以由公式 Mi ,1)( (2) 得到。 平积分投影 H 表达式为： Nj 1)( (3) 像块纵向复杂度 C 7 表达式定义为： 11 1 ,1 |j (4) 睛黑斑模型 F 的值体现了 图像块内部的图像与眼睛图像的匹配程度，用于人眼的精确定位。其表达式定义如下： F = 12121,1, )(2( 211211, )(Bx )2( 121 12,1, )(2( 21112,1, )(Bx )2( 11221,1 )( )(x )2( 112 12,1 )(2( , )(x )2( (5) 其中， 为常数，用于调整横向灰度变化对 眼睛黑斑模型的作用大小。 将这些参数应用于算法的基本实现步骤，可以得到较清晰的实现步骤。 首先，利用对图像灰度的垂直方差投影曲线以及水平积分投影曲线的处理确定灰度人脸区域（或称为眼搜索区域）；然后，利用图像块的纵向复杂度和眼睛黑斑模型确定人眼位置；最后，根据 所确定的人眼位置及双眼的轴对称性，计算人脸倾斜角度并矫正。 于眼睛定位的 人脸位置矫正算法的 具体 实现 度人脸区域（人眼搜索区域）的确定 基于 2V和 ： (1) 对单人脸灰度图像样本集中灰度人脸大致位置进行分析，指定灰度人脸搜索区域（见图2这一步工作可以提高区域定位速度，减小冗余信息（主要指服装）对区域准确定位造成的干扰。 图 2定的灰度人脸搜索区域 图 2直方差投影曲线与人脸的关系 2直方差投影曲线变换后的曲线 图 2脸左右边界定位情况 (2) 对灰度人脸搜索区域的垂直方差投影曲线作平滑处理，分析平滑后曲线，取凸峰的上升沿梯度值最大的点作为灰度人脸区域的左边界，取凸峰 下降沿梯度值最小的点作为灰度人脸区域的右边界。文献 11中快速人脸检测的方法是垂直灰度投影法，该文对彩色图像的红分量作垂直灰度投影，直接使用最大和最小梯度值作为界定人脸左右边界的条件，但该法在人脸倾斜度较大、面部光照强度变化较大（特别当背景也较亮且横向灰度变化明显）等情况下往往会造成误判。这是由于垂直灰度投影反映的仅仅是图像在水平方向上的灰度变化，它无法解释图像内在的纵向灰度值变化的显著程度。故本文采用垂直方差投影作为界定灰度人脸左右边界的基础，该投影曲线不仅能保留灰度人脸这一复杂图形（相对于较简单背景 而言）纵向灰度值变化明显的信息（以凸峰表示），而且能十分有效将灰度人脸与背景加以区分（如图 2。为改善曲线凸峰形状，以利于按梯度最大最小值定位灰度人脸左右边界，减少误判发生，本文引入函数 )1)(m ()(02120 （ 6） 对垂直方差投影曲线进行变换， a,换后曲线如图 2图可知，这种变换可以使凸峰区域内部的梯度变化得以弱，凸峰区域边缘（即灰度人脸与背景的分界处）的梯度变化 得以加强，从而更加有利于依据变换后曲线梯度最大小值定位灰度人脸的左右边界。人脸左右边界的定位情况如图 2 (3) 定位左右边界后的狭长区域，自下而上大致又分为三个小区域 ； 面部灰度区，头发灰度区，背景灰度区 。 对该狭长区域作水平灰度投影 ， 根据该曲线所反映的垂直灰度变化情况确定面部灰度区与头发灰度区的边界 ， 并将其作为灰度人脸区域的上边界 。 确定上边界的算法描述如下 ： * 狭长区域大小为 M x N，比例系数 的初始值要预先设置， 为比例系数增大的 步长， H(i)为第 度投影最大值 */ =0; := 1 /* 自下而上读取当前行的水平灰度投影值 */ f H(i) (i) (i) i 作为灰度人脸的上边界，算法结束 . := + ; (4)以左右边界及上边界 所在的正方形区域作为灰度人脸搜索的最终结果。事实上，人眼一般位于该正方形区域的上半部分，出于对眼睛检测速度，运算量的考虑，还可以将下边界适当往上抬（见图 2 图 2度人脸区域的最终定位情况 眼位置的确定 人眼位置的确定又可以分为搜索复杂度最大的图像块和利用人眼黑斑模型准确定位两部分。 索复杂度最大的图像块 首先，将 图像块的宽为人眼搜索区域宽度的 1/10，略宽于单人脸灰度图中黑色眼珠的宽度；小图像块的 高为人眼搜索区域宽度的 1/5。然后，根据 算并记录所有小图像块的纵向复杂度。再将所有小图像块分别向右平移 1/2单位宽度，向上平移 1/2单位高度，计算并记录平移后各小图 图 2向复杂度最大的 10个小块 图 2纵向复杂度二次微调后的余下的小块 像块的纵向复杂度。对上述实验步骤中得到的纵向复杂度值从大到小排列，找出纵向复杂度最 的 10个小块。 实验发现，如图 2些小图像块一般集中在眼睛，眉毛，刘海，鬓角这些灰度变化显著的区域， 且这 10个小图像块相互邻接重叠的块数较多。对于同一高度上邻接重叠的那些小块，仅保留纵向复杂度最大的小图像块，删除其余小块。对余下的小图像在上、左、右小范围内微调，以使每个小图像块的纵向复杂度在其周围小范内达到最大，再按保留灰度值大的小块的原则，删除有部分重叠的小块。此时，如图 2下的小图像数量已很少，但必定会有两块都同时包含眼睛和眉毛。 用人眼黑斑模型准确定位人眼 眼睛黑斑模型 模型为图像块中纵向横向灰度变化赋予了方向权 值，加强了图像块边缘的灰度变化对该参数模型的影响，从而使得那些只有准确包含人眼黑色眼珠且黑色眼珠位置居中的图像块才具有很大计算值 ，用于实现人眼的准确定位。 的处理结果已能粗略地定位人眼所在的置，为减少眉毛对眼睛精确定位的干扰，取竖长小图像块的下半部分作为利用眼睛黑斑模型精确定位人眼的处理对象。这样，这些新小图像块都是正方形，边长为人眼搜索区域宽度的 1/10。 将这些新小图像块在上、下、左、右小范围内微调，并分别进行眼睛黑斑模型的数值计算，找出每个新小块的最佳定位位置。微调后按眼睛黑斑模 型计算值自大到小对新小图像块排序。通过实验结果发现，如图 2眼黑斑模型计算值最大的新小图像块必定包含眼睛且该小块已处于人眼最佳定位位置（这里的人眼最佳定位置指的是人眼结构于图像块中心且图像块中心点为眼睛瞳孔的定位结果）。取该计算值最大的新小图像块作为其中一只眼睛的最终定位结果。 在进行另一只眼睛的最终定位之前，先删除三类明显不包含眼睛的新小图像块： (1)人眼黑斑模型计算值为负的新小块。这种类型的小块，其内部图像的几何形状特征、灰度变化特征与人眼的几何形状特征、灰度变化特征存在重大差异。 (2)位置紧贴人眼搜索区域边界的新小块。人眼位于人眼搜索区域的内部，这些紧贴边缘的新小块是处于刘海，鬓角，人脸与背景分界处的干扰小块。 (3)在人眼黑斑模型计算值最大的小块下方，且与该小块连线所在直线斜率绝对值大于 1 （即倾角绝对值大于 45 ）的新小块。 图 2眼睛黑斑模型一次微调结果 图 2睛所在图像小块的最终定位情况 将余下的新小图像块（不包括已作为其中一只眼睛最终定位结果的那个小块）再一次在上、下、左、右小范围微调，并根据人眼黑斑模型数值计算结果实现各小块的最 佳定位。然后，取这些小块中眼睛黑斑模型计算值最大的那个小块作为另一只眼睛的最终定位结果。对这些新小块需要作二次微调的原因在于，当人脸在竖直平面内的倾斜角度过大时，由于受到调范围的限制，一次微调并不能保证包含眼睛图像的两个新小块都处于作为眼睛最终定位结果的位置。 眼睛所在图像块的最终定位情况如图 2 据人脸图像的轴对称性矫正人脸位置 人脸图像是一种具有轴对称性的几何图形，眼睛对称地分布于人脸轴的两侧，而且人脸的这种对称性不会随着人脸的倾斜而有所改变。因此，可以通过对眼睛的准确定位来 确定人脸对称轴，实现人脸位置矫正。 利用 眼睛位置确定方法可以找到两个包含眼睛的小图像块。根据小图像块的位置计算人脸在竖直平面内的倾斜角度，再以过小图像块中心（即人眼瞳孔位置）连线的中点且垂直于该连线的直线为人脸对称轴，对人脸图像进行矫正，矫正后的人脸图像如图 10所示。 图 2正后的人脸图像 法实验 结果分析 图 2部分 人脸 数据库 图像矫正处理前后的情况 实验采用 与文献 7相同的人脸数据库 ，将提取红色分量后的人脸灰度图像作为人脸位置矫正算法的初始样本集。 （对真彩色人脸图像可以这样处理的原因在于：人脸肤色基调为红色，它包含了人脸的大量主要信息，而且红色分量信噪比相对其余两种基色分量的信噪比要，处理起来更有效。） 人脸 图像尺寸为 384*288， 256级灰度，共有 100幅 ，平面旋转角度（即人脸在竖直平面内的倾斜角度 ） 不超过正负 30 。我们采用 编程，在 50 果成功矫正人脸图像 99幅，正确率达 99% 。部分人脸图像 矫正 处理前后的情况 如图 2 实验还发现，对于 存在 较大 深度旋转角度 的人脸 图像 ，只要双眼仍然可见， 见图 2 该算法同样有效，只不过此时根据双眼位置确定的人脸对称轴是与实际人脸对平行的直线。这说明该算法的鲁棒性是较强的。 图 2度旋转角度较大的人脸图像旋转前后 该算法能够对人脸位置进行有效矫正的前提是眼睛的精确定位，也就是说该算法能够首先确定眼睛在单人脸灰度图像中的位置，这对于人脸识别中后续的人脸特征器官（眼睛）定位具有重大意义。 论 本课题 提出了一种基于单人脸 灰度图像中 眼睛定位的人脸位置矫正方法 。 它充分考虑了眼睛的灰度变化特点、几何形状特征及双眼的轴对称性，提出了图像块纵向复杂度概念和人眼黑斑模型，在检测到灰度人脸区域后，利用对眼睛的准确定位和双眼的轴对称性，实现了人脸图像的位置矫正。该算法正确率高，鲁棒性较强，特别适用于背景较简单的人脸位置矫正。还需要指出一点就是，该算法可以准确定位眼睛，对人脸识别中后续的特征器官定位问题，具有一定的指导意义 。 三章 人脸特征提取与识别算法 人脸特征提取和识别是人脸识别系统 的关键组成部分。本章将 主元分析法和 出了一种基于神经网络的主元分析人脸识别算法 。该算法先以人脸图像 在主元分析法产生的低维子空间 投影（即特征矢量）表征人脸图像 ，再以 征提取 需遵循的原则 广义上来说，特征提取是一种从高维测量空间（在本文即人脸图像空间）到低维特征间的一种映射（或变换）。这种映射通常要遵循两个原则，即特征空间必须保留测量的主要分类信息；特征空间维数远小于测量空间维数。 元分析算法 主元分析法正是满足 一种数据压缩方法，它可以将人脸图像投影到低维特征空间各个正交基上产生特征向量。这种特征向量不但对光照、姿态表情等干扰因素不敏感，还可以较好地反映了人脸图像的全局与局部特征。 主元分析法 是一种特殊的 们将它用于统计特征提取 ,从而形成了子空间法模式识别的基础。关于正交基的选择有不同考虑 ,即与较大特征值对应的正交基 (也称主分量或主元 )可用来表达人脸的大体形状 ,而具体细节还需要用与小特征值对应的特征向量 (也称次分量 )来加以描述 ,因此也可理解为低频 成分用主分量表示 ,而高频成分用次分量表示。其中 ,采用主分量作正交基的方法称为主元分析法(采用这种方法进行变换所产生的低维子空间对人脸的表达能力最佳。主元分析法作为人脸的光照、姿态、表情变化不敏感，但出于进一步改善特征提取和识别的有效性考虑，还是应对主元分析法处理的人脸图像位置进行预先矫正。本文 面介绍主元分析的基本算法。 设 为 大小的人脸图像灰度矩阵按列连接后产生的列向量的维数， 训练样本集中第 i 幅人脸图像对应的列向量，则向量的协方差矩阵 X 可以表示为： (1 其中， 。 X 为对称矩阵，可对其进行对角化： Rr 其中， r 为 X 的特征值，r为相应的特征向量， R ,., 21构成标准正交系， R 为 X的秩， ,., 21， 为对角阵，对角线上的元素为 X 的各特征值。将 r 上的投影记为 P ,., 21则 协方差距阵为： )( )( 由此可见， r 上投影的方差就是 r 对应的特征值 r 。 从人脸图像重构的角度来说，只要选取前 人脸图像向量向这 可以获得一个由 的投影向量。该投影向量表征了人脸图像在特征子空间的位置，是主元分析法对人脸图像提取的最优特征。 主元分析法的具体实现依赖于矩阵的迭代计算，但也有神经网络的 实现 方法 13 。