基于人脸识别与密码电子锁的门禁系统

I诚信声明书月 日V摘要摘 要现代社会中企业、公司、工厂、机关单位等对于出入人员的身份验证越来越重要，对身份识别的准确性、高效性、便捷性、安全性、实用性提出了更高的要求。相比其他的生物特征识别技术而言，人脸识别具有其独特的优势,是最直接、最方便友好的方式，在人脸识别系统中主要涉及几个重要环节：人脸检测定位，人脸特征提取，分类识别。本文重点分析当下学术界已有的基于模板匹配，规则特征搜索，人工神经网络等人脸检测方法以及基于向量机，特征脸，人工神经网络等人脸识别方法，结合实际需求，权衡准确性，高效性，实用性等，对比各种识别方法的优劣势，选取基于主成分分析（PCA）的特征脸方法作为本系统的核心算法。本系统在硬件构成上主要有三大块：OV511芯片的摄像头，博创up-techpxa270-s开发板与密码电子锁，工作流程如下:首先由摄像头抓取训练人脸图像库，当有人请求进入时，再有摄像头抓取人脸，采用基于特征脸的方法对该人脸进行身份识别，再根据识别结果开关电子锁。该作品主要应用在公司，企业，机关单位等对出入人员需身份识别的领域，经验证本作品相对于目前已有的身份识别系统具有自然友好，方便快捷，高效准确等特点，具有良好的应用前景。关键词：人脸识别；特征脸；门禁系统；QT界面ABSTRACTABSTRACTIn modern society, enterprises, companies, factories, organs and units for the staff of identity verification is increasingly important, the identification accuracy, efficiency, convenience, safety, practicality put forward higher requirements. Compared to other biological feature recognition, face recognition has its unique advantages, It is the most direct, the most convenient and friendly manner, in face recognition system mainly involves several important aspects: face detection, feature extraction, classification and identification.This paper focuses on the analysis of the current academic circles several existing face recognition methods, which are based on template matching, rule feature search, artificial neural networks and the method based on support vector machine, Eigenfaces method, combined with the practical demand, the trade-off between accuracy, efficiency, practicality, and compared the advantages and disadvantages of various identification methods, this system selection based on principal component analysis ( PCA ) method of eigenface as the system core algorithm. The system hardware composition has mainly three parts: OV511chip camera, up-techpxa270-s development board and the electronic cipher lock, the working process as follows: firstly, the camera grab training face image database, when a request for access, and camera crawl face, using the feature-based face method on the human face identification, then according to the result of recognition switch electronic locks.This work mainly used in companies, enterprises, organs and units of staff required identification field, and this work compared to the existing identity recognition system has a advantage of natural, friendly, convenient, efficient and accurate, and has good application prospect.Key Words: face recognition; eigenface; access control system; QT interface目录目 录第1章 绪论11.1 应用背景11.2 系统描述11.2.1 系统方案11.2.2 系统主要功能描述21.3 性能指标21.4 系统特色31.4.1 充分利用班上资源31.4.2 QT界面上实现人性化的操作界面31.4.3 实用性强3第2章 人脸识别技术综述42.1 人脸识别系统42.2 人脸检测与定位技术概述42.2.1 基于模板匹配的图像人脸检测方法42.2.2 基于规则的特征搜索方法52.2.3 基于线性子空间的人脸检测方法52.2.4 基于人工神经网络的人脸检测方法62.3 人脸识别62.3.1 基于向量机（SVM）的人脸识别方法62.3.2 基于人工神经网络人脸识别方法82.3.3 基于特征脸（PCA）的方法9第3章 基于PCA的人脸识别113.1 算法简介113.2 人脸图像预处理113.2.1 几何归一化123.2.2 灰度归一化123.2.3 图像直方图均衡化133.3 PCA人脸识别步骤153.3.1 算法总体流程153.3.2 PCA人脸识别具体步骤15第4章 系统总体设计194.1 系统总体流程图194.2 人脸图像预处理流程图194.3 PCA人脸识别流程图20第5章 QT图形界面设计及视频图像采集215.1 QT主窗体设计215.1.1 主窗体界面215.1.2 管理员管理界面225.1.3 添加人员信息界面225.1.4 修改人员信息界面225.1.5 删除人员信息界面235.2 视频图像采集23第6章 电子锁的控制256.1 控制综述256.2 串口通信25第7章 总结与展望277.1 本文总结277.2 自动人脸识别门禁系统展望27致 谢28参考文献29第1章 绪论第1章 绪论1.1 应用背景在现代生活中，工厂、企业、机关单位等领域经常需要对出入人员的身份进行验证识别，人员身份识别可以让我们避免不必要的麻烦，有助于提高企业的日常管理与安全性。传统的身份识别主要是由人工登记出入人员来进行，倘若身份识别工作若是有专门的计算机系统进行，那么就能够省去很多时间去做更有益的工作。人脸识别系统中最关键的便是系统所采用的人脸识别技术，该技术发展于最近的几十年，在90年代后期人们提出了各种识别算法，人脸识别技术得到了巨大的发展，我们知道，在传统的身份识别方法中密码，指纹，虹膜，人脸等应用较多，但是优缺点也是相当明显，例如密码验证中人员所使用的密码容易被遗忘或者被盗用，所以，遇到某些重要场合或者机密级单位，密码验证显得捉襟见肘，只能是一种辅助方法，需要采用像指纹，虹膜，人脸等人体生理上的唯一性差别特征等进行身份识别，使用此类生物识别方式具有相当强的自身稳定性，也具有很强的个体差异性。然后，由于指纹和虹膜的识别都是需要待识别人员的积极配合才能完成，属于主动性识别的范畴，故他的应用受到一定的限制于约束，对比之下，人脸识别技术则是一种最自然，最直接的方法，具有友好，非接触，灵活方便等特点，同时主动方式和被动方式都可以采用，是最容易被接受的和推广的方式，在近几年中，人脸识别技术已经成为国内外研究的一个热点。受到了各国的高度重视。总之，人脸识别技术是一种自然，直接，友好，方便又是具有非侵犯性的可以采用主动和被动方式的身份识别技术，在现代社会中，必将在各个行业领域内拥有广阔的应用前景，也必将成为各国研究的热点与重点。也一定会对人们的生产生活产生积极深刻的影响。1.2 系统描述1.2.1 系统方案方案概述：本方案基于Pxa270和Qt图形界面技术，对摄像头传送的实时数据帧进行基于v4l的API多线程编程，然后对摄像头抓拍的请求进入人员图片进行图像预处理，然后再结合训练人脸库进行人员的身份识别，最后根据人脸识别的结果有开发板一端发送判别信号给密码电子锁，控制电子锁的开启还是关闭，该方案能够大大提高相关单位出入人员身份识别的效率和速度，方便可靠。设备简介：Up_Techpxa270-s嵌入式开发平台实验箱；USB接口网眼摄像头；串口线；RS232 USB转串口线；安装Linux操作系统的计算机。1.2.2 系统主要功能描述基于人脸识别与密码电子锁的门禁系统主要功能如下：1出入人员在主界面上相应栏输入员工号点击确定后系统根据输入的员工号查询数据库确认是否存在该员工，若存在则打开摄像头显示在主界面指定位置，再进行实时抓图进行人脸识别验证身份，若不存在该工号的员工则直接拒绝进入。2对摄像头抓取的人脸图片进行人脸识别验证身份，具体流程如下：首先对抓取的图像进行预处理，包括图像灰度化。对灰度图像进行图像增强、滤波等操作是图片更加清晰易于处理。然后在读取训练人脸库，将每一张读入的二维人脸图像转换成一维向量，这样讲训练人脸库中的人脸转换为一个矩阵，然后再对该矩阵进行KL变换、求特征值特征向量，从而训练形成特征子空间。接着需要将训练人脸和检测人脸分别投影到特征子空间中，于是每一个训练人脸和检测人脸就对应为特征子空间内的一个点。然后计算检测人员与每个训练人脸之间的距离（即欧几里得距离），然后根据训练人脸库计算距离分类阀值，再根据这个阀值进行人脸识别。3. 根据上一步人脸识别的结果，结合第一步的工号，如果该员工是普通员工，则直接跳出欢迎提示语，如果该员工为企业人力资源部管理员，则提示是否需要进行企业人员资料管理，在给定时间内如果管理员未确认要修改资料则只提示欢迎提示语。如果确认需要管理则进入管理界面。4. 管理员进入管理界面后可以根据需要对企业员工信息进行管理，具体可以进行的操作有，增加一个企业员工信息，删除一个企业员工信息以及修改某个企业员工的信息，本系统数据库内存的员工信息主要有工号、性别、年龄、职位等字段，只有管理员有权修改。5. 当系统对请求进入人员进行身份确认后，发送信号给密码电子锁，密码电子锁根据系统发送的信号开锁或者不开锁1.3 性能指标1. 准确性本系统针对请求进入人员的人脸图像采集与识别具有较高的准确性，尤其是在待检测人员面部表情稳定没有夸张的面部修饰及遮挡物时人脸识别会更加准确，除了在一些特殊情况，例如待检测人员在人脸采集时有过度夸张的面部表情或者人脸采集时面部带有较大面积的遮挡物，本算法存在一定偏差，但就目前而言没有一个算法能保证没有误差。2. 高效性本系统采用的人脸识别算法具有简便，执行速度快，且占用资源少等特点，因此对采集到的图像进行人脸识别具有较高的效率，非常适合在嵌入式设备上运行。3. 确定性每次对采集的图像进行人脸识别后所做出的动作都是确定的，可以预测的，不会出现未知动作或者错误。4. 稳定性一个系统如果只能运行在理想状态，那么这个系统是毫无价值的，尤其是对于工作各个企业，工厂，单位的人脸识别系统，需要能够处理各种环境干扰和设备误差，保证识别的正确性。5. 实时性交通配时系统的最根本的出发点是改善交通路口拥堵的情况，这就要求系统具有实时性，对车辆面积增加能较快做出反应，并及时做出配时调整。1.4 系统特色1.4.1 充分利用班上资源整个系统运行需要用到板子上的多个硬件模块：USB接口，串口，网口，摄像头，LCD显示器。充分利用UP-TECHPXA270-S平台丰富的接口资源，具有良好的可扩展性。1.4.2 QT界面上实现人性化的操作界面通过QtE编程完成了基于UP-TECHPXA270-S平台对显示屏上的可视化，并详细说明从程序设计、移植到运行的过程。程序能很好的运行在开发板平台上，验证了程序的有效性和可靠性。并且用QtE开发的应用程序界面清晰美观，操作简单方便。具有面向对象、跨平台和界面设计方便美观等特点。 1.4.3 实用性强本系统用于各交通路口，能较大程度改进车辆拥堵的状况，保障道路顺畅无阻，该系统最大的优点和技术创新点是其配时是根据车辆的面积，相比一般的计算车辆数，能较大的降低处理的复杂度，提高效率，同时也能保障较高的准确性，另外，其简便的使用方法，非常适合投入实际应用，对现代交通运输意义巨大。31第2章 人脸识别技术综述第2章 人脸识别技术综述2.1 人脸识别系统 人脸识别系统是用计算机作为他的一种辅助设备，利用已有的静态的或者动态的图像来识别人脸，系统流程一般可以描述为：从视频中抓取一张图片或者给定一张静态图片，然后利用已有的人脸数据库来确认抓取的图片或者给定的静态图中人物的身份，人脸识别系统一般可以分为四大模块：对抓取的具有复杂的背景的图像进行人脸检测定位，然后对检测到的人脸进行分割，接着是对图像进行预处理，再进行人脸特征的抽取，最后是利用人脸数据库进行人脸匹配识别。一般的人脸识别系统如图2.1所示：检测定位预处理特征提取识别图片/视频结果图2.1 人脸识别系统2.2 人脸检测与定位技术概述2.2.1 基于模板匹配的图像人脸检测方法早期，人们检测图像中的人脸一般是利用人脸模板的顺序匹配法2，由于图像中人脸区域的灰度他本身就可以作为模板，所以基于模板匹配的方法能够有效的检测到图像中的人脸区域。该方法首先要有一定数量的人脸灰度图像样本，然后对这些灰度图像样本进行灰度分布等特征的统计。然后从灰度层次角度对图像和目标模板进行相似性比较，找出人脸可能存在的位置，接下来在可能存在人脸的位置中去寻找眼睛、嘴巴等边缘1。但是这种方法必须要满足一个条件，那就是两幅图片中的人脸需要有相同的尺度，取向和光照条件，故对这两幅图片需要进行尺度归一化和灰度归一化的处理。该方法在标记完图像中可能存在的人脸区域后，为了进一步确定人脸的存在，若图像目标结构是已知的，但是大小、位置等是未知的，这时候我们利用可变模板的模板匹配来对图像目标的定位将是一个很好的方法。Kelly介绍了一种方法，该方法是从上到下对图像分析进行方法3，这种方法用于图像中提取头部与身体轮廓，然后再去确定眼睛，鼻子，嘴巴等的位置与边缘轮廓，而另一个科学家Govindaraju则提出了另一种方法，他的方法应用于有复杂背景的图像的人脸分割4，而且人脸是利用椭圆来近似的表示，这种方法需要一些图像预处理，包括边缘上断点的确定，对相邻的边缘曲线段加上标记，最后在断点处用最相似的边缘连接起来。利用多个人脸灰度样本产生平均脸进行模板匹配的方法具有简单直观的优点，但是当人脸模式非常复杂或者出现那种要处理多角度和光照变化的情况时，单一模板建模就不能满足检测需求了，这种情况下首先要建立几个相关的模板，然后用这些模板去检测那些相对来说比较稳定的人脸局部特征5,6。例如艾等人提出了一种基于多个关联模板的人脸检测的方法，这种方法用到双眼模板和不同的长宽比的人脸模板，利用这种方法检测人脸时，首先要运用双眼模板对人脸图像进行粗略筛选，接着用第二个关联模板即不同的长宽比的人脸模板检测确定出人脸区域的位置以及范围，最后再根据人脸器官例如嘴，鼻子等特征进行确认。模板匹配方法是一种初略的人脸检测方法，精度不高，而且利用模板匹配的方法检测图像人脸最大的困难之处是模板的建立，该模板必须对图中人脸的尺寸，角度，位置，光照条件的都相对较稳定，再则模板匹配的方法计算量也是相当的大。2.2.2 基于规则的特征搜索方法Coline在80年代发表的A rule-based high-level vision system一文中提出了从手工素描中检测定位人脸的视觉系统9，这种系统应用IFTHEN规则来处理任务，随后又有杨光正等人提出了一个多层的基于知识人脸的定位系统，该系统是从人脸灰度网络分布镶嵌图的角度入手的7,8，他很好的利用了人脸的边缘特征和灰度分布，对人脸的检测是从粗到精的分布搜索和多级判断的方法来组建排除费人脸区域，这种方法能够在复杂背景中定位出人脸的位置，而且完全不需要事先知道人脸数量和大小。随后由徐宁等人对杨光正的方法进行了进一步的改进，他们提出了自己的方法，他们的方法是基于句法和知识的，Lee等人提出了在监控视频中实时的定位人脸区域，而且视频中是有复杂背景的13，Wu等人则提出了模糊匹配的人脸检测方法14。基于规则的特征搜索方法可能达到比较稳定的检测效果，这得益于他综合了人脸图像的各种特征信息，他的关键点和难点是应该选取什么样的特征以及应该怎么样来建立有效的规则来对各种特征进行组合。2.2.3 基于线性子空间的人脸检测方法线性子空间的人脸检测方法主要分为三大类，主成分分析（PCA）方法、FA方法和LDA方法。主成分分析方法（PCA方法）是由Pentland等人在90年代引入到人脸检测领域10,11，主成分分析方法本质上一种利用KL展开的递推实现，在图像压缩的时候KL变换是一种最好的正交变换，由KL变换产生训练人脸库的总体分散矩阵。再进过矩阵运算，计算矩阵的特征值和对应的特征向量，然后提取最大特征值的对应的特征向量组成子空间，而这些对应的特征向量则是特征子空间的基底，这样做能很好的保留原始人脸数据库中主要特征信息，而忽略那些次要的信息，这种方法首先要将训练人脸库中的二维人脸数据读入到一个矩阵，每张人脸数据为矩阵的一列，然后对训练人脸库构成的矩阵进行KL变换，使得各个向量分量相关性消除，得到一个特征脸空间，该空间的向量按对应特征值递减顺序排列，在人脸检测时，需要把每个训练人脸以及待检测人脸投影到特征空间，每个人脸对应一个点，然后计算待检测人员与训练人员之间的距离，即误差，这样就可以用这个误差度量出图像和每个训练人脸之间的接近程度，以此作为判断是否为人脸。麻省理工学院（MIT）的Sung等提出了LDA方法，该方法同时使用人脸与非人脸样本。是一种样本学习方法。这种方法需要将训练图像进行某一种非线性变换，然后将属性向量映射到高位的特征空间。然后计算待检测图像和特征空间之间的距离，看这个距离是否小于阀值从而判断该图像是否包含人脸区域。FA方法是随着心理学的发展而逐步形成的一种现象子空间方法。2.2.4 基于人工神经网络的人脸检测方法人工神经网络的人脸检测方法起步较晚，是最近几年才发展起来的，这种方法模仿神经网络的学习能力、分类能力，他的分类器是通过对训练人脸数据库和非人脸数据库进行学习产生的，利用这个分类器来检测人脸。最早将人工神经网络应用于人脸检测领域的是Viennet教授和Soulie教授，他们在复杂背景下采用神经网络来进行人脸检测并取得很好的效果。后来由Juell和Marsh教授对其进行改进15，他们将神经网络进行拓展，采用多个子网来构成多次网络结构，然后在对图片进行人脸检测。每个子网采用的训练算法是误差反传法，其中的几个神经网络子层分别用来判断嘴，眼，鼻，而顶层的神经网络对下面的子层网络判断出的各个器官特征结果进行综合，神经网络越精细检测效果就越好，据此，Rowley博士等人构建了多层误差反传网络16.17，这种网络采用多种方法对图像中的人脸区域进行划分和组合，每个区域分别对应不同的功能节点，该方法能很好的保证图像中那些不同尺寸的人脸区域总能在某个情况下完整的落入检测窗口，到此人脸尺度变化问题基本解决。理论上，人工神经网络人脸检测方法检测人脸只要训练样本足够多，那么他就可以训练检测不同角度、不同遮挡、不同脸型的人脸，但在实际中，训练样本的选择和训练的收敛都是较为困难的问题。2.3 人脸识别2.3.1 基于向量机（SVM）的人脸识别方法在SVM方法是由Vapnik最早提出的，结构风险最小原理和统计学习理论的VC为理论是他的原理基础14，传统的神经网络人脸识别方法在结构的确定方面是单纯的依靠试验来凑出来的，没有什么理论上的依据，SVM方法就是想要改善他的理论弱点，SVM突破性的从最优分类面问题着手，最先提出SVM网络5，到目前为止，支持向量机的方法在模式识别，数据挖掘等方面都得到了很好的应用。也受到越来越多的研究者欢迎，将其应用于人脸识别方面。用SVM进行人脸检测，图片像素点的灰度值可以直接取为特征，虽说图像灰度值可表征人脸，而且可以作为人脸特征采用SVM判别12，但用这种方法表示的话矩阵数据维数会太高，对图像数据的处理速度会很慢且会影响到判别的正确率，目前而言很多的SVM方法经常是讲SVM与另外的合适的让人脸表示方法结合，例如将PCA与SVM相结合的算法。这种方法充分利用了PCA和SVM各自的优势，例如PCA在特征提取方面具有相当高的有效性，而SVM在小样本问题的处理和泛化能力上有着突出的优势。若想要把SVM应用于人脸识别问题上，必须要将向量机的二分类拓展到多类问题，这是因为简单的SVM通常是来解决二分类方面的问题的，而人脸识别则是一个多分类方面的问题，目前的主要解决方法是合二为一，也就是说将多个SVM合并为一个多分类的支持向量机的结构，而合并的方案主要有“一对一”和“一对多”。7所谓的一对一方案是对每两个类别进行训练，将其训练成为一个分类器，倘若需要解决n分类的问题，那么这时候就需要训练n(n-1)/2个分类器。所谓的一对多方案就是要给每一个类别构建一个分类器，而每个分类器的训练样本集是由属于该类别的样本所构成的，那些不属于这个分类的其他任何样本集都是负样本集。概括来讲支持向量机的人脸识别方法具有以下优点：1) SVM算法将复杂的人脸识别问题进行转化，化为一个在二次型上寻找最优的问题，从理论上讲，算法会得到的结果是在全局上的最有点，这就解决了神经网络中没办法去回避的极值局部性问题。2) SVM在小样本问题的处理和泛化上有着突出的优势，他的主要目标是得到已有信息的最优解。3) 非线性变换是SVM的核心，支持向量机的人脸识别方法通过这种变换将实际问题转换到高维特征空间。然后在转换得到的高维特征空间中构造一个线性判别函数，再用这个判别函数来实现原来特征空间中的非线性判别函数，支持向量机的人脸识别方法的性质很好的确保了机器具有很好的推广力，而且他还巧妙的解决了空间维数问题，更好的是这种方法的算法复杂度与原来样本的维数无关。支持向量机的人脸识别方法的分类函数类似于一个神经网络，算法输出的是节点的线性组合，而每个中间节点都对应一个向量，示意图如2.2.所示： .yn,yn2,y21,y1K(xn,x)K(x2,x)K(x1,x)X1X2Xn.图2.2 支持向量机示意图2.3.2 基于人工神经网络人脸识别方法在人类神经系统的启发下，基于神经网络的人脸识别方法应运而生，这种方法是对人类大脑神经系统的某一阶段特性的一种描述4，他的实现形式多种多样，例如可以用电子线路实现用高级语言程序进行模拟，这种方法是人工智能研究领域的一种方法，他以大量的简单的处理为基本单元，将这些基本单元相互关联从而构成复杂的神经系统，然后用这种设计系统去解决那些复杂模式识别和行为控制等问题。目前，在视觉判断，语言识别，知识处理，辅助决策，模式匹配，数据压缩等领域神经网络已经得到很好的应用，并且在人脸检测和人脸识别领域的应用取得了很好的效果，当前，BP神经网络，卷积神经网络，径向基础函数神经网络，自组织神经网络和模糊网络等式常用的神经网络，由于具有比较性好，空间描述紧凑和训练速度快等特点，径向基础函数RBF神经网络已经被广泛应用于人脸识别领域。而采用BP神经网络进行学习和识别人脸，具有突出的自适应能力，这有助于增强系统的鲁棒性，通过在ORL人脸库上实验，取得了较高的识别率。神经网络虽然有点突出，但是也有其固有缺点，比如单一的神经网络很难解决人脸图像的偏转问题，发展至今，人工神经网络集成的方法有如下几种：投票方法，简单平均方法和平均加权的方法等，这些方法的集成使得人工神经网络人脸识别法不需要预先对人脸偏转的角度进行估计。总之，人工神经网络人脸识别方法拥有很强的非线性处理的能力，在当下日渐成为人们研究的热点，尤其是RBF拥有适合非线性逼近的结构，能够很好的实现全局最优，同时他的收敛时间也很短，除此之外，当拥有较多训练样本的时候，RBF也是很有效的，这就使得RBF很适合在多样本训练人脸的情况下时候，是各种人脸识别方法中较好的一种。虽然RBF具有从多优点，但就整体上讲，人工神经网络虽然有了一定的成功，不过他的缺点也是非常明显，比如他运算量偏大，训练时间太长，收敛速度没有其他方法快，最大的缺点是，这种方法非常容易产生局部最小方方面的问题，这都约束人工神经网络在人脸识别领域的广泛应用。2.3.3 基于特征脸（PCA）的方法基于特征脸的人脸识别方法是基于主成分分析（PCA）衍生出的一种人脸识别描述方法，他最早由Matthew Turk 和Alex在91年应用于人脸识别领域，这种方法实质上是通过KL展开的网络递推的实现，我们知道KL变换是一种正交变换，而且是最优的正交变换，通过KL变换将训练人脸库中的人脸图像转换成为一个一般的训练样本散布矩阵，而特征脸方法就是把包含人脸的每一张图片在散布矩阵中每一列看做一个随机向量，再对这个散布矩阵进行矩阵运算，计算特征值和特征向量，然后按照特征值降序选取较大特征值对应的特征向量构成特征子空间，选取较大特征值对应的特征向量是由于较大特征值对应特征向量能够表征人脸的特征，将这些特征个向量组成一个正交n维KL基底，其中较大的特征值的基底拥有与图像人脸相似的形状，故将其称为特征脸，在描述、表达和比较人脸图像时就可以用这些基底的线性组合。利用这一方法进行人脸识别的主要过程就是把所有训练人脸数据库中的每一张图片投影到特征子空间，每张图片对应子空间中的一个点，同样，把待识别图像也投影到特征子空间对应于一点，然后计算待识别人脸与每个训练人脸之间的欧几里得距离，再利用训练人脸库计算出一个判别阀值，用此阀值去判别待识别人脸是否为人脸，是否为数据库人脸中的其中一位，这种方法总体思路是讲高维人脸散布矩阵转化为低维特征子空间。但是，这种方法运用到的KL变换存在固有的缺陷，那就是这种变换无法区分外界条件导致的图像差异和图像人脸本身的差异。而且这种方法只考虑了人脸的整体特征，他所产生的特征脸对光照等外界因素影响非常的敏感，实验表明，特征脸人脸识别的方法识别人脸时，当光照，人脸尺寸，角度等外界条件变化时，该方案对人脸的识别率急剧下降，故很多科学家认为特征脸方法还存在理论缺陷，在随后的发展中，有人就对其进行了改进，提出了很多种新的新的方法例如FLD（即Fisher脸）方法，双特征子空间方法等。并且对模式相似度测度进行了拓展，从单一的欧氏距离拓展为余弦和马氏距离，SOM聚类算法和FFC模糊特征匹配等。实验中部分特征脸如图2.3所示：图2.3 “特征脸”图像（ORL库取200幅图像作为样本构建特征脸图像，分别取1、2、3、4、5、10、30、80、130、180个特征向量）总之，特征脸方法是从图像人脸整体出发，用图像总体特征信息构建距离分类器，而且无需提取人脸生物特征部位等优点，该方法具有简单高效，实现容易等突出优点，使用最小距离分类器在光照，人脸尺寸等外界条件变化不大的情况下，能取得较好的结果，但是当这些外部条件变化很大时，性能会有所下降，这是应用特征脸方向应该注意的。第3章 基于PCA的人脸识别第3章 基于PCA的人脸识别3.1 算法简介基于KL正交变换的主成分分析（PCA）人脸识别法，及总体思路是将高维训练样本的向量空间通过KL最优正交变换，将这个高维训练样本空间投影到低维的特征子空间。也就化高维为低维，减少算法复杂度与计算量。该算法也经常被称为特征脸方法、本正脸方法，这种方法在经过KL变换后将训练人脸库图像数据转换为一个总体散布矩阵，然后再进过矩阵运算，计算特征值与特征向量，接着按特征值降序的方式选取对应特征值较大的特征向量组成特征子空间，然后将每一个训练人脸和待识别人脸投影到这个特征子空间，接着计算待识别人脸和每个训练人脸之间的欧氏距离，用由训练人脸库人脸构建的距离分类器去判断待识别人脸，该算法计算量小，复杂度较低，简单高效，适合本系统运用。3.2 人脸图像预处理在图像人脸识别中，进行图像预处理是一个十分重要的步骤，由于设备运行时的外界条件的不同，例如光照明暗程度和设备的优劣性，图像往往会存在噪声，对比度不明显等干扰，另外，拍摄时人脸距离摄像头的远近，摄像头焦距大小等设备本身的条件不同会使得拍摄人脸在整幅图片中的大小和位置都不确定，而进行图像预处理就是可以减少人脸在图像中的大小，位置，旋转角度以及光照等条件的不同对特征提取所产生的影响，目前对于图像的预处理有很多方法，例如几何校正，图像复原，图像增强等。所谓的图像复原是指去除或者减轻在图像采集过程中发生的图像质量下降，即校正失真图像，消除模糊成分，试图像恢复原来的面貌；而图像增强是为了改善视觉效果、便于人和系统对图像的理解和分析。增强人脸特征的措施。几何校正的目的是为了对图像进行旋转，缩小放大等操作，使图像在几何上符合处理要求，由于本系统采用的是基于PCA的特征脸人脸识别算法，其中是用KL变换的方法来进行特征提取的，而采用这种正交变换时对输入图像的处理就显得尤为重要，这是因为，KL变换是一种图像的统计方法，在图像中，每个像素都是同等的对待，故在不同的光照角度，光照强度下，同一个人在这种不同的外界条件下反应到特征空间中会有较大的差异，而这些差异度会导致人脸识别率的下降，例如：同一个人，如果在不同的光照强度下，他的成像差异反映在特征子空间中会大于不同人在相同光照强度下的差异，这样就往往会导致误判，同一个人在不同光照强度下拍摄的图像如图3.1所示：图3.1 同一人在不同光照下的图像总的来说，图像的预处理包括位置标准化，图像尺寸正规化，图像灰度变换，图像归一化等。3.2.1 几何归一化对于本系统采用的基于PCA的人脸识别方法中，是利用整幅图像信息来进行识别的，所以人脸部位在图像中的位置，尺寸，偏移量大小等都会对识别率产生影响，因而对摄像头采集的人脸图像进行校正就显得特别的重要，使得校正后人脸图像都归一化到同样的大小，并且使得人脸在图中的位置也要尽量一致，几何校正中主要包括以下几种：尺寸校正，人脸平移，图像旋转，图像翻转等。1) 尺寸校正：所谓尺寸校正就是把原来的摄像探头抓取的图像的人脸图像调整到一样的大小，他的调整主要是根据人脸中的双眼位置，由于人脸中双眼是面部的一个重要的部位，通过大小校正能保证两眼之间的距离保持一致，从而其他的人脸特征部位也都保持在相对标准的位置。2) 人脸平移：就是把摄像头抓取的人脸图片进行水平，垂直移动，消除人脸移动对识别的影响3) 图像旋转：把摄像头拍摄的图像进行旋转处理。4) 图像翻转：摄像头抓取的图像可能会有上下颠倒等由于设备引起的问题，通过图像翻转可以让人脸图像有正确的方位。在经过校正后基本上可以保持人脸的相对稳定性，并且很好的消除了头发和背景灯的干扰。3.2.2 灰度归一化在进过几何归一化后，为了使得对那些不同灰度值的图像做同意的处理，接下来我们要做的是归一化图像的灰度值和方差，具体方法如下： （1）在上式中，M0和VAR0是在理想条件下的样本均值和样本方差，一般来说我们通常取M0为100，取VAR0为100，这两个值是我们根据输入的人脸图像自己估计的，对输入的人脸图像进行灰度归一化的目的是降低由光照等外界条件变化导致的图像灰度的变化而导致人脸识别率的下降。3.2.3 图像直方图均衡化直方图是一个图像的重要的统计特征，我们可以粗略的认为直方图是图像灰度密度函数的近似表示，图像的灰度直方图是一个离散函数的表示，他所表示的是灰度图像中每一级灰度与该灰度值出现频率的关系，均衡化的目的就是要把图像的直方图化为均匀分布的形式，增加灰度值变化范围，最终使图像整体对比度增强。假设有一副图像尺寸为H*W（H.W为图片宽和高），一共N个像素点，其中第k灰度级的灰度Sk共有nk个，那么第k个灰度级sk出现的频率就可以按如下公式计算： （2）该算式关系也可以用函数图像表示，该函数图像两轴分别为灰度轴和PS表示。假设图像直方图的转换函数EH(*):tk=EH（sk）是变换后的灰度级，其中EH（*）满足以下条件：1) 在上EH(s)是一个单调递增的单值函数。2) 对任意的都有第一个条件可以保证原人脸图像在灰度变换后各灰度级仍然保持从黑到摆的次序排列，条件二则保证变换前后图像灰度值变换范围一致性。总结上述，我们可以得出图形直方图均衡化算法的具体步骤如下：1) 首先要计算出原始的人脸图像的所包含的全部灰度级Sk，k=1,2,3,.L-1;2) 对第一步计算出的图像灰度值进行统计，各灰度级有的像素值为nk3) 根据上面计算的结果做出原始图像的直方图Ps（Sk）；4) 接着计算原始的人脸图像的累积直方图tk5) 计算： （3）6) 定义图像灰度级Sk与tk 的映射函数关系：Sk-tk7) 再统计新构成的直方图各灰度级的像素nk8) 在上一步统计之后重新计算直方图： （4）经过实验证明，通过直方图均衡化，对比原始图像及直方图，均衡化后的图像以及直方图，我们可以明显的看出，均衡化后的图像灰度相比原图要更加均匀，在一定程度上可以减轻光照的变化对人脸识别率的影响，实验结果如图3.2所示： (a) 原始图像 (b) 直方图均衡化后的图像(c) 原始直方图(d) 直方图均衡化后的直方图图3.2 直方图均衡化3.3 PCA人脸识别步骤3.3.1 算法总体流程在人脸识别领域运用主成分分析法实际上是要以所有人脸都处于低维线性空间为假设前提的，而且要保证人脸图像在这个空间中具有可分性，他的总体思路就是降维，用KL变换得到一组低维基地，然后选取其中的对应特征值较大的基底，构成低维的特征脸空间，也就是特征子空间，一个PCA人脸识别算法包括以下步骤：1) 对采集的图像进行灰度化等预处理。2) 在识别时将训练人脸库图片读入人脸库，训练构建出特征子空间。3) 将每一张训练人脸图像和待测试图像投影到上一步产生的特征子空间中。4) 计算训练人脸与待识别人脸之间的距离。5) 构建一定的距离分类器进行识别。3.3.2 PCA人脸识别具体步骤（1）构建人脸空间。假设训练人脸数据库有Train_number个人的图像，每张图片尺寸为H*W（分别为宽和高），共n个像素点，那么将他们读入训练人脸库时，将每一张训练人脸图片转换为一个n维向量，故将Train_number个人的图像都这样变化后构成一个n*Train_number大的散布矩阵T，其中第i个人可以表示为： （5）（2）由散布矩阵T计算平均脸以及每个训练人脸到平均脸之间的距离，所谓平均量是讲散布矩阵T中每一行求平均值，得出一个n*1的一维向量18，其计算方法如下： （6）我们用20幅图像训练，构建散布矩阵并求其平均脸，实验结果如下图3.3所示：图3.3 左边为20幅训练图像，右边为平均脸所谓每张训练人脸和平均脸之间的距离就是每个训练人脸所构成的一维向量xi特减去，其计算公式如下： （7）（3）计算协方差矩阵，构建特征脸。首先构建样本集的协方差矩阵，他是有矩阵T与T的转置相乘所得，公式如下：，其中 （8）在计算得到协方差矩阵后，需要计算他的特征值和特征向量，但是我们知道AAT 是一个n*n的高维的向量矩阵，如果我们要直接计算他的特征值和对应的特征向量，那么将会是一个计算量非常之大的工程，但是我们由SVD定理可知，我们可以通过计算ATA（9）的特征值与特征向量然后通过下面公式求原来矩阵的特征值特征向量： （j=1,2,Z） （10）其中是公式（9）的特征向量，而则是（8）的特征值，通过公式（10）就可以求出样本集的特征脸空间，由公式（10）可以组成原样本集的特征脸空间： （11）（4）投影比计算待检测人脸与训练库人脸之间的欧氏距离。在上一步计算完成之后我们就得到了原训练人脸库人脸的特征脸空间W，然后我们要将训练人脸空间T投影到W上，将每一个人脸投影为W空间中的一个点，计算公式如下： （i=1,2,3N） （12）将人脸都投影到特征空间后入下图3.4所示：图3.4 人脸投影图然后要将待检测人脸也投影到特征脸空间上，在投影之前要先将带检测人脸通过KL变换化为一个n维向量R，然后减去平均脸，然后再与WT相乘，将待检测人脸也投影为特征空间的一个点，公式如下： （13）在把待检测人脸和训练库中的人脸都投影为特征空间中的点之后，就要开始计算待检测人脸与训练人脸之间的欧氏距离，公式如下： （k=1,N） （14）计算完待检测人脸和人脸训练裤中的人脸之间的距离之后，就需要构建适当的距离分类器，对待检测图像进行分类，距离分类器（距离阀值）构建如下： （15）然后需要计算有特征脸空间构建的图像Rf，公式如下： （16）然后计算带检测图像与Rf之间的距离，用来区分待检测图像是人脸还是非人脸： （17）（5）接下来就