基于matlab的人脸识别技术

1、基于mat lab的人脸识别技术作者: 日期:人脸识别摘要：人脸识别是一门新兴的科研项目，起始干上个世纪60年代。经过几十年的发展, 现已成为一项最有上升潜力的人体特征识别技术。具有广泛的应用前景，它的I：作原 理是借由的生物特征來确认生物个体，利用MATLAB软件实现人脸信息的检测、定位与 识别，在输入的整幅图像中寻找人脸区域.把图像分割成两个部分一一人脸区域和非 人脸区域，从而为后续的应用作准备。PCA法实现人脸边缘检测，确定其分布范困， 设定门限阀值，实现人脸区域与非人脸区域的分割。再结合长宽比、目标啲积等计算 方法在图像中分割出人脸区域，经试验该方法能较为精确地定位贰人脸图像，对多人

2、脸图像定位不准确。关键词：matlab;人脸识别；人脸泄位；边缘检测51引言人脸识別技术是近年来随着图像 处理技术、计算机技术、模式识别技术等的 快速进步而出现的一种崭新新生物特征识 别技术。相对与指纹、虹膜等其他生物特征 识別技术，人脸识别具有直接、友好、方便 的特点，尤其是对于个人来说，几乎无任何 心理障碍，因此在商业、司法、监控和视频 检索等众多领域有着广泛的应用前景。在 “9.11 ”事件以后，各国都投入大量物力， 人力研究并发展种类识别技术，使得人脸识 别技术受到了前所未有的重视。如同人的指纹一样，人脸也具有唯一 性，也可用来鉴别一个人的身份。人脸图像 的自动识别系统较之指纹识别系统

3、、DNA鉴 定等更具方便性，然而人脸图像受很多因素 的干扰，给识别带来很大难度。国外对于人 脸图像识别的研究较早，现己有实用系统而 世，只是对于成像条件要求较苛刻，应用范 国也就较窄，国内也有许多科研机构从事这 方而的研究，并己取得许多成果。2图像处理的Matlab实现2.1 Mat lab 简介由Math Work公司开发的Matlab语言 语法限制不严格，程序设计自由度大，程序的 可移植性好。Matlab还推岀了功能强大的适 应于图像分析和处理的工具箱常用的有图 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，我们可以很方 便的从各个方而对图像的性质进行深入的 研究。M

4、atlab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等多种图像格式文件。 2.1数字图像处理及过程图像是人类获取信息、表达信息和传递 信息的重要手段。利用计算机对图像进行去 除噪声、增强、复原、分割、提取特征等的 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、地球科学等诸多方面的学者 研究图像的有效工具。数字图像处理主要包 括图像变换、图像增强、图像编码、图像复 原、图像重建、图像识别以及图像理解等内 容。3 matlab人脸识别系统人脸识别是图像识别的一个重要分支，其基本结构如图所示。为了

5、保证人脸的位置 一致性，在一立程度上克服了背景、头发等 冗余信息的干扰，首先要对人脸库中的图像 进行一些预处理操作。紧接着，进行特征抽 取，将得到的人脸特征和训练样本进行对 比，根据相似程序的髙低决定最后的识别结 果。图1-1人脸识别系统框图3.1图像的采集3.1.1人脸图像的获取图像的获取都是通过摄像头摄取，摄取 的图像可以是真人也可以是人脸的图片，为 了方便计算直接使用需要识别的人脸图 像。3.1. 2人脸检测人脸检测主要任务是判断所给图像是否 存在人脸，若存在人脸需要给出人脸的大小 （区域而积），坐标位置，是否为二值图像 等信息。3. 2人脸图像的预处理常应用于人脸图像的预处理方法有图像

6、 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、作为通用人脸图像 预处理模块要能够充分适应不同人脸库中 图像在人脸大小、光照强度、成像系统等方 而的任意性和差异性不能单独采用某种单 一的滤波、灰度变换和边缘检测方法。灰度 归一化等所以在本仿真系统中对上述的每 种预处理方法全部加以实现的同时还对三 种最常用预处理方法滤波去噪、灰度变换、 边缘检测提供了多种不同的具体算法。3.2.1滤波去噪由于噪声给图像带来的失真和降质在 特征提取之前采用滤波的方式来去除噪声 是实际人脸识别系统中所必须的步骤。滤波 的方法有很多如各种平滑滤波、各种锐化滤 波等。在人脸图像预处理中使用较多的滤波 是

7、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）线性滤波最典型的线性滤波方法 如采用邻域平均法的均值滤波器、采用邻域 加权平均的高斯滤波和维纳滤波。线性滤波 可以去除图像中某些特泄类型的噪声如图 像中的颗粒噪声高斯噪声、椒盐噪声等。对 扫描得到的人脸图像根据苴噪声类型一般 采用此种滤波方法。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同模板大小的情况。（2）中值滤波法中宿滤波法是一种非线 性滤波方法它把像素及其邻域中的像素按 灰度级进行排序然后选择该组的中间值作 为输出像素值。中值滤波方法的最大优点是 抑制噪声效果明显且能保护边界。对于使用

8、基于整体的人脸识别算法的系统中由于失 掉小区域的细盯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根据图像 的局部方差来调整滤波器的输出其滤波效 果要优于线性滤波同时可以更好地保存图 像的边缘和高频细节信息。3.2.1灰度变换灰度变换是图像增强技术中的一种。通 过灰度变换可对原始图像中的光照不均进 行补偿使得待识别人脸图像遵循同一或相 似的灰度分布。只有这样不同图像在特征提 取和识别时才具有可比性。这一过程也被称 作灰度归一化。常用在人脸识别系统中的灰 度变换方法主要有基于图像统讣特征的直 方图均衡化、直方图规泄化和灰度均值方差 标准化三种方法。直方图均衡化和直方

9、图规 定化的灰度变换原理和实现方法可由 matlab仿貞来实现。三种灰度变换方法均能 在一泄程度上消除由于光照条件不同而 对人脸识别带来的影响。故在仿貞系统中提 供了三种灰度变换效果比较及选择界而 用户可根据需要选用。3.2.3边缘检测对输入人脸图像进行边缘检测是很多人脸 识別系统在人脸粗左位及人脸主要器官 眼睛、鼻子、嘴巴立位时采用的预处理方 法。边缘检测的方法有很多主要有微分算子 法、Sobel算子法、拉普拉斯算子法、canny 算子法等。每种算子对不同方向边缘的检测 能力和抑制噪声的能力都不同。所以和灰度 变换及滤波去噪部分的设计思路相同在仿 真系统中给出了 canny、sobek lo

10、g、prewitt 四种算子在不同灰度阈值下、不同方向的边 缘检测算法使用者可从检测结果中加以比较、选择合适的算法。图 像类型转换、图像二值化、尺寸归一化也是 一些人脸识別系统中经常使用的预处理方 法。为了在不修改其他算法的基础上扩大 系统处理图像的类型和范国将输入图像首 先转换为统一的类型是多数人脸图像预 处理中的第一步。仿真系统中通过调用 MATLAB中提供的各种图像类型转换函数 来实现TIF、JPG转换为BMP格式及彩色 到灰度图像的转换对图像二值化采用了 graythresh（）函数来自动选择阈值的二值化 方法尺寸归一化采用的算法是对人脸图像 进行剪裁和尺寸缩放实现去除大部分头 发、服

11、饰和背景的干扰并将人脸图像大小统O3. 3特征提取通过人脸特征点的检测与标左可以确定 人脸图像中显著特征点的位宜如眼睛、眉 毛、鼻子、嘴巴等器官，同时还可以得到这 些器官及英而部轮廉的形状信息的描述。根 据人脸特征点检测与标立的结果，通过某些 运算得到人脸特征的描述。3.3.1人脸识别的算法通过判别图像中所有可能区域是否属于 “人脸模式”的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。原囹探本次使用的是PCA(主成分分析法)其原 理是：利用K丄变换抽取人脸的主要成分， 构成特征脸空间，识别时将测试图像投影到 此空间，得到一组投影系数，通过与各个人 脸图

12、像比较进行识别。对于一幅M*N的人脸图像，将其每列 相连构成一个大小为D=M*N维的列向疑。 D就是人脸图像的维数，即是图像空间的维 数。设n是训练样本的数目：Xj表示第j幅 人脸图像形成的人脸向量，则所需样本的协 方差矩阵为：S = £(兀-“)(兀-“)j(1)二值图像其中U为训练样本的平均图像向量：n j(2)令 A=Xi-U,X2-U,.Xn-U,则有 Sr=AAT,其 维数为DXD.根据K-L变换原理，需要求 得的新坐标系由矩阵AAr的非零特征值所 对应的特征向量组成。直接计算的计算疑比 较大，所以采用奇异值分解(SVD)左理，通 过求解AA的特征值和特征向量来获得 AA&

13、#39;的特征值和特征向量。标记图像依据SVD定理，令h(i=l,2,r)为矩阵 ATA的r个非零特征值，勺为A' A对应于1, 的特征向量，则AAT的正交归一特征向量 U为：吗=士机。=1,2,也则“特征脸”空间为：W=(Ui,U2,.,Un) 将训练样本投影到“特征脸”空间，得 到一组投影向量Q=w*u,构成人脸识别的数 拯库。在识别时，先将每一幅待识别的人脸 图像投影到“特征脸”空间，再利用最邻近 分类器比较其与库中人脸的位置，从而识别 出该图像是否是库中的人脸，如果是，是哪 一幅人脸。以下为运行结果图：7图12人脸左位图测试BB像4图14失败的人脸立位图结论特征脸算法(PCA)

14、使得压缩前后的均 误差最小，且变换后的低维空间有很好的 辨能力，但是在种方法在处理人脸图像 ,要将二维图像矩阵转换成一维的列向 ,使图像的维数达到上万维，计算工作疑 常大，特征提取速度慢。为了克服传统PCA的不足，研究者们相继提出了二维PCA(2DPCA)方法、 PCA+2DPCA等一些方法。这些方法的提岀不仅有效地解决了图 像处理的高维问题，而且大大提高了人脸的 识别率。参考文献fl 祝磊，朱善安人脸识別的一种新的特征提取方法J.计算机学报，2007, 34 (6) : 122-12512| 何东风.凌捷人脸识别技术综述J计算机学报 2003, 13 (12) : 75-783| 何国辉，甘

15、俊英.PCA-LDA算法在性别鉴别中的应用J中国图像图形学2006. 32 (19) : 208-211.41 孙艳丰，梁永涛，苏世前等基于肽色模型和重心模板的人脸检测J北京工业大学报，2006. 5： 467- 472.5 王伟.张佑生，等.人脸检测与识别技术综述J 合肥L业大学学报,2006, (2).6|王金庭杨敏人脸检测技术研究J计算机系统应用.2006(4)： 31-33.7樊振萍人脸检测与识别技术综述J电脑知识与技> ,2008, 07(5)： 1292-1295附件：程序Img = imread(,D:l.jpg,);if ndims(Img) = 3I=rgb2gray(

16、Img);elseI = Img;endBW = im2bw(L graythresh(I); % 二值化figure;imshow(Img)山lc(，原图像，)；hold on;xt, yt = meshgrid(round(linspace( 1, size(L 1), 10),.round(linspace(L size(L 2), 10);niesh(yt, xt, zeros(size(xt), TaceColor'.None； LincWidth； 3,.EdgcColor； F);imshow(BW)titleC二值图像);nl, n2 = size(BW);r = fl

17、oor(nl/10); % 分成 10 块，行c = floor(n2/10); % 分成 10 块，列xl = l;x2 = r;%对应行初始化s = r*c; %块而枳for i = 1:10yl = l;y2 = c;%对应列初始化for j = 1:10if (y2<=c II y2>=9*c) II (xl = l II x2=r*10)%如果是在四周区域loc = find(BW(xl:x2, yl:y2)=0);p, ql = size(loc);pr = p/s*100;%黑色像素所占的比例数if pr <= 100BW(xl:x2,yl:y2) = 0;en

18、dendyl =yl+c: % 列跳联y2 = y2+c: %列跳跃endxl =xl+r;%行跳跃x2 = x2+r; %行跳跃endL, num = bwlabel(BW, 8); % 区域标记stats = regionprops(L, BoundingBox1); % 得到包围矩形框Bd = cat(h stats.BoundingBox);si, s2 = size(Bd);mx = 0;for k = l:slp = Bd(k, 3)*Bd(k, 4); % 宽嘀if p>mx && (Bd(L 3)/Bd(k. 4)<1.8%如果满足而积块大，而且宽/

19、高<1.8mx = p;j = k;endendimshow(I); hold on;rectangle(Posilion： BdQ,:),'EdgeColor；匕 fLineWidth 3);title(标记图像CreateDatabase.mfunction T = CreateDatabase(TrainDatabasePath)%函数功能：把二维图像变为一维列向疑用于构造T%参数TrainDatabasePath是训练集路径%返回值T是一个二维矩阵，若有P张卜TN的图像，则T为“答行P列的矩阵TrainFiles = dir(TrainDatabasePath);% 训练

20、集路径Train_Number = 0;%训练集中图片数量初值for i = l:size(TrainFiles,l) %目录中除图片本身外,还保存有(丄.IThnmbs.db)ifnot(strcmp(lYainFiles(i).name/)lstrcmp(T¥ainFiles(i).name,.,)lstrcmp(TrainFiles(i).name,Thumbs.db1)Train_Number = Train_Number + 1; %统计训练集中的图片,endendT=；for i = 1 : Train_Number %对每一张图片str = strcat(int2str

21、(i)；.jpg,);% 字符串拼接，得到 i.jpgstr = strcat(TrainDatabasePath.str);%字符串拼接，得到每一张训练图片的完整路径。img = imread(str);%读入训练图片img = rgb2gray(img);% 转为灰度irow icol = size(img);%得到图片大小temp = reshape(img,irow*icol. 1);% 将二维图片转为一维向量T=Ttemp; %每张图片的信息做为T的-列endEigenfaceCore.nifunction ni A. Eigenfaces = EigenfaceCore(T)%用P

22、CA原理决迫人脸图像的最优特征，得到一个二维矩阵，包含训练图像向量，返回三 个输出%参数:T包含训练集中所有的图像信息集合，%返回值：m： (M*Nxl)训练均值;Eigenfaces： (M*Nx(P-l)训练集协方差矩阵的特征向量： A： (M*NxP)每一张图像与均值图像的方差矩阵in = mcan(T,2)； %平均图像/行平均(每一副图像的对应象素求平均)m=(l/P)*sum(Tj,s) (j=l : P)Train_Number = size(T,2);% 列数%计算机每一张图片到均值图像的方差A = ；for i = 1 : Train_Number% 对每一列temp = d

23、ouble(T(:,i)-m; %每一张图与均值的差异A = A temp; %方差矩阵end%降维L = A'*A; % L是协方差矩阵C=A*A的转置.V D = eig(L); %对角线上的元素是LIC的特征值.V:以特征向量为列的满秩矩阵，D：特征 值对角矩阵。即L*V = V*D.L_eig_vec = ;%特征值向呈：for i = 1 : size(V,2)%对每个特征向虽：if( D(ij)>l)%特征值大于1时L_eig_vec = L_eig_vec V(:,i);%集中对应的特征向量endendEigenfaces = A * L_eig_vec; %计算机

24、协方差矩阵C的特征向量，得到降维了的特征.A为每 一张图像与均值图像的方差构成的矩阵Recognition.mfunction OutputName = Recognition(TestIniage. ni. A, Eigenfaces)Projectedlmages = ;% 映射图像Train_Number = size(Eigenfaces,2);% 列，降维后,for i = 1 : Train_Number%对于每一个训练特征temp = Eigenfaces 佯 A(:,i);Projectedlmages = Projectedlmages temp; 逐得到 L_ci jvcc

25、;endInputimage = iniread(Testlmage):% 读入测试图片temp = rgb2gray (Input I mage); % 取其中的一维来处理irow icol = size(teinp);%测试图片大小InImage = reshape(temp ,irow*icol, 1);% 转置后转为一维Difference = double(lnlmage)-m: % L_eig_vec*ProjectedTestlmage = EigenfacesDifference; % 测试图像的特征向量Euc.dist =;for i = 1 : Train_Number%

26、对每列q = Projectedlmages(：4)；% 取出训练图像temp = ( norm( ProjectedTestlmage - q ) )A2;%欧氏距离Euc_dist = Euc_dist temp;%endEuc_dist_min , RecognizedJndex = min(Euc_dist);%得到差值最小的图像的索引号 OutputName = strcat(int2str(Recognized Jndex)/.jpg,);% 得到文件名Example.m% A sample script, which shows the usage of functions, included in% PCA-based face recognition system (Eigenface method)% See also: CREATEDATABASE, EIGENFACECORE, RECOGNITIONclear allclcclose al