数字图像处理课程设计-人脸检测与识别

数字图像处理

课

程

设

计

人脸检测与识别课程设计

一、简介

人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是

利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来

"识别”身份的技术。人脸识别是模式识别研究的一个热点，它在身份鉴别、

信用卡识别，护照的核对及监控系统等方面有着广泛的应用。人脸图像由于

受光照、表情以及姿态等因素的影响，使得同一个人的脸像矩阵差异也比拟

大。因此，进行人脸识别时，所选取的特征必须对上述因素具备一定的稳定

性和不变性.主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表

示成一个列向量，经过PCA变换后，不仅可以有效地降低其维数，同时

又能保存所需要的识别信息，这些信息对光照、表情以及姿态具有一定的不

敏感性.在获得有效的特征向量后，关键问题是设计具有良好分类能力和

鲁棒性的分类器.支持向量机(SVM)模式识别方法，兼顾训练误差和泛化

能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优

势。

本此课程设计基于MATLAB,将检测与识别分开进行。其中检测局部使用

实验指导书上的肤色模型算法进行，不进行赘述。识别局部采用PCA算法对检

测出的人脸图像进行特征提取，再利用最邻近距离分类法对特征向量进行分

类识别，将在后文具体表述。仿真结果验证了本算法是有效的。

二、人脸检测

1.源码

img=imread(*D:\stdtestimages\face3.jpg')；

figure;

imshow(img);

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

faceRgnl=(R>95)&(G>40)&(3>20)&max(img,[]z3)-min(img,[],3)>15&abs(R-G)>L5&R>B;

figure;

imshow(faceRgnl);

r=double(R)./double(sum(img,3));

g=double(G)./double(sum(img,3));

Y=0.3*R+0.59*G+0.11*B;

faceRgn2=(r>0.333)&(r<0.564)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;

figure;

imshow(faceRgn2);

Q=faceRgnl.*faceRgn2;

P=bwlabel(Q,8);

B3=regionprops(P,'Boundingbox');

BBl=struct2cell(BB);

B32=cell2nidL(BB1);

figure;

imshow(img);

[sis2]=size(BB2);

mx=0;

fork=3:4:s2-l

p=BB2(lzk)*BB2(l,k+D；

ifp>mx&(BB2(l,k)/BB2(l,k+l))<1.8

mx=p;

j=k;

holdon;

rectangle('position'z[BB2(1,j-2),BB2(1,j-1)j),BB2(1,j+1)],'linewidth3

,'edgecolor',1r');

holdoff;

end

end

2.处理过程

三、人脸识别

1.算法简述

在Matlab2012a版本中添加了对PCA算法的支持，由于水平有限我选择

直接调用。在本次课程设计中，PCA算法又分为样本训练和人脸识别两个过程,

在样本训练阶段，将样本库(每组15张共15组人脸图像，对每组前11张进

行特征提取用于训练，后4张用于检测)中的人脸图像转换为特征向量表示，

并投影到PCA子空间，最终将这些向量数据保存到训练数据库中。而在识别阶

段，同样将待识别的人脸图像使用PCA子空间的向量表示，通过计算待识别图

像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为识别

结果。

2.源码

clear

clc

%样本数量15*11

people_count=15;

face_count_per_people=l1;

%训练比率，设置为75超识别正确率可达100带

training_ratio=.75;

%能量

energy=90;

training_count=floor(face_count_per_people*training_ratio);

training_samples=[];

path_mask='D:Wpcaface_rec\\%03d\\%02d.jpg';

%训练

fori=l:people_count

forj=l:training_count

img=im2double(imread(sprintf(path_mask,izj)));

img=imresize(img,[1010]);%归一化至50*50

ifndims(img)==3

img=rgb2gray(img);

end

training_samples=[training_samples;img(:),];

end

end

m_i=mean(training_samples);

[coeff,scores,explained]=pca(training_samples);

idx=find(cumsum(explained)>energy,1);

coeff=coeff(:,1:idx);

scores=scores(:,1:idx);

%测试

acc_count=0;

fori=l:people_count

forj=training_count+l:face_count_per_people

img=im2double(imread(sprintf(path_mask,i,j)));

img=imresize(img,[1010]);

ifndims(img)==3

img=rgb2gray(img);

end

score=(img(:)*-mu)/coeff,;

idx]=min(sum((scores-repmat(score,size(scores,1),1)).A2,2));

ifceil(idx/training_count)==i

dCC_COUflL=ci(JC_UOUIlLi-l；

end

end

end

test_count=(people_count*(face_count_per_people-training_count));

acc_ratio=acc_count/test_count;

fprintf「测试样本数量：电d,1E确识别率：乞2.2二％1test_count,acc_ratio*100)

3.仿真结果及说明

样本库举例：

结果为：测试样本数最:45,正确识别率:100.00%

四、总结

人脸识别是一个多学科领域的挑战性难题，近30年