基于复合特征向量提取的隐马尔可夫实时人脸识别算法

收稿日期:2006-10-20　作者简介:李　辉,男,1971年生,博士研究生,研究方向为图像处理及多媒体通讯等;陈　锐,男,1976生,博士研究

生,研究方向为计算机视觉及图像处理等;侯义斌,男,1952生,博士,教授,博士生导师,研究方向为新型人机交互及计算机网络等;黄樟钦,男,1966年生,博士,教授,研究方向为新型人机交互及嵌入式系统等;张　勇,男,1971年生,博士后,研究方向为图像处理及多媒体通讯等.

李　辉,陈　锐,侯义斌,黄樟钦,张　勇

(北京工业大学计算机学院,北京100022)E-mail :hli @emails.bjut.ed https://www.360docs.net/doc/e72595672.html,

摘　要:实现了基于隐马尔可夫复合特征向量快速提取人脸识别的算法.用差分算法对实时采集到的每一帧图像快速定位到人脸区域,然后对人脸区域的数据进行规一化,并对原始图像进行DC T 变换和灰度变换,以变换后的结果作为特征值对其聚类后作为隐马尔可夫模型(HM M )的观察向量,再对样本训练,训练结果制成特征脸模版存入模版库.最后通过模版对实时采集到的图像进行人脸识别.实验结果表明:该算法对复杂背景中的人脸识别具有实时性、准确性和可靠性.关键词:人脸识别;隐马尔可夫模型;DC T 变换;肤色模型中图分类号:T P 391 文献标识码:A 文章编号:1000-1220(2008)02-0329-04

Real -time Face Recognition Algorithm Using Hidden Markov Model Based on Complex Fea -ture Extraction

LI Hui,CHEN Rui,HO U Yi-bin,HU AN G Zhang-qin,Z HAN G Y ong

(College of Compu ter Science ,Beijing University of Technology ,Beijing 100022,China )

Abstract :An alg orithm of fa ce r eco g nitio n ba sed o n H idde n M ar kov M odel (HM M fo r abbreviation)is pr esented he re.Fir st,the differ ence algo rithm wa s used to a na ly ze each o f the fra mes o f the pictur e captur ed f rom cam era in a real time and to positio n the region of the face sho r tly.Th en,the data of the regio n of the face w as no rmali zed.D CT and g ray transfor ms w er e applied to the r aw pictur e ,and the tra nsfo rmed data used as eigenvecto rs w ere cluster ed .Nex t ,the clustered eige nv ec tor s w ere the v ecto r o f o bserva tio n o f HM M.T he sa mples w ere t rained a nd the results w er e sav ed as the fa ce r ecog nitio n tem plate.Finally,the pic-ture o f face ca ptur ed in real time w as recog nized by the templa tes .The ex pe rime ntal r esults sho w that the algo rithm identifies the picture o f face with g reat efficiency a nd speed.

Key words

:face recog nition ;HM M ;D CT -tr ansfo rma tio n ;skin -model 1　引　言

近年来在计算机应用领域中,人脸识别已经占据越来越

重要的地位.采用人脸识别的身份鉴别是基于脸部的生物特征进行识别,比其他身份鉴别方法更为友好亲切,因此人脸识别不论是从身份鉴别还是人机交互的角度来说,都具有很高的研究价值.人脸识别系统包括:人脸检测定位、特征提取、数据库的组织、人脸分类识别等模块,其中,人脸检测和人脸识别模块是人脸识别系统中最重要的模块.目前人脸识别的方法大致有:基于人脸几何特征的方法、基于模板匹配的方法和基于模型的方法.基于几何特征法所构造的几何特征既要清晰区分不同对象人脸的差异,又要对光照背景条件不敏感.常规的几何特征量很难满足这些要求,因此该方法识别效果不理想[1].HM M 是用概率统计的方法来构造时序数据识别模拟的分类器,它是一种基于模型的人脸识别方法,如果把时序序列看成应用对象的特征向量,HM M 也可以应用到其他领域,如音频处理等[2-3].本原型系统初期曾采用神经网络BP 算法进行识别,但是在训练过程中发现,神经网络在训练过程中收敛速度慢,而且易于陷入局部极小,并且经特征向量选取发

现识别后,发现对人脸的一些表情变化缺乏容忍性.然而,改用隐马尔可夫模型对本原型识别后,取得了非常理想的结果,通过本文的研究和试验证明隐马尔可夫模型在人脸识别领域具有一定的实用价值.

2　隐马尔可夫模型理论

隐马尔可夫模型(HM M )是一种用参数表示的用于描述随机过程统计特性的概率模型[4],它由两部分组成:一部分是隐含的马尔可夫链称为隐含层;另一部分是实际的观测值称为观测层.

确定一个HM M 模型需要确定状态数N ,离散符号数M (码本大小),以及三个概率密度A ,B 和π[5-6].因此HM M 模型常用λ=(A ,B ,c )来简记.在给定了一个HM M 模型后,观察序列的输入由O ={O 1,…,O T }如下述产生:

(1)对视频图像的观察序列O ={O 1,…,O T }应用向前概率函数如下:

T t (j )=[∑N

i =1T t (i )T ij ]U j (O t +1),(1

≤t ≤T )(1)

小型微型计算机系统Jour na l o f Chinese Com puter Systems 2008年2月第2期V o l.29No.22008

T 1(i )=c i U i (O t +1),(1

≤i ≤N )(2)

(2)向后概率函数:

U t (j )=[∑N

i =1

T ij U j (O t +1)]U t

+1(j ),(1≤t ≤T )(3) U T (j )=1,(1≤t ≤N )(4)

(3)训练模型的迭代公式:

T 1ij =

∑1≤t ≤T -1

T t (i )T ij U j (O t +1)U t +1(j )

∑1≤t ≤T -1

t (i )U t +1(j )(5)

U 1

j (k )=

∑1≤t ≤T O i =V k

t (j )U t (j )∑1≤t ≤T

T t (j )U t (j )

(6) c 1

i =

T 1(i )U 1(i )

∑1≤i ≤N

T T (i )

(7)

(4)观察序列概率公式: P

∑1≤i ≤N

T T (i )

(8)(5)V iterbi 编码公式: 1(i )=c i U i (O 1),(1

≤i ≤N )(9)进行如下递归: t (j )=max [ t -1(i )T ij 1≤i ≤N

]U j (O t ),(2

≤t ≤T ,1≤j ≤N )(10) J t (j )=i max (使 t (i )最大的值)

(11)

q T =i ma x (使 T (i )最大的i 值)(12) q t -1=J t (q t ),2≤t ≤T (13)

(6)模版的最小相似度: P = T (i max )

(14)

3　基于隐马尔可夫模型复合特征向量的提取

3.1　本算法欲解决的问题

3.1.1　复杂背景下人脸区域的快速确定

图1是通过视频采集卡实时采集到的一幅人脸图像,可以看到背景较为复杂.如何从复杂背景中快速定位得到人

脸

图1　复杂背景下快速定位算法提取的人脸区域图

Fig .1

　Po sitioning th e regio n o f face in co mplex backg ro und with the differ ence algo rithm,the rig ht

is the self -cutting o f the face 区域将决定识别系统的实时性和准确性.由于实时采集到的图像大小为720×576,直接对其处理会降低实时性,所以本文采用帧间信息相减的方法[7-8]消除背景噪音以确定运动区域,这样就减少了计算量和误判率.然后通过肤色模型快速确定人脸区域.这种算法既解决了复杂背景的干扰,又降低了时间

复杂性,提高了实时性[9-11].

3.1.2　自动选取样本

人工选取样本,或者对样本不加选择的方法会造成样本间的距离太大,引起DT W 模版匹配搜索不到最佳路径,从而导致训练失败.因此本文采取自动选取样本的方法,实现系统的友好交互性,并确保算法的准确性.本算法根据样本矢量间欧式距离设定阈值,从32个样本中选取18个作为训练集.3.1.3　特征向量的选择

考虑到肤色模型是在Y CbCr 色度空间形成的,因此Y CbCr 已经不能作为特征向量,而DCT 变换反映的是图像频率特征值.把灰度图象特征值和DC T 变换后的特征值通过线性叠加形成复合特征值[12-15].3.1.4　隐马尔可夫模型的聚类方法选择

如何聚类能够使得观察序列和模型匹配,有两个主要指标:平衡聚类速度和聚类精度[16].用L BG 聚类算法对初始样本进行预处理,采用分裂算法进行自动样本集的划分来获得比较均匀的状态分类,按照人脸的生物学特征将样本分为

图2　隐马尔可夫模型的区域划分

Fig .2

　The cla ssified region fo r hidde n ma rkov model 个区域,作为隐马尔可夫模型观察序列的输入.如图2所示把人脸区域划分为额头、眉眼、鼻子、嘴巴、下颌5个区域.

3.1.5　训练对于给定的一个观察值序列,调整参数λ,使得观察值出现的概率P (e |λ)最大.本文采用较为成熟的"向前-向后"Baum-W elch 算法.

4　基于HMM 实时人脸识别系统算法设计与实现

4.1　系统模块图

本实验中系统模块如图3所示

图3　实时人脸识别系统模块图

(试验用PC 配置为:P 42.8G CP U a nd 512M m emor y )Fig.3　T he dia g ram o f sy stem module o f the face recog nition

实现各模块功能步骤如下:4.1.1　训练视频序列模块

步骤1.在复杂背景条件下采集32幅图片,并且保存为

330

小　型　微　型　计　算　机　系　统

2008年

BM P文件.

步骤2.把文件路径加入到队列中,作为视频序列.

步骤3.从队列中取出文件名,然后读取并且把原始数据

拷贝为3份,一份作为DCT特征向量值,记做DCT图像.一份作为灰度特征向量值,记做灰度图像.一份作为图像处理人脸区域检测用,记做检测图像.

4.1.2　人脸区域快速检测模块

利用差分算法,通过前一幅图像和后一幅图像的相减,得到运动物体的信息,这种方法可以去除背景噪音.

4.1.3　由色度空间向Y CbCr空间转换

步骤1.通过肤色模型变换,确定肤色区域.

步骤2.高斯模糊变换,然后膨胀、腐蚀.

步骤3.进行8连通算法,划分为n个人脸.

确定人脸区域的4个方向,Face-to p、Face-bot tom、Face-righ t、Face-lef t.

4.1.4　特征向量提取模块

步骤1.归一化,分别将DCT和灰度图像的人脸区域通过三层卷积扩大或缩小为16×16的位图.

步骤2.把已知的特征值、第一幅和第二幅的特征值进行D TW匹配,作为以后DT W模版进行匹配.

步骤3.找到DT W最佳路径,得到D TW模版.

4.1.5　隐马尔可夫模块

步骤1.对原始图像提取特征向量,把特征向量聚类成16个状态.

步骤2.输入观察向量,通过Ba um-Welch进行训练.

步骤3.利用V iterbi编码得到最大的相似度.

步骤4.模版匹配模块.

步骤5.多个人脸的HM M判决结果和模版库进行交叉匹配按马氏距离进行身份鉴别.

步骤6.保存模版,保存状态转移矩阵,保存初始状态概率矩阵,保存观察序列,保存D TW模版.

4.2　识别算法流程

图4　实时人脸识别算法流程图

Fig.4　T he flo w char t o f th e face recog nitio n a lg o rithm

5　实验结果及分析

本文采用实时采集的图像建立人脸库,每个人28幅图像,然后再从中挑选出12幅图像,每个图像大小为16×16,分别对每个人的12幅图像训练,然后得到最大相似度和概率转移矩阵,以及D TW模版,保存到模版库.

图5　训练后制成的模板数据

(其中M为状态数,N为样本空间向量个数.A为状态转移概率矩阵,B为观察值概率矩阵.Pi为初始概率矩阵,D为D TW模板)

Fig.5　Th e trained da ta of template

生成的模板数据如图5所示.本系统模板保存为固定格式文本文件,识别的时候读取文本文件,调用该模板.

图6　码本维数和识别率关系图

Fig.6　The plo t o f relatio nship betw een th e number o f v ecto r of samples a nd the r eco gnition r ate

关于模型状态数的选取,文献[3]中有所探讨.本文也对此进行了研究,对不同状态数下的人脸识别效果做了比较,状态数从3～20总共做了18次实验.结果表明:应用本文的算法,当状态数取16时错误率达到最小.因此本系统对非特定的人脸识别,状态数取16时,识别效果最佳.

331

2期李　辉等:基于复合特征向量提取的隐马尔可夫实时人脸识别算法

如图6所示,本文对样本向量维数和识别率之间的关系统计发现:随着样本向量维数的增高,识别率也随之提高.

表1　不同特征值选取的HM M算法性能比较表

Table1　The per for mance o f different featur e

ex traction o f HM M

方法种类识别率时间消耗

基于DCT的HM M70%1min

基于YUV的HM M60%0.25min 基于复合模型的HM M(本文算法)90%0.57min

为了验证HM M方法在不同特征值选取算法下的识别率和时间,本文分别对DCT、Y CbCr和灰度与DCT算法进行试验,记录结果过见表1.由表1知,HM M对采用灰度与D CT复合模型的特征值提取作为复杂环境下人脸识别,其识别率显著提高.

6　结　论

本文提出了一种基于实时采集图像复杂背景下的HM M 人脸识别算法,对模型采用了复合特征值提取方法,并通过语音播放模块实时报告识别结果,身份识别的时间总和不超过50s,准确率达到90%左右.本算法一定程度上解决了室内人脸识别算法对光线条件的过分依赖的问题,但是,距离理想的状况尚需进一步提高,有待于在后续工作中进行完善.

Ref erences:

[1]Ber tor R,Poggio T.Face recog nition feature versu s templates

[J].IE EE Trans actions on Pattern Analysis and M achin e Intel-ligence.1993,15(10):1042-1052.

[2]h ttp://w w w2.sigensrfr/～cappe/docs/hmm bib.h tml

[3]Samar I A F.Face recog nition using Hid den M arkova M odels

[D].Ph D th esis.University of Cambridge,UK,1994.

[4]H isham Oth man,Aboulnas r T.Low complexity2-D hid den

markov model for face recognition[C].In:Proc.IS CAS2000,

2000,5,33-36.

[5]Ara Nefian,M onson H.Hayes III hidd en markov models fo r

face recognition[C].In:Proceeding of ICASS P1998,1998,

2721-2724.

[6]Law rence R R abiner.A tutorial on hidden markov models and

s elected application in s peech recog nition[J].Proc.of the IEE E.

1989,77(2):257-285.

[7]Fan C M,Namaz i N M,Penafiel P B.A new imageM otion esti-

mation algorithm based on the EM technique[J].IEEE.Trans.

Patt.Anal.M achine In tell,1996,18(3):348-352.

[8]Smith S M,rady J M B.AS SERT-2:real-time motion segmenta-

tion and shape tracking[J].IEEE.Trans.Patt.Anal.M achin e Intell,1995,17(8):814-820.

[9]M u rai K,Nakamura S.M ultimedia and expo real time face detec-

tion for m ultimodal s peech recog nition.ICM E'02[C].In:Pro-ceeding s of2002IE EE In ternational Conference,2002,2:373-376.

[10]Satoh https://www.360docs.net/doc/e72595672.html,parativ e evaluation of face s equ ence matching for

conten t-based vid eo access[C].In:IE EE In ternational Confer-ence on Au tomatic Face&Gesture Recognition.Grenoble, France,2000,163-168.

[11]Yang M H,Krieg man D,Ah uja N.Detecting faces in imag es a

su rvey[J].IE EE Trans.PAM I,2002,24(1):34-58.

[12]Sun Young-Bum,J in-Tae Kim,Lee W on-Hyu ng Lee.Extrac-

tion of face objects using skin colo r in formation[C].Com muni-cations,Circuits and Systems and W es t Sino Expositions,IEEE 2002International Conference,2002,2,1136-114.

[13]Wid jojo W,Kin Ch oong Yow.A color and feature-bas ed ap-

proach to h uman face detection[C].Control,Automation, R ob otics and Vision,IC ARCV2002.7th International Confer-ence,2002,1,508-513.

[14]Liu Z,W ang Y.Face detection and tracking in video using dy-

namic p rog ram ming[C].Proc.IEE E ICIP,2000,1:53-56. [15]Sun Q B,Huang W M,W u J K.Face detection bas ed on color

and local sym metry information[C].Proceedings of the Third IE EE International Conference on Automatic.Face and Ges tu re Recog nition.Nara,Japan,1998,130-135.

[16]Platt J C.Fas t training of suppo rt v ector machin es using s e-

quen tial minimal optimization[A].SC HLKO PH B,et al eds.

Advances in Kern el M eth od-Suppo rt Vecto r Learning[M].

Cambridg e,M A:M IT Press,1999,185-208.

332 小　型　微　型　计　算　机　系　统 2008年

人脸识别流程

概述本项目的主要目的是身份证照片与摄像头获取的人脸照片进行比对，确定身份证和目标对象是不是同一个人。本文项目主要分三个方面，首先是人脸的检测定位；其次是对照片中定位好的人脸进行预处理，处理到适合提取特征值的水平；最后提取特征值比对识别是不是同一个人。系统的大框架如下：第一步人脸检测定位确定是否包含人脸,如果包含人脸,则需要确定脸部所在的位置和尺寸。因为获取的都是彩色图像，首先可以进行肤色检测。在检测出肤色像素后,需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域,同时利用区域的几何特征或灰度特征进行是否是人脸的验证,以排除其它色彩类似肤色的物体。这一步流程图如下：

页脚内容第二步人脸图像预处理图像处理的目的是为了方便提取人脸的特征值，进而才能比对识别，所以这一步也至关重要。第一，对于分割出的人脸，由于噪声带来失真和降质，在特征提取之前采用滤波的方式来去除噪声是必须的步骤。第二尺度归一化，其思想是将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征的提取。第三灰度归一化，人脸识别的研究一般以灰度图像为研究对象，对于彩色的脸像,可对其首先进行灰度化处理。第四灰度均衡化，由于在图像采集中光照的改变容易导致图像呈现不同的明暗程度,因此需要对人脸图像进行灰度均衡化处理。灰度均衡化,其作用是增强人脸图像的整体对比度,并使灰度分布均匀,以消除光照变化的影响。流程图如下：第三步特征提取对比识别人脸特征提取与识别是人脸识别研究中最为关键的两个问题。人脸特征提取又称人脸描述，是在基于人脸检测定位、归一化等图像预处理的基础上进行的人脸各特征提取的过程，为人脸识别分类打下基础。

模式识别研究进展-刘成林and谭铁牛

模式识别研究进展刘成林，谭铁牛中国科学院自动化研究所模式识别国家重点实验室北京中关村东路95号摘要自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。

模式识别特征选择与提取

模式识别特征选择与提取中国矿业大学计算机科学与技术学院电子信息科学系班级：信科11-1班，学号：08113545，姓名：褚钰博联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.360docs.net/doc/e72595672.html, 日期：2014 年06月10日摘要实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。本文是对主成分分析和线性判别分析。关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。

图像特征提取及识别过程

纹理特征是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题，一直是人们关注的焦点，各种纹理特征提取方法层出不穷。本文在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程，分析了其研究现状，对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。关键字：灰度共生矩阵，纹理特征提取，图像识别

ABSTRACT Texture is a kind of importa nt visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image process ing area. Texture feature extract ion has bee n the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extracti on methods has bee n emerged in en dlessly. On the basis of exte nsive literature inv estigati on, we review the texture feature extract ion methods, an alyze the developme nt of the research status of the texture feature extracti on methods and make a comprehe nsive review of its classificati on . Fin ally ,based on gray symbiotic matrix image problem extracti on methods,we research how to effectively extract image texture feature described by the image characteristic value to image recog niti on. Graylevel co-occurre nee matrix is a simple and effective image texture descripti on method.This method's advantage is: it can use the image pixels relative positions of the spatial in formatio n more to accurately describe the texture image.This paper use the graylevel co-occurre nee matrix of the properties to extract statistics from the matrix corresp onding as texture feature parameters to realize image recog niti on. KEY WORDS : graylevel co-occurrenee matrix, texture feature extraction, image recog niti on

人脸识别主要算法原理

人脸识别主要算法原理主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）

人脸识别介绍

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。人脸识别流程 1图像预处理 1.1 图像去噪一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取人脸检测定位人脸区域预处理特征抽取人脸特征对比识别结果人脸特征库

不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动，也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。

模式识别期末试题

一、填空与选择填空（本题答案写在此试卷上，30分） 1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。 2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。 3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。（1）无监督分类 (2)有监督分类（3）统计模式识别方法（4）句法模式识别方法 4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度 5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。（1）（2） (3) (4) 6、Fisher线性判别函数的求解过程是将N维特征矢量投影在（2）中进行。（1）二维空间（2）一维空间（3）N-1维空间 7、下列判别域界面方程法中只适用于线性可分情况的算法有（1）；线性可分、不可分都适用的有（3）。（1）感知器算法（2）H-K算法（3）积累位势函数法 8、下列四元组中满足文法定义的有（1）（2）（4）。（1）({A, B}, {0, 1}, {A→01, A→ 0A1 , A→ 1A0 , B→BA , B→ 0}, A) （2）({A}, {0, 1}, {A→0, A→ 0A}, A) （3）({S}, {a, b}, {S → 00S, S → 11S, S → 00, S → 11}, S) （4）({A}, {0, 1}, {A→01, A→ 0A1, A→ 1A0}, A) 9、影响层次聚类算法结果的主要因素有（计算模式距离的测度、（聚类准则、类间距离门限、预定的类别数目））。 10、欧式距离具有（ 1、2 ）；马式距离具有（1、2、3、4 ）。（1）平移不变性（2）旋转不变性（3）尺度缩放不变性（4）不受量纲影响的特性 11、线性判别函数的正负和数值大小的几何意义是（正（负）表示样本点位于判别界面法向量指向的正（负）半空间中；绝对值正比于样本点到判别界面的距离。）。 12、感知器算法1。（1）只适用于线性可分的情况；（2）线性可分、不可分都适用。

人脸识别算法都有哪些

主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 2. 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临

近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component analysis,简称PCA)的人脸识别方法。特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。

特征提取在人脸识别中的应用.pdf

特征提取在人脸识别中的应用刘磊，2014080008 一、人脸识别研究现状人脸识别的研究早已展开,Calton等早在1888年和1910年就分别在Nature杂志上发表过两篇关于利用人脸特征进行身份识别的文章,提出检测人脸特征或是关键点的方法。自动人脸识别的研究论文最早出现在1965年Chan和Bledsoe在Panoramic Research Inc上发表的技术报告中至今已有四十多年的历史。学者们一般将AFR的研究历史按照研究内容、技术方法等划分为以下三个阶段。第一阶段(1964—1990年)。这一阶段人脸识别刚刚起步,还只是被作为一个一般性的模式识别问题进行研究,所釆用的方法主要是比较人脸的几何结构。总体而言,这一阶段可以看做是人脸识别研究的初级阶段,代表性的成果没有很多,也没有得到实际应用。第二阶段(1991一1997年)。尽管第二阶段的时间比较短暂,但却是人脸识别研究的发展高峰期,不仅涌现出大量重量级研究成果,而且出现了若干商业化运作的人脸识别系统。这一阶段的人脸识别技术发展非常之快,所提出的算法在较理想图像采集条件下的中小规模正面人脸数据库上可以达到令人满意的性能。第三阶段(1998—现在)。20世纪90年代以来,对人脸识别方法的研究变得非常热门,吸引了大量的研究人员和基金支持。由于主流的人脸识别技术对于光照、姿态等非理想采集条件,以及用户不配合造成的人脸变化等条件下的鲁棒性比较差。目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。二、人脸识别系统人脸识别系统是提取人脸的相关特征信息,并根据这些特征信息进行身份识别的生物识别技术,它利用计算机对人脸静态图像或动态视频流进行分析,提取出对识别有用的信息,从而进行身份认证,它是人类用来进行身份确认最直接、最自然、最友好的生物特征识别方法,而且与其他身份识别方法相比,人脸识别具有采集过程的非侵犯性、釆集的便捷性等优点,特别是使用者不会产生任何心理障碍,通过对人脸表情与姿态进行分析,还能获得其他识别系统难以获得的一些信息。三、人脸识别的描述分类 1、人脸检测

模式识别特征提取

特征提取 SIFT算法提取步骤 SIFT算法提取特征点的主要步骤：（1）检测尺度空间极值点检测尺度空间极值的目的是确定特征点位置和所在尺度组。即先使用高斯过滤器对原始图像进行若干次连续滤波建立第一个尺度组，再把图形减小到原来的一半，进行同样的高斯滤波形成第二个尺度组。之后，重复操作直到图像小于某一个给定阀值为止。接下来对每个尺度组中的高斯图像进行差分，形成高斯差分尺度组（DoG尺度图像）。

图3-1 尺度空间的构造在上面建立的DoG尺度空间金字塔中，为了检测到DoG空间的最大值和最小值，DoG尺度空间中中间层(最底层和最顶层除外)的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度空间和二维图像空间都检测到局部极值，如图3-2所示图3-2 DoG空间局部极值检测在图3-2中，标记为叉号的像素若比相邻26个像素的DoG值都大或都小，则该点将作为一个局部极值点。被检测工件的高斯滤波图像如图3-3所示。

图3-3 原始图像和部分高斯滤波图像（2）精确定位极值点由于DoG值对噪声和边缘较敏感，因此，在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。一般通过二阶Taylor 展开式计算极值点的偏移量，获得亚像素定位精度，同时通过阈值设置剔除差异小的点。最终保留下来的点称为特征点，特征点的检测是在尺度空间中进行的，特征点保持为尺度不变量。各层图像特征点如图3-4所示。

图3-4 各层图像的特征点（3）为每个关键点指定方向参数 σ—尺度空间坐标 O —组(octave)数 S —组内层数在上述尺度空间中，O 和S ，σ的关系如下： ()[][]2,...,0,1,...,02 ,0+∈-∈=+S s O o s o S s o σσ (3-10)

图像模式识别的方法介绍

2.1图像模式识别的方法图像模式识别的方法很多，从图像模式识别提取的特征对象来看，图像识别方法可分为以下几种：基于形状特征的识别技术、基于色彩特征的识别技术以及基于纹理特征的识别技术。其中，基于形状特征的识别方法，其关键是找到图像中对象形状及对此进行描述，形成可视特征矢量，以完成不同图像的分类，常用来表示形状的变量有形状的周长、面积、圆形度、离心率等。基于色彩特征的识别技术主要针对彩色图像，通过色彩直方图具有的简单且随图像的大小、旋转变换不敏感等特点进行分类识别。基于纹理特征的识别方法是通过对图像中非常具有结构规律的特征加以分析或者则是对图像中的色彩强度的分布信息进行统计来完成。从模式特征选择及判别决策方法的不同可将图像模式识别方法大致归纳为两类:统计模式(决策理论)识别方法和句法(结构)模式识别方法。此外，近些年随着对模式识别技术研究的进一步深入，模糊模式识别方法和神经网络模式识别方法也开始得到广泛的应用。在此将这四种方法进行一下说明。 2.1.1句法模式识别对于较复杂的模式，如采用统计模式识别的方法，所面临的一个困难就是特征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，从而很自然地就想到这样的一种设计，即努力地把一个复杂模式分化为若干

较简单子模式的组合，而子模式又分为若干基元，通过对基元的识别，进而识别子模式，最终识别该复杂模式。正如英文句子由一些短语，短语又由单词，单词又由字母构成一样。用一组模式基元和它们的组成来描述模式的结构的语言，称为模式描述语言。支配基元组成模式的规则称为文法。当每个基元被识别后，利用句法分析就可以作出整个的模式识别。即以这个句子是否符合某特定文法，以判别它是否属于某一类别。这就是句法模式识别的基本思想。句法模式识别系统主要由预处理、基元提取、句法分析和文法推断等几部分组成。由预处理分割的模式，经基元提取形成描述模式的基元串（即字符串）。句法分析根据文法推理所推断的文法，判决有序字符串所描述的模式类别，得到判决结果。问题在于句法分析所依据的文法。不同的模式类对应着不同的文法，描述不同的目标。为了得到于模式类相适应的文法，类似于统计模式识别的训练过程，必须事先采集足够多的训练模式样本，经基元提取，把相应的文法推断出来。实际应用还有一定的困难。 2.1.2统计模式识别统计模式识别是目前最成熟也是应用最广泛的方法，它主要利用贝叶斯决策规则解决最优分类器问题。统计决策理论的基本思想就是在不同的模式类中建立一个决策边界，利用决策函数把一个给定的模式归入相应的模式类中。统计模式识别的基本模型如图2，该模型主要包括两种操作模型：训练和分类，其中训练主要利用己有样本完成对决策边界的划分，并采取了一定的学习机制以保证基于样本的划分是最优的;而分类主要对输入的模式利用其特征和训练得来的决策函数而把模式划分到相应模式类中。统计模式识别方法以数学上的决策理论为基础建立统计模式识别模型。其基本模型是:对被研究图像进行大量统计分析，找出规律性的认识，并选取出反映图像本质的特征进行分类识别。统计模式识别系统可分为两种运行模式:训练和分类。训练模式中，预处理模块负责将感兴趣的特征从背景中分割出来、去除噪声以及进行其它操作;特征选取模块主要负责找到合适的特征来表示输入模式;分类器负责训练分割特征空间。在分类模式中，被训练好的分类器将输入模式根据测量的特征分配到某个指定的类。统计模式识别组成如图2所示。

指纹的特征提取与识别

指纹的特征提取与识别摘要随着社会的发展，计算机技术的进步，人们对身份认证技术提出了更高的要求。传统的身份认证方法存在的种种弊端让人们将目光投向了生物特征识别这个崭新的领域。而指纹识别技术凭借其独有的优势在众多生物特征识别技术中脱颖而出，得到了广泛的关注和应用。现今，自动指纹识别技术已经广泛地应用于公安、海关、银行、网络安全等需要进行身份识别和鉴定的领域。因此，进行指纹识别技术方面的研究，具有较高的现实意义和理论意义。本文综合运用图像处理和模式识别的技术，对自动指纹识别系统的若干问题进行了探讨和研究，实现了指纹图像的预处理、特征提取和指纹匹配等算法，并在指纹分割、指纹增强这两个方面进行了改进和创新。关键词:指纹识别，指纹分割，指纹增强，特征点提取，指纹匹配

第1章绪论 1.1 指纹识别系统的结构本文主要是对指纹识别系统中图像处理方面的相关算法进行研究，本文的指纹识别系统的基本框架如图1-1所示。图1-1指纹识别系统的基本结构 1.1.1指纹的预处理由于各种原因的影响，指纹取像设备所获得的原始图像是一幅含有较多噪声的灰度图像，预处理的目的就是改善输入指纹图像的质量，增强脊和谷的对比度，将它变成一幅清晰的点线图，以便于进行特征提取。本文预处理过程主要步骤如下: 图1-2指纹预处理的基本结构指纹分割是把指纹的背景区域从图像中分离出去，减少对指纹图像进行处理时的计算量;指纹增强的目的是对输入的噪音较多的灰度图像进行滤波，去除图像中的叉连、断点及模糊不清的部分，得到一幅较清晰的灰度图像;二值化就是把灰度指纹图像变成0-1取值的二值图像，这样就使图像的灰度层次由原来的256级(8-bits)降为2级(1-bits)，从而大大减少了需要存储和处理的数据量。由于指纹的特征仅包含在纹线的形状结构中，所以为了提高处理速度和识别精度，应该在不破坏图像连通性的情况下去掉多余的信息，也就是进行图像的细化。细化是指删除指纹纹线的边缘像素，使之只有一个像素宽度。细化时应保持纹线的连接性、方向性以及特征点位置不变，还应保持纹线的中心基本不变。 1.1.2特征提取由于指纹通常是用按压的方式得到的，按压位置和方向的不同、手指的状况以及皮肤的形变等都会导致指纹图像不理想。因此，采集到的指纹灰度图像不宜直接用来匹配，

人脸识别主要算法原理doc资料

人脸识别主要算法原理

Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识

模式识别及其在图像处理中的应用

模式识别及其在图像处理中的应用摘要：随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法（统计决策法、句法识别、模糊识别、神经网络）及其存在的问题，并且对近年来模式识别的新进展——支持向量机与仿生模式识别做了分析和总结，最后讨论了模式识别亟待解决的问题并对其发展进行了展望。关键词：模式识别；图像处理；特征提取；识别方法

模式识别诞生于20世纪20年代，随着计算机的出现和人工智能的发展，模式识别在60年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域，目前广泛应用的文字识别（ MNO）就是模式识别在图像处理中的一个典型应用。 1.模式识别的基本框架模式识别在不同的文献中给出的定义不同。一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属的类别或同一类中模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地（或者人为进行少量干预）将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图1所示。根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器，通过该分类器对待识样本进行识别的方法。如图1，标准样本集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器，得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法，例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。

图像特征提取及识别过程

摘要纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。关键字：灰度共生矩阵，纹理特征提取，图像识别

ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition

人脸特征提取与识别参考

本科生毕业设计（论文）文献综述题目：人脸特征提取与识别姓名：学号：学院：专业：年级：

指导教师：（签名）系主任（或教研室主任）：（签章）

目录 1 前言 (1) 2 人脸特征提取与识别方法 (1) 2.1 基于几何特征的方法 (1) 2.2 基于特征脸的方法 (2) 2.3 局部特征分析LFA方法 (3) 2.4 基于弹性模型的方法 (4) 2.5 神经网络方法 (4) 2.6 其他方法 (5) 3 总结 (5) 致谢： (6) 参考文献： (6)

人脸特征提取与识别 1前言近年来，Internet和多媒体技术飞速发展，多媒体（包括图像、视频等）数据规模急剧膨胀。为了快速、准确地找到感兴趣的图像或视频，人们提出了基于内容的图像检索(content-based image retrieval，简称CBIR)技术，研究让计算机对图像进行分类和检索的算法。CBIR涉及图像内容表示、相似性度量、高维索引技术等方面。[1]图像内容的表示是需要首先解决的问题。为了实现对图像内容的存取、访问和检索，MPEG-7提出了图像内容描述子的概念，例如颜色描述子、纹理描述子、形状描述子等。图像颜色内容通常用颜色直方图来表示，纹理特征以纹理模式区分图像，形状特征用于包含特定形状对象的图像检索。颜色直方图（或称为颜色谱）因其简单、有效的性能而在大多数CBIR系统中得到应用，但是颜色直方图对纹理图像的检索效果不好。不同的纹理图像可能有非常相似的颜色直方图。所谓图像纹理，它反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点灰度级或者颜色的某种变化，而且这种变化是空间统计相关的，它由纹理基元和基元的排列两个要素构成。纹理分析方法有统计方法、结构方法和基于模型的方法。 2人脸特征提取与识别方法人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难体现在：(1)人脸塑性变形(如表情等)的不确定性；(2)人脸模式的多样性(如胡须、发型、眼镜、化妆等)；(3)图像获取过程中的不确定性(如光照的强度、光源方向等)。识别人脸主要依靠人脸上的特征。也就是说依据那些在不同个体上存在的较大差异而对同一个人则比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变化的影响而提高识别率。 2.1 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸干差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首