数字图像处理课程设计--人脸检测
人脸识别的课课程设计
人脸识别的课课程设计一、教学目标本节课的教学目标是让学生了解人脸识别技术的基本原理和应用场景，掌握人脸识别技术的基本方法和技巧，提高学生运用人脸识别技术解决实际问题的能力。
知识目标：使学生了解人脸识别技术的基本原理，掌握人脸识别技术的基本方法和技巧。
技能目标：培养学生运用人脸识别技术进行图像处理和分析的能力，提高学生解决实际问题的能力。
情感态度价值观目标：培养学生对新技术的敏感性和好奇心，使学生认识到人脸识别技术在现实生活中的重要应用，提高学生对科技进步的认同感。
二、教学内容本节课的教学内容主要包括人脸识别技术的基本原理、人脸识别技术的应用场景以及人脸识别技术的基本方法。
1.人脸识别技术的基本原理：介绍人脸识别技术的基本原理，包括人脸图像的采集、预处理、特征提取和匹配等。
2.人脸识别技术的应用场景：介绍人脸识别技术在现实生活中的应用场景，如安防、金融、医疗等。
3.人脸识别技术的基本方法：介绍人脸识别技术的基本方法，包括基于特征的方法、基于模型的方法、基于深度学习的方法等。
三、教学方法为了提高教学效果，本节课将采用多种教学方法，包括讲授法、案例分析法、实验法等。
1.讲授法：通过讲解人脸识别技术的基本原理、应用场景和基本方法，使学生了解和掌握人脸识别技术的基本知识。
2.案例分析法：通过分析人脸识别技术在现实生活中的具体应用案例，使学生了解人脸识别技术的实际应用，提高学生解决实际问题的能力。
3.实验法：通过人脸识别实验，使学生亲自体验人脸识别技术的实际操作，提高学生的动手能力。
四、教学资源为了保证教学效果，本节课将准备丰富的教学资源，包括教材、参考书、多媒体资料、实验设备等。
1.教材：选用权威、实用的教材，为学生提供全面、系统的人脸识别技术知识。
2.参考书：提供相关领域的参考书籍，丰富学生的知识体系。
3.多媒体资料：制作精美的多媒体课件，生动展示人脸识别技术的原理和应用。
4.实验设备：准备人脸识别实验所需的设备，如摄像头、人脸识别系统等，为学生提供实践操作的机会。
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“辨认”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较大。
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, 同时又能保留所需要的识别信息, 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。
其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。
识别部分采用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:\std_test_images\face3.jpg');figure;imshow(img);R=img(:,:,1);G=img(:,:,2);B=img(:,:,3);faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[], 3)>15&abs(R-G)>15&R>B;figure;imshow(faceRgn1);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<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;figure;imshow(faceRgn2);Q=faceRgn1.*faceRgn2;P=bwlabel(Q,8);BB=regionprops(P,'Boundingbox');BB1=struct2cell(BB);BB2=cell2mat(BB1);figure;imshow(img);[s1 s2]=size(BB2);mx=0;for k=3:4:s2-1p=BB2(1,k)*BB2(1,k+1);if p>mx&(BB2(1,k)/BB2(1,k+1))<1.8mx=p;j=k;hold on;rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB 2(1,j+1)],'linewidth',3,'edgecolor','r');hold off;end end2.处理过程三、人脸识别1.算法简述在Matlab 2012a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。
《计算机视觉》教学课件 第11章1-人脸检测、识别与表情识别1
• 自行构造人脸数据库和测试集
2024/7/13
6
项目任务
➢基于ResNet进行表情识别
➢使用Kaggle ICML表情数据集
• 包含35,887张48*48大小的表情灰度图片，共计七种类别：愤怒、厌恶、恐惧、高兴、悲伤、
惊讶和中性，并被保存在csv文件中（保存的是像素值）
MTCNN）
• 将人脸区域检测与人脸关键点检测放在一
起
• 这三个级联的网络
• P-Net生成候选框
• R-Net高精度候选框过滤选择
• O-Net生成最终候选框与人脸关键点
• 图像金字塔、非极大抑制
2024/7/13
13
知识链接-MTCNN
• P-Net，R-Net和O-Net的体系结构
• “MP”表示最大池化，“Conv”表示卷积
2024/7/13
18
知识链接-FaceNet
• Batch normalization 批归一化
• 对每层输出进行归一化处理
• 假设一个batch中有m个样本，在某一层的输出分别是 {1 , 2 , … , }, 可能是一维向量，
也可能是二维特征图
2024/7/13
19
知识链接-FaceNet
• 有三张图片参与计算
• 使得提取出来的特征，在相似图片上距离相近，不同图片上距离远
min
anchor
2024/7/13
positive
anchor negative
16
知识链接-FaceNet
2024/7/13
17
知识链接-FaceNet
• Batch normalization 批归一化
毕业设计-人脸识别系统设计【范本模板】
第一章前言第一节课题背景一课题的来源随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。
目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。
而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。
人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片,输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。
这并非虚构的情节。
在国外,人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。
在国内,对于人脸识别技术的研究始于上世纪90年代,目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域.二人脸识别技术的研究意义1、富有挑战性的课题人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一,同时也具有较为广泛的应用意义。
人脸识别技术是一个非常活跃的研究领域,它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容.如今,虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题，因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。
如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。
2、面部关键特征定位及人脸2D形状检测技术在人脸检测的基础上，面部关键特征检测试图检测人脸上的主要的面部特征点的位置和眼睛和嘴巴等主要器官的形状信息。
灰度积分投影曲线分析、模板匹配、可变形模板、Hough变换、Snake算子、基于Gabor小波变换的弹性图匹配技术、主动性状模型和主动外观模型是常用的方法。
可变形模板的主要思想是根据待检测人脸特征的先验的形状信息，定义一个参数描述的形状模型，该模型的参数反映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布特性的动态地交互适应来得以修正。
人脸识别课设报告
人脸识别课设报告一、引言人脸识别技术是一种基于人脸特征进行身份验证和辨认的技术，它已经广泛应用于各个领域，如人脸解锁、人脸支付、人脸门禁等。
本篇报告将从人脸识别技术的原理、应用场景、算法以及未来发展等方面进行详细阐述。
二、人脸识别技术原理及流程人脸识别技术的原理主要包括图像采集、预处理、特征提取和匹配四个步骤。
首先，通过摄像头等设备采集人脸图像，然后对图像进行预处理，包括灰度化、归一化、直方图均衡化等操作。
接下来，通过特征提取算法，将人脸图像转换成特征向量，常用的特征提取算法有主成分分析法（PCA）和线性判别分析法（LDA）等。
最后，将提取到的特征向量与数据库中的已知特征进行匹配，从而实现人脸的识别和辨认。
三、人脸识别技术的应用场景1. 人脸解锁：通过人脸识别技术，可以实现手机、电脑等设备的解锁操作，提高设备的安全性和用户的便利性。
2. 人脸支付：利用人脸识别技术，可以实现线上线下的支付功能，无需携带实体卡片或密码，提高支付的安全性和便捷性。
3. 人脸门禁：将人脸识别技术应用于门禁系统中，可以实现无感知的出入门禁控制，提高安全性和效率。
4. 人脸监控：结合人脸识别技术和监控系统，可以实现对特定人员的追踪和监控，有助于保障公共安全。
四、人脸识别算法1. 主成分分析法（PCA）：通过对人脸图像进行降维处理，提取出最重要的特征信息，从而实现人脸的识别和辨认。
2. 线性判别分析法（LDA）：通过对人脸图像进行线性变换，使得同一类别的人脸图像尽可能接近，不同类别的人脸图像尽可能远离，从而提高人脸识别的准确率。
3. 卷积神经网络（CNN）：通过多层卷积和池化操作，从原始图像中提取出高层次的抽象特征，用于人脸的识别和辨认。
4. 支持向量机（SVM）：通过构建超平面来实现对人脸的分类和辨别，具有较强的泛化能力和分类性能。
五、人脸识别技术的挑战与未来发展1. 光照变化：光照条件的变化对人脸识别技术的准确性有很大影响，如何解决光照变化对人脸识别的干扰是一个重要的挑战。
python人脸识别系统课程设计
python人脸识别系统课程设计一、课程目标知识目标：1. 学生能理解人脸识别的基本原理，掌握Python编程中与人脸识别相关的库（如OpenCV、face_recognition）的使用方法。
2. 学生能描述人脸检测、人脸识别的技术流程，了解影响识别准确率的因素。
3. 学生掌握数据集的收集、处理和模型训练的基本步骤。
技能目标：1. 学生能够独立编写简单的Python人脸识别程序，实现人脸检测、人脸识别等功能。
2. 学生能够通过调整算法参数，优化人脸识别效果，提高识别准确率。
3. 学生具备分析人脸识别结果，发现并解决问题的能力。
情感态度价值观目标：1. 学生通过学习人脸识别技术，增强对人工智能领域的兴趣和认识，激发创新意识。
2. 学生在项目实践过程中，培养团队协作精神，学会分享和交流。
3. 学生了解人脸识别技术在现实生活中的应用，认识到技术对社会的影响，树立正确的科技伦理观。
本课程针对高中年级学生，结合Python编程和人脸识别技术，注重理论与实践相结合，旨在提高学生的编程能力、数据处理能力和实际问题解决能力。
通过课程学习，使学生能够在掌握基本知识技能的基础上，深入体验人工智能的魅力，培养对科技的兴趣和热情。
同时，注重培养学生的团队协作精神和科技伦理观念，为学生的全面发展奠定基础。
二、教学内容1. Python基础回顾：变量、数据类型、运算符、条件语句和循环语句。
2. OpenCV和face_recognition库的安装与使用：介绍库的功能，演示基本的图像处理和人脸识别操作。
- OpenCV库：图像读取、显示、保存；颜色空间转换；图像滤波；边缘检测；人脸检测。
- face_recognition库：人脸编码生成；人脸匹配；人脸识别。
3. 人脸识别原理与流程：介绍特征提取、模型训练、人脸匹配等关键步骤。
4. 数据集准备：收集人脸图片，构建训练集和测试集；数据预处理。
5. 编程实践：- 人脸检测：使用OpenCV实现实时人脸检测。
人脸识别课程设计报告
用Matlab实现人脸识别学院：信息工程学院班级：计科软件普131成员：一、问题描述在一个人脸库中，有15 个人，每人有11 幅图像。
要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。
再任取图像库的一张图片，识别它的身份。
对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。
如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。
不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。
因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。
二、PCA 原理和人脸识别方法1）K-L 变换K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。
它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。
PCA 则是选取协方差矩阵前k 个最大的特征值的特征向量构成K-L 变换矩阵。
2）主成分的数目的选取保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。
实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。
3）人脸空间建立假设一幅人脸图像包含N 个像素点，它可以用一个N 维向量Γ表示。
这样，训练样本库就可以用Γi（i=1，...，M）表示。
协方差矩阵C 的正交特征向量就是组成人脸空间的基向量，即特征脸。
将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。
数字图像处理课程设计--人脸检测
数字图像处理课程设计--人脸检测数字图像处理课程设计报告（人脸检测）姓名：xxx学号：xxxx1 引言随着科学技术的飞速发展，互联网的广泛应用，重要部门(机场、银行、军政机关、重点控制地区)的进出，计算机网络中重要信息的存储与提取，都需要可靠的人身鉴别。
身份的识别已经成为一种人们日常生活中经常遇到的问题。
人脸识别作为生物特征识别中成功的应用之一，因为其巨大的商业应用前景，受到越来越多的重视。
人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。
这并非虚构的情节，在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。
在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。
近 30 年以来，人脸识别技术有了长足的发展，并且逐步走向实际应用阶段[1]。
2 实验方法2.1 方法综述典型人脸识别系统的实现过程如图2.1所示，一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。
在实现过程中，首先输入图像集，然后用人脸检测模块进行人脸检测。
如果检测到人脸图像，则进行特征点定位，一般以两眼中心为基准，根据两眼距离d，对人脸图像进行归一化处理，归一化处理包含了图像预处理，图像缩放以及有效人脸区域选取等操作。
最后对归一化的人脸图像进行特征提取，送入分类器进行识别，最终获得识别结果[2]。
图像预处理特征提取特征对比(分类器)结果输出图像输入图2.1 人脸识别技术处理流程图在预处理阶段，对图像进行优化，尽可能去除或者减小光照、成像系统、外部环境等对待处理图像的干扰，为后续处理提高质量。
以便使不同的人脸图像尽可能在同一条件下完成特征提取、训练和识别。
人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。
人脸扶正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数字图像处理课程设计--人脸检测数字图像处理课程设计报告（人脸检测）姓名：xxx学号：xxxx1 引言随着科学技术的飞速发展，互联网的广泛应用，重要部门(机场、银行、军政机关、重点控制地区)的进出，计算机网络中重要信息的存储与提取，都需要可靠的人身鉴别。
身份的识别已经成为一种人们日常生活中经常遇到的问题。
人脸识别作为生物特征识别中成功的应用之一，因为其巨大的商业应用前景，受到越来越多的重视。
人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。
这并非虚构的情节，在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。
在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。
近 30 年以来，人脸识别技术有了长足的发展，并且逐步走向实际应用阶段[1]。
2 实验方法2.1 方法综述典型人脸识别系统的实现过程如图2.1所示，一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。
在实现过程中，首先输入图像集，然后用人脸检测模块进行人脸检测。
如果检测到人脸图像，则进行特征点定位，一般以两眼中心为基准，根据两眼距离d，对人脸图像进行归一化处理，归一化处理包含了图像预处理，图像缩放以及有效人脸区域选取等操作。
最后对归一化的人脸图像进行特征提取，送入分类器进行识别，最终获得识别结果[2]。
图像预处理特征提取特征对比(分类器)结果输出图像输入图2.1 人脸识别技术处理流程图在预处理阶段，对图像进行优化，尽可能去除或者减小光照、成像系统、外部环境等对待处理图像的干扰，为后续处理提高质量。
以便使不同的人脸图像尽可能在同一条件下完成特征提取、训练和识别。
人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。
人脸扶正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。
归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像。
2.2 具体方法2.2.1 图像预处理图像预处理就是对获取得来的图像进行适当的处理，使它具有的特征能够在图像中明显的表现出来。
在本次实验中，从五个方面对图像进行了预处理，分别概述如下。
(1) 二值化二值化的目的是将采集获得的多层次灰度图像处理成二值图像，以便于分析理解和识别并减少计算量。
二值化就是通过一些算法，通过一个阈值改变图像中的像素颜色，令整幅图像画面内仅有黑白二值，该图像一般由黑色区域和白色区域组成，可以用一个比特表示一个像素，“1”表示黑色，“0”表示白色，当然也可以倒过来表示，这种图像称之为二值图像。
这便有利于我们对特征的提取。
该设计中采用组内方差和组外方差来实现二值化。
(2) 直方图均衡直方图均衡是将一已知灰度概率密度分布的图像，经过某种变换，变成一幅具有均匀灰度概率分布的新图像，其结果是扩展了像元取值的动态范围，从而达到了增强图像整体对比度的效果。
直方图是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同的数量的像素点，使直方图趋于平衡。
直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像（即输出的直方图是平的）。
这对于图像比较或分割是十分有用的。
均衡化处理的步骤如下：(a) 对给定的待处理图像统计其直方图，求出()r P r(b) 根据统计出的直方图采用累积分布函数做变换()()k k r S T r P r ==∑,求变换后的新灰度；(c) 用新灰度代替就灰度，求出()s P s ，这一步是近似过程，应根据处理的目的尽量做到合理，同时把灰度值相等或近似的合并到一起。
(3)中值滤波中值滤波是一种非线性处理技术，能抑制图像中的噪声。
它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素较多、面积较大的小块构成。
在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。
在处理之后，位于窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。
例如若窗口长度为5，窗口中像素的灰度值为80、90、200、110、120，则中值为110，因为按小到大（或大到小）排序后，第三位的值是110。
于是原来窗口正中的灰度值200就由110取代。
如果200是一个噪声的尖峰，则将被滤除。
然而，如果它是一个信号，则滤波后就被消除，降低了分辨率。
因此中值滤波在某些情况下抑制噪声，而在另一些情况下却会抑制信号。
无论是直接获取的灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，噪声对图像质量有很大的影响。
进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像。
中值滤波是一种非线性的信号处理方法，因此中值滤波器也就是一种非线性的滤波器。
中值滤波器最先被应用于一维信号的处理中，后来被人们引用到二维图像的处理中来。
中值滤波可以在一定程度上克服线性滤波所带来的图像细节模糊，而且它对滤除脉冲干扰和图像扫描噪声非常有效。
中值滤波的步骤： (a) 将模板在图中漫游，并将模板中心与图中某个像素位置重合； (b) 读取模板下各对应像素的灰度值；(c) 将这些灰度值从小到大排成一列；(d) 找出这些值里排在中间的一个；(e) 将这个中间值赋给对应模板中心位置的像素。
由以上步骤可以看出，中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，所以它对孤立的噪声像素的消除能力是很强的。
由于它不是简单的取均值，所以产生的模糊比较少。
换句话说，中值滤波即能消除噪声又能保持图像的细节。
2.2.2 特征提取对图像进行分割，提取人脸的特征。
本实验中通过边缘检测来实现特征提取。
边缘是位于两个区域的边界线上的连续像素集合，一般而言，当人们看到有边缘物体时，首先感觉到的便是边缘，灰度或结构等信息的突变处称为边缘。
边缘上的这种变化可以通过微分算子进行检测：(1) 一阶导数：通过梯度来计算——梯度锐化法：91122991...i i i R w z w z w z w z ==+++=∑梯度是一个矢量，其大小为:22f(x,y)f(x,y)G[f(x,y)]()()x y∂∂=+∂∂ 对于数字图像可以用差分来近似微分。
其差分形式为：),(),1(y x f y x f x f f x -+=∇∇=∇ ),()1,(y x f y x f y f f y -+=∇∇=∇ 2122})]1,(,([)],1(),({[)],([+-++-≈y x f y x f y x f y x f y x f G|)1,(,(||),1(),(|)],([+-++-≈y x f y x f y x f y x f y x f G梯度大小与相邻像素的灰度差成正比：即灰度变化大则梯度值很大，灰度变化平缓则梯度值小，灰度无变化则梯度值为0。
(2) 二阶导数：通过拉普拉斯算子来计算定义：一个二元图像函数f (x,y )的拉普拉斯变换定义为：),(4)]1,()1,(),1(),1([22222y x f y x f y x f y x f y x f yf x f f --+++-++=∂∂+∂∂=∇ 可以用多种方式表示为数字形式。
对于一个3×3的区域，经验上推荐最多的形式如下为：2524684()f Z Z Z Z Z ∇=-+++拉普拉斯锐化前后图像的灰度如图2.2所示:(a) 原图像灰度(b) 拉普拉斯锐化后图像的灰度图 2.2 拉普拉斯锐化前后图像的灰度图2.2.3 特征对比通过与库存中的特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析。
如果分析在我们所确认的范围内，我们就认为该人就是我们所要找的。
然后从库存中提取出该人相关的信息，并显示出来。
如果库存中没有，则给出提示是否对存库作为样本。
3 实验结果及分析本实验主要由图像预处理、特征提取、特征对比三个部分组成。
图像预处理对于后面的工作结果好坏起着至关重要的作用，因此从软件开发的最初阶段我们就要对软件进行不断的测试，对图像处理模块中的各个子模块进行测试以便检测经过处理后的图像效果是否达到预期的效果。
对图像预处理的测试过程进行描述如下：采用多张图像进行逐一测试，看这些图片经过处理后是否达到预期的效果，如高斯平滑的实现采用了模板操作，因此模板参数的选择对其十分重要，先用图片进行测试来检测平滑效果，如果效果不理想则继续选择模板参数，直至效果理想为止。
经过测试之后，二值化使得该图像一般由黑色区域和白色区域组成，有利于对特征的提取；而中值滤波即消除了噪声又保持了图像的细节，高斯平滑能有效的消除图像噪音，提高了图像质量。
对人脸的区域进行了准确定位，成功地提取出了人脸的特征，并与库存中的图像进行了对比，得到了预期的结果如图3.1。
图a 错检图片图b 检测正确结果图3.2 检测结果漏检率：在本次实验中总共检测了20张图片，有6张检测不正确，漏检率为30%。
在本次设计中还存在着以下不足：(1) 预处理的方法还有很多，如膨胀腐蚀运算，但由于实际情况有限不能一一展现。
(2) 漏检率比较高，需要进一步改进程序。
4 参考文献[1]夏德深,傅德胜.现代图像处理技术与应用[M].江苏:东南大学出版社,1997，21-36[2]杨淑莹.图像模式识别VC++技术实现[M].北京:清华大学出版社,2005,55-68[3]何斌等. Visual C++ 数字图像处理[M].北京:人民邮电出版社,2001,46-48[4]朱虹.数字图像处理基础与应用[M].北京:清华大学出版社,2013,145-148[5]徐惠等.Visual C++数字图像实用工程案例精选[M].北京:人民邮电出版社,2004,167-200附录：主要程序。