数字图像处理在人脸识别中的应用
基于肤色的人脸检测
摘要
本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。
关键词:脸部定位，特征提取，图像处理，MATLAB
Abasract
This paper introduces the application of MATLAB in face image recognition of image preprocessing,the application of the toolkit for classical image processing, application MATLAB image processing function through instance,for a particular face image processing,and then applied to the face recognition system.In face recognition system based on the summary analysis of several commonly used image preprocessing method based on the MATLAB implements a collect a variety of pretreatment method for the integration of the universal facial image preprocessing simulation system,the system as the image preprocessing module can be embedded in a face recognition system,and use the gray histogram of the image matching to realize the face image recognition.
Key words:face positioning,feature extraction,picture processing,MATLAB
目录
1绪论 (1)
1.1研究背景 (1)
1.2人脸识别技术的研究现状 (1)
1.3人脸识别的应用前景 (3)
2基于肤色的人脸检测技术研究 (4)
2.1人脸检测技术概述 (4)
2.2肤色检测技术 (4)
2.3人脸识别系统的构成 (5)
2.4基于肤色的人脸检测 (5)
2.4.1人脸图像预处理 (5)
2.4.2色彩空间转换 (6)
2.4.3RGB颜色模型 (6)
2.4.4YCbCr颜色模型 (6)
3图像处理的Matlab实现 (8)
3.1MATLAB简介 (8)
3.2数字图像处理及过程 (8)
3.2.1图像处理的基本操作 (8)
3.2.2图像类型的转换 (8)
3.2.3图像增强 (8)
3.2.4边缘检测 (9)
3.3图像处理功能的Matlab实现实例 (9)
4基于肤色的人脸检系统设计 (14)
4.1系统结构设计 (14)
4.2人脸检测系统算法分析 (14)
4.2.1光线补偿 (14)
4.2.2肤色建模 (15)
4.2.3去掉非人脸区域 (17)
4.2.4人脸区域标定 (17)
4.3系统实现 (19)
5总结与展望 (20)
致谢 (22)
参考文献 (23)
1绪论
1.1研究背景
自70年代以来.随着人工智能技术的兴起.以及人类视觉研究的进展.人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，.这一领域除了它的重大理论价值外，也极具实用价值。
在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。
同时，进行人脸图像识别研究也具有很大的使用价依。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。现在己有实用的计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟的人脸自动识别系统出现。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。
国外对于人脸图像识别的研究较早，现己有实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，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。
1.2人脸识别技术的研究现状
近10多年来,计算机人脸识别技术有了很大的进展,各种人脸识别方法层出不穷。根据人脸表征方式的不同,通常将人脸正面识别技术分为三大类基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。基于几何特征的人脸正面图像识别方法是通过人脸面部拓扑结构几何关系的先验知识,利用基于结构的方法在知识的层次上提取人脸面部主要器官的特征,将人脸用一组几何特征矢量表示,识别归结为特1征矢量之间的匹配,基于欧式距离的判决是最常用的识别方法。基于代数特征的人脸识别方法主要有特征脸法(PAC)
和隐马尔科夫模型(HMM)法特征脸法是基于变换的人脸识别方法。隐马尔可夫模型是用于描述信号统计特征的一组统计模型。它使用马尔可夫链来模拟信号统计特征的变化,而这种变化是间接的通过观察序列来描述的。基于连接机制的人脸识别方法包括一般的神经网络方法(ANN)和弹性图匹配(DLA)方法神经网络的方法在人脸识别上比其他类别的方法有独特的优势,它避免了复杂的特征提取工作,可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。但是该方法神经元数目多,训练时间长。基于弹性图匹配的人脸识别方法采用树形拓扑图来表述人脸模式,通常情况下,属性拓扑图为二维稀疏网络。属性拓扑图上的每一个顶点均包含一特征矢量,记录了人脸在该顶点位置的分布信息。属性拓扑图可以采用各种描述局部信息的特征,如小波特征,形态特征和统计特征等。所以,它应该是介于基于人脸图像部件特征和基于人脸图像整体特征之间的一种人脸识别方法。它不仅提取了描述人脸图像的局部特征,保留了人脸图像的空间信息,而且在一定程度上可以容忍人脸从三维到二维投影引起的变形,因此它在众多的人脸识别方法中占有重要的地位。综合比较这些方法,每种方法都各有优缺点。
国外研究机构从事人脸识别的研究与实践较早,在美国、德国、日本等发达国家已经有相关产品问世。1996年美国的FERET研究机构对现有的各种人脸识别算法进行了测试,结果表明,比较成熟的识别算法对于数千人的图像进行识别检索,识别率可达到90%以上。1998年德国西门子公司成功开发了“人像及视觉访问控制系统(FaceVACS)”,用于保安系统的访问控制,对几十人的人像库进行识别检索,识别率接近100%。2001年日E solutio本公司推出的“面孔验证安全系统”,最多可容纳1000人登录。
国内关于人脸识别技术的研究虽然起步较晚,但近年来发展很快,已经成武汉理工大学硕士学位论文为研究的热点。目前,国内人脸识别理论和方法的研究水平已经达到或接近国际水平,相关的人脸识别产品也开始问世。国内生产人脸识别产品的企业,主要有四川成都的银晨公司和吉林长春的当代公司,其产品主要应用于安全防范、访问控制、治安管理和信息安全等领域。清华同方和东大阿尔派也都分别推出了用于犯罪嫌疑人计算机画像的“人像合成系统”。并且,清华大学电子工程系于2005年1月研制成功一套大型人脸识别系统并通过了公安部组织的专家鉴定,达到国内领先水平和国际先进水平。
然而,人脸识别技术本身还有待进一步发展,现有的人脸识别方法对于人脸姿态变化、光照、表情、遮挡、年龄、模糊等一系列实际情况的鲁棒性还需进一步提高。另外,由于人脸识别技术的实际应用实时性要求比较高,因此需要设计更高效的识别算法。还有,在计算机人脸识别系统中,人脸库的存储也是一个必须考虑的问题。
从提高人脸识别系统实用性能的角度,人脸识别技术有以下发展方向:(1)进一步研究面部特征抽取和识别算法,提高识别精度;(2)3D形变模型可以处理多种变化因素,具有很好的发展前景;(3)提高系统的鲁棒性,降低对环境的条件限制;(4)多特征融合和多分类器融合的方法;(5)提高系统的识别速度,研究对海量人像数
据的分布式检索比对方法;(6)采用DSP或嵌入式硬件和软件平台,研制开发便携的应用产品;(7)研究海量数据的存储、压缩和加密技术。
在一些高级信息安全的应用中,还需要研究人脸识别与指纹、虹膜、语音等识别技术融合的方法,这也是生物特征识别技术的发展趋势。
1.3人脸识别的应用前景
人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。
人脸识别可应用在公安、国防、金融、部队、政府部门等需要高度保密的行业,这些行业需要对进出人员进行严格的管理和控制。在这些行业使用人脸识别系统后,其管理效率可以得到最大限度的提高,能更好的保障企业安全。而对于普通的企业来说,基于人脸识别技术的门禁和考勤系统,可彻底杜绝以往他人冒用门禁卡、盗用密码等手段冒充本人代考勤或者进出入的方式,真正实现行政管理工作的安全性和准确性。
人脸识别还可应用于视频会议、图形检索、人机交互等领域。
随着软件和硬件技术的不断发展,人脸识别系统的应用领域将会变得更加广泛,服务的行业也会越来越多。
2基于肤色的人脸检测技术研究
2.1人脸检测技术概述
人脸检测是指在输入图像中确定人脸如果存在的位置、大小和姿态的过程。人脸检测系统的输入是可能包含人脸的图像,输出是图像中是否存在人脸和人脸数目、位置、尺度等信息的参数化描述。人脸检测任务的完成涉及从复杂背景中分割、抽取、验证人脸区域和可能用到的人脸特征如眼睛、嘴唇等。成功的人脸检测系统应能处理实际存在的光线、人脸方向和距照相机远近变化等各种情况.
人脸检测的基本思想是用知识或统计的方法对人脸建模,比较所有可能的待检测区域与人脸模型的匹配度,从而得到可能存在的人脸区域。其方法大致可分为基于统计和基于知识两类。前者将人脸图像视为一个高维向量,将人脸检测问题转化为高维空间中分布信号的检测问题后者则利用人脸知识建立若干规则,从而将人脸检测问题转化为假设/验证问题。
2.2肤色检测技术
肤色检测是指在图像中选取对应于人体皮肤像素的过程。随着视频图像采集设备的普及,近年来对图像中肤色区域分割的研究日趋活跃。
肤色在人脸检测和跟踪中是一种有效的特征。尽管对于不同的人肤色差异可能很大,但是差异主要存在于亮度上,而不是颜色上。在色彩空间中,肤色只是其中很窄的一部分频带,因此可以根据颜色信息来检测像素点是否具有肤色特征。通过边通量分析和区域增长,对肤色像素点归类并且找到可能的人脸区域。基于颜色的系统可以在不同的视角中均能检测到人脸,不受人脸姿态变化的影响。根据颜色进行人脸检测的问题在于人所感知到的颜色与到达视网膜的光线的频率并不是一样的。在同一天中的不同时候,同一个物体所反射出的光的频率是不一样的,这使得在彩色图像中的像素有着不同的颜色值。而且,不同的摄像机得到的图像也有着不同的色彩偏差,这样当使用不同的成像设备时,就需要对颜色信息进行重新校准。
在与人有关的各种机器视觉系统中,肤色检测技术正得到越来越多的应用,具有巨大的市场潜力。目前比较典型的应用包括人脸检测与识别、表情识别、手势识别、基于内容的图像与视频检索、人机接口技术、肌体检测等方面也包括视频监控、皮肤病诊断等。可见,肤色检测不仅是人脸或手势等身份、情感和行为识别系统的重要组成,而且在安全防范、反恐、医疗保健、人脸的化装和整容的检测中的应用也日趋重要。
2.3人脸识别系统的构成
人类似乎具有“与生俱来”的人脸识别能力，赋予计算机同样的能力是人类的梦想之一，这就是所谓的“人脸识别”系统。假设我们把照相机、摄像头、扫描仪等看作计算机的“眼睛”，数字图像可以看作计算机观察到的“影像”，那么AFR赋予计算机根据其所“看到”的人脸图片来判断人物身份的能力。
广义的讲，自动人脸识别系统具有如图所示的一般框架并完成相应功能的任务。
(1)人脸图像的获取
一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。
(2)人脸的检测
人脸检测的任务是判断静态图像中是否存在人脸。若存在人脸，给出其在图像中的坐标位置、人脸区域大小等信息。而人脸跟踪则需要进一步输出所检测到的人脸位置、大小等状态随时间的连续变化情况。
(3)特征提取
通过人脸特征点的检测与标定可以确定人脸图像中显著特征点的位置（如眼睛、眉毛、鼻子、嘴巴等器官），同时还可以得到这些器官及其面部轮廓的形状信息的描述。
根据人脸特征点检测与标定的结果，通过某些运算得到人脸特征的描述（这些特征包括：全局特征和局部特征，显式特征和统计特征等）。
(4)基于人脸图像比对的身份识别
即人脸识别(Face Identification)问题。通过将输入人脸图像与人脸数据库中的所有已知原型人脸图像计算相似度并对其排序来给出输入人脸的身份信息。这包括两类识别问题：一类是闭集(Close Set)人脸识别问题，即假定输入的人脸一定是人脸库中的某个个体；另一类是开集(Open Set)识别，即首先要对输入人脸是否在已知人脸库中做出判断，如果是，则给出其身份。
(5)基于人脸图像比对的身份验证
即人脸确认(Face Verification)问题。系统在输入人脸图像的同时输入一个用户宣称的该人脸的身份信息，系统要对该输入人脸图像的身份与宣称的身份是否相符作出判断。
2.4基于肤色的人脸检测
2.4.1人脸图像预处理
在对人脸图像进行特征提取和分类之前一般要作预处理,主要包括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,光照补偿能够在一定的程度上克服光照变化的影响而提高识别率。几何预处理包括图像平移、图像旋转、图像缩放；灰度预处理包括图形平滑、灰度拉伸、光纤补偿。
2.4.2色彩空间转换
为了把人脸区域从非人脸区域分割出来,需要使用适合不同肤色和不同光照条件的可靠的肤色模型。常用的RGB表示方法不适合于皮肤模型,在RGB空间,三基色(R、G、B)不仅代表颜色,还表示了亮度。由于周围环境光照的改变,亮度可能使人脸的检测变得更加复杂,在皮肤的分割过程中是不可靠的。为利用肤色在色度空间的聚类性,需要把颜色表达式中的色度信息与亮度信息分开,将R、G、B转换为色度与亮度分开的色彩表达空间可以解决这个问题。
常见的颜色模型：RGB颜色模型；XYZ颜色模型；HSV颜色模型；YCbCr 颜色模型。
2.4.3RGB颜色模型
RGB色彩系统用R,G,B三种基本颜色分量来表示数字图像像素的颜色值。我们非常熟悉的计算机屏幕的显示通常采用RGB色彩系统。这是最常见的色彩系统,RGB色系坐标中三维空间的三个轴分别与红、绿、蓝三基色相对应,原点对应于黑色,离原点最远的顶点对应于白色,其他颜色落在三维空间中由红、绿、蓝三基色组成的彩色立方体中。其他的色彩系统常以RGB色彩系统为基础,其分量可以描述为RGB三色的线性或非线性函数。RGB色彩系统通过色彩的相加来产生其他颜色,通常称为加色合成法。
2.4.4YCbCr颜色模型
YCbCr颜色模型也是一种常见的色彩模型,它是从YUV模型衍生出来的。其中Y是指亮度,而色度信息则组合在Cr、Cb中,其中Cr代表了光源中的红色分量,Cb代表了光源中的蓝色分量。RGB模型与YCbCr模型的变换公式如下:
后面加上0.5使得Cr、Cb总为正数,便于处理.
后面加上0.5使得Cr、Cb总为正数,便于处理.
分析发现,YCbCr空间、HSV空间都具有将色度与亮度分离的特点,但是空间HSV存在两个缺点：（1）彩色分量H,S,V是由三基色R,G,B经过非线性变换得到的,计算复杂度高；（2）样本肤色点在HSV空间不如在YCbCr空间中聚得紧密。因此本文最终选择了YCbCr颜色空间作为肤色分布统计的映射空间,
YCbCr颜色空间具有如下一些优点：
具有与人类视觉感知过程相类似的构成原理；
YCbCr色彩空间格式被广泛地应用在电视显示等领域中,也是许多视频压缩编码，如MPEG，JPEG等标准中普遍采用的颜色表示格式；
在YCbCr颜色空间中，Y分量给出所有的亮度信息，而Cr和Cb分量不受亮度影响,有效地将亮度分量分离出来；
YCbCr色彩空间格式的计算过程和空间坐标表示形式相比于HSV等其他一些色彩空间格式比较简单；彩色分量Y,Cr,Cb,可由三基色R,G,B经过线性变换得到,因此有较高的计算效率；
在YCbCr色彩空间中肤色的聚类特性比较好。
YCbCr色彩空间可直接由RGB色彩空间通过线性变换得到,所以其亮度分量Y并不是完全独立于色度信息而存在的,所以肤色的聚类区域也是随Y的不同而呈非线形变化的趋势。YCbCr空间的这些特点符合本文肤色模型建立的条件。
3图像处理的Matlab实现
3.1MATLAB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还推出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面对图像的性质进行深入的研究。Matlab 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。
3.2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。
3.2.1图像处理的基本操作
读取和显示图像可以通过imread()和imshow()来实现;图像的输出用imwrite()函数就可以很方便的把图像输出到硬盘上;另外还可以用imcrop()、imrisize()、imrotate()等来实现图像的裁剪、缩放和旋转等功能。
3.2.2图像类型的转换
Matlab支持多种图像类型,但在某些图像操作中,对图像的类型有要求,所以要涉及到对图像类型进行转换。Matlab7.0图像处理工具箱为我们提供了不同图像类型相互转换的大量函数,如mat2gray()函数可以将矩阵转换为灰度图像,rgb2gray()转换RGB图像或颜色映像表为灰度图像。在类型转换的时候,我们还经常遇到数据类型不匹配的情况,针对这种情况,Matlab7.0工具箱中,也给我们提供了各种数据类型之间的转换函数,如double()就是把数据转换为双精度类型的函数。
3.2.3图像增强
图像增强的目的是为了改善图像的视觉效果,提高图像的清晰度和工艺的适应性,以及便于人与计算机的分析和处理,以满足图像复制或再现的要求。图像增强的方法分为空域法和频域法两大类,空域法主要是对图像中的各个像素点进行
操作;而频域法是在图像的某个变换域内对整个图像进行操作,并修改变换后的系数,如傅立叶变换、DCT变换等的系数,然后再进行反变换,便可得到处理后的图像。下面以空域增强法的几种方法加以说明。
(1).灰度变换增强
有多种方法可以实现图像的灰度变换,其中最常用的就是直方图变换的方法,即直方图的均衡化。这种方法是一种使输出图像直方图近似服从均匀分布的变换算法。Matlab7.0图像处理工具箱中提供了图像直方图均衡化的具体函数histeq(),同时我们可以用函数imhist()函数来计算和显示图像的直方图。
(2).空域滤波增强
空域滤波按照空域滤波器的功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目的在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目的在于强调图像被模糊的细节。在Matlab中,各种滤波方法都是在空间域中通过不同的滤波算子实现,可用fspecial()函数来创建预定义的滤波算子,然后可以使用imfilter()或filter2()函数调用创建好的滤波器对图像进行滤波。
3.2.4边缘检测
数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础,也是图像识别中提取图像特征的一个重要属性。边缘检测算子可以检查每个像素的邻域并对灰度变化率进行量化,也包括对方向的确定,其中大多数是基于方向导数掩模求卷积的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供的edge()函数可以进行边缘检测,在其参数里面,可以根据需要选择合适的算子及其参数。
3.3图像处理功能的Matlab实现实例
本文通过运用图像处理工具箱的有关函数对一人脸的彩色图像进行处理。
1)图像类型的转换
因后面的图像增强,边缘检测都是针对灰度图像进行的,而我们的原图是RGB图像,所以首先我们要对原图类型进行转换。结果如图3-1和3-2所示：
图3-1原图
图3-2将原图转换为tif格式的灰度图像
2)图像增强
(1)灰度图像直方图均衡化
通过比较原图和直方图均衡化后的图像可见,图像变得更清晰,而且均衡化后的直方图比原直方图的形状更理想。结果如图3-3和3-4所示：
图3-3灰度图像
图3-4原直方图和均衡化后的直方图
(2)灰度图像平滑与锐化处理
平滑滤波器的目的在于模糊图像或消除噪声,Matlab7.0图像处理工具箱提供了medfilter2()函数用于实现中值滤波,wiener2()实现对图像噪声的自适应滤波。在本文实例中,为了使滤波效果更明显,我们事先为图像认为增加滤波,然后用自适应滤波方法对图像进行滤波。锐化处理的目的在于强调图像被模糊的细节,
在本实例中采用了预定义高斯滤波器的方法对图像进行锐化滤波。结果如图3-5和图3-6所示：
图3-5平滑滤波效果图
图3-5锐化滤波效果图
3)边缘检测
Matlab7.0图像处理工具箱提供了edge()函数实现边缘检测,还有各种方法算子供选择,在本实例中采用了canny算子来进行边缘检测,结果如图3-7所示：
图3-7边缘检测效果图
4基于肤色的人脸检系统设计
4.1系统结构设计
该系统设计的目标是实现复杂背景下RGB图像的人脸检测,通过基于肤色信息的图像分割方法,利用肤色建模的知识进行人脸区域检测以及区域标定。
本系统的结构分为人脸图像输入、人脸图像预处理(光线补偿)光线补偿、人脸区域检测和人脸区域标定等四大模块。
4.2人脸检测系统算法分析
4.2.1光线补偿
当光照条件发生变化时,人脸的颜色也会发生一定的变化。实验表明,当待检测的图像亮度高于训练图像的亮度时,人脸大部分区域的颜色不会超过正常光照条件下人脸颜色的变化范围。但当待检测的人脸图像的亮度低于训练样本图像的亮度时,人脸颜色很可能超出正常光照条件下人脸颜色的变化范围。为了解决这一问题,就要对待检测的人脸图像进行光线补偿。
精确的人脸光线补偿需要建立复杂的颜色恒常性模型,考虑到人脸检测在实际应用中的实时性要求,本文给出一种简单又有效的自适应亮度补偿算法,步骤如下:
计算训练样本图像中各点的R、G、B分量的平均值、、,方差、、和亮度的平均值；
计算待检测图像中各点的R、G、B分量的平均值、、，方差、、和亮度平均值；
若则进行高度补偿；分别表示点A
补偿方案：对待检测图像中的每一点A，令、、补偿前的R、G、B 值，、、分别表示补偿后的R、G、B值，则其补偿方式如下所示：
光线补偿对于画面较暗的图像很有效,能极大提高后续肤色建模的效果。对人脸图像进行光线补偿前后,人脸肤色建模的效果对比图。从以上图片可以看出,对于光线较暗的图片进行光线补偿可以很好地提高人脸肤色建模的效果
4.2.2肤色建模
肤色分布模型大致可分为两类简单阀值分割和概率模型。简单阀值分割用一组阀值建立一个相应区域,区域内的像素点被判为肤色概率模型假设肤色的数学分布模型,有直方图模型,高斯模型等。概率模型精度较高,但速度较慢。
还有一些人脸检测方法采用计算相似度的方法来提取肤色区域。通过采用大量的肤色标本来训练系统,得到一个肤色分布中心,之后考虑要考察的像素距离该中心的远近得到一个相似度,一个像素一个相似度,最终得到一个待检测图像的相似度分布图,再按照一定规则和阀值对该分布图二值化,将肤色区域置白,背景区域置黑。结果如图3-8~3-10所示：
图3-8原RGB图像
图3-9将RGB图像YCbCr图像
图3-10肤色建模效果
为了消除光照的影响,本文采用YCbCr空间作为肤色分布统计的映射空间,对输入的彩色图像进行颜色空间转换,将其从相关性较高的RGB空间转换到颜色分量互不相关的YCbCr空间,其转换公式如下：
机器学习概述课程设计报告(MATLAB人脸识别)
机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7
目录 一、课程设计的目的............................................................................... 二、设计的内容与要求........................................................................... 三、详细设计........................................................................................... 四、课程设计的总结............................................................................... 五、参考文献...........................................................................................
一.课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测 （原图-涉及个人隐私，未呈现原图）
幼儿园人脸识别一体化解决方案
人脸识别幼儿园一体化解决方案
1.1 背景 随着时代的逐步信息化，教育也急需多元化。随着办园体制改革、管理改革、教育改革的不断深入，要适应新时期的幼儿培养需要，幼儿园必须推倒“围墙”、打开“园门”，进行开放式办园，使家庭、社会参与到幼儿园的教育活动中来，在互动中实现校园教育与家庭教育的同步发展。 同时，由于社会情况日益复杂，现在幼儿园存在诸多的安全管理隐患：没有健全的门卫制度，容易让不明身份人员进入幼儿，造成安全隐患; 没有健全的接送制度，存在幼儿被漏接、错接，乃至冒领拐带、绑架等安全隐患；没有规范的接送管理，存在因接送混乱造成幼儿被踩伤、跌伤等安全隐患；没有校车接送制度，存在幼儿被遗忘在校车内的安全隐患。 1.2 幼安宝系统简介 幼安宝是在调研了上百间幼儿园的基础上，融合先进的物联网、移动互联网技术，人脸识别技术，从而建立一种安全快捷的幼儿接送方式，搭建一个家长、老师、幼儿园良好沟通的环境，创造一个记录宝宝成长点滴的优秀平台，是目前市面上功能最齐全、最完善的幼儿园形象展示、安全管理、家园互动的解决方案。 幼安宝采用了FiRS人脸识别设备作为信息采集终端，更加体现了整个系统的安全性和可靠性。人脸识别技术作为一种新兴的身份认证技术，由于其不可言喻的优势，在各个行业上都得到广泛的应用。
人脸识别终端的特性： ?唯一性: 每个人都有一张脸，且无法被复制，仿冒，因此安全性更高。 ?自然性好:人脸识别技术同人类（甚至其它生物）进行个体识别时所利用的生物特征相同，其他生物特征如指纹、虹膜不具备这个特征。 ?简单方便: 无需携带卡,识别速度快，操作简单便捷 ?非接触性: 无需接触设备，不用担心病毒的接触性传染,既卫生，又安全 ?准确性高: 不需要任何识别专家进行结果对比，面部不受表情、胡须、髪型变化和戴眼镜、帽子的影响。 ?具有远程管理功能: 远程控制中心只需通过网络与管理中心的计算机连接就可实现远程实时查询使用人员的进出情况。 ?操作简单: 识别的操作过程方便、直观。 人脸识别技术的原理：
人脸识别技术已遍布生活各个场景
人脸识别技术已遍布生活各个场景 目前，从全球人脸识别技术领域的应用场景布局来看，安防、金融、交通是相 对布局较为成熟的领域，而在零售、广告、智能设备、教育、医疗、娱乐等领 域也均有较多应用场景，为经济社会的发展以及人们日常生活的便捷带来了新 机遇。 01智能安防领域 随着智慧城市、大数据、人工智能等项目开展和技术应用，智能安防领域对于 人脸识别技术的需求越来越大。人脸识别作为一种非常重要的身份识别手段， 在公安巡检、网上追逃、户籍调查、证件查验等方面得到了广泛应用。 同时，人脸识别也可以用作访问控制的一种手段，延伸出了诸如考勤系统、门 禁系统等方面的应用，确保只有经过授权的人员才能进入某些区域。 02金融交易领域 人脸识别在金融交易领域的应用也非常普遍，其应用场景主要包括人脸识别存 取款、电子银行远程开户、在线网络支付等方面。 早在2013年，芬兰创业公司Uniqul就推出了全球第一款基于脸部识别系统的 支付平台。Uniqul的人脸识别系统将用户面部生物数据与数据库中的账户匹配，短时间内即可快速完成身份确认和交易流程。 03公共交通领域 人脸识别技术在公共交通中的应用主要包含航空、火车、汽车、地铁等公共出 行领域。 国际民航组织规定，自2010年起，118个成员国家及地区必须使用机读护照， 而人脸识别则成了首选模式。人脸识别技术在航空安检中率先得到应用，而后 逐渐扩展到部分城市的火车站和地铁站等公共交通安保领域。 04营销零售领域 目前，人脸识别在营销零售领域的应用正快速扩展。以无人零售为代表的新零 售场景大量使用了人脸识别技术，无人售货机遍布各大商场、楼宇、地铁、车 站等公共场所，无人便利店自2017年起广泛使用了人脸识别安全系统。 此外，人脸识别技术还广泛应用于广告投放和识别客户信息(如客户性别、年龄、表情、肤质、观看广告时长等)，并通过分析这些数据有针对性地向客户推送最有吸引力的广告。早在2013年，全球第三大零售巨头Tesco(乐购)就曾宣布，
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
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：xxxx
1 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
人脸识别发展趋势及应用领域分析
人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考
数字图像处理在人脸识别中的应用
基于肤色的人脸检测 摘要 本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。 关键词:脸部定位，特征提取，图像处理，MATLAB
Abasract This paper introduces the application of MATLAB in face image recognition of image preprocessing,the application of the toolkit for classical image processing, application MATLAB image processing function through instance,for a particular face image processing,and then applied to the face recognition system.In face recognition system based on the summary analysis of several commonly used image preprocessing method based on the MATLAB implements a collect a variety of pretreatment method for the integration of the universal facial image preprocessing simulation system,the system as the image preprocessing module can be embedded in a face recognition system,and use the gray histogram of the image matching to realize the face image recognition. Key words:face positioning,feature extraction,picture processing,MATLAB
人脸识别的应用场景
人脸识别的应用场景 1、人脸检测 “人脸检测（Face Detection）”是检测出图像中人脸所在位置的一项技术。 人脸检测算法的输入是一张图片，输出是人脸框坐标序列（0个人脸框或1个人脸框或多个人脸框）。一般情况下，输出的人脸坐标框为一个正朝上的正方形，但也有一些人脸检测技术输出的是正朝上的矩形，或者是带旋转方向的矩形。 常见的人脸检测算法基本是一个“扫描”加“判别”的过程，即算法在图像范围内扫描，再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸、图像内容相关。开发过程中，我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、或“人脸数量上限”的方式来加速算法。 2. 人脸配准 “人脸配准（Face Alignment）”是定位出人脸上五官关键点坐标的一项技术。 人脸配准算法的输入是“一张人脸图片”加“人脸坐标框”，输出五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值，可以根据不同的语义来定义（常见的有5点、68点、90点等等）。 当前效果的较好的一些人脸配准技术，基本通过深度学习框架实现，这些方法都是基于人脸检测的坐标框，按某种事先设定规则将人脸区域扣取出来，缩放的固定尺寸，然后进行关键点位置的计算。因此，若不计入图像缩放过程的耗时，人脸配准算法是可以计算量固定的过程。另外，相对于人脸检测，或者是后面将提到的人脸提特征过程，人脸配准算法的计算耗时都要少很多。 3. 人脸属性识别
“人脸属性识别（Face Attribute）”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。 一般的人脸属性识别算法的输入是“一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的属性值。人脸属性识别算法一般会根据人脸五官关键点坐标将人脸对齐（旋转、缩放、扣取等操作后，将人脸调整到预定的大小和形态），然后进行属性分析。 常规的人脸属性识别算法识别每一个人脸属性时都是一个独立的过程，即人脸属性识别只是对一类算法的统称，性别识别、年龄估计、姿态估计、表情识别都是相互独立的算法。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态等属性值的能力。 4. 人脸提特征 “人脸提特征（Face Feature Extraction）”是将一张人脸图像转化为一串固定长度的数值的过程。这个数值串被称为“人脸特征（Face Feature）”，具有表征这个人脸特点的能力。 人脸提特征过程的输入也是“一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的一个数值串（特征）。人脸提特征算法都会根据人脸五官关键点坐标将人脸对齐预定模式，然后计算特征。 近几年来，深度学习方法基本统治了人脸提特征算法，这些算法都是固定时长的算法。早前的人脸提特征模型都较大，速度慢，仅使用于后台服务。但的一些研究，可以在基本保证算法效果的前提下，将模型大小和运算速度优化到移动端可用的状态。 5.人脸比对（人脸验证、人脸识别、人脸检索、人脸聚类） “人脸比对（Face Compare）”是衡量两个人脸之间相似度的算法 人脸比对算法的输入是两个人脸特征（注：人脸特征由前面的人脸提特征算法获得），输出是两个特征之间的相似度。人脸验证、人脸识别、人脸检索都是在人脸比对的基础上加一些策略来实现。相对人脸提特征过程，单次的人脸比对耗时极短，几乎可以忽略。
基于图像处理的人脸识别系统
东北大学 硕士学位论文 基于图像处理的人脸识别系统 姓名：周丹 申请学位级别：硕士 专业：控制理论与控制工程指导教师：王建辉 20050701
东北大学硕士学位论文第一章引言 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。总之，要让计算机象人一样方便准确地识别大量的人脸尚需不同学科研究领域的科学家共同做出不懈的努力。 １．３模式识别的基本概念 模式识别研究的内容是利用计算机对客观物体进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。 在模式识别学科中，就“模式”与“模式类”而言，模式类是一类事物的代表，而“模式”则是某一事物的具体体现，如数字０，ｌ，２，３，４，５，６，７，８，９是模式类，而用户任意手写的一个数字或任意一个印刷数字则是“模式”，是数字的具体化。 在模式识别技术中，被观测的每个对象称为样品，用ｘ表示，样品的数量用Ｎ表示。 对于一个样品来说，必须确定一些与识别有关的因素作为研究的根据，侮‘ 个因素称为一个特征。模式就是样品所具有的特征描述。模式的特征集由处于同 一个特征空间的特征向量表示，特征向量的每个元素成为特征，该向量也因此称为特征向量。一般地用小写英文字母ｘ，个特征，则可把Ｘ看作一个ｎ维列向量，ｘ榧 Ｙ，ｚ来表示特征。如果一个样品Ⅳ有ｎ该向量ｘ称为特征向量，记作： ’，Ｘ月 模式识别问题就是根据ｘ的几个特征来判别模式工属于ｑ，国：，．．．，∞。类中的 哪一类。 １．４模式识别系统组成 一个典型的模式识别系统如图３．１所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分。上半部分完成未知类别模式的分类；下半部分属于设计分类器的训练过程，利用样品进行训练，确定分 ２ ＸＧ 一一
人脸识别对比解决方案
第一章.方案概述 1.1项目概况 随着经济的发展，城镇建设速度加快，以及互联网的突飞猛进，导致城市中人口密集，流动人口增加，弓I发了城市建设中的交通、社会治安、重点区域防范、网络犯罪日益突出等城市管理问题，今后现代化城市的建设、网络信息必然将安全作为重中之重，与城市的经济建设处于同等重要的地位。近年来，社会犯罪率呈逐年升高的趋势，特别是网络犯罪更加的严重，网络逃犯频频发生，罪犯的犯罪手法也更加隐蔽和先进，给广大公安人员侦破案件增加了难度。同时，恶性事件时有发生, 使人们对公共生活场所的安全感普遍降低。 同时公安人员在对通缉犯进行人工排查时如大海捞针，成功率极低，效果也不明显。主要有如下实际问题： 1. 首先，由于罪犯群体不断扩大，要在数以百万计的人员照片库中找出犯罪嫌疑人，不仅费时费力，还有可能造成遗漏等情况，破案的效率大打折扣。 2. 其次，目前公安机关侦察案件大多数仍然依靠事后追查和通缉，对已经发生的案件造成的损失很难有效弥补。 3. 最后，如果在案发的同时即能防患于未然，就能第一时间将损失控制在最小范围内。 平安城市建设从最初的视频监控、卡口电警建设，系统已大量掌握了视频图像资源和卡口车辆数据和价值图片，但是针对人员侦查，身份确认还是需要通过技侦或网侦手段，无法充分利用视频图像资源快速定位人员身份。即使出动大量警力，采用“人海战术”但受制于肉眼识别劳动强度的极限，再加上人工排查效率不足，视频图像拍摄受光线、角度倾斜等不确定因素
影响，无法保证查找的准确性和时效性，尤其出现突发紧急案件时，往往会贻误最佳破案时机。 如何提供更加丰富以及实用的“人像防控”应用，从“事后被动侦查”到“事前主动预警”将是平安城市下一建设阶段面临的主要需求。 1.2需求分析 人像大数据系统采用高效的人脸检测定位及识别比对系统，可以第一时间帮助公安侦查人员快速识别辨别特定人员真实身份，把过去人工排查海量的视频图像资源比对需求变成现实，从而有效的为公安视频侦查、治安管理、刑侦立案等工作提供实战上的有效帮助和解决方法。第二可帮助公安侦查人员办案时候追查和通缉，真正从打变为防，能够极大的减少警力资源浪费和事故发生概率。 目前人脸抓拍比对系统主要应用在以下几个方面： 公安治安人员黑名单比对实时报警： 针对一些人员密集区域（如车站、地铁站、机场、社区等）的关键出入口、通道等卡口位置布置人员卡口，后端对重点关注人员、打防控人员进行黑名单布控，通过实时视频流比对布控黑名单，实现人脸比对识别。 不明身份人员身份确认： 治安人员在日常巡逻、人员身份验证过程中，避免肢体接触和冲突，使用前端摄像机或手机进行抓拍，后端通过数据库进行人员信息比对分析，达到人员身份确认的应用。 治安或刑侦人员对流动性人口中的无合法有效身份证件、无固定住所、无正当职业或合法经济来源的人员进行非接触性身份确认。
浅谈基于深度学习的人脸识别技术
信息通信 INFORMATION & COMMUNICATIONS 2019年第6期（总第198期） 2019 (Sum. No 198) 浅谈基于深度学习的人脸识别技术 刘晓波 （中国联合网络通信有限公司湖北省分公司，湖北武汉430040） 摘要:互联网科技和大数据技术飞速发展的时代，日新月异的各种前沿技术，一再刷新人们的认知,人工智能（AI ）成为了 一 门最热门的行业应用能力。AI 技术不仅仅要够炫够酷，更要有足够的“温度"，让机器更加人性化。人脸识别技术（Face Recognition Technology, FRT ）是近年来模式识别、图像处理以及人工智能等领域的重要研究课题之文章重点对现有 的人脸检测识别方法以及应用领域关键技术进行总结，分析和比较当前主流识别方法优缺点，分享其中关键技术及发展 前景。 关键词:人脸识别;人工智能;深度学习；人脸检测；面部特征中图分类号:TP391.41 文献标识码:A 文章编号：1673-1131（2019）06-0018-03 0引言 随着社会对个人身份的自动验证需求的加深，一些技术 成熟且传统上被认为更加稳健的身份验证方案如指纹识别、 虹膜识别、语音识别等，都具有侵入性的特征，即需要参与者 的一定程度的合作（指纹识别需要用户将手指按在传感器上, 虹膜识别需要用户与相机靠得很近，语音识别则需要用户大 声说话），因此寻找一种更优且非侵入式的自动身份验证方案 成为了大势所趋。 人脸识别技术（Face Recognition Technology, FRT ）是基于 人的面部特征信息能够识别或验证图像或视频中主体身份的 技术生物识别技术。用图像釆集工具（如摄像机或摄像头）釆 集含有充分且足够的人面部特征的图像或视频流，并自动在 图像中检测和跟踪人脸，进而对检测到的人脸进行识别和验 证的一系列相关技术总成。 相比传统的身份验证方法，人脸识别技术具有非接触性 （不用肢体接触）、非强制性（路过即可，甚至无察觉）、可并发 性（可同时进行多个人脸的分拣、判断及识别）等优势。 直观的人脸识别如下图所示： * 2 z 5 n e s i e 图1人脸识别示例 简单来说就是通过输入一个自然人的面部特征，和自然 人面部特征库中的注册在库身份进行面部特征逐项比对，找 出一个与输入的面部特征相似度最高（需预设阀值，必须大于 阀值）的个体，以确定输入面部特征对应的身份。如没有找到 大于阀值的个体,则返回“unknown ”。 1传统的人脸识别 传统的人脸识别被当作模式识别/模式匹配问题。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投入实际应用的人脸识别 方法。该方法通过定位人面部主要器官的详细位置，如：眉、 眼、鼻、嘴、耳等，获取主要器官等重要面部特征的形状、相对 位置以及特征之间的距离等参数，利用参数构成一个可以代 表个体人脸的特征向量。 （2） 基于模板的方法可以分为神经网络方法、动态连接匹 配方法、线性判别分析方法、特征脸方法、基于相关匹配的方 法、奇异值分解方法等。 （3） 基于模型的方法则有基于主动外观模型、隐马尔柯夫 模型方法、主动形状模型等。 传统的人脸识别是人脸识别的初级阶段，重要成果不多, 人工依赖性较强，鲁棒性较差，基本没有实际应用。 随着大数据时代的到来，沉寂了许久的神经网络卷土重 来。作为人工智能时代的利器一深度学习逐渐走入人们的 视野。基于深度学习，人脸识别技术迅速发展。各种学习框 架如 Tensorflow 、Caffe >KerasMxnet >Darknet 等不断涌出。基 于深度学习的人脸识别一般被处理为回归/分类问题。一般流 图2人脸识别一般流程图 2人脸检测算法 人脸检测是人脸识别中的第一个环节，是一项关键技术。 人脸检测是指假设在输入图像中存在一个或者多个人脸情况 下，确定图像中全部人脸的位置、大小和姿势的过程。 图3人脸检测不意图 早期的人脸检测算法使用了模板匹配技术，即用一个人 脸模板图像与被检测图像中的各个位置进行匹配，确定这个 位置处是否有人脸,如果存在则定位人脸的位置、大小及主要 特征；此后机器学习被用于解决该问题，神经网络、支持向量 机等将人脸检测处理为二分类问题。如下图所示： 18
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、人脸检测源码 1.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;
人脸识别闸机解决方案
玺瑞（SYRIS）人脸识别闸机解决方案 一、人脸识别技术优势分析 人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别系统集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，该技术目前被广泛应用于公安系统、海关系统、安保系统、银行系统等。 1.1人脸识别技术拥有四大优势 非接触性 人脸验证的过程不需要和设备、终端接触，这与指纹、打卡方式完全不同。体验感强，设备应为不会被频繁触碰，稳定性高，故障率低。 自然性
人类识别物体特征第一感知就是通过眼睛的感官传递回大脑，人脸识别技术是利用计算机深度学习人类感官回传大脑的过程，所以人脸识别相较于其他的生物识别技术在使用和体验上更加的自然，且不需要其他物体特征，不会发生丢失、被复制等问题。 识别速度快精度高 由于计算机技术的发展，在固定样本库对比下，人脸识别速度已经可以提升至0.3秒/人次，且不同角度、佩戴眼镜、化妆等改变面貌的行为也可以通过调整人脸识别算法来修正比对数据。 人脸已经成为大数据时代重要数据源 通过大量区域内人脸识别、比对，利用大数据分析、挖掘等技术，可以完全掌握特定对象的行为轨迹或特定人群的活动范围，过程中不需要人工干预，完全交由云计算、大数据系统来处理。技术的发展和成熟，使得人脸识别成为了人工智能时代最热门的技术门类和方向，推动各行各业应用人脸识别技术，用机器替代人工，极大程度改善和推动社会化行为中的效率和安全性。 1.2人脸识别门禁应用的优势 采用人脸识别门禁，相较于其他识别方式，具有以下几点优势： 无需接触识别设备 自然步态及速度 解放双手 无需特意配合 丢失、忘带识别卡的情况不再发生
浅谈人脸识别技术VS指纹识别技术
浅谈人脸识别技术VS指纹识别技术 1、指纹识别系统适宜的使用单位界定在：人数少、且环境好的单位，比如政府机关，或100人以下且环境好的企事业单位，不然使用起来很勉强和难受。人脸识别技术，不受环境影响。是指基于人的脸部特征信息，通过计算机与生物传感器等高科技手段结合，利用人体固有的生理特性，进行个人身份鉴定的一种生物识别技术。这种技术先对输入的人脸图象或者视频流进行判断，给出每张脸的位置、大小和面部各个主要器官的具体信息。依据这些信息，进一步提取人脸中所蕴涵的身份特征，将其与已知的人脸进行比对，从而识别每个人的身份。 2、指纹识别的民用技术目前还不成熟，真实的识别率在95%以下，也就是说100人中基本上有超过5个人的指纹识别不了，或者要反复识别。与传统的身份鉴定方式相比，人脸识别技术的最大特点就是识别精确度高。人脸识别独具的活性判别能力，保证了他人无法以非活性的照片、木偶、蜡像欺骗识别系统，无法仿冒。此外，人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒内可以识别好几次。不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感。 3、目前的指纹考勤机均采取指纹识别+密码识别相结合的方式，就是因为有较多的不能识别指纹的情况人脸识别技术是基于生物统计学原理来实现的。先通过计算机相关软件对视频里的图像进行人脸图像采集、人脸定位、人脸识别预处理，从中提取人像特征点。然后利用生物统计学的原理进行分析，建立数学模型，即人脸特征模板。将已建成的人脸特征模板与被测者的面像进行特征比对，根据分析的结果给出一个相似值。通过这个值即可确定是否为同一人。现在这一技术已得到广泛应用。人脸识别技术的最大特点就是识别精确度高。 4、指纹识别技术目前对于：手指脏了、手指湿了、手指太干、手指脱皮（包括季节性脱皮）、手指破了……等等情况，都不能正常识别。人脸识别技术，非接触式识别。不受环境影响，不受生理影响。更环保更卫生。 5、为什么说指纹识别考勤只适合于小型单位使用呢。指纹识别对于感应卡刷卡的时间要长很多，以一个人站到考勤机前识别指纹到下一个人站过来开始识别作为一个人的识别周期，一般在6－7秒左右，也就是每个人在一次性识别都很正常的情况下，完成考勤签到需要6秒左右，如果100个人哪怕是提前了5分钟到达排着队等候签到，也需要600秒即10分钟左右完成，指纹识别一般为了提高识别率，都要求每个人留不同手指的2-3枚左右的指纹档案存到考勤机里，一枚不能识别时赶紧换用另一枚，这样反复重试才能达到90%左右的识别率。 与传统的身份鉴定方式相比，人脸识别技术的最大特点就是识别精确度高。人脸识别独具的活性判别能力，保证了他人无法以非活性的照片、木偶、蜡像欺骗识别系统，无法仿冒。人脸识别速度快，不易被察觉。与其他生物识别技术相比，人脸识别属于一种自动识别技术，一秒内可以识别好几次。不被察觉的特点对于一种识别方法也很重要。 6、指纹考勤机的关键部位，也是最脆弱部位就是指纹膜，指纹膜时间用的越长，指纹识别率就越低，在没有任何人为刮擦破坏的情况下，一片指纹膜一般在半年以后就越来越多的指纹不能识别或者需要反复识别，解决办法是更换指纹膜，更
人脸识别技术的应用
人脸识别技术的应用 面部识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。现如今，人脸识别这个词已经慢慢走进了我们的生活，开始逐渐广泛的应用到日常生活之中。 手机、笔记本电脑中的人脸识别软件就是一个很好的例子，它帮助我们解锁手机、电脑，无需再输入密码，不用担心密码泄露从而导致的信息隐私泄露，它很好的帮助我们保护手机、电脑的安全。除此之外，人脸识别门禁系统开始应用于一些高档住宅和办公楼中，为人们省去了带钥匙刷卡的麻烦，也不用担心密码忘记的苦恼。人脸识别考勤机也开始被一些企业应用于日常管理。而一些美颜相机、美图软件的推出跟迎合了消费者的市场。它可以自动识别人脸，并对人脸进行美化。甚至一些小游戏被开发出来，可以将自己的脸与明星的脸比对相似之处，评价出你最有有谁的明星相。虽然这仅仅是一个游戏软件，只是供人们娱乐，真实度不高，但也可以看出现今人脸识别技术的广泛使用。 人脸识别技术在过去几年中得到了广泛的关注，正是因为它的应用程序涵盖了许多不同的领域。对于许多的应用程序来说，脸部识别系统的性能在可控的环境下已经达到了一个令人满意的水平。但是现有的大部分面部识别技术在不受控制的环境下识别性能明显下降。 在这次第十四届KSS国际知识与系统科学研讨会中，教授为我们介绍了如何在面部识别中应对不同光照环境下的情况。在过去几年中，处理不同光照的方法主要有： 1. histogram equalization. 2.logarithm transformations. 3.Apply DCT in the logarithm domain. 4.QI (Quotient Image). 5.SQI(Self-Quotient Image). 6.MQI (Morphological Quotient Image). 7.Local binary patterm operator. 经过了他们团队的研究，将这几种进行对照比较，建立一个PSO-SQI框架，利用算法的性能处理人脸识别中的光照问题。 PSO算法是一个新的基于群体智能的进化算法，其研究远没有像遗传算法和模拟退火算法那样深入，在理论上并不能保证能够得到最优解。PSO算法在进行优化问题的求解时应用范围有限,尤其对离散的组合优化问题,其理论建模还处于起步阶段。PSO算法中的一些参数，如学习因子、惯性权重以及粒子个数往往根据有限的应用经验确定,并不具有广泛的适应性。 而SQI是指自商图像(self-quotient image),以提取一个目标(如人脸)图像的内在特性,同时去除与光照相关的外在因素.SQI (self-quotient image) 方法克服了原始的QI 方法的局限性,且能够提取与光照无关的内在特性.对算法适用的条件进行了理论分析,并在SQI 计算过程中提出了一个非迭代的各向异性滤波器以减小光晕现象和提高计算速度.实验结果表明该方法可以有效地提高不同光照条件下的人脸识别系统的识别率. 由着POS-SQI两种方法的结合，更好的处理了人脸识别在不可控的光线下识
智慧社区人脸识别整体解决方案 智慧小区人脸识别整体解决方案
智慧社区人脸识别整体解决方案智慧小区人脸识别 整体解决方案
目录 1背景概述 (3) 2人脸识别应用优势 (3) 3设计原则 (4) 4设计依据 (5) 5系统组成 (6) 6主要功能 (11) 7产品特点 (12) 8规格参数 (14) 9客户端功能 (16) 10小区应用场景 (17) 10.1新疆庭院化社区 (17) 10.2智慧小区 (18) 11案列 (20)
1背景概述 随着社会经济的高速发展和我国城镇化进程的加快，城市人口日趋密集，居住环境的舒适性和安全性已经成为人们居住首选，而门禁系统在安居环境中起到的重要作用得到越来越多的重视。目前国内的门禁系统主要以卡类设备、视频门禁、指纹设备或密码设置为主，这些识别方式都要求人员近距离操作，当使用者双手被占用时则显得极不方便，同时也带来卡片或密码丢失、遗忘，复制以及被盗用的隐患和成本高的问题，而指纹识别，被网上的指纹套破解了“密码”，更让人觉得惶恐不安。 为切实解决小区门禁系统存在的问题，夯实社会稳定和长治久安的基层基础，及高清技术、智能化技术、网络技术的日趋普及与成熟，我司立足实际需求，针对小区门禁操作不便、卡片易丢失容易被复制、密码容易忘记等问题，推出人脸识别系统解决方案。 系统采用先进的人脸识别算法，高速芯片作为识别算法的运行硬件平台，通过出入口的身份证信息采集、实时人脸抓拍识别和人证比对，从而实现人证合一验证。并针对小区实现固定人员刷脸通行，访客人员登记后刷脸通行或刷身份证人证比对成功后通行，解决固定人员通行时需要刷卡或遗忘密码的问题，人证比对失败人员则需要小区管理人员确认后手工放行。 2人脸识别应用优势 人脸识别技术特指利用比较不同人脸视觉特征信息进行身份鉴别的最新识别技术，属于生物特征识别技术的一种。人脸识别技术是一种基于人的脸部特征，对输入的人脸图像或者视频流进行处理，根据每个脸的位置、大小和各个主要面部器官的位置信息，进一步提取每个人脸中的身份特征，并将其与一直的人脸进行对比，配合人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理，身份确认以及身份查找等，确认具体人员的身份。 人脸识别技术在人员身份识别方面的应用优势与特点： 非接触的，用户不需要和设备直接接触；
浅谈人脸识别及其应用
I 行业智库线经验 INDUSTRY THINK TANK FRONT-LINE EXPERIENCE 浅谈人脸识别及其应用 文丨Article >海兰察 人脸识别技术正在被广泛运用，上 海市远郊的住宅小区也已经用上了，更 不用说市中心的高端商务楼，今年或许 是人脸识别在上海市民用市场被广泛运 用元年。但人脸识别技术目前在应用层面存 在三个问题：第一个是隐私保护问题； 第二个是应用费用问题；第三个是如何 利用既有包括末端摄像机在内的基础设 施问题。人脸识别技术有几个等级。最低端 的人脸识别，仅仅是将末端扫描成像中 的一定数量的关键像素点与内存数据库 里的图像关键像素点比对；更高一级的 人脸识别技术除了对比像素点更多外， 还添加红外、三维扫描等；在一些安防 等级更高的场所，人脸识别技术还要与 气味传感器、虹膜扫描、指纹和声纹比 对等技术结合起来。安全是有成本的，成本越高越安 全吗？不完全对，比如利用3D 打印技 术以及比硅胶更接近人类皮肤的复合材 料，完全可以以假乱真，初级人脸识别 技术或难以甄别，针对“面具"之类的伪装术，人脸识别就需要增加温度感知、 三维扫描、提高像素成像等措施。高等级的人脸识别技术可以被运用 在保密等级较高的场所，比如机要室、 数据中心、金库、武器库等等。人脸识别技术本质上是一种图像识 别，例如有这样一个场景：我们睁开眼 睛的时候，映入眼帘并传送到我们大脑 的信息是一些深浅不一的色块、线条或 点状物，因为我们从婴幼儿开始就被告 知并通过学习到眼睛摄入的静态或动态 的景象，以及动物、植物、建筑物等物 体，摄入眼睛的光信号转化为我们大脑 里的生物电信号，这才了解到看的是什 么、我们在哪里、环境之中有没有危险， 等等。图像识别来源于仿生技术，前端(摄 像机）像素传感器接收到光信号后，转 换为电信号，模拟量成为数字量，导入 计算机里的“算法”通过计算，得到电 信号的强度、密度和离散度，也就是说 像素越高，在同等算法下，结果越精准。算法有线程和层级，第一层算法就 是将摄入的数据与数据库里的数据进行快速比对，而后给出初步结果；第二层 算法就是对画面进行分割，再与数据库 里的分割画面进行比对，再得出结果， 这个时候还要计算第一层算法与第二层 算法的结果的逻辑合理性，合理的结果 才会输出。比如一个警察抓小偷的应用 场景，跑的速度快的移动物体不一定是 小偷。如果没有声纹录入的条件下，如 何识别画面中哪一个是小偷呢？这个时 候，比如数据库里的被冠以"小偷”符 号的人脸就是一个线程。 由此可见，在像素满足要求的条件 下，算法、线程和计算机的运算速率就 是关键要素，算法和线程也是导致人脸 识别响应速率的重要因素，这就是说， 在传输速率更高的应用场景中，电子计 算机的运算速率也必须更快，否则包括 人脸识别就是人脸撕逼了。在这种情况 下，量子计算机就呼之欲出了，加密更 安全且运算速率更高的量子计算机或将 成为继5G 之后另一个科技制高点。 有机会我们可以实测一下人脸识别 速率，技术优劣高下立判，无论是住宅 小区还是商务楼的应用场景。■050 住群房iS P