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;
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:s2-1
p=BB2(1,k)*BB2(1,k+1);
if p>mx&(BB2(1,k)/BB2(1,k+1))<1.8
mx=p;
j=k;
hold on;
rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linew idth',3,'edgecolor','r');
hold off;
end
end
2.处理过程
三、人脸识别算法简述 1.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。

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。

源码 2.clear
clc
% 样本数量15*11
people_count=15;
face_count_per_people=11;
% 训练比率,设置为75%识别正确率可达100%
training_ratio=.75;
% 能量
energy=90;
training_count=floor(face_count_per_people*training_ratio); training_samples=[];
path_mask='D:\\pca_face_rec\\d\\d.jpg';
% 训练
for i=1:people_count
for j=1:training_count
img=im2double(imread(sprintf(path_mask,i,j)));
img=imresize(img,[10 10]); % 归一化至50*50
if ndims(img)==3
img=rgb2gray(img);
end
training_samples=[training_samples;img(:)'];
end
end
mu=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;
for i=1:people_count
for j=training_count+1:face_count_per_people
img=im2double(imread(sprintf(path_mask,i,j)));
img=imresize(img,[10 10]);
if ndims(img)==3
img=rgb2gray(img);
end
score=(img(:)'-mu)/coeff';
[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));
if ceil(idx/training_count)==i
acc_count=acc_count+1;
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:%d,正确识别
率:%2.2f%%',test_count,acc_ratio*100)
仿真结果及说明 3.样本库举例：
结果为：测试样本数量: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年来人脸识别的研究虽然取得了巨大的进步，但与人类的感
知能力相距甚远。

人脸识别还涉及到很多理论和技术问题，这一技术的不断进步还需要研究者们的不断创新和努力。

本次课程设计让我对人脸识别算法有了初步的认识，了解到了PCA算法，K-L 变换及特征向量的提取，最近邻分类器等人脸识别所需要的知识，为我的进一步学习指明了方向。