人脸识别系统中图像预处理的研究综述
人脸识别技术研究综述
人脸识别技术研究综述人脸识别技术是一种通过图像或视频来识别人脸的技术。
其应用场景广泛，包括但不限于安防监控、社交娱乐、手机解锁等，因其高效、便捷、精确的特点，已成为当今信息技术领域的一个热门话题。
人脸识别技术的发展历程：人脸识别技术的历史可以追溯到上世纪60年代，在当时的条件下，该技术存在着诸多局限；进入21世纪，随着数字图像处理和计算能力的快速发展，人脸识别技术得到了长足的发展。
2017年，人脸识别技术在国际学术界已经达到了一个新的高度，准确率得到了显著提升。
人脸识别技术的构成：人脸识别技术主要由以下几个部分组成：数据采集：通过摄像头等设备采集人脸图像或视频。
数据预处理：对采集到的图像或视频进行去噪、对齐等处理。
特征提取：对预处理后的数据提取特征向量，用于后续的分类判别。
分类识别：将特征向量与已有的人脸库进行比对，最终确定输入图像或视频中人脸对应的身份。
应用领域：人脸识别技术在现实生活中有着广泛的应用。
在安防领域，人脸识别技术可以快速准确地识别目标人物，并实现报警、跟踪等功能；在社交娱乐领域，人脸识别技术可以实现人脸识别游戏、人脸变换等应用；在移动互联网领域，人脸识别技术可以实现快速安全的手机解锁、身份验证等功能。
人脸识别技术的挑战：人脸识别技术在实际应用中，还存在着一些挑战，例如：光照条件：光照不充分或过强时，可能会导致图像中出现阴影或高光，从而影响了人脸识别的准确度。
姿势变化：人的头部可以做出多种不同的姿势，如低头、仰头、转头等，这也会对人脸识别的准确度产生影响。
遮挡问题：某些情况下，人脸可能会被遮挡，如戴口罩、戴帽子等，这也会影响到人脸识别的准确度。
数据量：人脸识别技术的准确度和鲁棒性很大程度上依赖于训练数据，因此需要大量的数据集来进行训练，这对于一些独立研发者来说是一个难点。
隐私问题：人脸识别技术在应用过程中，涉及到大量的个人隐私信息，如何保护隐私成为了人脸识别技术亟待解决的问题。
结语：随着人工智能和计算机技术的飞速发展，人脸识别技术的准确率和应用场景也在不断拓展。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别中图像预处理问题的研究
【 者 简 介 】余 龙 华 （ ９ ６ ） 作 １８ 一 ，男 ，安 徽 安 庆 人 ， 电子 科 技 大 学 电子 工 程 学 院硕 士研 究 生 ，研 究 方 向 为 人 脸 检 测 和 识 别 。
一
３ ． ５
■ ■
一
我 们将 图像 进 行 多级 小 波 分解 。经 过 多 次 小波 分 解 后 的 近 似 分 量 反 映 图像 的整 体 和 面 的 关系 ，而 细 节 分量 反 映 图像 的 细 几 节和 点 的关 系 。当 图 像经 过 多 次 小 波分 解 ，只 剩最 后 个像素时 ，此像素的灰度可以近似 图像的平均亮度。假设 对 一 幅光 照 不 均 匀 的 图 像进 行 Ｎ级 小 波 分解 ，经 过 多级 小 波 分解 得 的各 级ｍ 波 图像 中 ，对 称 性最 差 的就 是最 后 一 级 ｍ 所 ｍ到 ｍ 小
（ ）光 照补偿 方 法 二
１ 直方 图均衡化 ．
在 图像 处 理 中 ， 灰 度 直 方 图 表 示 图像 中 每 一 灰 度 级 与 该 灰 度 级 出现 的 频 率 之 间 的对 应 关 系 。对 于 一 幅 灰 度 图 像 ，灰 度 级 出 现 的 概 率 ，即 就 是 该 灰 度 图像 的灰 度 ， 如 下 所 示 ：
２ １ 年 第 ５期 ０１
大 众 科 技
ＤＡ ＺＨｏＮＧ ＫＥ Ｊ Ｉ
Ｎｏ ５。 ０１ ． ２ １
（ 第 １１ ） 总 ４ 期
（ ｍｕａｉ ｌ Ｎ 。 １ Ｃｕ ｌｔ ｅｙ ｏ１ ） ｖ ４
人 脸 识 别 中图像 预 处 理 问题 的研 究
余龙 华 丁 锋
（ 电子科技 大学电子工程 学院，四川 成都 ６ １３ ） １７ １
解 和 还 原 的 方 法 来 实 现 光 照 补 偿 ，其 计 算 量 较 小 ， 在 Ｔ ｅ ｈ Ｅ ｔ ｎ ｅ ａ ｅ Ｆ ｃ ａ ａ ａ ｅＢ人 脸 数 据 库 实 验 结 果 表 明 ， ｘ ｅｄ ｄ Ｙ ｌ ａ ｅ Ｄ ｔ ｂ ｓ 该 方 法 能 够 有 效 提 高 人 脸 识 别 的识 别率 。
人脸识别文献综述
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
人脸识别技术的综述与分析
人脸识别技术的综述与分析人脸识别技术是一种基于计算机视觉和模式识别的技术，通过对人脸图片或视频进行分析和比对，实现身份识别、人脸检索和行为跟踪等功能。
近年来，随着计算机性能的提升和人工智能技术的不断发展，人脸识别技术得到了广泛的应用和研究。
一、技术发展历程人脸识别技术的发展可以分为三个阶段：传统算法、深度学习算法和端到端深度学习算法。
传统算法比较早期的人脸识别技术，主要采用几何、统计等方法对人脸特征进行提取和匹配。
这类算法主要应用于人脸检测和识别方面，但受限于特征的多样性和不足，其效果和鲁棒性和欠佳。
深度学习算法采用深层神经网络对人脸进行特征提取和学习，可以有效地提高人脸识别的准确率和鲁棒性。
近年来，深度学习算法在人脸识别方面取得了显著的进展，如FaceNet、DeepID、DeepFace和VGGFace等算法。
端到端深度学习算法将人脸识别过程从特征提取到匹配都交给深度神经网络处理，大大简化了流程和提高了效率。
目前，基于卷积神经网络的端到端人脸识别算法已成为主流，并在多种场景下实现了高效的人脸检测和识别。
二、技术原理与应用场景人脸识别技术的基本原理是通过对人脸图像进行分析和比对，从中提取出人脸的特征向量，并将其与数据库中已有的特征向量进行比对，来匹配出以前存在的人脸图像。
人脸识别技术可以应用于身份认证、门禁管理、智能安防、人脸支付等多种场景。
1.身份认证人脸识别技术可以通过对个人脸特征进行比对，验证身份的真实性。
在银行、机场、政府部门等各类场所中，可以通过人脸识别技术来确定个人身份，提高身份认证的准确性和效率。
2.门禁管理通过安装人脸识别设备，可以实现非接触式身份验证。
在进出人员相对固定的场所，如企事业单位、小区、学校等，可以使用人脸识别技术来管理和控制门禁，增强安全性和便利性。
3.智能安防结合人脸识别技术和视频监控设备，可以实现智能安防功能。
在银行、商场、车站等安保领域中，可以通过人脸识别技术来对可疑人员进行识别和报警，并及时采取相应的措施。
《2024年基于深度学习的人脸识别方法综述》范文
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
人脸识别研究综述剖析
人脸识别过程一般要经过图像预处理、特征提取、匹配识别三个步骤,其中特征提取和匹配识别尤为重要。
特征提取的主要工作是从人脸图像中提取一组反应人脸特征的向量表征人脸样本,这个过程常与特征降维重合;匹配识别则是对待识别的图像进行识别分类,这一过程通过选择适当的匹配策略将输入到分类器的图像数据与数据库中的数据进行匹配,进而判断个体身份人脸携带了许多信息,是由眼睛、鼻子、嘴、和下巴等部位组成的,但因个体差异使这些器官的形状和大小及分布因人而异;在人脸图像中, 再加上光照、姿态、表情等因素的变化,使得人脸图像的识别过程变得异常复杂人脸识别的优点——无直接接触性、自然容易接受及非侵犯性等(1)有很好的隐蔽性,不一定需要用户的配合就能釆集到所需画面,在安全监控、疑犯追踪和监控等领域展现了很好的适用性,这是其它的生物特征识别所不能取代的。
(2)它的采集方式友好,是一种非接触式采集,容易被用户接受,不会造成反感及抵触。
(3)它操作起来比较简单,不需要高深的专业知识,便于人们使用,是一种快捷的识别方式。
(4)它具有强大的事后追踪能力,相对于指纹、虹膜等识别能力,普通用户就可以做出判断;(5)识别结果显而易见,更符合人类的认知习惯,具备指纹识别等不具备可交互性,适合于改善人机界面;(6)需要的设备简单、成本低、通用,普通的摄像头就可以达到识别要求强调了其局限性,正是这些局限性给研究人员提供了研究思路。
这些局限性一般包括人脸图像的内在因素和外在因素造成的障碍,内在因素如年龄、表情、面部装饰和种族、性别的不同,外在因素有光照、姿态、摄像机的成像参数及釆集数据的规模等叙述了人脸识别的原理及发展历程,详细介绍了各历程中涌现出的代表性的人脸识别方法,从早期的面部剪影曲线的结构特征提取与分析到特征脸方法的提出,从线性子空间判别分析、统计表观模型、统计模式识别方法到非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维模型的人脸建模与识别方法。
人脸识别中的图像预处理技术
人脸识别是一种广泛应用于安全检查、身份验证、人机交互等领域的技术。
为了实现准确的人脸识别，需要对输入的人脸图像进行预处理。
预处理技术可以增强图像质量、减少噪声、增强图像对比度、增强图像细节等，为后续的人脸检测、人脸比对等算法提供更好的输入数据。
一、图像增强图像增强是一种常用的预处理技术，包括对比度增强、亮度调整、噪声抑制等。
通过增强图像的对比度，可以提高人脸的识别精度；通过调整图像的亮度，可以改善人脸的视觉效果，同时减少光照等因素对识别准确性的影响。
通过噪声抑制技术，可以去除图像中的噪声，提高图像质量。
二、人脸检测人脸检测是人脸识别中的关键步骤，它可以将图像中的人脸区域从背景中分离出来。
常用的算法包括基于特征的方法、基于深度学习的方法等。
在进行人脸检测时，需要对图像进行二值化处理，以便更准确地识别出人脸区域。
三、图像归一化图像归一化是一种常用的预处理技术，它可以将不同尺寸、不同光照条件下的人脸图像调整到相同的尺度，从而减少光照等因素对识别准确性的影响。
常用的归一化方法包括标准差归一化、最小-最大归一化等。
四、颜色空间转换人脸图像通常是在RGB 颜色空间中表示的，但RGB 颜色空间中的某些颜色对人眼不可见，这可能会影响图像质量。
因此，在人脸识别中，可以采用一些颜色空间转换技术，如灰度处理、HSV 颜色空间等，以改善图像质量。
五、降噪处理人脸图像中常常存在噪声，如光照不均、面部毛发等，这些噪声会影响人脸识别的准确性。
因此，在进行人脸识别前，可以采用降噪处理技术，如中值滤波、双边滤波等，以去除噪声，提高图像质量。
综上所述，人脸识别中的图像预处理技术包括图像增强、人脸检测、图像归一化、颜色空间转换和降噪处理等。
这些技术可以提高人脸识别的准确性，增强图像质量，为人脸识别系统的应用提供更好的支持。
未来，随着深度学习技术的发展，基于深度学习的人脸识别预处理技术将更加成熟，有望为人脸识别应用带来更好的效果。
数字图像处理在人脸识别中的应用研究
数字图像处理在人脸识别中的应用研究随着科技的发展，人脸识别技术在各个领域被广泛应用。
数字图像处理是人脸识别中关键的一环，它利用计算机对图像进行处理，提取特征，并将其与数据库中的人脸图像进行比对，以实现精确的人脸识别。
本文将探讨数字图像处理在人脸识别中的应用研究。
人脸识别是一种通过对人脸图像进行分析和匹配来识别人脸身份的技术。
数字图像处理在人脸识别中的应用主要分为预处理、特征提取和分类识别三个步骤。
首先，预处理是数字图像处理中的第一步，旨在消除噪声、增强图像质量，并对输入图像进行标准化处理。
预处理包括图像平滑、灰度变换、图像增强等。
其中，图像平滑技术可以去除图像中的噪声干扰，常用的方法有平均滤波和中值滤波。
灰度变换可以将彩色图像转换为灰度图像，将图像信息从三维转换为二维，为后续的特征提取做准备。
图像增强技术可以提高图像的对比度和清晰度，常用的方法有直方图均衡化和滤波增强。
通过预处理，可以提高人脸识别的准确性和鲁棒性。
其次，特征提取是人脸识别的核心步骤，其目的是将输入图像中的人脸特征提取出来，并转换为数学特征向量，以便于后续的比对。
特征提取包括几何特征、纹理特征和频域特征等。
几何特征是通过人脸的形状和结构进行描述，如眼睛、鼻子和嘴巴的位置和比例。
纹理特征则利用人脸上的纹理模式进行描述，如皮肤、皱纹等。
频域特征是通过对图像进行傅里叶变换或小波变换获取的，可以提取人脸图像的频率和相位信息。
在特征提取过程中，需要考虑到不同人脸之间的差异以及光照和表情等因素的影响，以获得具有鲁棒性的特征向量。
最后，分类识别是人脸识别的最后一步，其目的是将特征向量与数据库中的人脸特征进行比对，以实现人脸的识别和身份确认。
分类识别可以通过各种机器学习方法实现，如支持向量机、人工神经网络和k最近邻算法等。
这些算法可以通过训练样本集对人脸识别模型进行训练，并利用测试样本集进行模型的测试和优化。
分类识别的目标是实现人脸识别的准确度和速度的平衡，以满足实际应用的需求。
人脸识别技术中的图像处理算法研究
人脸识别技术中的图像处理算法研究在当今时代，人脸识别技术已经成为普遍而又重要的工具。
它已被广泛应用于机场安检、警用侦查、考勤刷脸等场所。
作为一种高精准度的识别手段，人脸识别技术中的图像处理算法起着至关重要的作用。
今天，我们将探讨人脸识别技术中的图像处理算法。
一、人脸图像的预处理首先，人脸图像需要进行预处理以提高识别率。
在进行人脸图像处理时，首先需要将图像进行灰度化处理。
通过将RGB颜色空间转换为灰度颜色空间，可以减少处理时的数据量和计算量，从而加快处理速度。
第二，使用面部检测算法对人脸进行定位。
采用的算法通常是基于模板匹配技术和皮肤颜色模型的方法。
在进行模板匹配时，需要准备许多样本人脸图像作为训练数据，从而创建人脸检测模型。
当已识别的人脸与模板匹配时，模型会返回最佳匹配结果并进行相应的处理。
二、基于特征提取的图像处理算法在图像处理技术中，特征提取算法是必不可少的。
特征提取算法是指在图像处理过程中，从图像中提取可区分化的特征进行分析的技术。
在人脸识别技术中，通过提取图像中人脸的特征进行识别，这一方法通常被称为基于特征提取的人脸识别算法。
当前，基于特征提取的图像处理算法主要有两种，即基于线性判别分析的特征提取算法和基于主成分分析的特征提取算法。
1. 基于线性判别分析的特征提取算法基于线性判别分析的特征提取算法，简称LDA算法，它是常用的一种特征提取算法。
该算法主要针对不同类别的数据进行特征提取，通过对数据进行线性变换的方式来达到降维、提取有效特征等目的。
2. 基于主成分分析的特征提取算法基于主成分分析的特征提取算法，简称PCA算法，也是一种常用的特征提取算法。
该算法通过将数据进行降维，并通过协方差矩阵来计算数据的主要特征向量，从而达到有效特征提取的目的。
三、基于深度学习的图像处理算法基于深度学习的人脸识别技术已经成为热门研究领域。
该算法采用深度神经网络进行图像处理，实现对大规模数据的处理和学习。
基于深度学习的人脸识别技术在识别率方面取得了较大的进展。
- 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)。
人脸识别系统中图像预处理的研究综述
摘要:人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别特征,进行身份认证的生物识别技术。
本文阐述了人脸识别系统中图像预处理算法的研究与设计,实验表明本算法对于人脸大小、姿态和光照的变化,都有较强的适应能力。
关键词:人脸识别图像预处理算法
1 引言
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。
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,但是人脸识别技术在实际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 算法原理
课题组采用的人脸检测算法是:首先利用人脸器官构造的先验知识、面部图像灰度分布的峰谷和频率特性粗略检测出眼睛、鼻子、嘴、下巴的大致区域和一些关键的特征点;在此基础上,给出较准确的人脸模板的初始参数,从而提高识别算法的速度和精度。
眼睛是面部最重要的特征,它们的精确定位是识别的关键。
基于区域增长的眼睛定位技术,该技术在人脸检测的基础上,充分利用了眼睛是面部区域内脸部中心的左上方和右上方的灰度谷区这一特性,可以精确快速的定位两个眼睛瞳孔中心位置。
该算法根据人眼灰度明显低于面部灰度的特点,利用搜索矩形找到眼部的边缘,最后定位到瞳孔的中心。
3 系统方案选择
3.1设计方案原则
系统的设计方案原则如下为:采用较为先进的技术力量,保证应用程序在技术上具备一定的优势;采用成熟的技术,保证应用程序的安全性和可靠性;应用程序便于扩展和维护,易于技术的更新;应用程序充分利用现有的资源,尽量减少不必要的再投资;编写的代码必须严谨易读,代码的解释必须清楚明白,为应用程序的再开发提供应尽的责任。
3.2开发工具
本系统设计所用的开发工具是Microsoft Visual C++6.0。
Visual C++6.0是Microsoft公司推出的一种可视化编程工具。
它支持多平台和交叉平台的开发,将各种编程工具如编辑器、连接器、调试器等巧妙的结合在一起,构成一个完美的可视化开发环境。
用户无需通过繁杂的编程操作,即可完成Windows下应用程序的编辑、编译、测试和细化等工作。
3.3算法的选择分析
本文主要研究的对象是图像预处理模块,该模块分为光线补偿、图像灰度化、高斯平滑、图像对比度增强、均衡直方图、二值化,每个子模块由相应的算法来实现。
4 系统的概要设计
4.1人脸区域获取模块
人脸区域获取图像获取模块主要是从摄像头拍照后进行获取图片,也可以从图片库中获取,获取后的图片可以在软件的界面中显示以便进行识别。
本系统的图像中人脸区域的获取,主要是根据肤色来进行获取,通过肤色非线形分段色彩变换来实现。
这种非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型,这一类肤色模型的建立首先要选取一种合适的色彩空间。
4.2图像预处理模块
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。
该模块中主要由光线补偿、灰度变化、高斯平滑处理、对比度增强、均衡直方图和二值化处理等子模块构成。
4.2.1光线补偿
因为系统得到的图片可能会存在光线不平衡的情况,这会影响我们对特征的提取,同时系统中要用到YcrCB色彩空间,所以有必要对图像进行光线补偿。
尽可能将它的特征在图像中表现出来。
YcrCB色彩空间是以演播室质量标准为目标的CC601编码方案中采用的彩色表示模型。
4.2.2灰度变化
图像灰度化的过程就是把彩色图像转换为黑白色图像的过程,它也是为了将图像的信息更加具体、简单的表现出来,但是,这样做也将会丢失图像信息。
因此,尽可能在转化的过程中用简单的方式表现图像复杂的信息。
4.2.3高斯平滑处理
高斯平滑将对图像进行平滑处理,在图像采集过程中,由于各种因素的影响,图像往往会出现一些不规则的噪声,入图像在传输、存储等都有可能产生数据的丢失。
从而影响图像的质量。
处理噪声的过程称为平滑。
平滑可以通过卷积来实现。
经过卷积平滑后的水平投影后,二值化提供了较好的图像效果。
4.2.4对比度增强
对比度增强,就是对图像的进一步处理,将对比度再一次拉开。
通过改变选用的增强函数的解析表达式就可以得到不同的处理效果。
4.2.5直方图均衡
直方图均衡化的目的是使一输入图像转换为在每一灰度级上都有相同的象素点数,它的处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
4.2.6二值化处理
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。
4.3人脸定位模块
人脸定位是将典型的脸部特征(如眼睛,鼻尖,嘴唇等等)标记出来,在本系统中,定位的特征是眼睛,鼻尖和嘴巴三个。
由于眼睛具有对称性,因此可以很快就能标记出来,而鼻子是在眼睛下面,且嘴巴在鼻子下面,所以只要眼睛标记好,鼻子和嘴巴也能相应的标记出来。
4.4特征提取模块
特征提取按以下步骤进行:提取两只眼睛间隔的距离;提取眼睛的倾角度;提取眼睛、嘴巴的重心;用一个矩形标出每一个特征。
在特征提取完之后将会得到相应的特征值以便存入数据库。
4.5识别模块
该模块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,则给出提示是否对此图像进行存库作为样本以备后用。
5 结束语
实验表明,本算法对于人脸大小、姿态和光照的变化,都有较强的适应能力,但在眼部阴影较重的情况下,会出现定位不准的情况。
如果识别对象佩戴黑边框眼镜,也会影响本算法的定位结果。
参考文献:
1.蒋遂平.人脸识别技术及应用简介.北京:中国计算机世界出版社,2003,12
2.徐慧.VisualC++数字图像模式识别技术及工程实践.北京:人民邮电出版社,2004,3
3.周长发.精通VisualC++图像处理编程.北京:电子工业出版社,2004,10
4.黄维通,姚瑞霞著.VisualC++程序设计教程.北京:机械工业出版社,2004,1。