复杂背景中的人脸识别技术研究
第３９卷 Ｖ＿０１．３９ 第８期 ＮＯ．８ 计算机工程 Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１３年８月 Ａｕｇｕｓｔ ２０１３
・人工智能及识别技术・ 文章编号｛１００ｏ—＿３４２８（２０１３）ｏ８—０１９６—－０４ 文献标识码ｌ Ａ 中圈分类号；ＴＰ３９１．４１
复杂背景中的人脸识别技术研究
王金云 。周晖杰 。纪政
（１．河北汉光重工有限责任公司，河北邯郸０５６０２８；２．宁波大学科学技术学院，浙江宁波３１５２１２； ３．上海交通大学计算机系，上海２００２４０）
摘要：针对复杂背景下的人脸图像，提出一种快速人脸检测识别方法。包括基于肤色模型和ＯｐｅｎＣＶ的综合方法进行人脸检测 定位，并对图像重新保存、预处理，用以克服光照因素的干扰，剔除复杂背景对人脸识别不利因素的影响。采用二维主成分分析
算法，对同一个人多幅不同表情的人脸图像进行采集和特征提取并归类。对ＯＲＬ人脸库及实际外场背景下的人脸图像进行测试， 结果表明，该方法可有效解决复杂背景下的人脸识别问题，具有快速、高效的实用性，正确识别率可达９０％以上。 关健词：复杂背景；ＯｐｅｎＣＶ方法；肤色模型；二维主成分分析；人脸识别技术
Ｒｅｓｅａｒｃｈ ０ｎ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｃｏｍｐｌｅｘ Ｂａｃｋｇｒｏｕｎｄ
ＷＡＮＧ Ｊｉｎ－ｙｕｎ ，ＺＨＯＵ Ｈｕｉ－ｊｉｅ ，ＪＩ Ｚｈｅｎｇ￣
（１．Ｈｅｂｅｉ Ｈａｎｇｕａｎｇ Ｈｅａｖｙ Ｉｎｄｕｓｔｒｙ Ｃｏ．，Ｌｔｄ．，Ｈａｎｄａｎ ０５６０２８，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎｉｎｇｂｏ Ｕｎｉｖｅｒｓｉｔｙ，
Ｎｉｎｇｂｏ ３１５２１２，Ｃｈｉｎａ；３．Ｄｅｐａｒｔｍｅｎｔ ｏｆＣｏｍｐｕｔｅｒ，Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００２４０，Ｃｈｉｎａ）
［Ａｂｓｔｒａｃｔ］Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｆａｓｔ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｆａｃｅ ｉｍａｇｅ ｉｎ ｔｈｅ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ．Ｔｈｅ ｐｒｏｃｅｓｓ ｉｎｃｌｕｄｅｓ ｃｏｍｐｌｅｘｉｏｎ ｍｏｄｅｌ ａｎｄ ＯｐｅｎＣＶ ｉｎｔｅｇｒａｔｅｄ ｍｅｔｈｏｄ ｔｏ ｓｏｌｖｅ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｔｉｏｎ，ｒｅ—ｓａｖｅ ｉｍａｇｅ，ｐｒｅｔｒｅａｔｍｅｎｔ，ａｎｄ ｉｌｌｕｍｉｎａｔｉｏｎ ｉｎｆｌｕｅｎｃｅ ｗｉｌｌ ｂｅ ｃｏｎｑｕｅｒｅｄ ｅｆｆｅｃｔｉｖｅｌｙ，ｅｌｉｍｉｎａｔｅｓ ｔｈｅ ｄｉｓａｄｖａｎｔａｇｅ ｆａｃｔｏｒ ｄｉｓｔｕｒｂａｎｃｅ ｏｆ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ．Ａｆｔｅｒｗａｒｄ，ｉｔ
ａｄｏｐｔｓ Ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａ１ｙｓｉｓ（２ＤＰｃＡ）ａｌｇｏｒｉｔｈｍｓ ｔｏ ｃｏｌｌｅｃｔ ｆａｃｅ ｉｍａｇｅ ｏｆ ｄｉｆｅｒｅｎｔ ｅｘｐｒｅｓｓｉｏｎ ｗｈｉｃｈ ｃｏｍｅｓ ｆｒｏｍ ｔｈｅ ｓａｍｅ ｈｕｍａｎ ａｎｄ ｄｉｓｔｉｌｌ ｃｈａｒａｃｔｅｒ，ａｎｄ ｃｌａｓｓｉｆｉｅｓ ｔｈｅ ｓｉｍｉｌａｒ ｆａｃｅ ｉｍａｇｅ．Ｂｙ ＯＲＬ ｄａｔａｂａｓｅ ａｎｄ ｏｕｔｆｉｅｌｄ ｆａｃｅ ｉｍａｇｅ ｔｅｓｔ，ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｒｅｓｏｌｖｅｓ ｆａｃｅ ｌｏｃａｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｅｆｆｅｃｔｉｖｅｌｙ ｉｎ ｔｈｅ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ ａｎｄ ｈａｓ ｍｏｒｅ ｆａｓｔ ａｎｄ ｅｆｆｅｃｔｉｖｅ
ｐｒａｃｔｉｃａｂｉｌｉｔｙ ｔｈａｎ ｏｔｈｅｒ ｍｅａｎｓ，ｏｖｅｒ ９０％ｃｏｒｒｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ．
［Ｋｅｙ ｗｏｒｄｓＩ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ；ＯｐｅｎＣＶ ｍｅｔｈｏｄ；ｃｏｍｐｌｅｘｉｏｎ ｍｏｄｅｌ；Ｔｗｏ・ｄｉｍｅｎｓｉｏｎａｌ Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａ１ｙｓｊｓ（２ＤＰＣＡ１：ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３４２８．２０１３．０８．０４２
１概述
随着图像处理和模式识别技术的发展，人脸识另０技术
已经成为现代模式识别和人工智能领域的研究热点之一。
它与指纹、视网膜、虹膜、基因等其他人体生物特征识别
系统相比，具有友好、方便、易于被用户所接受等特点， 广泛应用于公安机关的刑侦破案、证件验证、入口控制、
视频监视等领域。
目前，国内对于复杂背景下的人脸识别技术已开展广
泛的研究，并取得一定成果。如文献【１】在总结和分析了复
杂背景下灰度人脸检测技术基础上，提出了基于肤色检测 和多级证实的彩色人脸检测算法。在基于多视图多姿态人
脸识别方面，提出了基于层次模型和融合决策的多姿态人
脸识别技术。在人脸检测技术方面，文献【２—３】分别提出了 基于肤色模型与矩阵特征的综合方法、基于肤色模型与模
板匹配相结合的方法来检测人脸。在检测与识别复杂背景 下的人脸方面，文献［４］采用嵌入式Ｂｏｏｔｓｔｒａｐ— 动样本选择
算法与基于聚类有效性分析及ＦｌｏａｔＢｏｏｓｔ多姿态人脸检测
算法检测人脸，应用一种新的人脸序列图像的对齐方法和
基于张量分解的线性子空问识别方法进行人脸识别。文 献【５］提出一种新的自适应肤色分割的算法定位人脸，采用
局部ＳＶＤ方法提取人脸图像特征值，以ＰＣＡ算法加以识
别。总之，目前对人脸定位算法中以肤色模型与其他检测
算法相结合的方法较为常用，人脸识别常采用主成分分析
或与其他算法综合应用的方法来提高识别率。 单一背景下人脸识别方法。。 主要有基于几何特征方
法、基于模板匹配方法、特征子空问分析方法、基于神经
网络等方法。其中，主成分分析（Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，
基金项目：国家自然科学基金资助项目（６１１７５０５４） 作者简介：王金云（１９７９一），男，高级工程师、硕士，主研方向：软件工程，图像识别；周晖杰，硕士；纪政，博士研究生
收稿日期：２０１２—０２—２５ 修回日期：２０１２—０５—１１ Ｅ－ｍａｉｌ：ｗａｎｇｊｉｎｙｕｎ５９８５９５＠１６３．
ｃｏｍ 第３９卷第８期 王金云，周晖杰，纪政：复杂背景中的人脸识别技术研究 １９７
ＰＣＡ）、二维主成分分析（Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ
Ａｎａｌｙｓｉｓ，２ＤＰＣＡ）、线性鉴别分析（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ
Ａｎａｌｙｓｉｓ，ＬＤＡ）、独立成分分析（Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＩＣＡ）和非负矩阵分解（Ｎｏｎ－ｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉ－
ｚａｔｉｏｎ，ＮＭＦ），都是比较常用的特征子空间分析方法。但是
对于带有复杂背景的人脸图像识别效果并不理想。其主要
原因是受复杂背景干扰及光照、表情、姿态等因素的变化 造成了模型和识别数据间的失配，从而影响了识别效果。
要实现复杂背景下人脸图像识别，首先要将人脸图像从复
杂背景中检测出来，再对检测出来的人脸图像进行识别。 对于人脸图像的准确检测，文献［８－９】提出了基于肤色模型
和眼睛定位的方法，通过ＹＩＱ色彩模型的肤色区域分割，
进行人脸的粗定位，再根据眼睛的灰度及形状信息的眼睛
定位实现人脸的准确检测。这种方法对人脸眼睛信息的依
赖性较大，如被检测者戴眼镜时，效果会大大下降。本文
参考文献［８．１１】中提到的方法，通过肤色模型和ＯｐｅｎＣＶ 方法的综合应用，将人脸图像从复杂背景中检测并分割出
来，进行图像提取、重新组合、预处理，用以克服光照因 素的干扰。然后采用２ＤＰＣＡ［１２－１３］方法，建立标准特征人脸
库，将待识别的人脸图像进行特征提取，通过与人脸库特
征比较，以确定属于哪一类人脸。
２人脸检测
２．１基于肤色模型的人脸检测 人脸检测技术的研究起源于２０世纪９０年代，常用的
人脸检测方法＿６ 有基于形状的检测、基于特征的检测、基
于肤色的检测等。基于形状的检测通过一些形状模型匹配
人脸，基于特征的检测则通过脸部特征，如通过人脸的灰
度分布特征统计方法找出人脸共性，从而检测出人脸。对 于复杂背景中的入脸图像检测，前２种方法比较复杂，运
算速度耗时，鲁棒性差。而基于肤色的检测等方法简单、
便于应用。从摄像头获取的图像中包含了许多非人脸信息，
特别是复杂背景中包含了树木、花草、雕像、房屋建筑等
图像信息，利用人脸肤色与周围环境颜色差异，将人脸从
中区分出来。经实验统计，人脸的肤色模型在ＹｕＶ色彩空 间中具有很好的聚合性，利用此性质建立模型 。。 。
采用肤色模型最大的优点是方法简单、速度快，但对 于颜色值差别不大的图像，区分就比较困难，如人脸和脖
子的肤色基本上很难区分出来。文献［４］采用自适应肤色分
割模型，通过对待测图像的直方图分析，可以实现颜色通
道和分割阈值的自适应选择。受日照的影响，单纯的肤色
模型检测人脸有时效果欠佳，而基于ＯｐｅｎＣＶ下的人脸检 测受光照影响很小，具有较强的鲁棒性。所以本文采用肤
色模型与ＯｐｅｎＣＶ的综合应用，既保证了较高的人脸检测
速度，又确保了较高的准确率。
２．２基于ＯｐｅｎＣＶ下的人脸检测 ＯｐｅｎＣＶ［１￣］是美国Ｉｎｔｅｌ公司开发的图像处理和计算机 视觉的通用算法，具有开放式源代码、强大的图像处理和
矩阵运算能力。它是基于Ｈａａｒ特征人脸分类器算法，通过 数千个样本训练，可区分人脸和非人脸的图像，利用样本
图像的Ｈａａｒ特征，基于ＡｄａＢｏｏｓｔ分类算法，进行分类器
计算。文献［１４］提出基于人脸特征和ＡｄａＢｏｏｓｔ算法的多姿 态人脸检测方法，也是通过肤色特征快速排除绝大部分背
景区域，然后通过眼睛和嘴巴特征确定人脸大致区域，用
ＡｄａＢｏｏｓｔ算法分类识别。本文采用肤色模型与ＯｐｅｎＣＶ Ｌｌ
综合方法，进行人脸检测。实验中采用海康威视的ＤＳ－ ４００８ＨＦ高清采集卡，利用它提供的ＨｉｋＶｉｓｉｏｎＳＤＫ．ｈ库函
数进行Ｖｃ抖下编程实现。ＳｔａｒｔＶｉｄｅｏＰｒｅｖｉｅｗ０为视频采集
函数，ＧｅｔＯｒｉｇｉｎａｌｌｍａｇｅ（）为视频图像抓取函数。
通过ＯｐｅｎＣＶ的函数功能可实现视频图像中的人脸检
测，它的不足之处是检测速度较慢。经过对样本的归一化
和灰度化处理、样本训练、分类等大量图像矩阵运算，计
算耗时，不利于复杂背景图像中人脸识别系统设计与实现。 考虑到它检测人脸时受光照因素影响较小，具有较强鲁棒
性，可与肤色模型的人脸检测算法综合使用。实践证明，
这种方法比单一模型检测方法具有更高的正确检测率、较
低的误识率和较强的鲁棒性。
３基于２ＤＰＣＡ算法的人脸识别
文献［６】提出了基于几何特征的人脸识别方法。它是在
人脸先验知识的基础上利用灰度积投影确定人脸眼睛、鼻 子、嘴及下巴的相对位置和比例关系，建立人脸特征向量，
人脸识别论文
中 文 摘 要
- I - 摘 要
人脸识别技术属于生物验证的一种，在身份验证领域日益发挥重要作用，具有十分广泛的应用前景。人脸检测和定位问题是人脸识别技术首先要解决的问题。人脸检测算法是一个高效的、自动的人脸识别系统中的关键技术之一。如今人脸检测问题已成为一个热门研究领域，新的算法不断被提出，不过由于人脸的复杂性，目前尚不能找到一个完美的算法。在不同应用环境下，有不同的算法，本文针对应用于视频中人脸检测问题进行了研究，论文的主要工作如下：
本文首先对人脸识别的任务提出了要求并阐述了其难点，结合其实现难度，提出一个能教快速的识别出图片中人脸的基于肤色的人脸检测算法，由于其一般适用性本文使用了RGB色彩空间，本算法将三维RGB空间映射为两维独立分布的空间。在二维空间下，肤色类聚性好且符合高斯分布，利用人工阈值法将肤色与非肤色区域分开，形成二值图像。
非肤色区域中依然有可能有部分区域颜色与肤色相近，所以阈值分割后的图像依然存有部分假肤色区域，经过形态学处理和限制长宽比之后，可得到人脸区域。
在确定人脸区域后，我们需要在原图上对人脸区域进行标记，这里可通过找到一些关键点，作出矩形框标记人脸区域
关键字:人脸识别,肤色检测,色彩空间,高斯分布，人脸检测 Abstract（英文摘要）
- II - Abstract
Face recognition technology is biological validation of an increasingly important
role in the field of authentication, a very wide range of applications. Face detection
and face recognition technology positioning problem is to be solved first. Face
人脸识别论文(基于特征脸)
苏州大学本科毕业设计（论文）
1 摘要 ···························· 1
Abstract ·························· 2
前言 ···························· 3
第一章 人脸识别概述 ···················· 5
1.1 生物特征识别技术 ·················· 5
1.2 人脸识别技术 ···················· 5
1.3 人脸识别的研究背景及意义 ·············· 8
1.4 人脸识别理论的发展 ················· 9
1.5 人脸识别的难点 ··················· 9
第二章 人脸识别的常用算法与分类器介绍 ··········· 11
2.1 人脸识别常用方法 ·················· 11
2.2 分类器 ······················· 13
第三章 人脸识别系统的设计及实现 ·············· 15
3.1 人脸识别流程 ···················· 15
3.2 离线学习和在线匹配 ················· 16
第四章 KL变换和PCA人脸识别方法 ·············· 17
4.1 简介 ························ 17
4.2 KL变换和PCA分析 ·················· 17
4.2.1 KL变换原理 ·················· 18
4.2.2 主成分分析法 （PCA） ············· 19
4.3 人脸识别中PCA算法步骤及流程 ············ 22
4.4 实验及结果分析 ··················· 23
第五章 影响人脸识别的几个因素及人脸数据库介绍 ······· 25
利用几何分析法和BP神经网络进行人脸识别的研究
第２３卷
ＶＯ１．２３ 第９期
ＮＯ．９ 计算机工程与设计
ＣＯＭＰＵＴＥＲ ＥＮＧＩＮＥＥＲＩＮＧ ＡＮＤ ＤＥＳＩＧＮ ２（１０２年９月
Ｓｅｐ．２００２
文章编号：１０００．７０２４（２００２）０９－００１８－０４ 中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ
利用几何分析法和ＢＰ神经网络进行人脸识别的研究
胡 恬
（湖北工学院电计系，武汉４３００６８）
摘 要：提出了一种基于几何特征分析和人工神经网络由粗到细的两级人脸探测方法。在第１级中，眼睛和脸
是通过测量眼睛的尺寸和眼睛与脸的位置关系探测到的。第１级的输出是一个尺寸归一化的人脸，但偶尔也伴
随着一个或多个因对复杂背景中与眼睛类似的物体的误判而得到的非人脸图像；第２级神经网络正是用来过滤
掉第１级中被误判的人脸。实验表明，这种由粗到细的两级人脸探测系统具有很高的稳定性和探测正确率。
关键词：人脸探测；人脸识别；神经网络
Ａ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｔｒｕｃｔｕｒａｌ ａｎａｌｙｓｉｓ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
ＨＵＴｉａｎ
（Ｄｅｐａｒｔｅｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｉｃ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｈｕｂｅｉ Ｐｏｌｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００６８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｃｏｎｃｅｒｎｉｎｇ ａ ｃｏａｒｓｅ－－ｔｏ－－ｆｉｎｅ ｆａｃｅ ｄｅｔｅｃｔｉｎｇ ｍｅｔｈｏｄ ｈａｓ ｂｅｅｎ ｐｒｏｐｏｓｅｄ ｔｈａｔ ｅｍｐｌｏｙｅｄ ｆａｃｅ
ｄｅｔｅｃｔｉｎｇ ｓｙｓｔｅｍ ｗｉｔｈ ｔｗｏ ｏｒｄｅｒｓ ｂａｓｅｄ ｏｎ ｇｅｏｍｅｔｒｉｃ ａｎａｌｙｓｉｓ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， Ｉｎ ｔｈｅ ｆｉｒｓｔ ｏｒｄｅｒ， ｅｙｅｓ ａｎｄ ｆａｃｅ ａｒｅ ｄｅｔｅｃｔｅｄ
复杂背景下的多姿态人眼定位_朱冰莲
收稿日期：2011-09-08；修回日期：2011-10-20基金项目：中央高校基本科研专项资助项目（CDJXS10161114）作者简介：朱冰莲（1959-），女，四川富顺人，教授，硕导，主要研究方向为信号与信息处理（zhnbl@cqu．edu．cn）；丰建军（1986-），女，河南信阳人，硕士研究生，主要研究方向为图像处理；杨吉祥（1986-），男，山东临沂人，硕士研究生，主要研究方向为图像处理；张磊（1986-），男，江苏徐州人，博士研究生，主要研究方向为通信与信息系统．复杂背景下的多姿态人眼定位*
朱冰莲，丰建军，杨吉祥，张磊（重庆大学通信工程学院，重庆400044）摘要：针对彩色图像中人脸在复杂背景及多姿态下眼睛定位困难的情况，提出了一种基于肤色分割与Gabor滤波的人眼定位方法。首先采用粒子群算法优化改进的最大类间方差（Otsu）对图像进行肤色分割，找到人脸的候选区域；然后构造Gabor滤波器对候选区域进行滤波；最后经过灰度投影得到眼睛的精确位置。仿真结果表明，该分割算法在复杂背景和多姿态情况下的人眼定位中有明显优势，对于现实环境中的人脸识别有重要意义。关键词：眼睛定位；粒子群算法；肤色分割；Gabor滤波；灰度投影中图分类号：TP391.41文献标志码：A文章编号：1001-3695（2012）05-1977-03doi：10．3969/j．issn．1001-3695．2012．05．100
Multi-positioneyelocationbasedoncomplexbackground
ZHUBing-lian，FENGJian-jun，YANGJi-xiang，ZHANGLei（CollegeofCommunicationEngineering，ChongqingUniversity，Chongqing400044，China）Abstract：Tosolvetheproblemofeyelocationofhumanfaceinmulti-positionandcomplexbackgroundofcolorimage，thispaperproposedamethodforeyelocationbasedonskinsegmentationandGaborfilter．Firstly，itusedtheimprovedOtsualgo-rithmbasedonparticleswarmoptimizationtosegmenttheimageandobtainedcandidateregionsofface．ThenitdevisedanGaborfiltertofiltertheimagetohighlighttheeyeregion．Finally，itusedthegrayprojectiontodeterminethepositionofeyesaccurately．Theresultsshowthatthemethodofskinsegmentationworkswellandhasadvantagesabouteyelocationofhumanfaceinmulti-positionandcomplexbackground，whichisimportantforfacerecognitioninrealtime．Keywords：eyelocation；particleswarmoptimization（PSO）；skinsegmentation；Gaborfilter；grayprojection
人脸识别系统实践报告(2篇)
第1篇
一、引言
随着科技的不断发展，人工智能技术逐渐渗透到我们生活的方方面面。人脸识别技术作为人工智能领域的一个重要分支，因其便捷性、安全性等特点，在安防、支付、门禁等领域得到了广泛应用。本报告旨在通过实践，深入了解人脸识别系统的原理、实现方法及其在实际应用中的效果。
二、人脸识别系统概述
人脸识别系统是一种基于人脸生物特征的自动识别技术，通过对人脸图像进行处理和分析，实现对个体的身份验证。其主要包括人脸检测、人脸特征提取和人脸比对三个步骤。
1. 人脸检测：从图像中定位出人脸的位置和大小，通常采用基于深度学习的方法，如MTCNN（Multi-task Cascaded Convolutional Networks）等。
2. 人脸特征提取：从定位到的人脸区域中提取出具有独特性的特征，如人脸特征点、深度学习模型提取的特征向量等。
3. 人脸比对：将待识别的人脸特征与数据库中存储的特征进行比对，根据相似度判断是否为同一人。
三、实践过程
本次实践采用Python编程语言，结合OpenCV、Dlib、TensorFlow等库实现人脸识别系统。
1. 数据准备：收集一定数量的人脸图像，并标注人脸区域。
2. 人脸检测：使用MTCNN模型进行人脸检测，得到人脸区域坐标。
3. 人脸特征提取：使用Dlib库中的Face Recognition模型提取人脸特征。
4. 人脸比对：使用欧氏距离计算特征向量之间的相似度，实现人脸比对。
5. 系统实现：将上述步骤整合，实现人脸识别系统的基本功能。
四、实践结果与分析
1. 人脸检测：MTCNN模型在人脸检测方面表现良好，检测速度快，准确率高。 2. 人脸特征提取：Dlib库中的Face Recognition模型能够有效提取人脸特征，特征向量具有较好的稳定性。
3. 人脸比对：通过实验验证，人脸比对准确率较高，能够在短时间内完成身份验证。
4. 系统优化：针对人脸识别系统在实际应用中可能遇到的问题，如光照变化、角度变化等，对系统进行优化，提高系统的鲁棒性。
人脸识别毕业设计论文
人脸识别毕业设计论文
人脸识别毕业设计论文
人脸识别技术是一种通过计算机对人脸图像进行分析和识别的技术。随着科技的不断进步，人脸识别技术在各个领域得到了广泛的应用，如安全监控、人脸支付、智能手机解锁等。本文将探讨人脸识别技术的原理、应用以及未来发展方向。
一、人脸识别技术的原理
人脸识别技术的原理主要包括人脸检测、人脸特征提取和人脸匹配三个步骤。首先，系统需要通过摄像头等设备检测到人脸区域，并将其与背景进行分离。然后，通过特征提取算法，将人脸图像转化为数字特征向量，以便后续的比对。最后，通过与数据库中的特征向量进行匹配，确定输入人脸的身份。
二、人脸识别技术的应用
1. 安全监控领域
人脸识别技术在安全监控领域发挥着重要作用。传统的监控摄像头只能提供实时影像，但无法对监控区域进行有效的识别和分析。而引入人脸识别技术后，监控系统可以自动识别出陌生人、犯罪嫌疑人等，并及时报警。这种技术的应用可以大大提高安全监控的效率和准确性。
2. 人脸支付领域
随着移动支付的普及，人脸支付成为一种便捷的支付方式。通过人脸识别技术，用户可以在手机上进行人脸扫描，完成支付过程。相比传统的密码支付方式，人脸支付更加安全和便利，无需记忆复杂的密码，同时也减少了密码被盗用的风险。 3. 智能手机解锁领域
人脸识别技术也广泛应用于智能手机解锁。用户只需将手机对准自己的脸部，系统便可通过人脸识别技术判断是否解锁。相比传统的密码解锁方式，人脸解锁更加方便快捷，同时也提高了手机的安全性。
三、人脸识别技术的挑战与未来发展
虽然人脸识别技术在各个领域取得了显著的应用效果，但仍然存在一些挑战。首先，光线、角度、表情等因素对人脸识别的准确性有一定影响，需要进一步改进算法以提高识别率。其次，隐私问题也是人脸识别技术面临的一大挑战。人脸图像的采集和存储可能涉及个人隐私，需要加强数据保护和合规管理。
未来，人脸识别技术仍有很大的发展空间。一方面，随着硬件设备的不断升级，如高清摄像头、深度摄像头等，人脸图像的采集质量将得到提高，进而提高人脸识别的准确性。另一方面，人工智能的发展也将为人脸识别技术带来新的突破。深度学习等算法的应用将进一步提高人脸识别的精度和速度。
人脸识别的毕业论文
学 号： 3081818211
题目类型： 论文
(设计、论文、报告)
西安电子科技大学
GUILIN UNIVERSITY OF TECHNOLOGY
本科毕业设计(论文)
题 目： 人脸检测技术研究及MATLAB实现
学 院： 信息科学与工程学院
专业(方向)： 电子信息工程
班 级： 电信08-2班
学 生： 许文强
指导教师：蒋中正
2012 年 5 月 20 日
摘 要
人脸检测是当今视觉领域里非常重要和实用的研究课题，它应用于现实生活中的各个领域，如公安、金融、网络安全、物业管理以及考勤等。基于视频的人脸检测属于动态检测，方法是先提取视频文件的帧，然后再对帧（图像）进行人脸检测，利用肤色特征的检测算法先对图像（帧）进行处理，然后建模，运用适当的算法把人脸检测出来，运用该方法完成了视频之中的的人脸检测。本文采用MATLAB软件进行仿真，包括实现提取视频文件的帧，对输入图像检测有人脸（如果存在）的位置，大小和位姿，程序运行结果基本实现了上述功能。
关键词:人脸检测；视频检测；肤色特征
Research of Face Detection and Implementation of Matlab
Student: xu wenqiang Teacher:jiang zhong zheng
Abstract：Face detection is very important and practical research topic in
the visual field，it is applied to many areas in our lives Such as public
关于人脸识别技术的难点和劣势
ComputerKnowledgeandTechnology电脑知识与技术第15卷第25期(2019年9月)
人工智能及识别技术本栏目责任编辑：唐一东关于人脸识别技术的难点和劣势徐雯雯（长江大学计算机科学学院，湖北荆州434000）摘要：随着信息化领域的扩大，生物特征识别已成为模式识别和人工智能领域的研究热点。人脸识别作为生物特征技术中最具代表性的研究之一，现已应用到我们日常生活的各个方面，公安刑侦、自助通关、FACEID、刷脸支付，但其在应用中的准确率仍然难以满足需求。本文将探讨人脸识别技术在应用中面临哪些有利因素与弊端，以期更好解决相应问题。关键词：人脸识别；难点；应用中图分类号：TP31文献标识码：A文章编号：1009-3044(2019)25-0233-02开放科学（资源服务）标识码（OSID）:今年5月份，旧金山政府官员通过一项禁止令，禁止个人购买和使用面部识别技术，还要求政府部门提交基于人脸识别的监控技术政策用于公开审查。然而在大洋彼岸的中国，基于人脸识别的各种新产品新技术被不断推出，并且“刷脸”技术已经逐步在金融、公安、边防、教育、医疗等多个领域“落地开花”，从身份审核到线下支付，从乘坐地铁到取快递……让中国的老百姓享受着更便捷的生活。本文将探讨人脸识别技术在应用中面临哪些有利因素与弊端。1人脸识别技术存在劣势识别精度竟然低于虹膜与指纹人脸所囊括的信息量相比于指纹、虹膜之类的生物特征是相对较少的，就变化的复杂性来说远远不够。例如，采取两个人的指纹或虹膜特征，大概需要几十甚至上百个比特(信息量的度量单位)显示完全重合才能反映其特征基本相同。而人脸只需要十几个比特就能反映其是否相似。在全球各地，存在很多相似的面孔。一个住在广州的人去了乌鲁木齐有时候会认错朋友，从视觉直观上都会存在误差，从数据分析上人脸的可辨别性也不高。从现阶段技术所达到的水平来看，人的面部信息是唯一在用户不察觉的情况下就可以收取到的生物特征信息。如需采集其他生物特征，例如指纹、掌纹、虹膜、静脉、视网膜采集都需要用户主动配合，也就是如用户拒绝采集，将无法获得这些信息特征，何提高质量可分析的生物特征信息呢？同时，人脸天生就暴露在外，识别身份具有自然性，同时，应用成本较低。但与其他生物识别技术相比，“刷脸”也有一定技术上优劣。信息的可靠性和稳定性较弱是它一重要缺陷。另外，采集人脸时无论是人体自身发生变化还是外在环境的改变都会影响其信息稳定度。相比以前的所使用的人脸识别技术，现在的人脸识别技术大有提高，但在具体应用时离完美状态还相差甚远。如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如人脸识别技术应用于银行自助存取款机上，是以输入密码信息为前提条件下的辅助认证功能。如果完全脱离密码输入步骤，单纯使用人脸识别技术进行存取款操作，其安全性将会降低。相关专家提出，生物特征的识别精度从高到低排序依次为虹膜、指纹、人脸。但随着科技的发展，摄像头的提升将会带动人脸识别精度的提升，上升空间巨大。2人脸识别在实际应用中面临的挑战技术发展到今天，我们已经可以在各个领域中体验到人脸识别带给我们的方便便捷，手机的FACEID、超市刷脸付款、人脸自助通关，但业界还是将人脸识别技术列为生物特征识别技术中难度较高的研究课题之一。另外，人脸、识别技术自身优势也存在两面性，自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。2.1背景干扰复杂多样人脸检测是人脸识别的第一步，首先要对监控场景中出现的人脸进行定位，能否正确识别出人脸直接影响人脸识别的性能。当监控镜头下的场景背景比较复杂时，人脸检测正确率也会相应降低，因此要求人脸检测算法能适应复杂背景干扰问题是人脸识别技术的难点之一。2.2光照条件复杂多变机器视觉中光照问题一直存在，在人脸识别中影响更加明显。在实际智能监控场景中，监控下光线变化会严重影响到采集人脸图像的质量，如图1所示。解决此问题目前有两种方案：三维图形人脸识别和热成像人脸识别，但这两种技术效果不明显仍然未能克服光照对识别率的影响。收稿日期：2019-07-06E-mail：eduf@http：//Tel：+86-551-6569096365690964ISSN1009-3044ComputerKnowledgeandTechnology电脑知识与技术Vol.15,No.25,September.2019
人脸识别
人脸识别系统
7.1 概述
自2001年美国“9.11”恐怖袭击发生以来，如何在机场，车站等公共场所利用高科技手段，迅速而准确的发现并确认可疑分子成了目前世界各国在反恐斗争中普遍关注的主要问题。为此，各国都投入大量物力人力研究并发展各类识别技术，使得这一技术得到极大发展，其中，目前最受重视并最为有效的，就要算是面像识别技术。
面像识别技术是生物特征识别技术的一种，而生物特征识别技术，是依据人体本身所固有的生理特征（面像、指纹、掌纹、视网膜、虹膜、签名、语音等）或行为特征，利用图像处理技术（或其他数位信号处理技术）和模式识别的方法来达到身份鉴别或验证目的的一门科学。主要有面像识别、指纹识别、掌纹识别、虹膜识别、话音识别、签名识别和视网膜识别等。面像识别技术是一门崭新的科学技术，在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等领域实际应用具有极广阔的前景。如：公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验证、银行密押、智能身份证、智能门禁、智能视频监控、智能出入控制、司机驾照验证、各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险身份验证等。
7.2 系统架构
人脸识别的定义就是给定一个场景中的静态图像或视频，利用给定的人脸数据库信息，鉴别或确认该场景中的一位或多位人的过程。以下是人脸识别系统与网络视频服务器集成系统的网络架构原理图：
7.3 技术特点
其中面像识别技术作为最新发现之一，是当今国际科技领域攻关的高精尖技术。该技术的主要特点如下：
采用人脸重心模板以实现人脸快速的定位，这种人脸模板具有多尺度的检测功能，能适应于检测处于复杂背景中任何位置的不同大小的人脸；人脸重心模板上的重心点对应于人脸模式上的各个器官（双眉、双眼、鼻和嘴），重心点之间动态的二维空间约束关系适应于检测具有不同构型的实际人脸。
人脸搜索解决方案(3篇)
第1篇
随着互联网技术的飞速发展，人脸识别技术逐渐成为人工智能领域的一大热点。人脸搜索作为一种基于人脸图像的检索技术，广泛应用于安防监控、身份验证、广告推送、社交娱乐等多个领域。本文将详细阐述人脸搜索解决方案的原理、技术、应用及发展趋势。
一、人脸搜索原理
人脸搜索的核心是通过对人脸图像进行特征提取和匹配，从而实现人脸图像的检索。以下是人脸搜索的基本原理：
1. 图像预处理
在人脸搜索过程中，首先需要对原始人脸图像进行预处理，包括图像去噪、人脸检测、人脸对齐等。图像预处理的目的在于提高图像质量，降低后续处理过程中的误差。
2. 特征提取
特征提取是将人脸图像转换为特征向量，以便进行匹配。目前，人脸特征提取方法主要分为以下几种：
（1）传统特征提取方法：如HOG（Histogram of Oriented Gradients）、LBP（Local Binary Patterns）等。这些方法通过提取图像的纹理特征来实现人脸识别。
（2）深度学习特征提取方法：如卷积神经网络（CNN）、循环神经网络（RNN）等。深度学习模型具有强大的特征学习能力，能够自动提取图像中的关键信息。
3. 特征匹配
特征匹配是将待检索的人脸图像与数据库中的人脸图像进行相似度比较，找出最相似的人脸图像。常见的匹配方法有：
（1）基于距离的匹配：如欧氏距离、余弦相似度等。这些方法通过计算特征向量之间的距离来判断相似度。
（2）基于核函数的匹配：如SVM（Support Vector Machine）、KNN（K-Nearest
Neighbor）等。这些方法通过核函数将特征空间映射到高维空间，然后进行匹配。
二、人脸搜索技术 1. 人脸检测
人脸检测是人脸搜索的第一步，其目的是从复杂背景中准确检测出人脸。目前，人脸检测方法主要有以下几种：
（1）基于传统方法的人脸检测：如Haar特征分类器、ADABOOST等。
（2）基于深度学习的人脸检测：如SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）等。