【正文】 將是非常復(fù)雜的。在光照不確定的環(huán)境中，環(huán)境中的各種因素將會影響到每隔像素的亮度：光照的顏色、亮度、位置和周圍物體的影響。在目前的人臉識別研究中，很多識別方法都需要對光照有一定的依賴，偏光、過暗或過亮現(xiàn)象都可能影響識別率。所以，在對人臉圖像進行特征點提取和分類之前都要作預(yù)處理操作。3） 計算機本身的限制如果想要把三維人臉投影到二維的圖像上，雖然將會有信息的缺失，但這仍將是一種具有高維數(shù)的非常復(fù)雜的視覺信息，其中包括大量的像素數(shù)據(jù)，而且每一個像素都攜帶了非常多的信息。怎樣利用計算機來正確處理巨大的數(shù)據(jù)量，并能保證人臉識別系統(tǒng)實時性的要求將會是人臉識別研究的主要難點之一。 本文大概安排這篇文章主要是由以下幾個部分構(gòu)成:1） 人臉識別技術(shù)的研究背景及基本的理論知識，這個主要體現(xiàn)在文章的前面兩章。第一章介紹了人臉識別技術(shù)的應(yīng)用和研究背景、研究方向及研究現(xiàn)狀和存在的困難。第二章對人臉識別系統(tǒng)的組成進行了分析說明，對識別過程進行了歸納總結(jié)，并介紹了人臉識別的開發(fā)環(huán)境。2） 本文主要的研究內(nèi)容，是在第三章到第五章里，對人臉識別的主要算法進行了深入的分析和研究。第三章深入分析和研究了圖像的檢測定位技術(shù)。介紹各種人臉檢測的方法，研究并實現(xiàn)了AdaBoost人臉檢測算法，包括Haar特征，積分圖，Adaboost算法，用Adaboost算法進行簡單分類器和強分類器的訓(xùn)練，最后進行級聯(lián)強分類器的設(shè)計。第四章深入研究圖像預(yù)處理的四個過程，其中包括顏色處理、幾何歸一化、直方圖均勻化和灰度歸一化。第五章首先討論了人臉圖像分類函數(shù)的選擇，并最終選擇了歐氏距離分類函數(shù)。最后分別對主成分分析算法、二維主成分分析算法進行了全面的闡述和比較，得出它們的優(yōu)缺點。并且在ORL人臉庫的實驗基礎(chǔ)上，闡明了本文算法的有效性，同時對PCA算法和2DPCA算法進行了全面的實驗分析和對比。本文最后對人臉識別技術(shù)的一個總結(jié)和期望。第2章 人臉識別系統(tǒng)及軟件平臺的配置 人臉識別系統(tǒng)概況模式識別技術(shù)是當(dāng)今社會的學(xué)術(shù)研究熱點問題，而人臉識別是模式識別中的一個重要的組成部分，它是通過用計算機作為平臺，對人臉圖像進行分析處理和分類，并從人臉圖像信息中獲取能表征人臉特征的有效特征信息來進行有效的識別。人臉識別技術(shù)是一種可以用來進行身份識別的計算機技術(shù)。人們越來越受到重視和認可這種技術(shù)。人臉識別系統(tǒng)由四個組成部分組成，包括人臉圖像的采集及檢測、人臉圖像預(yù)處理、人臉圖像的特征提取以及人臉圖像的識別。其中最重要的是人臉特征的提取和人臉圖像的識別。 獲取人臉圖像信息不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態(tài)圖像、動態(tài)圖像、不同的位置、不同表情等方面都可以得到很好的采集。當(dāng)用戶在采集設(shè)備的拍攝范圍內(nèi)時，采集設(shè)備會自動搜索并拍攝用戶的人臉圖像?？墒窃鯓訉D像轉(zhuǎn)換成計算機能自動辨別的信息，這就需要把人臉圖像轉(zhuǎn)換成數(shù)據(jù)矩陣，通過這樣的轉(zhuǎn)換，就能使計算機有效的進行人臉圖像的處理，最終達到對人臉圖像進行識別的效果?？梢詫⑦@樣一個過程稱為人臉圖像的信息獲取的過程，通過這種方式，可以把人臉圖像轉(zhuǎn)換成計算機能識別的信息。 檢測定位人臉檢測在實際中主要用于人臉識別的預(yù)處理，即在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現(xiàn)人臉檢測。主流的人臉檢測方法基于以上特征采用Adaboost學(xué)習(xí)算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法組合在一起，得到新的具有很好分類能力的分類方法。 圖像的預(yù)處理人臉圖像預(yù)處理：對于人臉的圖像預(yù)處理是基于人臉檢測結(jié)果，對圖像進行處理并最終服務(wù)于特征提取的過程。系統(tǒng)獲取的原始圖像由于受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預(yù)處理。對于人臉圖像而言，其預(yù)處理過程主要包括人臉圖像的光線補償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。 特征提取人臉圖像特征提?。喝四樧R別系統(tǒng)可使用的特征通常分為視覺特征、像素統(tǒng)計特征、人臉圖像變換系數(shù)特征、人臉圖像代數(shù)特征等。人臉特征提取就是針對人臉的某些特征進行的。人臉特征提取，也稱人臉表征，它是對人臉進行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：一種是基于知識的表征方法；另外一種是基于代數(shù)特征或統(tǒng)計學(xué)習(xí)的表征方法?；谥R的表征方法主要是根據(jù)人臉器官的形狀描述以及他們之間的距離特性（即幾何特征）來獲得有助于人臉分類的特征數(shù)據(jù)；基于代數(shù)方法的人臉表征包括模板匹配法和基于幾何特征的方法兩種。 圖像的匹配與識別人臉圖像匹配與識別：提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲的特征模板進行搜索匹配，通過設(shè)定一個閾值，當(dāng)相似度超過這一閾值，則把匹配得到的結(jié)果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較，根據(jù)相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。 OpenCV OpenCV簡介OpenCV(Open Source Computer Vision Library)即開源計算機視覺庫，由Intel在1999年建立，而現(xiàn)在是由Willow Garage提供的后臺支持。OpenCV使用C/C++語言編寫，可以運行在多個操作系統(tǒng)上，包括Mac、Windows、Linux等。它還提供了如MATLAB、Ruby、C++ Builder、VC、Python 等語言的接口，因此OpenCV通過大量的通用的算法實現(xiàn)了計算機視覺處理和圖像處理方面完美的結(jié)合在一起。OpenCV開發(fā)構(gòu)建了一個相當(dāng)簡易的計算機視覺框架，其目的是為了幫助開發(fā)人員更加方便地設(shè)計計算機視覺方面的相關(guān)應(yīng)用。在OpenCV函數(shù)庫里，有500多視覺函數(shù)，包括醫(yī)學(xué)成像、工廠產(chǎn)品檢測、用戶界面、信息安全、機器人視覺、攝像機標(biāo)定和立體視覺等多個領(lǐng)域。由于機器學(xué)習(xí)和計算機視覺處理是密切相關(guān)的，因此OpenCV還有機器學(xué)習(xí)庫。OpenCV庫自帶的人臉級聯(lián)分級器具有很好的人臉檢測效果，因此在本文中，人臉檢測與人臉預(yù)處理部分均在OpenCV中完成。 OpenCV的系統(tǒng)配置本文采用的編譯環(huán)境是Visual C++，要進行人臉識別的相關(guān)處理，并對它進行相關(guān)的配置。步驟如下： 1）配置函數(shù)庫的路徑 C:\Program Files\OpenCV\cxcore\includeC:\Program Files\OpenCV\cv\includeC:\Program Files\OpenCV\cvaux\includeC:\Program Files\OpenCV\ml\includeC:\Program Files\OpenCV\otherlibs\highguiC:\Program Files\OpenCV\otherlibs\cvcam\include配置源文件的路徑： C:\Program Files\OpenCV\cv\srcC:\Program Files\OpenCV\cxcore\srcC:\Program Files\OpenCV\cvaux\srcC:\Program Files\OpenCV\otherlibs\highguiC:\Program Files\OpenCV\otherlibs\cvcam\src\windows3）設(shè)置環(huán)境變量： Path：= C:\Program Files\OpenCV\bin 4） 每創(chuàng)建一個將要使用OpenCV的VC工程，都需要給它指定需要的lib。菜單：Project（工程）Settings（設(shè)置），然后將Setting for（設(shè)置）選為All Configurations（所有配置），然后選擇右邊的link（連接）標(biāo)簽，在Object/library modules（對象/庫模塊）附加上 。如果不需要這么多l(xiāng)ib，可以只添加需要的lib。 Matlab與圖像處理MATLAB主要面對科學(xué)計算、可視化和交互式程序設(shè)計的高科技計算環(huán)境。它將矩陣計算、數(shù)值分析、非線性動態(tài)系統(tǒng)以及科學(xué)數(shù)據(jù)可視化的建模和仿真等眾多強大功能集成在一個易于使用的視窗環(huán)境中，為工程設(shè)計、科學(xué)研究以及必須進行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并且在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進水平。Matlab在處理信息時可以用很常用的數(shù)學(xué)表達式解決，且Matlab的運算速度快，它具有專門的圖像處理工具箱。因此，本文中的特征點提取和人臉分類是應(yīng)用Matlab完成的。第3章 圖像的檢測定位 引言人臉識別和人臉檢測是人臉識別系統(tǒng)中最核心的部分，經(jīng)過人們多年的深入研究和發(fā)展，出現(xiàn)了許多的算法。整個人臉識別系統(tǒng)的性能怎樣，直接決定于選取和使用哪種算法。本章首先簡單介紹了人臉檢測的相關(guān)方法，然后詳細介紹了本文使用的算法Adaboost人臉檢測算法。該算法的檢測精度并不高，但是關(guān)于算法帶來的問題將在后續(xù)過程中得到很好的解決，消除了算法帶來的影響。 人臉檢測的方法人臉檢測是人臉識別的基礎(chǔ)，檢測得到的結(jié)果對后續(xù)相關(guān)工作有著非常大的影響，是整個人臉識別系統(tǒng)優(yōu)先解決的問題。經(jīng)過幾十年的發(fā)展，人臉檢測涌現(xiàn)出了大量的方法。由表征方式的差異，通?？梢苑譃榛谔卣鞯臋z測方法，基于統(tǒng)計的方法和模板匹配法[8] 梁路宏,艾海舟,徐光祐,[J].計算機學(xué)報,2002,5:449458.。（1）基于特征的檢測方法。這種方法是最原始的人臉檢測方法。有這種方法的人臉檢測系統(tǒng)里，一般需要先檢測出人臉圖像中的重要特征點（如鼻子、眼睛等）的相對位置和、特征點之間的相對距離和它們的形狀等參數(shù)，然后要用這些參數(shù)構(gòu)成一個表征人臉的特征向量，通常，特征向量的分量包括了兩點間的歐氏距離、角度和曲率等?；趲缀翁卣鞯娜四槞z測的方法的優(yōu)點如下：1）與人臉的機理相符合，比較容易理解；2）僅需存儲一些特征矢量，它的存儲量非常小； 3）對光照的變化不是很敏感。但是該方法也具有缺點：它只描述了一些重要特征的相對位置之間的關(guān)系和形狀，而忽略了那些比較細微的局部特征，因此更適合用來進行粗分類。（2）模板匹配法。模板匹配法需要首先建立一些作為參考標(biāo)準(zhǔn)的人臉模板，其中包括人臉的正面或是單獨的鼻子、嘴唇、眼睛等。然后通過一些正確的算法來檢測各待測區(qū)域與標(biāo)準(zhǔn)的人臉模板的相關(guān)度（或 稱相似度），通過利用檢測的數(shù)據(jù)來判斷該區(qū)域是否是人臉。該方法的優(yōu)點是當(dāng)被檢測人臉的大小不一樣或在允許范圍內(nèi)有偏轉(zhuǎn)時，由于模板匹配法使用的是可調(diào)的彈性模板，所以被測人臉都可以被檢測出來。 模板匹配方法的缺點是檢測前設(shè)計的模板輪廓必須取決于待檢測人臉的形狀，所以局限性比較大，影響了收斂的效果；并且在對待測圖像作全局搜索時，需要計算能量的函數(shù)和動態(tài)的調(diào)整參數(shù)，從而導(dǎo)致計算時間過長。（3）基于統(tǒng)計的人臉檢測方法。這種方法從整個目標(biāo)人臉出發(fā)，充分運用統(tǒng)計學(xué)的方法，利用大量的人臉圖像來提取人臉共有的一些規(guī)律，就可以運用這些規(guī)律檢測人臉了。因為人臉圖像是相當(dāng)復(fù)雜的，要想描述人臉的特征時非常困難，所以人們越來越青睞基于統(tǒng)計的人臉檢測方法。本文就是采用基于統(tǒng)計的方法（即Adaboost人臉檢測算）。Adaboost算法是一種基于積分圖和矩形特征的算法，將在下文中詳細介紹這種方法。 Adaboost算法Adaboost算法屬于一種迭代算法。它主要有三個步驟：1)首先需要提取待測圖像中的特征點，經(jīng)過訓(xùn)練從中選出最優(yōu)的特征點；2）然后再將選取出的特征變換為相應(yīng)的簡單分類器；3）最后將全部得到的簡單分類器通過優(yōu)化和組合，產(chǎn)生合成級聯(lián)分類器，即可以用于人臉的檢測[9] ：重慶大學(xué)，2010:79.。從上面可以看出，Adaboost算法的基礎(chǔ)是特征的計算和選取。而選取的特征即是特征矩陣（Haar特征），計算的方法是積分圖[10] Paul Viola，Michael Object Detection using a Boosted Cascade of Simple Features[C].Conference on Computer Vision And Pattern Recognition，Kauai，Hawaii，2001(1):511 518. [11] YANG H，YUAN BZ. Feature extraction in human Face recognition system[C].2000IEEE，Proceeding of ICSP,2000:127321276. 。 Haar特征Haar特征就是白色矩形和黑色矩形在圖像子窗口中對應(yīng)區(qū)域的灰度級總和之差，它反映了圖像局部的灰度化。常用的Haar特征有三種，如圖31： 圖31：三種Haar特征每個特征是由2個或者3個矩形組成，它們分別用來檢測中心特征、邊