【正文】 0個(gè)），這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。該方法結(jié)合了灰度特性和幾何因素，在比對(duì)時(shí)可以允許圖像存在彈性形變，在克服表情變化對(duì)識(shí)別的影響方面收到了較好的效果，同時(shí)對(duì)于單個(gè)人也不再需要多個(gè)樣本 進(jìn)行訓(xùn)練。目前有一些改進(jìn)型的特征臉?lè)椒ā? 特征臉（ PCA） 特征臉?lè)椒ㄊ腔?KL變換的人臉識(shí)別方法， KL變換是圖像壓縮的一種最優(yōu)正交變換。如果大于閾值，則是同一人，如果小于閾值就認(rèn)為不是同一人。確認(rèn)檢測(cè)目標(biāo)的人臉屬性。更多的學(xué)者則從事利用輸入圖像進(jìn)行計(jì)算機(jī)人臉識(shí)別的研究工作。美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)局舉辦的 Face Recognition Test 2021 通過(guò)大量的人臉數(shù)據(jù)監(jiān)測(cè)表明，當(dāng)前世界上人臉識(shí)別的精度已經(jīng)超過(guò)人類的平均水平。 。如此迅猛的發(fā)展主要有以下幾個(gè)原因： ，全面的接受普及，國(guó)家政府高度重視，大力支持。尤其關(guān)注復(fù)雜環(huán)境下（光照、姿態(tài)、表情、老化等）的人臉識(shí)別問(wèn)題。 南京理工大學(xué) 楊靜宇 奇異值分解方法 北京科技大學(xué) 王志良 人工心理，建立了以數(shù)學(xué)公式為基礎(chǔ)的心理學(xué)模型。 國(guó)內(nèi)關(guān)于人臉自動(dòng)識(shí)別的研究始于二十世紀(jì) 80年代，有了許多科研場(chǎng)所的理論，見(jiàn)表：中科院計(jì)算所，中科院自動(dòng)化所，復(fù)旦大學(xué)等，并都取得了一定的成果 .國(guó)內(nèi)的研究工作主要是集中在三大類方法的研究：基于幾何特征的人臉正面自姿態(tài)變化 人臉的傾斜，人臉朝向 人臉表情 喜 怒 哀 樂(lè) 甚至心情也會(huì)對(duì)面部圖像產(chǎn)生影響 年齡跨度 年齡的增長(zhǎng)伴隨的皺紋等 成像條件 光照強(qiáng)度 攝像距離 拍攝方向及角度 裝飾 眼鏡 帽子或者項(xiàng)鏈的佩戴與否 遮擋 圖像采集過(guò)程中外部物體產(chǎn)生遮擋 動(dòng)識(shí)別方法、基于代數(shù)特征的人臉正面自動(dòng)識(shí)別方法和基于連接機(jī)制的人臉正面自動(dòng)識(shí)別方法。 隨著計(jì)算機(jī)技術(shù)的發(fā)展，約在 80年代到 90年代初期，人臉識(shí)別技術(shù)得到了極大的發(fā)展，并且能夠逐步的把理論應(yīng)用到實(shí)際中。當(dāng)時(shí)主要運(yùn)用的是典型的模式識(shí)別。人臉識(shí)別是一個(gè)既古老又年輕的課題，說(shuō)它古老是因?yàn)樵缭谏蟼€(gè)世紀(jì)，法國(guó) Galton已經(jīng)進(jìn)行了研究。 表 人臉識(shí)別過(guò)程中遇到的常見(jiàn)的問(wèn)題 人臉是我們進(jìn)行感情的表達(dá)和交流，同時(shí)也可以傳遞信息。根據(jù)以上的應(yīng)用可以看出，人臉識(shí)別技術(shù)的研究對(duì)社會(huì)是有極大貢獻(xiàn)的，甚至可以產(chǎn)生對(duì)人類生活更為深遠(yuǎn)的影響。在電子商務(wù)中交易全部在網(wǎng)上完成，電子政務(wù)中的很多審批流程也都搬到了網(wǎng)上。如果同時(shí)應(yīng)用人臉識(shí)別就會(huì)避免這種情況的發(fā)生。如利用人臉識(shí)別系統(tǒng)和網(wǎng)絡(luò)，在全國(guó)范圍內(nèi)搜捕逃犯。也許這是未來(lái)最大規(guī)模的應(yīng)用，國(guó)際民航組織 (ICAO)已確定，從 2021年起，其 118 個(gè)成員國(guó)家和地區(qū)，必須使用機(jī)讀護(hù)照，人臉識(shí)別技術(shù)是首推識(shí)別模式，該規(guī)定已經(jīng)成為國(guó)際標(biāo)準(zhǔn)。如人臉識(shí)別門(mén)禁考勤 系統(tǒng)，人臉識(shí)別防盜門(mén)等。例如，美國(guó)“ ”事件后，各個(gè)國(guó)家政府已然對(duì)反恐怖活動(dòng)達(dá)成了的共識(shí)，加強(qiáng)機(jī)場(chǎng)的安全防務(wù)十分重要。在學(xué)術(shù)研究領(lǐng)域上，它同模式識(shí)別，計(jì)算機(jī)視覺(jué)，生理學(xué)心理學(xué)及人工智能等方面的交叉可以促進(jìn)發(fā)展。人們通過(guò)人臉的差異性來(lái)識(shí)別彼此的身份。整個(gè)識(shí)別過(guò)程全部都是由計(jì)算機(jī)自動(dòng)完成，效率得到了極大的提升。 。現(xiàn)在比較常見(jiàn)的識(shí)別技術(shù)有虹膜識(shí) 別，指紋識(shí)別，靜脈識(shí)別，人臉識(shí)別等。如何快速有效，簡(jiǎn)單方便的進(jìn)行身份識(shí)別已經(jīng)成為關(guān)系到切身利益的問(wèn)題。本文先采用圖像預(yù)處理得到統(tǒng)一化的灰度圖像后，進(jìn)行主成分分析，然后采用的事 BP神經(jīng)網(wǎng)絡(luò)通過(guò)進(jìn)行訓(xùn)練對(duì)人臉進(jìn)行識(shí)別，達(dá)到身份證件照識(shí)別的效果。在眾多生物特征的識(shí)別技術(shù)當(dāng)中，人臉識(shí)別更為直接友好，方便，且更易接受，它具有非侵犯性，主動(dòng)性等非常多的優(yōu)點(diǎn)，是一種較為理想的驗(yàn)證身份的手段。因其具有這些特點(diǎn)，使它成為了計(jì)算機(jī)模式識(shí)別，人工智能識(shí)別的寵兒。 關(guān)鍵詞：人臉識(shí)別 圖像預(yù)處理 主成分分析 BP神經(jīng)網(wǎng)絡(luò) Summary： Face recognition is a kind of newly emerging biometric technologies, biometric identification is characterized by the body39。個(gè)人的識(shí)別已經(jīng)不僅僅局限于姓名，身份證號(hào)等文字識(shí)別上，生物特征識(shí)別技術(shù)在近幾十年得到了快速發(fā)展。眾多生物特征的識(shí)別技術(shù)當(dāng)中，人臉識(shí)別占了很大的比重，得到更多的研究與應(yīng)用，原因在于人臉識(shí)別具有以下特點(diǎn)。人臉識(shí)別的過(guò)程只需要一個(gè)攝像頭，攝像機(jī)或手機(jī)也可以。 。因此，通過(guò)計(jì)算機(jī)對(duì)人臉進(jìn)行自動(dòng)識(shí)別成為了計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要課題。它 的另一重要的價(jià)值在于它的實(shí)際應(yīng)用。美國(guó)維薩格公司的臉像識(shí)別技術(shù)在美國(guó)的兩家機(jī)場(chǎng)大顯神通，它能在擁擠的人群中挑出某一張面孔，判斷他是不是通緝犯。甚至可能出現(xiàn)在家庭電器設(shè)備一體化 [2]。中國(guó)的電子護(hù)照計(jì)劃公安部一所正在加緊規(guī)劃和實(shí)施。也 可以根據(jù)目擊證人的描述畫(huà)出犯罪嫌疑人的肖像，經(jīng)過(guò)計(jì)算機(jī)合成人臉，對(duì)犯罪嫌疑人進(jìn)行有效抓捕。 信息安全。而當(dāng)前，交易或者審批的授權(quán)都是靠密碼來(lái)實(shí)現(xiàn)，如果密碼被盜，就無(wú)法保證安全。 雖然到目前為止現(xiàn)在的市場(chǎng)上已經(jīng)有了形形色色的人臉識(shí)別系統(tǒng)的產(chǎn)品，關(guān)于人臉識(shí)別的研究也取得了一定的成果。我們可以通過(guò)人的面部來(lái)判斷一個(gè)人的性別，年齡，種族。追溯到 20 世紀(jì) 50 年代，而當(dāng)時(shí)的人們主要把它應(yīng)用到社會(huì)心理學(xué)的領(lǐng)域。典型的模式識(shí)別都是通過(guò)利用臉部重要特征點(diǎn)之間的距離來(lái)實(shí)現(xiàn)的，并且側(cè)重于提取人臉側(cè)面圖像的特征。在此期間，人臉識(shí)別的方法開(kāi)始出現(xiàn)了多 樣化。 表 人臉識(shí)別研究 研究機(jī)構(gòu) 研究人員 研究方向 清華大學(xué) 邊肇祈 KL變換 清華大學(xué) 彭輝 張長(zhǎng)水 特征臉?lè)椒ǎ岢隼妙愰g散布矩陣作為產(chǎn)生矩陣，進(jìn)一步降低了產(chǎn)生矩陣的維數(shù)，在保持識(shí)別率的情況下，大大降低了運(yùn)算量。 中科院計(jì)算所與成都銀晨網(wǎng)訊與 2021年 5月聯(lián)合創(chuàng)立了國(guó)內(nèi)首家專門(mén)從事面像識(shí)別核心技術(shù)研究與開(kāi)發(fā)的實(shí)驗(yàn)室。 根據(jù)美國(guó)《生物識(shí)別文摘》報(bào)道，生物識(shí)別產(chǎn)品的銷售約為 ，第二年增長(zhǎng)到。 斷增加。人臉識(shí)別的市場(chǎng)與人口數(shù)量是成正比的，這也從根本上決定了我國(guó)的高需求。對(duì)于高清晰度的人臉識(shí)別，機(jī)器識(shí)別的準(zhǔn)確率幾乎為百分之百。 經(jīng)過(guò)市場(chǎng)長(zhǎng)期的檢驗(yàn)，這些方案已經(jīng)屬于領(lǐng)先的水平，但是由于人臉的復(fù)雜性，使人臉識(shí)別的研究有待進(jìn)一步的提升，依舊處于發(fā)展階段【 5】。 人臉處理：為了能夠在大量的數(shù)據(jù)中高速并準(zhǔn)確的尋找到有用的信息，往往需要對(duì)圖像提供的信息進(jìn)行處理，即不改變?cè)匈|(zhì)量的情況下降低輸入數(shù)據(jù)。常用的人臉識(shí)別的方法有多種。高維的圖像空間經(jīng)過(guò) KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。 線段 Hausdorff 距離 (LHD) LHD是基于從人臉灰度圖像中提取出來(lái)的線段圖的，它定義的是兩個(gè)線段集之間的距離，與眾不同的是， LHD并不建立不同線段集之間線段的一一對(duì)應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。而且支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng)，方法實(shí)現(xiàn)復(fù)雜，該函數(shù)的取法沒(méi)有統(tǒng)一的理論。預(yù)處理過(guò)程大體有 數(shù)字化 、幾何變換、歸一化、平滑、復(fù)原和增強(qiáng)等幾個(gè)步驟。在接收裝置的空間以及灰度分辨能力范圍之內(nèi) ,M 、 N 和 b 的值越大 ,圖像重建的效果的質(zhì)量就越好。預(yù)處理是人臉識(shí)別過(guò)程中一個(gè)重要環(huán)節(jié)，其主要目的是 消除圖像中的冗余信息，濾除干擾、噪聲，增強(qiáng)有關(guān)信息的 可檢測(cè)性，從而提高識(shí)別的可靠性。在圖像處理中有 256級(jí)顏色等級(jí)，由 8bit表示。例如，消除照片中的劃痕， 改善光照不均勻的圖像，突出目標(biāo)的邊緣等。若采用高通濾波法，則可以增強(qiáng)邊緣等高頻信號(hào)，令模糊的圖片變得清楚?；诳沼虻乃惴ǚ譃辄c(diǎn)運(yùn)算算法和鄰域去噪算法。常用算法有均值濾波、中值濾波。 。 直方圖均衡化又稱直方圖平坦化，它是圖像的最基本統(tǒng)計(jì)特征，是針對(duì)已知灰度概率密度分布圖像經(jīng)過(guò)變換后具有均勻灰度概率分布的直方圖。 在每個(gè)灰度級(jí)上都具有相同的象素點(diǎn)數(shù)的過(guò)程，為了使圖像在整個(gè)灰度值動(dòng)態(tài)變化范圍內(nèi)分布均勻化，使直方圖趨于平衡，改善圖像的亮度分布狀態(tài)。 直方圖均衡化的有點(diǎn)是對(duì)于背景和前景都太亮或者太暗的圖像非常有用，能自動(dòng)增強(qiáng)整個(gè)圖像的對(duì)比度，它是一種靈活并且是一種常見(jiàn)的直方圖修正技術(shù)。 這種方法的一個(gè)缺點(diǎn)是它對(duì)處理的數(shù)據(jù)不加選擇，具體增強(qiáng)效果不易控制，它可能會(huì)增加背景雜訊的對(duì)比度并且降低 有用信號(hào)的對(duì)比度；變換后圖像的灰度級(jí)減少，某些細(xì) 節(jié)消失，處理的結(jié)果總是得到全局均衡化的直方圖；某些圖像，如直方圖有高峰，經(jīng)處理后對(duì)比度不自然的過(guò)分增強(qiáng)。 該方法可以增強(qiáng)圖像對(duì)比度，突出細(xì)節(jié)。最常用的平滑方法有中值法、 K 近 鄰平均法和局部求平均法。它同時(shí)對(duì)干擾脈沖有良好的抑制作用并可以在一定程度上克服線性濾波所帶來(lái)的圖像細(xì)節(jié)模糊，而且它對(duì)圖像掃描噪聲非常有效。例如若窗口長(zhǎng)度為 5，窗口中像素的灰度值為 70、 60、 2 1 150，則中值為120，原來(lái)窗口正中的灰度值是 220，現(xiàn)在變成了 120。 中值濾波的步驟： （ 1） 將待處理在圖中漫游在模板中，使模板中心與圖中某個(gè)像素位置重合； （ 2） 當(dāng)模板 處于某一位時(shí)，讀取模板下各對(duì)應(yīng)像素的灰度值； （ 3） 將灰度值從小到大排成一列； （ 4） 找出灰度值的中間值； （ 5）將這個(gè)中間值賦給對(duì)應(yīng)模板中心位置的像素。二維中值濾波輸出數(shù)學(xué)表達(dá)式為 ? ? ? ? ? ?? ?Wlklykxfm e dyxg ???? , ，其中， ? ?yxf , ， ? ?yxg , 分別為原始圖像以及處理后圖像， W為二維模板 。 一般令圖像經(jīng)過(guò)一個(gè)二維低通的數(shù)字濾波器，使高頻信號(hào)衰減。濾波沖擊響應(yīng)函數(shù)? ?yxH , 的卷積表達(dá)式為： ? ? ? ? ? ?? ? ????? x y yvxuHyxfvug 1,1, 其中 ? ?yxf , 為圖像 圖 24 平滑濾波效果 a)加入噪聲的圖像 b)濾波后的圖像 圖 25 銳化濾波效果圖 a)原灰度圖像 b)銳化后的圖像 邊緣檢測(cè) 邊緣檢測(cè)的定義 邊緣檢測(cè)是圖像處理和 計(jì)算機(jī)視覺(jué) 中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，它大幅度地減少了數(shù)據(jù)量并去除了認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。基于查找的方法通過(guò)尋找圖像一階導(dǎo)數(shù)中的最大和最小值來(lái)檢測(cè)邊界，通常是將邊界定位在梯度最大的方向。 一個(gè)典型的邊界可能是，例如 一塊紅色和一塊黃色之間的邊界，與此相反的是 邊線 可能是在另外一種不變的背景上的少數(shù)不同顏色的點(diǎn)。 檢測(cè)邊緣 如果將邊緣認(rèn)為是一定數(shù)量點(diǎn)亮度發(fā)生變化的地方，那么邊緣檢測(cè)大體上就是計(jì)算這個(gè)亮度變化的導(dǎo)數(shù)。實(shí)際上，這也是為什么邊緣檢測(cè)不是一個(gè)微不足道問(wèn)題的原因之一。 通常用 拉普拉斯算子 或非線性微分方程的零交叉點(diǎn)。 計(jì)算一階導(dǎo)數(shù) 許多邊緣檢測(cè)操作都是基于亮度的一階 導(dǎo)數(shù) 這樣就得到了原始數(shù)據(jù)亮度的梯度。這實(shí)質(zhì)上是亮度梯度的變化率。這樣如果圖像中有 邊線 出現(xiàn)的話我們就能在亮度梯度上看到非常大的變化。 ②增強(qiáng) :增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的 變化值。最簡(jiǎn)單的邊緣檢測(cè)判據(jù)是梯度 幅值 閾值判據(jù)。 邊緣檢測(cè)的實(shí)質(zhì)是采用某種 算法 來(lái)提取出圖像中對(duì)象與背景間的交界線。 閾值確定 一旦我們計(jì)算出導(dǎo)數(shù)之后，下一步要做的就是給出一個(gè)閾值來(lái)確定哪里是邊緣位置。這個(gè)方法使用不同的閾值去尋找邊緣。 邊緣檢測(cè)算子 算子階數(shù) 算子類型 一階 Roberts Cross算子， Prewitt算子， Sobel算子， Kirsch算子，羅盤(pán)算子 二階 MarrHildreth，在梯度方向的二階導(dǎo)數(shù)過(guò)零點(diǎn)， Canny 算子， Laplacian算子 Canny算子 (或者這個(gè)算子的變體 )是最常用的邊緣檢測(cè)方法。 一個(gè)獲得亞點(diǎn)精度邊緣的改進(jìn)實(shí)現(xiàn)是通過(guò)檢測(cè)梯度方向上二階方向梯度的過(guò)零點(diǎn)來(lái)實(shí)現(xiàn)的 : 它在梯度方向的三階方向梯度滿足符號(hào)條件 其中 Lx, Ly ... Lyyy 表示從使用高斯核平滑原始圖像得到的尺度空間表示 L 計(jì)算出的偏微分。 Sobel邊緣檢測(cè) Soble邊緣檢測(cè)算法比較簡(jiǎn)，實(shí)際應(yīng)用中效率比 canny邊緣檢測(cè)效率要高，但是邊緣不如 Canny檢測(cè)的準(zhǔn)確，但是很多實(shí)際應(yīng)用的 場(chǎng)合， sobel邊緣卻是首選，尤其是對(duì)效率要求較高，而對(duì)細(xì)紋理不太關(guān)心的時(shí)候。% horizontal kx=1。% both 然后我們來(lái)計(jì)算梯度圖像，我們知道邊緣點(diǎn)其實(shí)就是圖像中灰度跳變劇烈的點(diǎn)，所以先計(jì)算梯度圖像，然后將梯度圖像中較亮的那一部分提取出來(lái)就是簡(jiǎn)單的邊緣部分。1 2 1]/8。 by = abs(filter2(y_mask,a))。邊緣存在于目標(biāo)、背景和區(qū)域之間，所以，它是圖像分割所依賴的最重要的依據(jù)。而在區(qū)域劃分中，是把圖像分割成特征相同的區(qū)域，區(qū)域之間的 邊界就是邊緣。 邊緣檢測(cè)的主要工具是邊緣檢測(cè)模板。而在邊緣附近，灰度值有明顯的跳變，這么做的結(jié)果使得該點(diǎn)的灰度值很大，這樣就出現(xiàn)了 上面的結(jié)果。如果圖象的邊緣是水平方向的，我們可以用梯度是垂直 方向的模板 檢測(cè)它的邊緣。它根據(jù)圖像的統(tǒng)計(jì)特征進(jìn)行正交變換 (即 KL 變換 )，以消除原有向量各個(gè)分量之間的相關(guān)性。 通過(guò)人臉向量向特征子空間作投影得到的向量稱之為主分量或特征主分量。即當(dāng)輸入