【正文】 身份與宣稱的身份是否相符作出判斷。 (4)基于人臉圖像比對的身份識別 即人臉識別 (Face Identification)問題。若存在人臉，給出其在圖像中的坐標(biāo)位置、人臉區(qū)域大小等信息。假設(shè)我們把照相機、攝像頭、掃描儀等看作計算機的“眼睛”，數(shù)字圖像可以看作計算機觀察到的“影像”，那么 5 AFR 賦予計算機根據(jù)其所“看到”的人臉圖片來判斷人物身份的能力。 表 11 人臉識別的應(yīng)用 應(yīng)用 優(yōu)點 存在問題 信信用卡、汽車駕照、護照以及個人身份驗證等 圖像攝取可控 圖像分割可控 圖像質(zhì)量好 需要建立龐大的數(shù)據(jù)庫 嫌疑犯照片匹配 圖像質(zhì)量不統(tǒng)一 多幅圖像可用 潛在的巨大圖像庫 4 互聯(lián)網(wǎng)應(yīng)用 視頻信息價值高多人參與 存在虛假 銀行 /儲蓄安全 監(jiān)控效果好 圖像分割不可控 圖像質(zhì)量較差 人群監(jiān)測 圖像質(zhì)量高 可利用攝像圖像 圖像分割自由 圖像質(zhì)量低、實時性 本文研究的問題 本文介紹了人臉圖像識別 中所應(yīng)用 MATLAB 對圖像進行預(yù)處理，應(yīng)用該工具箱對圖像進行經(jīng)典圖像處理 ,通過實例來應(yīng)用 matlab 圖像處理功能，對某一特定的人臉圖像處理，進而應(yīng)用到人臉識別系統(tǒng)。因此在各種干擾條件下實現(xiàn)人臉圖像的識別，也就更具有挑戰(zhàn)性。人臉圖像的自動識別系統(tǒng)較之指紋識別系統(tǒng)、 DNA 鑒定等更具方便性，因為它取樣方便，可以不接觸目標(biāo)就進行識別，從而開發(fā)研究的實際意義更 3 大。如果能夠開發(fā)出具有像人類一樣的機器識別機制，就能夠逐步地了解人類是如何存儲信息，并進行處理的，從而最終了解人類的思維機制。首先闡述了人臉圖像識別意義；然后介紹了人臉圖像識別研究中存在的問題；接著介紹了自動人臉識別系統(tǒng)的一般框架構(gòu)成；最后簡要地介紹了本文的主要工作和章節(jié)結(jié)構(gòu)。 研究背景 自 70 年代以來 .隨著人工智能技術(shù)的興起 .以及人類視覺研究的進展 .人們逐漸對人臉圖像的機器識別投入很大的熱情，并形成了一個人臉圖像識別研究領(lǐng)域， .這一領(lǐng)域除了它的重大理論價值外，也極具實用價值。 同時，進行人臉圖像識別研究也具有很大的使用價依。并且與指紋圖像不同的是，人臉圖像受很多因素的干擾 :人臉表情的多樣性 。 國外對于人臉圖像識別的研究較早，現(xiàn)己有實用系統(tǒng)面世，只是對于成像條件要求較苛刻，應(yīng)用范圍也就較窄，國內(nèi)也有許多科研機構(gòu)從事這方而的研究，并己取得許多成果。本文在總結(jié)分析人臉識別系統(tǒng)中幾種常用的圖像預(yù)處理方法基礎(chǔ)上，利用 MATLAB 實現(xiàn)了一個集多種預(yù)處理方法于一體的通用的人臉圖像預(yù)處理仿真系統(tǒng)，將該系統(tǒng)作為圖像預(yù)處理模塊可嵌入在人臉識別系統(tǒng)中，并利用灰度圖像的直方圖比對來實現(xiàn)人臉圖像的識別判定。 廣義的講，自動人臉識別系統(tǒng)具有如圖 所示的一般框架并完成相應(yīng)功能的任務(wù)。而人臉跟蹤則需要進一步輸出所檢測到的人臉位置、大小等狀態(tài)隨時間的連續(xù)變化情況。通過將輸入人臉圖像與人臉數(shù)據(jù)庫中的所有已知原型人臉圖像計算相似度并對其排序來給出輸入人臉的身份信息。 論文的內(nèi)容及組織 第二章主要介紹人臉識別系統(tǒng)中所用到的仿真軟件 Matlab，介紹了在人臉圖像識別過程中所需要的圖像處理技術(shù)，包括：一些基本操作、格式轉(zhuǎn)換、圖像增強等。 第二章 圖像處理的 Matlab 實現(xiàn) Matlab 簡介 由 Math Work 公司開發(fā)的 Matlab 語言語法限制不嚴(yán)格 ,程序設(shè)計自由度 大 ,程序的可移植性好。 數(shù)字圖像處理及過程 圖像是人類獲取信息、表達信息和傳遞信息的重要手段。 圖像處理的基本操作 讀取和顯示圖像可以通過 imread()和 imshow()來實現(xiàn) 。 圖像處理工具箱為我們提供了不同圖像類型相互轉(zhuǎn)換的大量函數(shù) ,如 mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像 ,rgb2gray()轉(zhuǎn)換 RGB 圖像或顏色映像表為灰度圖像。而頻域法是在圖像的某個變換域內(nèi)對整個圖像進行操作 ,并修改變換后的系數(shù) ,如傅立葉變換、 DCT 變換等的系數(shù) ,然后再進行反變換 ,便可得到處理后的圖像。 圖像處理工具箱中提供了圖像直方圖均衡化的具體函數(shù) histeq(), 9 同時我們可以用函數(shù) imhist()函數(shù)來計算和顯示圖像的直方圖。在 Matlab 中 ,各種濾波方法都是在空間域中通過不同的濾波算子實現(xiàn) ,可用 fspecial()函數(shù)來創(chuàng)建預(yù)定義的濾波算子 ,然后可以使用 imfilter()或 filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對圖像進行濾波。 工具箱中提供的 edge()函數(shù)可以進行邊緣檢測 ,在其參數(shù)里面 ,可以根據(jù) 需要選擇合適的算子及其參數(shù)。f:\39。imwrite(j,39。f:\39。 figure,subplot(1,2,1),imhist(i)。功能實現(xiàn)的代碼如下 : i=imread(39。guassian39。subplot(1,2,2),imshow(j1)。j2=imfilter(i,h)。 j=edge(i,39。作為人臉識別系統(tǒng)中圖像預(yù)處理工具，有非常好的處理功能。其目的是在去除噪聲，加強有用信息，對輸入設(shè)備或其他因素造成的退化現(xiàn)像進行復(fù)原，為后續(xù)的特征提取和識別作準(zhǔn)備。 鑒于此，作者在總結(jié)分析了灰度變換、濾波去噪、邊緣檢測三種廣泛應(yīng)用于不同人臉識別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計了一個通用的人臉圖像預(yù)處理仿真系統(tǒng)。它包括幾個步驟：對采集到的圖像，首先進行人臉檢測（在輸入圖像中尋找人臉），給出人臉有無的結(jié)果；然后進行人臉定位，確定人臉的位置并提取出來。 結(jié) 束圖 像 采 集 人 臉 檢 測 定 位是 否 定 位 成 功圖 像 與 處 理是 否 處 理 成 功人 臉 識 別是 否 識 別 成 功識 別 結(jié) 果開 始是否否是是否否是是否否 圖 基本框架圖 人臉檢測定位算法 人臉檢測定位算法大致可分為兩大類：基于顯式特征的方法和基于隱式特征的方法。 在彩色圖像中，顏色是人臉表面最為顯著的特征之一 ，利用顏色檢測人臉是很自然的想法。尋找到膚色區(qū)域后，必須進行驗證，排除類膚色區(qū)域。 基于先驗知識的方法則采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖（ mosaic image）模型，并在分析了足夠多的人臉圖像樣本的基礎(chǔ)上，針對人臉的灰度、邊緣、紋理等信息，建立一種關(guān)于人臉的知識庫。這類方法有：特征臉法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法；積分圖像法。 支撐向量機（ Support Vector Machine， SVM）法是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展出的一種新的模式識別方法，它基于結(jié)構(gòu)風(fēng)險最小化的原理，較之于基于經(jīng)驗風(fēng)險最小化的人工神經(jīng)網(wǎng)絡(luò)，一些難以逾越的問題，如：模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等都得到了很大程度上的解決。39。 figure,imshow(BW) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%% minimisation of background portion [n1 n2]=size(BW)。x2=r。 for j=1:10 if (y2=c | y2=9*c) | (x1==1 | x2==r*10) loc=find(BW(x1:x2, y1:y2)==0)。 r1=x1。 pr1=0。 end x1=x1+r。BoundingBox39。 [s1 s2]=size(BB2)。 (BB2(1,k)/BB2(1,k+1)) mx=p。 rectangle(39。,39。用在同一系統(tǒng)中的可能只有其中 23 一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照 強度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。 仿真系統(tǒng)中實現(xiàn)的人臉圖像預(yù)處理方法 根據(jù)所查閱文獻資料，常應(yīng)用于人臉圖像的預(yù)處理方法有：圖像類型轉(zhuǎn)換、濾波去噪、灰度變換、邊緣檢測及二值化、尺寸歸一化、灰度歸一化等。濾波的方法有很多，如各種平滑濾波、各種銳化濾波等，關(guān)于各種濾波方法的原理和分類可參考文獻 [2]。對圖像進行線性濾波可以去除圖像中某些特定類型的噪聲，如圖像中的 顆粒噪聲，高斯噪聲、椒鹽噪聲等。中值濾波方法的最大優(yōu)點是抑制噪聲效果明顯且能保護邊界。通過灰度變換，可對原始圖像中的光照不均進行補償，使得待識別人臉圖像遵循同一或相似的灰度分布。直方圖均衡化和直方圖規(guī)定化的灰度變換原理和實現(xiàn)方法可由 matlab 仿真來實現(xiàn)。邊緣檢測的方法有很多，主要有：微分算子法、 Sobel 算子法、拉普拉斯算子法、 canny 算子法等。為了在不修改其他算法的基礎(chǔ)上，擴大系統(tǒng)處理圖像的類型和范圍，將輸入圖像首先轉(zhuǎn)換為統(tǒng)一的類型，是多數(shù)人臉圖像預(yù)處理中的第一步。直方圖均衡化的優(yōu)點是 能自動地增強整個圖像的對比度 ,但它的具體的增強效果不好控制 ,處理的結(jié)果總是得到全局均衡化的直方圖。 此算法提供我們的建議技術(shù)名為 直方圖處理人臉識別 的第一部分。 此均值向量用于計算平均值的曾受訓(xùn)練的圖像和測試圖像絕對差異。僅就這一部分而言，就有很多可以繼續(xù)完成的工作，可將其它一些數(shù)字圖像處理方法進一步加以實現(xiàn)，如圖像的平滑，圖像矩陣的變換（ KL變換、 Fourier 變換、小波變換等），圖像的膨脹腐蝕、圖像的幾何變換（平移、旋轉(zhuǎn)、縮放等），以及各種編碼圖像的讀寫與顯示。而在現(xiàn)實生活中采集到的人臉圖像則會受到很多因素的影響，識別率就未必能達到要求了。論文進展并不順利時，是 林 老師以長者的仁愛胸懷對我表示了理解，不僅幫我指正了論文的方向，而且為我提供了大量的參考文獻 和網(wǎng)頁論壇 ，導(dǎo)師勤勉的敬業(yè)精神和一絲不茍的工作態(tài)度使我深深感動，這將是我一生工作和學(xué)習(xí)的好榜樣。 [4] 何國輝，甘俊英 .PCALDA算法在性別鑒別中的應(yīng)用 [J].中國圖像圖形學(xué)報，2021， 32（ 19）： 208211. [5] 王聃，賈云偉，林福嚴(yán) .人臉識別系統(tǒng)中的特征提取 [J].自動化學(xué)報， 2021，21（ 73） . [6] 張儉鴿，王世卿，盛光磊 .基于小波和 DFBPCA 的人臉識別算法研究 [J].自動化學(xué)報， 2021， 23（ 21） . [7] 曹林，王東峰，劉小軍，鄒謀炎 .基于二 維 Gabor 小波的人臉識別算法 [J].電子學(xué)報， 2021， 28（ 3） 490494 [8] 焦峰，山世光，崔國勤，高文，李錦濤 .基于局部特征分析的人臉識別方法 [J].自動化學(xué)報， 2021， 15（ 1）： 5358 [9] Wangmeng Zuo， Kuanquan Wang， David Zhang， Hongzhi Zhang. Combination of two novel LDAbased methods for face recognition[C].Proceedings of the IEEE， 2021： 735742 [10] 徐倩，鄧偉 .一種融合兩種主成分分析的人臉識別方法 [J].計算機學(xué)報， 2021，43（ 25）： 195197 [11] 劉貴喜，楊萬海 .基于小波分解的圖像融和方法及性能評價 [J].自動化學(xué)報， 31 2021， 28（ 6）： 927934 [12] 周嬪，馬少平，蘇中 .多分類器合成方法綜獻 [J].自動化學(xué)報， 2021， 28（ 1）：122124 [13] 王蘊紅，范偉，譚鐵牛 .融合全局與局部特征的子空間人臉識別算法 [J].電子學(xué)報， 2021， 28（ 10）： 16571662 [14] 莊哲民，張阿妞，李芬蘭 .基于優(yōu)化的 LDA算法人臉識別研究 [J].中國圖像圖形學(xué)報， 2021， 29（ 9）： 20472049 [15] 鐘向陽 .基于 Gabor小波的人臉識別系統(tǒng)的實現(xiàn) [J].中國圖像圖形學(xué)報，2021， 23（ 3） [16] 張燕昆，劉重慶 .一種新穎的基于 LDA的人臉識別方法 [J].自動化學(xué)報，2021， 22（ 5）： 327330 32 附錄 人臉識別 matlab 程序 function varargout = FR_Processed_histogram(varargin) %這種算法是基于直方圖處理的方法 %The histogram of image is calculated and then bin formation is done on the %basis of mean of successive graylevels frequencies. The training is done on odd images of 40 subjects (200 images out of 400 images) %The results of the implemented algorithm is (recognition fa