【正文】 ()的平均值: () 的平均值: ()其中: 是圖像的整體灰度平均值, 是閾值為時(shí)灰度的平均值,定義、兩組間的方差如() 式所示: ()尋找 間使得上式取最大值的,即可得到閾值。figure(1)。imshow(J)。imshow (H)。figure,imshow(Z)； (a) 均衡化圖像 (b) 二值化結(jié)果圖 圖像二值化結(jié)果圖第三章 人眼定位算法本章節(jié)是本文的重點(diǎn)，主要介紹了靜止灰度單人圖像中人眼檢測(cè)的問(wèn)題，提出了快速有效的檢測(cè)算法。一般的人臉識(shí)別系統(tǒng)主要包括預(yù)處理、特征提取、樣本學(xué)習(xí)和識(shí)別過(guò)程四個(gè)部分 ,其中特征提取的好壞將直接影響到識(shí)別效果。本文所采用的方法一種基于最大類(lèi)間方差閾值分割和灰度積分投影技術(shù)的眼睛定位方法。人臉的主要特征包括眼睛,鼻子,嘴巴,下巴等,對(duì)于這些特征點(diǎn)的提取是否準(zhǔn)確將直接關(guān)系到整個(gè)識(shí)別系統(tǒng)的性能。目前的眼睛定位方法較多 ,但各有其優(yōu)缺點(diǎn)。此外還有使用分形維數(shù)的方法 ,這種方法定位準(zhǔn)確率較高 ,但由于需要多次計(jì)算,運(yùn)算復(fù)雜。列投影，就是對(duì)軸投影，得到的值最大的那一點(diǎn)。由于人眼區(qū)域的灰度特征與人臉部其它部位有明顯的不同 ,采用積分投影很容易得到眼睛的大致位置。在人臉左右邊界處,垂直方向上亮度值的總和迅速減小,形成一個(gè)明顯的凹谷。將凹谷的下降沿梯度值最大的點(diǎn)作為人臉的左邊界,凹谷的下降沿梯度值最小的點(diǎn)作為人臉的右邊界。可以看出,人臉的左右邊界定位準(zhǔn)確,滿(mǎn)足后續(xù)步驟檢測(cè)人眼的需要。為了去除噪聲的影響,采用相同的方法對(duì)進(jìn)行平滑得: （）的取值跟人臉在圖像中的大小有關(guān),實(shí)驗(yàn)中取=6。那么曲線(xiàn)中的最大值點(diǎn)和次最大值點(diǎn)之間的低谷對(duì)應(yīng)人眼 ,因此原人臉圖像中對(duì)應(yīng)最大值點(diǎn)和次最大值點(diǎn)之間的那部分圖像即對(duì)應(yīng)人眼所處的大致水平位置，這樣就將原來(lái)的人臉圖像縮小到大致只有眉毛和眼睛的小區(qū)域 。 眼睛的精確定位眼睛的精確定位方法有很多。第四章 檢測(cè)結(jié)果與分析本章主要介紹了根據(jù)本文提出的人眼檢測(cè)算法編寫(xiě)，并對(duì)根據(jù)該算法檢測(cè)的結(jié)果進(jìn)行了相關(guān)分析。其中眼睛這一器官有著舉足輕重的作用，對(duì)眼睛進(jìn)行幾何描述勢(shì)必先要找到眼睛的位置，即先要進(jìn)行眼睛定位。在人臉?lè)轿徽{(diào)整中對(duì)眼睛的準(zhǔn)確定位是必不可少的步驟，這是因?yàn)閮裳壑行拈g距受光照或表情變化的影響最小，雙眼中心連線(xiàn)的方向隨人像的偏轉(zhuǎn)而偏轉(zhuǎn)，可以作為圖像旋轉(zhuǎn)的依據(jù)。但該方法對(duì)于有復(fù)雜人臉識(shí)別是人類(lèi)視覺(jué)最杰出的能力之一，它的研究涉及模式識(shí)別、圖像處理、生理，心理學(xué)、認(rèn)知科學(xué)，和基于其它生物特征的身份鑒別方法以及計(jì)算機(jī)人機(jī)感知學(xué)交互領(lǐng)域都有密切聯(lián)系。它的應(yīng)用范圍很廣,如安全系統(tǒng)中的身份認(rèn)證、視頻監(jiān)控中目標(biāo)的識(shí)別與跟蹤,以及表情分析、年齡分析、唇讀、智能計(jì)算機(jī)中的人機(jī)交互等。參考文獻(xiàn)（1）朱虹等編著。圖像處理與識(shí)別。重慶 重慶大學(xué)出版社，2003。基于灰度積分投影和模板匹配的人眼定位，電子學(xué)報(bào)，2005。在此向他們表示衷心的感謝和崇高的敬意。在論文的完成過(guò)程中，還得到閻國(guó)梁老師的多方面的指導(dǎo)、教誨和幫助?；诨叶确e分投影的人眼定位，電子學(xué)報(bào)，2005。（3）余成波編著。北京 科學(xué)出版社，2002。本文所采用的方法快速、簡(jiǎn)單,可滿(mǎn)足弱實(shí)時(shí)應(yīng)用。本文所研究的人眼識(shí)別對(duì)象都是針對(duì)單人正面或半側(cè)面圖像。利用灰度積分投影曲線(xiàn)將人臉?lè)秶s小到眉眼區(qū)域 ,在此基礎(chǔ)上再做一次水平積分投影 ,即可確定眼睛所在的垂直位置 ,進(jìn)一步縮小了查找范圍 , 最后使用眼睛模板 ,分別沿著兩個(gè)垂直方向進(jìn)行匹配 ,找到匹配程度最高的位置即定位為人眼的位置。在人臉正面圖像識(shí)別過(guò)程，不管是利用人臉的全局特征還是局部特征，是采用圖像的幾何特征，還是圖像的代數(shù)特征，人臉?lè)轿坏淖兓瘜?duì)識(shí)別的結(jié)果都有顯著的影響，所以在特征提取前必須先對(duì)人臉圖像進(jìn)行預(yù)處理如:對(duì)人臉?lè)轿贿M(jìn)行調(diào)整使其規(guī)范化。 總結(jié)人臉由眼睛、鼻子、嘴巴、下巴等器官構(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬(wàn)別，因此對(duì)這些器官的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以作為人臉識(shí)別的重要特征。傳統(tǒng)的模板匹配法 ,通常是在整幅圖像中進(jìn)行匹配 ,運(yùn)算量大 ,且干擾因素較多。根據(jù)自然約束條件,從垂直方向上看,眼在眉的下面,從下至上搜索,首先找到的是人眼。 　　　 　　　 圖34　垂直灰度投影曲線(xiàn) 圖35　定位上下邊界的人臉得到的灰度投影曲線(xiàn)的前段谷區(qū)域?qū)?yīng)于人的頭頂部分 ,因?yàn)轭^發(fā)的低灰度產(chǎn)生了水平投影曲線(xiàn)的低谷。人眼水平位置的預(yù)估當(dāng)人臉的左右邊界確定之后,取左右邊界之間的人臉區(qū)域作為研究對(duì)象。再求曲線(xiàn)x∈[x1,N]段的最小梯度值點(diǎn),記為x2,x2即為人臉的右邊界。為了除去噪聲的影響,對(duì)垂直灰度投影曲線(xiàn)進(jìn)行平滑處理,平滑處理后的曲線(xiàn)稱(chēng)為: （）的取值跟人臉在圖像中的大小有關(guān),實(shí)驗(yàn)中取=16。觀(guān)察不同單人圖像的垂直灰度投影曲線(xiàn),如圖所示,可以發(fā)現(xiàn)人臉?biāo)趨^(qū)域?qū)⑹勾怪被叶韧队扒€(xiàn)形成一個(gè)具有一定寬度的凹谷。下面以圖為例說(shuō)明算法過(guò)程。圖像中，長(zhǎng)方形的垂直投影和水平投影分別定義為： （） （）投影就是統(tǒng)計(jì)出圖像中每列及每行某區(qū)間中非零像素點(diǎn)的數(shù)目。灰度投影法 對(duì)人臉圖像進(jìn)行水平和垂直方向的投影 ,根據(jù)波峰波谷的分布信息來(lái)定位眼睛 ,這種方法定位速度較快 ,但波峰波谷的分布對(duì)不同的人臉和姿態(tài)的變化非常敏感 ,定位精度較差。基于灰度投影的人臉特征提取是一種非常重要的方法,國(guó)內(nèi)外很多學(xué)者在這方面進(jìn)行了研究,如Dieckmann和KarinSobottka曾提出的直接對(duì)原圖做灰度投影的方法,這種方法的缺點(diǎn)是投影圖像中干擾噪聲太大,曲線(xiàn)不規(guī)則,很難在此基礎(chǔ)上直接找到特征點(diǎn)。整個(gè)過(guò)程如圖 1所示: 圖像直方圖均衡化圖像二值化處理根據(jù)積分投影定位眼睛的大概位置眼睛精確定位的圖像找到眼睛的精確位置圖像中值濾波輸入圖像圖像灰度化用積分投影將圖像縮到眉眼區(qū)域 圖31 眼睛精確定位步驟流程圖 人臉識(shí)別的常用方法根據(jù)表征方式的不同,人臉識(shí)別常用的方法大致分為基于幾何特征的識(shí)別、基于代數(shù)特征的識(shí)別和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。在灰度積分投影的基礎(chǔ)上 ,通過(guò)使用模板匹配 ,減少了匹配的運(yùn)算量 ,同時(shí)也增加了匹配的準(zhǔn)確率。人臉識(shí)別系統(tǒng)與傳統(tǒng)的身份識(shí)別系統(tǒng)相比,具有不易偽裝、非接觸性、無(wú)需被識(shí)別者刻意配合,工作方式自然友好等優(yōu)點(diǎn)。figure(5),imhist(H)。H=histeq (K)。J=rgb2gray(I)。F:/39。這里采用的是最大類(lèi)間方差閾值分割法,又叫大津法。直方圖均衡化的方法是直方圖修整法的一個(gè)特例，即直方圖均衡化的優(yōu)點(diǎn)是能自動(dòng)的增強(qiáng)整個(gè)圖像的對(duì)比度，但它的具體增強(qiáng)效果不易控制，處理的結(jié)果總是得到全局均衡化的直方圖。figure(3)。figure(2)。)。均衡化后的圖像動(dòng)態(tài)范圍擴(kuò)大了，但其本質(zhì)是擴(kuò)大了量化層間隔，而非量化層的數(shù)目，相反，均衡化后級(jí)數(shù)分布減少，因而可能會(huì)出現(xiàn)偽輪廓。另外 ,因?yàn)槠毓鈼l件的不同 ,圖像灰度可能會(huì)局限在一個(gè)很小的范圍內(nèi) ,造成圖像的模糊不清。 直方圖均衡化在信息論中有這樣一個(gè)結(jié)論，當(dāng)數(shù)據(jù)的分布接近均勻分布的時(shí)候，數(shù)據(jù)所承載的信息量為最大，圖像的灰度直方圖表示數(shù)字圖像中每一個(gè)灰度與其出現(xiàn)頻度間的統(tǒng)計(jì)關(guān)系。雖然，中值濾波容易去除孤立點(diǎn)、線(xiàn)性的噪聲，同時(shí)保持圖像的邊緣，并能很好地去除二值噪聲，但對(duì)高斯噪聲無(wú)能為力。K=medfilt2(J,[3 3])。figure(1)。中值濾波法是一種非線(xiàn)性的圖像平滑方法，它對(duì)一個(gè)滑動(dòng)窗口內(nèi)的諸像素灰度排序，用其中值代替窗口中心像素原來(lái)的灰度（若窗口中有偶數(shù)個(gè)像素，則取兩個(gè)中間值的平均）。如果 處理點(diǎn)是噪聲點(diǎn)，其鄰近像素灰度與之相差很大，一旦用簡(jiǎn)單鄰域平均法，即鄰近像素的平均值來(lái)置換它，能明顯地將噪聲點(diǎn)壓制下去，使鄰域中灰度接近均勻，起到平滑灰度的作用。average39。)。為了保持平滑處理后的圖像的平均值不變，模板內(nèi)各元素之和為1。另外，均值濾波有一個(gè)非常致命的缺點(diǎn)，就是在求均值的計(jì)算中，會(huì)同時(shí)將景物的邊緣點(diǎn)同時(shí)進(jìn)行均值處理，這樣就使景物的清晰度降低，畫(huà)面變得模糊。通?？偸羌俣ㄐ盘?hào)和噪聲互相獨(dú)立的，通常對(duì)數(shù)變換后當(dāng)作加性噪聲的模型來(lái)處理。 設(shè)為理想圖像，為噪聲，實(shí)際輸出圖像為。凡是統(tǒng)計(jì)特性不隨時(shí)間變化的噪聲稱(chēng)為平穩(wěn)噪聲，而統(tǒng)計(jì)特性隨時(shí)間變化的噪聲稱(chēng)為非平穩(wěn)噪聲。（2）有機(jī)械運(yùn)動(dòng)引起的噪聲，例如，接頭振動(dòng)使電流不穩(wěn)，磁頭或磁帶，磁盤(pán)抖動(dòng)等。 圖像噪聲分類(lèi) 根據(jù)噪聲產(chǎn)生的來(lái)源，大致可以分為外部噪聲和內(nèi)部噪聲兩大類(lèi)。因此可實(shí)現(xiàn)實(shí)時(shí)或者準(zhǔn)實(shí)時(shí)處理。使用這些技術(shù)需要知道信號(hào)和噪聲的統(tǒng)計(jì)模型。對(duì)于濾除圖像中的噪聲，人們已經(jīng)提出了很多的方法。else I(i,j)=(255200)/(255150)*(I