【正文】 )。imshow(j):原灰度圖像 邊緣檢測(cè)后的圖像 邊緣檢測(cè)效果圖 本章小結(jié)以上實(shí)例只是對(duì)Matlab圖像處理工具箱函數(shù)的一小部分運(yùn)用,從這些功能的運(yùn)用可以看出,Matlab語言簡(jiǎn)潔,可讀性強(qiáng)。其中，人臉圖像預(yù)處理，作為特征提取和識(shí)別的前提步驟，是計(jì)算機(jī)人臉識(shí)別系統(tǒng)中的必要環(huán)節(jié)。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，但一旦庫(kù)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(qiáng)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。人臉識(shí)別是一個(gè)復(fù)雜的過程，一個(gè)計(jì)算機(jī)人臉識(shí)別的流程如圖31所示。對(duì)提取出來的人臉借助人臉描述就可以進(jìn)行（狹義的）人臉識(shí)別，即通過提取特征來確定其身份。根據(jù)所選擇的“人臉特征”，基于顯式特征的方法分以下三類：基于膚色模型的方法、模板匹配的方法、基于先驗(yàn)知識(shí)的方法。除了RGB顏色空間，還有諸如HIS，LUV，GLHS等其它顏色空間被使用。標(biāo)準(zhǔn)人臉模板可以是固定的樣板，也可以是帶參變量的曲線函數(shù)。表31 基于顯示特征方法的特點(diǎn)檢測(cè)方法優(yōu)點(diǎn)與適用場(chǎng)合缺點(diǎn)與需要改進(jìn)的地方膚色模型檢測(cè)速度快高光和陰影會(huì)造成人臉區(qū)域被分割而被漏檢；膚色區(qū)域的存在提高了預(yù)警率模板匹配直觀性好，具有較好的適應(yīng)性對(duì)表情、尺度變換敏感；可變模板的選擇和參數(shù)的確定非常困難基于知識(shí)的方法適用復(fù)雜圖像中的人臉檢測(cè)依賴先驗(yàn)知識(shí)；多尺度空間遍歷工作量大，運(yùn)算時(shí)間長(zhǎng)基于隱式特征的方法將人臉區(qū)域看成一類模式，使用大量“人臉”、“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖像中所有可能區(qū)域是否屬于“人臉模式”的方法來實(shí)現(xiàn)人臉檢測(cè)?；谌斯ど窠?jīng)網(wǎng)絡(luò)的方法對(duì)于復(fù)雜的、難以顯式描述的模式，具有獨(dú)特的優(yōu)勢(shì)。以上四種方法的優(yōu)缺點(diǎn)比較見表32表32 基于隱式特征方法的特征檢測(cè)方法優(yōu)點(diǎn)缺點(diǎn)與需要改進(jìn)的地方本征臉法標(biāo)準(zhǔn)人臉模板能抽象人臉全部信息，運(yùn)算不涉及迭代耗費(fèi)時(shí)間短但模板檢測(cè)效率低，多模板提高了效率也增加了檢測(cè)時(shí)間神經(jīng)網(wǎng)絡(luò)法檢測(cè)效率高，錯(cuò)誤報(bào)警數(shù)目不多，訓(xùn)練成熟的網(wǎng)絡(luò)監(jiān)測(cè)速度快多樣本訓(xùn)練耗費(fèi)時(shí)間多，但網(wǎng)絡(luò)監(jiān)測(cè)錯(cuò)誤報(bào)警數(shù)目多支撐向量機(jī)機(jī)法比神經(jīng)網(wǎng)絡(luò)方法具有更好的泛化能力，能對(duì)為觀測(cè)到的例子進(jìn)行有效分類“非人臉”樣本復(fù)雜多樣，造成支持向量數(shù)目多，運(yùn)算復(fù)雜度大基于積分圖像分析法檢測(cè)速度快，基本滿足實(shí)時(shí)檢測(cè)要求，檢測(cè)效率可以與神經(jīng)網(wǎng)絡(luò)法比較錯(cuò)誤報(bào)警數(shù)目少時(shí)，檢測(cè)率不高 運(yùn)用matlab仿真進(jìn)行人臉檢測(cè)定位實(shí)例：人臉檢測(cè)定位程序：%%%%% Reading of a RGB image i=imread(39。BW=im2bw(I)。x1=1。y2=c。 if pr=100 BW(x1:x2, y1:y2)=0。s2=y2。 y2=y2+c。BB = regionprops(L, 39。BB2=cell2mat(BB1)。 if pmx amp。hold on。EdgeColor39。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測(cè)、尺寸歸一化、灰度歸一化等。如，用戶可根據(jù)需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測(cè)算子檢測(cè)人臉邊緣、選擇不同的灰度變換算法實(shí)現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時(shí)還實(shí)現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法。1)濾波去噪由于噪聲給圖像帶來的失真和降質(zhì)，在特征提取之前采用濾波的方式來去除噪聲是實(shí)際人臉識(shí)別系統(tǒng)中所必須的步驟。（1）線性濾波最典型的線性濾波方法如，采用鄰域平均法的均值濾波器、采用鄰域加權(quán)平均的高斯濾波和維納濾波。（2）中值濾波法中值濾波法是一種非線性濾波方法，它把像素及其鄰域中的像素按灰度級(jí)進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。2)灰度變換灰度變換是圖像增強(qiáng)技術(shù)中的一種。常用在人臉識(shí)別系統(tǒng)中的灰度變換方法主要有：基于圖像統(tǒng)計(jì)特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標(biāo)準(zhǔn)化三種方法。3)邊緣檢測(cè)對(duì)輸入人臉圖像進(jìn)行邊緣檢測(cè)是很多人臉識(shí)別系統(tǒng)在人臉粗定位及人臉主要器官（眼睛、鼻子、嘴巴）定位時(shí)采用的預(yù)處理方法。圖像類型轉(zhuǎn)換、圖像二值化、尺寸歸一化也是一些人臉識(shí)別系統(tǒng)中經(jīng)常使用的預(yù)處理方法。直方圖均衡化主要用于增強(qiáng)動(dòng)態(tài)范圍較小的圖像的反差,基本思想是把原始圖的直方圖變換為均勻分布的形式,這樣就增強(qiáng)了像素灰度值的動(dòng)態(tài)范圍,從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。 最初這種想法基于顏色直方圖。 第二，平均從存儲(chǔ)載體的連續(xù)九個(gè)頻率的計(jì)算，并存儲(chǔ)在另一個(gè)載體，供以后使用，在測(cè)試階段。 在“數(shù)字圖像處理的基本方法”這一部分，用到的一些基本方法和一些最常用的處理方法來實(shí)現(xiàn)圖像預(yù)處理，如格式轉(zhuǎn)換，灰度變化和濾波銳化。該方法能較好地實(shí)現(xiàn)人臉的分類，但對(duì)人臉圖像的要求較高，目前僅是采用Orl的標(biāo)準(zhǔn)人臉庫(kù)中的圖像來進(jìn)行測(cè)試，因此能獲得較高的識(shí)別率。林老師學(xué)識(shí)淵博、治學(xué)嚴(yán)謹(jǐn)、平易近人，他以其寬廣的視野、敏銳的洞察力、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度在學(xué)術(shù)上給了我悉心的指導(dǎo)。gui_State = struct(39。, gui_Singleton, ... 39。, FR_Processed_histogram_OutputF, ... 39。, [])。end if nargout [varargout{1:nargout}] = gui_mainf(gui_State, varargin{:})。 % UIWAIT makes FR_Processed_histogram wait for user response (see UIRESUME)% uiwait()。sub_img = 10。%% Outputs from this function are returned to the mand line.function varargout = FR_Processed_histogram_OutputF(hObject, eventdata, handles) varargout{1} = 。K = 1。,int2str(Z),39。) )。 end end end K = K + 1。 for j=1:1:r if( (mod(j,bin_num)) == 0 ) sum = sum + train_hist_img(j,i)。 else sum = sum + train_hist_img(j,i)。)save 39。global train_processed_bin。test_processed_bin(form_bin_num) = 0。 end end end [r c] = size(test_hist_img)。 test_processed_bin(K) = sum/bin_num。 end end test_processed_bin(K) = sum/bin_num。 end img_bin_hist_sum(K,1) = sum。 M = ceil(M/5)。 getString_start=getString_start(end)+1。 getString_end=getString_end(end)1。,num2str(M),39。)。 matches with the image of subject 39。\39。 end display(39。 isequal(get(hObject,39。)) set(hObject,39。)。Test Image39。imshow(I) %% Executes during object creation, after setting all properties.function axes3_CreateF(hObject, eventdata, handles)42