【正文】
感恩之余,誠(chéng)懇地請(qǐng)各位老師對(duì)我的論文多加批評(píng)指正,使我及時(shí)完善論文的不足之處。(4) 介紹了常用的人臉特征點(diǎn)提取方法,并深入研究了基于2DPCA的人臉特征點(diǎn)提取方法與人臉識(shí)別。本文利用已有的基礎(chǔ)對(duì)人臉識(shí)別整個(gè)系統(tǒng)進(jìn)行了分析、研究和實(shí)現(xiàn)。如何減少的2DPCA的維?一個(gè)簡(jiǎn)單的方法是在2DPCA降維后進(jìn)一步使用PCA,即2DPCA加PCA。2DPCA與PCA用公式(518)用于計(jì)算兩個(gè)特征矩陣(主成分向量所形成)之間的歐氏距離。隨著子圖像的數(shù)量增加,重建圖像更加清晰的。此外,特征值的幅度遞減順序在圖(53)中進(jìn)行了繪制。ORL人臉庫(kù)的部分人臉圖像如圖(51)所示:圖a為ORL人臉庫(kù)中的同一個(gè)人不同光照、不同表情、正面、微面、測(cè)面、睜眼和閉眼的人臉圖像;圖b為ORL人臉庫(kù)中的不同人、不同光照、不同表情、正面、微面、測(cè)面、睜眼和閉眼的人臉圖像;圖c是按照ORL人臉庫(kù)中的處理方法,訓(xùn)練出的待識(shí)別人臉的訓(xùn)練樣本。給定一個(gè)樣本,若有,且有,則分類(lèi)結(jié)果是。最佳投影方向選擇的即是的最大特征值所對(duì)應(yīng)特征向量的方向。 2DPCA人臉識(shí)別算法 設(shè)表示維單位列向量。實(shí)驗(yàn)結(jié)果表明,ICA、::。從那時(shí)起,主成分分析得到了廣泛的研究,并已成為一個(gè)在人臉識(shí)別中的最成功做法。 PCA算法的人臉識(shí)別一般情況下,最開(kāi)始獲取的人臉圖像的數(shù)據(jù)量是非常龐大的。 (51)其中。支持向量機(jī)的原理是先經(jīng)過(guò)非線性變換把輸入空間轉(zhuǎn)換到高維空間,再在這個(gè)高維空間里得到最優(yōu)線性分類(lèi)面,進(jìn)而可求出未知樣本與最優(yōu)線性分類(lèi)面的距離,達(dá)到對(duì)人臉圖像進(jìn)行分類(lèi)的效果,該算法的識(shí)別率最高。在人臉識(shí)別技術(shù)中,神經(jīng)網(wǎng)絡(luò)法可以訓(xùn)練部分缺損或具有較強(qiáng)噪聲的人臉圖像,它屬于一種非線性的方法,但是有時(shí)比線性方法更為準(zhǔn)確。但是SVD在某種程度上,具有幾何和代數(shù)中的雙重穩(wěn)定性?;诮y(tǒng)計(jì)的方法是利用一種整體的思想,將人臉圖像當(dāng)作一個(gè)模式來(lái)進(jìn)行識(shí)別。 圖像特征提取方法下面介紹常用的一些人臉特征提取與識(shí)別方法。其實(shí)特征提取廣義上說(shuō)就是一種變換。在顏色處理中,把彩色圖像轉(zhuǎn)換為了灰度圖像。 (1)直方圖均衡化后的圖像 (2)均衡化后的圖像對(duì)應(yīng)的直方圖圖44:圖像直方圖均衡化后的示意圖灰度歸一化可以解決人臉部分因光照不均勻造成的對(duì)識(shí)別結(jié)果的影響,它使每一張圖像的灰度值具有相同的均值和方差,即交流和直流成分也是相同的。對(duì)ORL人臉庫(kù)中的一人臉作圖象預(yù)處理的結(jié)果如圖42。只要固定了人眼之間的坐標(biāo),就可以確保其他重要部位如嘴、臉頰、鼻等的位置都保持相對(duì)準(zhǔn)確的位置。幾何歸一化由三部分構(gòu)成,即圖像剪切、圖像縮放和圖像旋轉(zhuǎn)[16] Mike Meade,Shyamala ,and William performance of principal ponent analysis,Gabor wavelets and discrete wavelet transforms for face ,30(2),93102.[17] :武漢大學(xué)出版社,2003,6372,132141.。在圖像處理的領(lǐng)域中,人們一般都把亮度作了量化處理,將它劃分為從0到255總共256個(gè)級(jí)別。他們?cè)谘坨R、裝飾物、服飾、發(fā)型或者化妝方面都沒(méi)有具體的限制。ORL人臉數(shù)據(jù)庫(kù)里的圖像都是灰色的,尺寸為,背景也是灰色的。 人臉圖像庫(kù)要開(kāi)發(fā)一個(gè)人臉識(shí)別系統(tǒng),都需要有一個(gè)自己的包含圖像系列或人臉圖像的數(shù)據(jù)庫(kù)。圖33是用級(jí)聯(lián)分類(lèi)器作人臉檢測(cè)的結(jié)果。Adaboost分類(lèi)器中包括了非常多的簡(jiǎn)單分類(lèi)器,如果按照一定的權(quán)重和方法就可以把這些簡(jiǎn)單分類(lèi)器串聯(lián)起來(lái),就可以形成對(duì)應(yīng)的強(qiáng)分類(lèi)器。積分圖的原理是用空間換取時(shí)間,該方法是把從圖像的起點(diǎn)開(kāi)始到其它位置所構(gòu)成的矩形區(qū)域的像素之和作為一個(gè)數(shù)組存儲(chǔ)起來(lái),當(dāng)計(jì)算某個(gè)區(qū)域的時(shí),就直接運(yùn)用這些數(shù)組來(lái)計(jì)算,而不必再計(jì)算這片區(qū)域的像素,從而節(jié)省了時(shí)間,加快了計(jì)算速度。 Adaboost算法Adaboost算法屬于一種迭代算法。然后通過(guò)一些正確的算法來(lái)檢測(cè)各待測(cè)區(qū)域與標(biāo)準(zhǔn)的人臉模板的相關(guān)度(或 稱(chēng)相似度),通過(guò)利用檢測(cè)的數(shù)據(jù)來(lái)判斷該區(qū)域是否是人臉。由表征方式的差異,通常可以分為基于特征的檢測(cè)方法,基于統(tǒng)計(jì)的方法和模板匹配法[8] 梁路宏,艾海舟,徐光祐,[J].計(jì)算機(jī)學(xué)報(bào),2002,5:449458.。Matlab在處理信息時(shí)可以用很常用的數(shù)學(xué)表達(dá)式解決,且Matlab的運(yùn)算速度快,它具有專(zhuān)門(mén)的圖像處理工具箱。由于機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)處理是密切相關(guān)的,因此OpenCV還有機(jī)器學(xué)習(xí)庫(kù)。 圖像的匹配與識(shí)別人臉圖像匹配與識(shí)別:提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫(kù)中存儲(chǔ)的特征模板進(jìn)行搜索匹配,通過(guò)設(shè)定一個(gè)閾值,當(dāng)相似度超過(guò)這一閾值,則把匹配得到的結(jié)果輸出。 圖像的預(yù)處理人臉圖像預(yù)處理:對(duì)于人臉的圖像預(yù)處理是基于人臉檢測(cè)結(jié)果,對(duì)圖像進(jìn)行處理并最終服務(wù)于特征提取的過(guò)程。 獲取人臉圖像信息不同的人臉圖像都能通過(guò)攝像鏡頭采集下來(lái),比如靜態(tài)圖像、動(dòng)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。最后分別對(duì)主成分分析算法、二維主成分分析算法進(jìn)行了全面的闡述和比較,得出它們的優(yōu)缺點(diǎn)。 本文大概安排這篇文章主要是由以下幾個(gè)部分構(gòu)成:1) 人臉識(shí)別技術(shù)的研究背景及基本的理論知識(shí),這個(gè)主要體現(xiàn)在文章的前面兩章。其中人臉姿態(tài)主要是在自然條件下,獲取的人臉圖像并不都是完整的,人臉的俯仰或者偏轉(zhuǎn)都可能造成面部信息的部分丟失,在精確提取人臉圖像的特征點(diǎn)時(shí)造成了不小的困難;而人臉并不是一成不變的,其豐富且變化的表情是復(fù)雜且細(xì)微的。(4) 人臉的面部表情研究:即分析人臉的表情,比如:喜、怒、哀、樂(lè)、哭等這些能直接體現(xiàn)到人臉上的信息,并通過(guò)分析這些信息,抓住這些表情的穩(wěn)定性特征,對(duì)其進(jìn)行有效的識(shí)別。雖然在很多情況下,人臉的信息在人為參與下可以很容易的獲得,如身份證、學(xué)生證上的照片等。計(jì)算機(jī)登錄、門(mén)禁系統(tǒng)控制而現(xiàn)在該技術(shù)已經(jīng)取得了重大的突破,可謂百家爭(zhēng)鳴,很多研究機(jī)構(gòu)都已提出了自己的人臉識(shí)別算法。s work has the following several aspects: 1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved is pared between the two, it is concluds that the real time and accuracy of the latter is greater than the the Adaboost face detection algorithm and 2DPCA are bined, which not only can greatly reduce the recognition time, but also plement each other, effectively improve the recognition rate.Key words:Face recognition 2DPCA Feature extraction Face detection 目 錄第1章 前 言 1 人臉識(shí)別的應(yīng)用和研究背景 1 人臉識(shí)別技術(shù)的研究方向 2 研究的現(xiàn)狀與存在的困難 3 本文大概安排 4第2章 人臉識(shí)別系統(tǒng)及軟件平臺(tái)的配置 4 人臉識(shí)別系統(tǒng)概況 4 獲取人臉圖像信息 5 檢測(cè)定位 5 圖像的預(yù)處理 5 特征提取 6 圖像的匹配與識(shí)別 6 OpenCV 6 OpenCV簡(jiǎn)介 6 OpenCV的系統(tǒng)配置 7 Matlab與圖像處理 8第3章 圖像的檢測(cè)定位 8 引言 8 人臉檢測(cè)的方法 8 Adaboost算法 9 Haar特征 10 積分圖 10 級(jí)聯(lián)分類(lèi)器 11第4章 圖像的預(yù)處理 13 引言 13 人臉圖像庫(kù) 13 人臉預(yù)處理算法 14 顏色處理 14 15 16 18 本章小結(jié) 19第5章 圖像的特征提取與識(shí)別 19 引言 19 圖像特征提取方法 20 20 20(elastic graph matching) 21 21(SVM)方法 22 距離分類(lèi)器的選擇 22 PCA算法的人臉識(shí)別 24 二維主成分分析(2DPCA) 25 2DPCA人臉識(shí)別算法 25 特征提取 27 分類(lèi)方法 27 基于2DPCA的圖像重構(gòu) 28 實(shí)驗(yàn)分析 28第6章 總結(jié)與展望 33 本文總結(jié) 33 未來(lái)工作展望 33致謝 34參考文獻(xiàn): 35第1章 前 言 人臉識(shí)別的應(yīng)用和研究背景 隨著社會(huì)科學(xué)技術(shù)的發(fā)展進(jìn)步,特別是最近幾年計(jì)算機(jī)的軟硬件技術(shù)高速發(fā)展,以及人們?cè)絹?lái)越將視野集中到快速高效的智能身份識(shí)別,使生物識(shí)別技術(shù)在科學(xué)研究中取得了重大的進(jìn)步和發(fā)展。本文的主要工作內(nèi)容如下:1) 介紹了人臉識(shí)別技術(shù)的基礎(chǔ)知識(shí),包括該技術(shù)的應(yīng)用、背景、研究方向以及目前研究該技術(shù)的困難,并對(duì)人臉識(shí)別系統(tǒng)的運(yùn)行過(guò)程以及運(yùn)行平臺(tái)作了簡(jiǎn)單的介紹。2) 預(yù)處理工作是在原始0RL人臉庫(kù)上進(jìn)行的。由于生物之間的生物特征具有很好的自身穩(wěn)定性以及個(gè)體差異性,因此身份識(shí)別就是利用生物體內(nèi)在的屬性也就是生物特征作為依據(jù)[1] ,2005,5:57—58.。目前,部分人臉識(shí)別技術(shù)已經(jīng)應(yīng)用于產(chǎn)品中,給人們生活帶來(lái)了極大的便利。專(zhuān)家身份識(shí)別系統(tǒng)然而在大部分應(yīng)用中,外界的條件并不單一,人臉的位置是無(wú)法預(yù)測(cè)的,因此實(shí)際中的人臉的位置具有很大的不確定性。人臉識(shí)別有狹義和廣義的概念之分,人臉識(shí)別的狹義是指從下面的幾個(gè)方面構(gòu)建人臉識(shí)別系統(tǒng),即是:人臉檢測(cè),人臉特征點(diǎn)提取和人臉的鑒別。所以,建立一個(gè)人臉的情緒和表情模型的分類(lèi),把人臉的面部特征的變化和人臉的表情描述聯(lián)系起來(lái),通過(guò)計(jì)算機(jī)對(duì)人臉的變化進(jìn)行抽象的概括,這也是一個(gè)相當(dāng)重要的問(wèn)題。第一章介紹了人臉識(shí)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。并且在ORL人臉庫(kù)的實(shí)驗(yàn)基礎(chǔ)上,闡明了本文算法的有效性,同時(shí)對(duì)PCA算法和2DPCA算法進(jìn)行了全面的實(shí)驗(yàn)分析和對(duì)比。當(dāng)用戶(hù)在采集設(shè)備的拍攝范圍內(nèi)時(shí),采集設(shè)備會(huì)自動(dòng)搜索并拍攝用戶(hù)的人臉圖像。系統(tǒng)獲取的原始圖像由于受到各種條件的限制和隨機(jī)干擾,往往不能直接使用,必須在圖像處理的早期階段對(duì)它進(jìn)行灰度校正、噪聲過(guò)濾等圖像預(yù)處理。人臉識(shí)別就是將待識(shí)別的人臉特征與已得到的人臉特征模板進(jìn)行比較,根據(jù)相似程度對(duì)人臉的身份信息進(jìn)行判斷。OpenCV庫(kù)自帶的人臉級(jí)聯(lián)分級(jí)器具有很好的人臉檢測(cè)效果,因此在本文中,人臉檢測(cè)與人臉預(yù)處理部分均在OpenCV中完成。因此,本文中的特征點(diǎn)提取和人臉?lè)诸?lèi)是應(yīng)用Matlab完成的。(1)基于特征的檢測(cè)方法。該方法的優(yōu)點(diǎn)是當(dāng)被檢測(cè)人臉的大小不一樣或在允許范圍內(nèi)有偏轉(zhuǎn)時(shí),由于