【文章內容簡介】 區(qū)域的存在提高了預警率 模板匹配 直觀性好，具有較好的適應性 對表情、尺度變換敏感；可變模板的選擇和參數(shù)的確定非常困難 基于知識的方法 適用復雜圖像中的人臉檢測 依賴先驗知識；多尺度空間遍歷工作量大，運算時間長 18 絡結構，把模式的統(tǒng)計特性隱含在神經網絡的結構和參數(shù)之中?；谌斯ど?經網絡的方法對于復雜的、難以顯式描述的模式，具有獨特的優(yōu)勢。 支撐向量機（ Support Vector Machine， SVM）法是在統(tǒng)計學習理論基礎上發(fā)展出的一種新的模式識別方法，它基于結構風險最小化的原理，較之于基于經驗風險最小化的人工神經網絡，一些難以逾越的問題，如：模型選擇和過學習問題、非線性和維數(shù)災難問題、局部極小點問題等都得到了很大程度上的解決。但是直接使用 SVM 方法進行人臉識別有兩方面的困難：第一，訓練時需要求解二次規(guī)劃問題計算復雜度高，內存需求量巨大；第二，在非人臉樣本不受限制時，需要極大規(guī) 模的訓練集合，得到的支持向量會很多，使得分類器的計算量過高。 基于積分圖像（ Integral Image）特征的人臉檢測方法是 Viola 等新近提出的一種算法，它綜合使用了積分圖像描述方法、 Adaboost 學習算法及訓練方法、級聯(lián)弱分類器。 以上四種方法的優(yōu)缺點比較見表 32 表 32 基于隱式特征方法的特征 檢測方法 優(yōu)點 缺點與需要改進的地方 本征臉法 標準人臉模板能抽象人臉全部信息，運算不涉及迭代耗費時間短 但模板檢測效率低，多模板提高了效率也增加了檢測時間 神經網絡法 檢測效率高，錯誤報警數(shù)目不多 ，訓練成熟的網絡監(jiān)測速度快 多樣本訓練耗費時間多，但網絡監(jiān)測錯誤報警數(shù)目多 支撐向量機機法 比神經網絡方法具有更好的泛化能力，能對為觀測到的例子進行有效分類 “非人臉”樣本復雜多樣，造成支持向量數(shù)目多，運算復雜度大 19 基于積分圖像分析法 檢測速度快，基本滿足實時檢測要求，檢測效率可以與神經網絡法比較 錯誤報警數(shù)目少時，檢測率不高 運用 matlab 仿真進行人臉檢測定位實例： 人臉檢測定位程序： %%%%% Reading of a RGB image i=imread(39。39。)。 I=rgb2gray(i)。 BW=im2bw(I)。 figure,imshow(BW) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%% minimisation of background portion [n1 n2]=size(BW)。 r=floor(n1/10)。 c=floor(n2/10)。 x1=1。x2=r。 s=r*c。 20 for i=1:10 y1=1。y2=c。 for j=1:10 if (y2=c | y2=9*c) | (x1==1 | x2==r*10) loc=find(BW(x1:x2, y1:y2)==0)。 [o p]=size(loc)。 pr=o*100/s。 if pr=100 BW(x1:x2, y1:y2)=0。 r1=x1。r2=x2。s1=y1。s2=y2。 pr1=0。 end imshow(BW)。 end y1=y1+c。 y2=y2+c。 end x1=x1+r。 x2=x2+r。 end 21 figure,imshow(BW) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%% detection of face object L = bwlabel(BW,8)。 BB = regionprops(L, 39。BoundingBox39。)。 BB1=struct2cell(BB)。 BB2=cell2mat(BB1)。 [s1 s2]=size(BB2)。 mx=0。 for k=3:4:s21 p=BB2(1,k)*BB2(1,k+1)。 if pmx amp。 (BB2(1,k)/BB2(1,k+1)) mx=p。 j=k。 end end figure,imshow(I)。 hold on。 rectangle(39。Position39。,[BB2(1,j2),BB2(1,j1),BB2(1,j),BB2(1,j+1)],39。EdgeColor39。,39。r39。 ) 22 原始圖片 灰度圖片 均衡化灰度圖片 人臉定位 人臉圖像的預處理 不同的人臉識別系統(tǒng)根據其采用的圖像來源和識別算法需要不同，采用的預處理方法也不同。常用的人臉圖像預處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中 23 一種或幾種預處理方法，但一旦庫中采集到的原始圖像質量發(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。鑒于此，作者在總結分析了濾波去噪、邊緣檢測、灰度變換三種廣泛應用于不同人臉識別系統(tǒng)中的預處理方法基礎上，設計了一個通用的人臉圖像預處理仿真系統(tǒng)。該系統(tǒng)可對不同條件下的原始圖像進行相應的預處理。如，用戶可根據需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測算子檢測人臉邊緣、選擇不同的灰度變換算法實現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時還實現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預處理算法。 仿真系統(tǒng)中實現(xiàn)的人臉圖像預處理方法 根據所查閱文獻資料，常應用于人臉圖像的預處理方法有：圖像類型轉換、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。作為通用人臉圖像預處理模塊，要能夠充分適應不同人臉庫中圖像在人臉大小、光照強度、成像系統(tǒng)等方面的任意性和差異性，不能單獨采用某種單一的濾波、灰度變換和邊緣檢測方法。所以，在本仿真系統(tǒng)中，對上述的每種預處理方法全部加以實現(xiàn)的同時，還對三種最常用預處理方法：濾波去噪、灰度變換、邊緣檢測，提供了多種不同的具體算法供用戶比較、選擇之用。 1)濾波去噪 由于噪聲給圖像帶來的失真和降質，在特征提取之前采用濾波的方式來去除噪聲是實際人臉識別系統(tǒng)中所必須的步驟。濾波的方法有很多，如各種平滑濾波、各種銳化濾波等，關于各種濾波方法的原理和分類可參考文獻 [2]。下面對本文 24 實現(xiàn)的濾波方法及其選擇依據加以說明。在人臉圖像預處理中使用較多的濾波是平滑濾波，方法可分為以下三類：線性濾波、中值濾波、自適應濾波。 （ 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、采用鄰域加權平均的高斯濾波和維納濾波。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。對掃描得到的人臉圖像根據其噪聲類型一般采用此種濾波方法?？紤]濾波模板大小對濾波效果影響較大，仿真系統(tǒng)選擇算法時對同種濾波算法提供了不同模板大小的情況。 （ 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進行排序，然后選擇該組的中間值作為輸出像素值。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。對于使用基于整體的人臉識別算法的系統(tǒng)中，由于失掉小區(qū)域的細節(jié)對特征提取影響較小，所以這種濾波方法最受歡迎。 （ 3）自適應濾波自適應濾波能夠根據圖像的 局部方差來調整濾波器的輸出，其濾波效果要優(yōu)于線性濾波，同時可以更好地保存圖像的邊緣和高頻細節(jié)信息。 2)灰度變換 灰度變換是圖像增強技術中的一種。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。只有這樣，不同圖像在特征提取和識別時才具有可比性。這一過程，也被稱作灰度歸一化。常用在人臉識別系統(tǒng)中的灰度變換方法主要有：基于圖像統(tǒng)計特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標準化三種方法。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)。 25 三種灰度變換方法，均能在一定程度上消除由于光照條件不同而對人臉識別帶來的影響。故在仿真系統(tǒng)中提供了三種灰度變換效果比較及選擇界面，用戶可根據需要選用。 3)邊緣檢測 對輸入人臉圖像進行邊緣檢測是很多人臉識別系統(tǒng)在人臉粗定位及人臉主要器官（眼睛、鼻子、嘴巴）定位時采用的預處理方法。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。每種算子對不同方向邊緣的檢測能力和抑制噪聲的能力都不同。所以，和灰度變換及濾波去噪部分的設計思路相同，在仿真系統(tǒng)中，筆者給出了 canny、 sobel、 log、prewitt 四種算子在不同灰度閾值下、不同方向的邊緣檢測算法，使用者可從檢測結果中加以比較、選擇合適的算法。圖像類型轉換、圖像二值化、尺寸歸一化也是一些人臉識別系統(tǒng)中經常使用的預處理方法。為了在不修改其他算法的基礎上，擴大系統(tǒng)處理圖像的類型和范圍，將輸入圖像首先轉換為統(tǒng)一的類型，是多數(shù)人臉圖像預處理中的第一步。在本仿真系統(tǒng)中通過調用 MATLAB 中提供的各種圖像類型轉換函數(shù)來實現(xiàn) TIF、 JPG 轉換為 BMP 格式及彩色到灰度圖像的轉換；對圖像二值化，采用了 graythresh()函數(shù)來自 動選擇閾值的二值化方法 [1]；尺寸歸一化采用的算法是對人臉圖像進行剪裁和尺寸縮放，實現(xiàn)去除大部分頭發(fā)、服飾和背景的干擾并將人臉圖像大小統(tǒng)一。 26 第四章 基于直方圖的人臉識別實現(xiàn) 識別理論 用灰度直方圖增強圖像對比度是基于圖像灰度值統(tǒng)計的一種重要方法 ,它以概率論為基礎的 ,常用的實現(xiàn)算法主要是直方圖均衡化和直方圖規(guī)定化。 直方圖均衡化主要用于增強動態(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 ,這樣就增強了像素灰度值的動態(tài)范圍 ,從而達到增強圖像整體對比度的效果。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 ,處理的結果總是得到全局均衡化的直方圖。實際中有時需要變換直方圖使之成為某個需要的形狀 ,從而有選擇地增強某個灰度值范圍內的對比度或使圖像灰度值的分布滿足特定的要求 ,這時可以采用比較靈活的直方圖規(guī)定化方法。 人臉識別的 matlab 實現(xiàn) 實現(xiàn)結果如圖 和 圖 用戶界面 圖 實現(xiàn)結果 27 本章小結 在過去十年中基于直方圖方法證其明簡單性和有用性。 最初這種想法基于顏色直方圖。 此算法提供我們的建議技術名為 直方圖處理人臉識別 的第一部分。同時使用灰度圖像。 第一，每個灰度級的頻率是計算并存儲在媒介作進一步處理。 第二，平均從存儲載體的連續(xù)九個頻率的計算，并存儲在另一個載體，供以后使用，在測試階段。 此均值向量用于計算平均值的曾受訓練的圖像和測試圖像絕對差異。 最后確定最小差異的圖像與測試圖像匹配， 識別的準確性是 % 28 第五章 結語 基于 matlab 數(shù)字圖像處理與識別系統(tǒng)其實是一個范圍很大的應用系統(tǒng)，作者在此只是有針對性、有選 擇地進行了一些開發(fā)和實現(xiàn)。 該系統(tǒng)的主要功能模塊共有二個：（ 1）數(shù)字圖像處理的基本方法；（ 2）人臉識別。 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現(xiàn)圖像預處理，如格式轉換，灰度變化和濾波銳化。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、縮放等），以及各種編碼圖像的讀寫與顯示。僅這一部分即可形成一個專用 的圖像處理平臺。 關于“人臉識別”，在了解了人臉識別的各種方法后，選擇了圖像直方圖差值比較進行了實現(xiàn)。該方法能較好地實現(xiàn)人臉的分類，但對人臉圖像的要求較高，目前僅是采用 Orl的標準人臉庫中的圖像來進行測試，因此能獲得較高的識別率。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。若要進一步提高識別率和適用范圍，則還需要結合其它