【正文】 高斯分布參數(shù) ? 決定了高斯濾波器的寬度。線性平滑濾波器去除了高頻成分和圖像中的銳化細節(jié) 。畢業(yè)設計（論文） XXI 作為去除噪聲的代價，大尺度濾波器會導致圖像細節(jié)的損失。 1. 均值濾波器 均值濾波是對信號進行局部平均，以平均值來代表該像素點 來代表該像素點的灰度值，即每個像素值用其局部鄰域內所有值的均值置換： ( , )1h [i,j] = [ , ]k l N f k lM ?? （ ） 其中， M 是鄰域內像素點總數(shù)。人臉圖像預處理經常使用后一類方法。 四 、 圖像濾波 現(xiàn)在消除噪聲的方法有全局處理和局部算子兩類。映射函數(shù)為分段函數(shù)時一般是基于想要突出人臉圖像中某些灰度值物體的細節(jié) ，又不想犧牲其他灰度值上的細節(jié) 的考慮。其主要在于根據(jù)圖像灰度分布和實際的需求選擇合適的映射函數(shù)。 三 、 直方圖 均衡 直方圖 均衡是將將各灰度級分量盡量均勻分布，從而來增強人臉圖像的對比度。局部閥值法可以處理比較復雜的情況，但有些情況會發(fā)生失真。 動態(tài)閥值法：它的閥值不僅和該像素和周圍像素有關，還和該像素的坐標位置有關。常用的圖像二值化選擇方法如下： 整體閥值法：在二值化時候只使用一個全局閥值 t。在人臉識別中二值化用來把人的頭發(fā)，眼睛，臉的輪廓及背影與人臉的亮域分開。對數(shù)變換可以使圖像灰度分布相匹配于人的視覺特性。 指數(shù)變換能對圖像的高灰度區(qū)以較大的拉伸。( , ) ( ( , ) )bag i j a f i j aba?? ? ?? （ ） 分段線性變換：假設圖像為 (, )f i j 灰度變化范圍為 [0, ]fM，變 換后的圖像為(, )gi j ，目標的 灰度變化范圍為 [ , ]ab ，想使灰度變化到 [ , ]cd ，則 對應關系為 ( / ) ( , ) 0 ( , )( , ) [ ( ) / ( ) ] [ ( , ) ] + c ( , )[ ( ) / [ ] ] ( , )g f fc a f x y f x y ag x y d c b a f x y a a f x y bM d M b d b f x y M? ???? ? ? ? ? ??? ? ? ? ? ?? （ ） 非線性 變換：使用非線性函數(shù)作為映射函數(shù)如對數(shù)函數(shù)，進行灰度變換。39。39。 0 為全黑， 255 為全亮。利用彩色圖像進行人臉識別存在較多缺陷，而灰度圖像為一種最簡單有效的對比增強方法。 一 、 灰度變化 人臉識別的研究常以灰度圖像為處理對象。這樣才有利于穩(wěn)定的進行特征提取。 第 二 節(jié) 人臉圖像常用預處理方法 一般，系統(tǒng)采集到的原始圖像都會受到各種各樣的噪聲的影響而失真。 PNG 同樣支持透明圖像的制作。它能將圖像文件壓縮到極限以利于網絡傳輸，又能保留所有與圖像品質相關的信息。 PNG 使用從 LZ77 派生的無損數(shù)據(jù)壓縮算法。s Not GIF”，是一種位圖文件 (bitmap file)存儲格式，讀成 “ping”。 五 、 PNG 格式 PNG，圖像文件存儲格式，其 目的是替代 GIF 和 TIFF 文件格式，同時增加一些GIF 文件格式所不具備的特性。 GIF 格式的特點是壓縮比高，磁盤空間占用少。盡管如此， PNG 文件格式憑著其技術上的優(yōu)勢，已然躋身于網絡上第三廣泛應用格式。畢業(yè)設計（論文） XVIII 在 2021 年 6 月 20 日， LZW 算法在美國的專利權已到期而失效。 PNG（ Portable Network Graphics，便攜網絡圖形）標準就在這個背景下應運 而生了。如果要開發(fā)生成（或顯示） GIF 文件的程序，則需向該公司支付版稅。然而令很多軟件開發(fā)商感到意外的是， GIF 文件所采用的壓縮算法忽然成了 Unisys 公司的專利。 GIF 格式的另一個特點是其在一個GIF 文件中可以存多幅彩色圖像，如 果把存于一個文件中的多幅圖像數(shù)據(jù)逐幅讀出并顯示到屏幕上，就可構成一種最簡單的動畫。目前幾乎所有相關軟件都支持它，公共領域有大量的軟件在使用 GIF 圖像文件。 GIF 文件的數(shù)據(jù)，是一種基于 LZW 算法的連續(xù)色調的無損壓縮格式。 BMP 格式的特點是包含的圖像信息較豐富，幾乎不進行壓縮 ，由此導致了它的缺點 — 占用磁盤空間過大。 目的是為了讓 Windows 能夠在任何類型的顯示設備上顯示所存儲的圖象。 Windows 以后的 BMP 圖象文件與顯 示 設 備 無 關 ， 因 此 把 這 種 BMP 圖 象 文 件 格 式 稱 為 設 備 無 關 位 圖DIB(deviceindependent bitmap） 格式 。 Windows 系統(tǒng)內部各圖像繪制操作都是以 BMP為基礎的。而接收方隨著觀察，常常會有新的要求，可能對新的區(qū)域感興趣，也可能希望某一區(qū)域更清晰些。在有些情況下，圖像中只有一小塊區(qū)域對用戶是有用的，對這些區(qū)域，采用低壓縮比，而感興趣區(qū) 域之外采用高壓縮比，在保證不丟失重要信息的同時 ， 又能有效地壓縮數(shù)據(jù)量，這就是基于感興趣區(qū)域的編畢業(yè)設計（論文） XVII 碼方案所采取的壓縮策略。 JPEG2021 格式有一個極其重要的特征在于它能實現(xiàn)漸進傳輸，即先傳輸圖像的輪廓，然后逐步傳輸數(shù)據(jù)，不斷提高圖像質量，讓圖像由朦朧到清晰顯示。 JPEG2021 文件的擴展名 為 jp2。 二 、 JPEG2021格式 JPEG2021 是基于小波變換的圖像壓縮標準，同樣由 聯(lián)合照片專家組（ Joint Photographic Experts Group）開發(fā)和維護。 由于 JPEG 優(yōu)異的品質和杰出的表現(xiàn)，它的應用也非常廣泛，特別是在網絡和光盤讀物上，肯定都能找到它的影子。 JPEG 使用有損壓縮方法去除冗余圖像和彩色數(shù)據(jù)，獲得了較高的壓縮率，同時還可以給人豐富生動的視覺感受，即可以使用最小的磁盤存儲較好的圖像質量。它是由聯(lián)合照片專家組 （ Joint Photographic Experts Group） 開發(fā)的，并且命名為“ ISO109181”， JPEG 僅僅是 一種俗稱而已。圖像的文件格式很多，本節(jié)只介紹本文常用的幾種圖像格式。這樣做的目的是我們 的工作中心集中在核心人臉識別算法 的性能研究上 。在人臉圖像獲取和人臉分畢業(yè)設計（論文） XV 割兩個小節(jié)中主要介紹常用的人臉獲取方法及獲取人臉原始圖像后如何分割出我們需要部分的方法 ，也為后面人臉圖像數(shù)據(jù)庫打下了基礎。其中研究人員 指的是 研究生導師或其他固定職位的研究員，不 包括 學生。這 7 種 變化因素為姿態(tài)，表情，飾物，光照，背景，距離和時間跨度，其中以姿態(tài)，表情，飾物和 光照 為主， 故稱為 PEAL（ pose， expression， accessory 和 lighting的簡寫）。該數(shù)據(jù)庫 是基于目前的人臉數(shù)據(jù)庫大多都較小或圖像變化因素單一，人臉圖像的多為西方人，其面部特征與東方人存在一定的差別，需要建立一個大規(guī)模，多因素的東方人臉數(shù)據(jù)庫的需求建立的， 共采集了 1040 位志愿者（ 595名男性， 445 名女性）的 99450 幅圖像。有輕微的姿態(tài)變換，無光照變換 。 講話的目的是為了采集面部表情的變化。我們在本文采用的是它的 face94 數(shù)據(jù)庫。 它們的背景和比例是變化的，人臉表情是極度變化的。這樣 做的目的是為了增加難度 。這個人臉數(shù)據(jù)庫 由 Libor Speacek 博士主持的計算機視覺研究項目 在維護。 Essex 人臉數(shù)據(jù)庫 是英國 埃塞克斯大學 的人臉數(shù)據(jù)庫。 AR 人臉數(shù)據(jù)庫為西班牙巴塞羅那計算機視覺中心建立，由 116 人的 3228 幅圖像構成。T 實驗室建立 由 40 位志愿者的 400 幅圖像組成，其中部分志愿者 的圖像還有姿態(tài)，表情和光照的變化。 PIE人臉數(shù)據(jù)庫有卡內基梅隆大學建立，由 68 位志愿者的 41368 副不同姿態(tài)，多光照和不同表情的圖像組成。 FERET 人臉數(shù)據(jù)庫是人臉識別中最常用的數(shù)據(jù)庫，包含多姿態(tài)和多光照的人臉灰度圖像，但其多為西方人臉圖像，每個人的人臉圖像變化較少。所以有必要建立滿足不同需要的人臉數(shù)據(jù)庫 。設計一個在所有變化情況下都能正確識別的系統(tǒng)是非常困難的，而且也沒有必要。每個人臉識別系統(tǒng) 都需要一個 人臉數(shù)據(jù)庫。目 標分割與識別通過將目標集合和統(tǒng)計信息表示為模型，是其成為目標的搜索匹配或監(jiān)督分類。其中活動輪廓模型是使用在圖像上的一條動態(tài)曲線，在內力曲線本身新的表現(xiàn)和外力圖像信息的表現(xiàn)共同作用下趨于對象的輪廓。該方法當前研究的區(qū)別在于區(qū)域性質差異上。它是一個迭代過程，每一步重新計算邊界信息，若沒有區(qū)域合并，迭代完成，圖像分割完成。在每個子區(qū)域中，對經過適當定義能反映一個物體內成員隸屬度的性質進行計算，每個子區(qū)域會用一組參數(shù)來表示該區(qū)域 。 基于區(qū)域增長的方法是將含有相似性質的像素集合起來形成一個新的區(qū)域。此方法只考慮了圖像的灰度信息，拋棄了圖像的其他信息。局部閥值方法是圖 像不同區(qū)域得到對應不同區(qū)域的閥值即一個閥值對應圖像的一個子區(qū)域。 基于閥值的方法是使用采集到圖像的灰度直方圖計算出分割閥值，又可以分為全局閥值方法和局部閥值方法。該方法先提取邊緣后再進行邊界連接，得到分割輪廓。采集到圖畢業(yè)設計（論文） XIII 像中人臉區(qū)域顏色和紋理變化較大，因此如果要實現(xiàn)精確分割，只利用圖像的數(shù)據(jù)信息是不夠的，所以實際中基于模型的方法使用的比較多?；谀Ｐ偷姆椒ㄐ枰闰炛R。數(shù)據(jù)驅動方法直接對圖像進行處理，不依賴于先驗知識。 要對人臉進行識別一般需要將人臉區(qū)域從采集到的圖像中分離出來。 第二 節(jié) 人臉分割 人臉識別是通過對人臉進行精確定位，并從圖像中提取人臉區(qū)域。 對于靜態(tài)人臉圖像采集要注意要確保人臉表情正常，姿態(tài)無傾斜，光線盡量均勻，并且要對周圍的光源做必要的處理，避免 受到周圍強光和不均勻異色光的干擾。在實際中，要采用何種人臉采集形式要取決于應用的需求和場合。對于動態(tài)人臉圖像要考慮如何在序列中提取清晰的圖像又不丟失局部信息。 但同時也帶了問題，動態(tài)人臉圖像序列里的某一幅圖像可能會產生瞬間模糊，這將會影響其識別率。動態(tài)人臉圖像相比靜態(tài)人臉圖像獲取難度較大，但其更加貼近實際需求，應用場合更加廣闊。人臉圖像的采集形式主要有兩種：一為靜態(tài)人臉圖像，二位動態(tài)人臉圖像。不過隨著現(xiàn)在科技的發(fā)展，這個問題已基本上被解決。常用的 采集設備有數(shù)碼相機，數(shù)碼攝影機等。 人臉識別小節(jié)講解本文人臉識別的流程。 在人臉識別的發(fā)展趨勢 小節(jié) 主要講解人臉識別技術未來的走向 。 第 五 節(jié) 本章小結 本章 由 人臉識別的研究背景，人臉識別技術的主要難點 ，人臉識別的發(fā)展趨勢 和人臉識別流程 四 個小節(jié)構成 。 四 、 特征匹配 特征匹配 是計算兩個人臉圖像特征樣本的特征模塊間的 相似 度 即將采集到的人臉圖像的特征模版與系統(tǒng)中已存儲的特征模版進行比對， 并輸出最佳匹配對象。而特征選擇是根據(jù)專 家的檢驗知識或評價準則來挑選對分類最有影響的特征。 特征提取和特征選擇在有些情況下并不是截然分開的，因為從一定意義上來講，二者都是要達到對 數(shù)據(jù) 進行降維的目的，只是實現(xiàn)的途徑不同。由于在許多實際問題中常常不容易找到那些最重要的特征，或者由于條件限制而不能對這些重要特征進行測量。映射 后的特征稱為二次特征，它們是原始特征的某種組合，通常是線性組合。由于測量空間的維數(shù)一般都很高，不易設計分類器，所以在分類器設計之前，需要從測量空間變換到維數(shù)很少的特征空間，由特征向量表示。通過上面方法獲得特征被稱為原始特征。 為了獲得有效的特征 ，一般需要經過特征形成，特征提取和特征選擇等步驟。在樣本數(shù)不是很多的情況下，可以利用這些特征進行分類器的設計，但是在大多數(shù)情況下，由于測量空間的維數(shù)很高，不能直接進 行分類器的設計。對于計算機而言，模擬人類的感覺器官是很難實現(xiàn)的，但計算機在處理數(shù)學特征的能力上要比人類強得多，因此我們通過諸如協(xié)方差矩陣，統(tǒng)計平均值和相關系數(shù)等數(shù)學特征來構建人臉識別系統(tǒng)。特征主要包括三種類型：物理特征，結構特征和數(shù)學特征。 三 、 特征提取 特征提取 就是計算機通過提取人臉圖像中能夠 凸顯個性化差異的的本質特征 ，進而來實現(xiàn)身份識別。他們一般以人臉圖像在圖像結構和人臉信號分布的先驗知識為依據(jù)。 從傳感器采集到圖像除了包含人臉特征信息，還包含背景信息，所以必須從 原始人臉圖像分割出我們要處理的部分。在采集人臉圖像時，要注意用戶人臉姿態(tài)，臉部有無遮擋 ， 周圍光照是否滿足要求 及設備采集圖像的質量是否能滿足要求。 第 四 節(jié) 人臉識別流程 人 臉 圖 像獲 取特 征 提 取系 統(tǒng) 數(shù) 據(jù)庫輸 出 結 果人 臉 圖 像獲 取特 征 提 取特 征 匹 配預 處 理 預 處 理 圖 人臉識別 系統(tǒng) 處理流程 一 、 人臉圖像采集 采集人臉圖像是通過傳感器采集人臉圖像，并將其轉換為計算機可以處理的數(shù)字畢業(yè)設計（論文） X 信號。本文的實驗是在人臉圖像正面姿態(tài)，光照正常，表情正常，部分面部圖像有小范圍 遮擋的情況下進行的。 如何有效地排除遮擋物的影響有著非常重要的意義，如在監(jiān)控環(huán)境下。以上這些決定計算機很難用統(tǒng)一的標準來識別人的面部表情。而且，同一種表情在不同的人上也會有不同的