简介

人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。

人脸检测

源码

img=imread('D:\std_test_images\face3.jpg');

figure;

imshow(img);

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B;

figure;

imshow(faceRgn1);

r=double(R)./double(sum(img,3));

g=double(G)./double(sum(img,3));

Y=0.3*R+0.59*G+0.11*B;

faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;

figure;

imshow(faceRgn2);

Q=faceRgn1.*faceRgn2;

P=bwlabel(Q,8);

BB=regionprops(P,'Boundingbox');

BB1=struct2cell(BB);

BB2=cell2mat(BB1);

figure;

imshow(img);

[s1 s2]=size(BB2);

mx=0;

for k=3:4:s2-1

p=BB2(1,k)*BB2(1,k+1);

if p>mx&(BB2(1,k)/BB2(1,k+1))<1.8

mx=p;

j=k;

hold on;

rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edgecolor','r');

hold off;

end

end

2.处理过程

人脸识别

算法简述

在Matlab 2012a版本中添加了对PCA算法的支持，由于水平有限我选择直接调用。在本次课程设计中，PCA算法又分为样本训练和人脸识别两个过程，在样本训练阶段，将样本库（每组15张共15组人脸图像，对每组前11张进行特征提取用于训练，后4张用于检测）中的人脸图像转换为特征向量表示，并投影到PCA子空间，最终将这些向量数据保存到训练数据库中。而在识别阶段，同样将待识别的人脸图像使用PCA子空间的向量表示，通过计算待识别图像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为识别结果。

源码

clear

clc

% 样本数量15*11

people_count=15;

face_count_per_people=11;

% 训练比率,设置为75%识别正确率可达100%

training_ratio=.75;

% 能量

energy=90;

training_count=floor(face_count_per_people*training_ratio);

training_samples=[];

path_mask='D:\\pca_face_rec\\%03d\\%02d.jpg';

% 训练

for i=1:people_count

for j=1:training_count

img=im2double(imread(sprintf(path_mask,i,j)));

img=imresize(img,[10 10]); % 归一化至50*50

if ndims(img)==3

img=rgb2gray(img);

end

training_samples=[training_samples;img(:)'];

end

end

mu=mean(training_samples);

[coeff,scores,~,~,explained]=pca(training_samples);

idx=find(cumsum(explained)>energy,1);

coeff=coeff(:,1:idx);

scores=scores(:,1:idx);

% 测试

acc_count=0;

for i=1:people_count

for j=training_count+1:face_count_per_people

img=im2double(imread(sprintf(path_mask,i,j)));

img=imresize(img,[10 10]);

if ndims(img)==3

img=rgb2gray(img);

end

score=(img(:)'-mu)/coeff';

[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));

if ceil(idx/training_count)==i

acc_count=acc_count+1;

end

end

end

test_count=(people_count*(face_count_per_people-training_count));

acc_ratio=acc_count/test_count;

fprintf('测试样本数量:%d,正确识别率:%2.2f%%',test_count,acc_ratio*100)

仿真结果及说明

样本库举例：

结果为：测试样本数量:45,正确识别率:100.00%

总结

人脸识别是一个多学科领域的挑战性难题，近30年来人脸识别的研究虽然取得了巨大的进步，但与人类的感知能力相距甚远。人脸识别还涉及到很多理论和技术问题，这一技术的不断进步还需要研究者们的不断创新和努力。本次课程设计让我对人脸识别算法有了初步的认识，了解到了PCA算法，K-L变换及特征向量的提取，最近邻分类器等人脸识别所需要的知识，为我的进一步学习指明了方向。