《【畢業(yè)論文】基于matlab的人臉識別系統(tǒng)設(shè)計與仿真(含matlab源程序)》由會員分享，可在線閱讀，更多相關(guān)《【畢業(yè)論文】基于matlab的人臉識別系統(tǒng)設(shè)計與仿真(含matlab源程序)（43頁珍藏版）》請在裝配圖網(wǎng)上搜索。

基于 matlab 的人臉識別系統(tǒng)設(shè)計與仿真 第一章 緒論 本章提出了本文的研究背景及應用前景 首先闡述了人臉圖像 識別意義 然后介紹了人臉圖像識別研究中存在的問題 接著介紹 了自動人臉識別系統(tǒng)的一般框架構(gòu)成 最后簡要地介紹了本文的主 要工作和章節(jié)結(jié)構(gòu) 1 1 研究背景 自 70 年代以來 隨著人工智能技術(shù)的興起 以及人類視覺研究的 進展 人們逐漸對人臉圖像的機器識別投入很大的熱情 并形成了一 個人臉圖像識別研究領(lǐng)域 這一領(lǐng)域除了它的重大理論價值外 也 極具實用價值 在進行人工智能的研究中 人們一直想做的事情就是讓機器具 有像人類一樣的思考能力 以及識別事物 處理事物的能力 因此 從解剖學 心理學 行為感知學等各個角度來探求人類的思維機制 以及感知事物 處理事物的機制 并努力將這些機制用于實踐 如 各種智能機器人的研制 人臉圖像的機器識別研究就是在這種背景 下興起的 因為人們發(fā)現(xiàn)許多對于人類而言可以輕易做到的事情 而讓機器來實現(xiàn)卻很難 如人臉圖像的識別 語音識別 自然語言 理解等 如果能夠開發(fā)出具有像人類一樣的機器識別機制 就能夠 1 逐步地了解人類是如何存儲信息 并進行處理的 從而最終了解人 類的思維機制 同時 進行人臉圖像識別研究也具有很大的使用價依 如同人 的指紋一樣 人臉也具有唯一性 也可用來鑒別一個人的身份 現(xiàn) 在己有實用的計算機自動指紋識別系統(tǒng)面世 并在安檢等部門得到 應用 但還沒有通用成熟的人臉自動識別系統(tǒng)出現(xiàn) 人臉圖像的自 動識別系統(tǒng)較之指紋識別系統(tǒng) DNA 鑒定等更具方便性 因為它取 樣方便 可以不接觸目標就進行識別 從而開發(fā)研究的實際意義更 大 并且與指紋圖像不同的是 人臉圖像受很多因素的干擾 人臉表 情的多樣性 以及外在的成像過程中的光照 圖像尺寸 旋轉(zhuǎn) 姿勢 變化等 使得同一個人 在不同的環(huán)境下拍攝所得到的人臉圖像不 同 有時更會有很大的差別 給識別帶來很大難度 因此在各種干 擾條件下實現(xiàn)人臉圖像的識別 也就更具有挑戰(zhàn)性 國外對于人臉圖像識別的研究較早 現(xiàn)己有實用系統(tǒng)面世 只 是對于成像條件要求較苛刻 應用范圍也就較窄 國內(nèi)也有許多科 研機構(gòu)從事這方而的研究 并己取得許多成果 1 2 人臉圖像識別的應用前景 人臉圖像識別除了具有重大的理論價值以及極富挑戰(zhàn)性外 還 其有許多潛在的應用前景 利用人臉圖像來進行身份驗證 可以不 與目標相接觸就取得樣本圖像 而其它的身份驗證手段 如指紋 眼睛虹膜等必須通過與目標接觸或相當接近來取得樣木 在某些場 2 合 這些識別手段就會有不便之處 就從目前和將來來看 可以預測到人臉圖像識別將具有廣闊的 應用前景 如表 1 1 中所列舉就是其中已經(jīng)實現(xiàn)或逐步完善的應用 表 1 1 人臉識別的應用 應用 優(yōu)點 存在問題 信信用卡 汽車 駕照 護照以及個人 身份驗證等 圖像攝取可控 圖像分割可控 圖像質(zhì)量好 需要建立龐大的 數(shù)據(jù)庫 嫌疑犯照片匹配 圖像質(zhì)量不統(tǒng)一 多幅圖像可用 潛在的巨大圖像 庫 互聯(lián)網(wǎng)應用 視頻信息價值高 多人參與 存在虛假 銀行 儲蓄安全 監(jiān)控效果好 圖像分割不可控 圖像質(zhì)量較差 人群監(jiān)測 圖像質(zhì)量高 可利用攝像圖像 圖像分割自由 圖像質(zhì)量低 實 時性 1 3 本文研究的問題 本文介紹了人臉圖像識別中所應用 MATLAB 對圖像進行預處 3 理 應用該工具箱對圖像進行經(jīng)典圖像處理 通過實例來應用 matlab 圖像處理功能 對某一特定的人臉圖像處理 進而應用到人臉識別 系統(tǒng) 本文在總結(jié)分析人臉識別系統(tǒng)中幾種常用的圖像預處理方法 基礎(chǔ)上 利用 MATLAB 實現(xiàn)了一個集多種預處理方法于一體的通 用的人臉圖像預處理仿真系統(tǒng) 將該系統(tǒng)作為圖像預處理模塊可嵌 入在人臉識別系統(tǒng)中 并利用灰度圖像的直方圖比對來實現(xiàn)人臉圖 像的識別判定 其中涉及到圖像的選取 臉部定位 特征提取 圖像處理和識 別幾個過程 1 4 識別系統(tǒng)構(gòu)成 人類似乎具有 與生俱來 的人臉識別能力 賦予計算機同樣 的能力是人類的夢想之一 這就是所謂的 人臉識別 系統(tǒng) 假設(shè) 我們把照相機 攝像頭 掃描儀等看作計算機的 眼睛 數(shù)字圖像 可以看作計算機觀察到的 影像 那么 AFR 賦予計算機根據(jù)其所 看到 的人臉圖片來判斷人物身份的能力 廣義的講 自動人臉識別系統(tǒng)具有如圖 1 1 所示的一般框架并 完成相應功能的任務 人臉圖像獲取 人臉檢測 特征提取 人臉識別 4 圖 1 1 人臉識別系統(tǒng)一般框架 1 人臉圖像的獲取 一般來說 圖像的獲取都是通過攝像頭攝取 但攝取的圖像可 以是真人 也可以是人臉的圖片或者為了相對簡單 可以不考慮通 過攝像頭來攝取頭像 而是直接給定要識別的圖像 2 人臉的檢測 人臉檢測的任務是判斷靜態(tài)圖像中是否存在人臉 若存在人臉 給出其在圖像中的坐標位置 人臉區(qū)域大小等信息 而人臉跟蹤則 需要進一步輸出所檢測到的人臉位置 大小等狀態(tài)隨時間的連續(xù)變 化情況 3 特征提取 通過人臉特征點的檢測與標定可以確定人臉圖像中顯著特征點 的位置 如眼睛 眉毛 鼻子 嘴巴等器官 同時還可以得到這些 器官及其面部輪廓的形狀信息的描述 根據(jù)人臉特征點檢測與標定的結(jié)果 通過某些運算得到人臉特 征的描述 這些特征包括 全局特征和局部特征 顯式特征和統(tǒng)計 特征等 4 基于人臉圖像比對的身份識別 即人臉識別 Face Identification 問題 通過將輸入人臉圖像與人 臉數(shù)據(jù)庫中的所有已知原型人臉圖像計算相似度并對其排序來給出 輸入人臉的身份信息 這包括兩類識別問題 一類是閉集 Close Set 人臉識別問題 即假定輸入的人臉一定是人臉庫中的某個個體 另 5 一類是開集 Open Set 識別 即首先要對輸入人臉是否在已知人臉庫 中做出判斷 如果是 則給出其身份 5 基于人臉圖像比對的身份驗證 即人臉確認 Face Verification 問題 系統(tǒng)在輸入人臉圖像的同時 輸入一個用戶宣稱的該人臉的身份信息 系統(tǒng)要對該輸入人臉圖像 的身份與宣稱的身份是否相符作出判斷 1 5 論文的內(nèi)容及組織 第二章主要介紹人臉識別系統(tǒng)中所用到的仿真軟件 Matlab 介 紹了在人臉圖像識別過程中所需要的圖像處理技術(shù) 包括 一些基 本操作 格式轉(zhuǎn)換 圖像增強等 并做了一個 Matlab 圖像處理功能 的實例 第三章主要始涉三個方面 首先是對人臉識別系統(tǒng)的構(gòu)成做詳 細論述 其次就是對人臉識別過程中的關(guān)鍵環(huán)節(jié)人臉檢測 特征提 取和圖像預處理做詳細介紹 最后就是 Matlab 在人臉識別系統(tǒng)中的 具體應用 即人臉圖像識別的具體技術(shù) 并用 Matlab 進行仿真試驗 并得到結(jié)果 第四章是對人臉圖像識別體系構(gòu)架的設(shè)計 并給出了人臉識別 用到的理論知識即直方圖差異對比 并編寫 matlab 代碼實現(xiàn)人臉圖 像識別 第五章總結(jié)了全文的工作并對以后的需要進一步研究的問題進 行了展望 6 第二章 圖像處理的 Matlab 實現(xiàn) 2 1 Matlab 簡介 由 Math Work 公司開發(fā)的 Matlab 語言語法限制不嚴格 程序設(shè) 計自由度大 程序的可移植性好 Matlab 還推出了功能強大的適應于 圖像分析和處理的工具箱 常用的有圖像處理工具箱 小波分析工具 箱及數(shù)字信號處理工具箱 利用這些工具箱 我們可以很方便的從各 個方面對圖像的性質(zhì)進行深入的研究 Matlab 圖像處理工具箱支持 索引圖像 RGB 圖像 灰度圖像 二進制圖像并能操作 bmp jpg tif 等多種圖像格式文件 2 2 數(shù)字圖像處理及過程 圖像是人類獲取信息 表達信息和傳遞信息的重要手段 利用 計算機對圖像進行去除噪聲 增強 復原 分割 提取特征等的理 論 方法和技術(shù)稱為數(shù)字圖像處理 數(shù)字圖像處理技術(shù)已經(jīng)成為信 息科學 計算機科學 工程科學 地球科學等諸多方面的學者研究 圖像的有效工具 數(shù)字圖像處理主要包括圖像變換 圖像增強 圖 像編碼 圖像復原 圖像重建 圖像識別以及圖像理解等內(nèi)容 2 2 1 圖像處理的基本操作 讀取和顯示圖像可以通過 imread 和 imshow 來實現(xiàn) 圖像的輸 7 出用 imwrite 函數(shù)就可以很方便的把圖像輸出到硬盤上 另外還可以 用 imcrop imrisize imrotate 等來實現(xiàn)圖像的裁剪 縮放和旋轉(zhuǎn) 等功能 2 2 2 圖像類型的轉(zhuǎn)換 Matlab 支持多種圖像類型 但在某些圖像操作中 對圖像的類型有 要求 所以要涉及到對圖像類型進行轉(zhuǎn)換 Matlab7 0 圖像處理工具箱 為我們提供了不同圖像類型相互轉(zhuǎn)換的大量函數(shù) 如 mat2gray 函數(shù) 可以將矩陣轉(zhuǎn)換為灰度圖像 rgb2gray 轉(zhuǎn)換 RGB 圖像或顏色映像表 為灰度圖像 在類型轉(zhuǎn)換的時候 我們還經(jīng)常遇到數(shù)據(jù)類型不匹配的 情況 針對這種情況 Matlab7 0 工具箱中 也給我們提供了各種數(shù)據(jù)類 型之間的轉(zhuǎn)換函數(shù) 如 double 就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類型的函數(shù) 2 2 3 圖像增強 圖像增強的目的是為了改善圖像的視覺效果 提高圖像的清晰度 和工藝的適應性 以及便于人與計算機的分析和處理 以滿足圖像復制 或再現(xiàn)的要求 圖像增強的方法分為空域法和頻域法兩大類 空域法 主要是對圖像中的各個像素點進行操作 而頻域法是在圖像的某個變 換域內(nèi)對整個圖像進行操作 并修改變換后的系數(shù) 如傅立葉變換 DCT 變換等的系數(shù) 然后再進行反變換 便可得到處理后的圖像 下 面以空域增強法的幾種方法加以說明 8 1 灰度變換增強 有多種方法可以實現(xiàn)圖像的灰度變換 其中最常用的就是直方圖 變換的方法 即直方圖的均衡化 這種方法是一種使輸出圖像直方圖 近似服從均勻分布的變換算法 Matlab7 0 圖像處理工具箱中提供了 圖像直方圖均衡化的具體函數(shù) histeq 同時我們可以用函數(shù) imhist 函數(shù)來計算和顯示圖像的直方圖 2 空域濾波增強 空域濾波按照空域濾波器的功能又可分為平滑濾波器和銳化濾 波器 平滑濾波器可以用低通濾波實現(xiàn) 目的在于模糊圖像或消除噪 聲 銳化濾波器是用高通濾波來實現(xiàn) 目的在于強調(diào)圖像被模糊的細節(jié) 在 Matlab 中 各種濾波方法都是在空間域中通過不同的濾波算子實現(xiàn) 可 用 fspecial 函數(shù)來創(chuàng)建預定義的濾波算子 然后可以使用 imfilter 或 filter2 函數(shù)調(diào)用創(chuàng)建好的濾波器對圖像進行濾波 2 2 4 邊緣檢測 數(shù)字圖像的邊緣檢測是圖像分割 目標區(qū)域識別 區(qū)域形狀提 取等圖像分析領(lǐng)域十分重要的基礎(chǔ) 也是圖像識別中提取圖像特征的 一個重要屬性 邊緣檢測算子可以檢查每個像素的鄰域并對灰度變 化率進行量化 也包括對方向的確定 其中大多數(shù)是基于方向?qū)?shù)掩模 求卷積的方法 常用的有 Sobel 算子 Prewitt 算子 Roberts 算子 Log 算子等 Matlab7 0 工具箱中提供的 edge 函數(shù)可以進行邊緣檢測 在 其參數(shù)里面 可以根據(jù)需要選擇合適的算子及其參數(shù) 9 2 3 圖像處理功能的 Matlab 實現(xiàn)實例 本文通過運用圖像處理工具箱的有關(guān)函數(shù)對一人臉的彩色圖像 進行處理 1 圖像類型的轉(zhuǎn)換 因后面的圖像增強 邊緣檢測都是針對灰度圖像進行的 而我們的 原圖是 RGB 圖像 所以首先我們要對原圖類型進行轉(zhuǎn)換 實現(xiàn)過程 代碼如下 i imread f face1 jpg j rgb2gray i imshow j imwrite j f face1 tif 效果圖 2 1 圖 2 1 2 圖像增強 1 灰度圖像直方圖均衡化 通過比較原圖和直方圖均衡化后的圖像可見 圖像變得更清晰 而 且均衡化后的直方圖比原直方圖的形狀更理想 該部分的程序代碼 10 如下 i imread f face1 tif j histeq i imshow j figure subplot 1 2 1 imhist i subplot 1 2 2 imhist j 執(zhí)行后的效果圖如圖 2 2 和圖 2 3 圖 2 2 均衡化后的灰度 圖像 圖 2 3 均衡化前后的直方圖對比圖 11 2 灰度圖像平滑與銳化處理 平滑濾波器的目的在于模糊圖像或消除噪聲 Matlab7 0 圖像處理 工具箱提供了 medfilter2 函數(shù)用于實現(xiàn)中值濾波 wiener2 實現(xiàn)對圖 像噪聲的自適應濾波 在本文實例中 為了使濾波效果更明顯 我們事 先為圖像認為增加濾波 然后用自適應濾波方法對圖像進行濾波 銳 化處理的目的在于強調(diào)圖像被模糊的細節(jié) 在本實例中采用了預定義 高斯濾波器的方法對圖像進行銳化濾波 功能實現(xiàn)的代碼如下 i imread f fae1 tif j imnoise i guassian 0 0 02 subplot 1 2 1 imshow j j1 wiener2 j subplot 1 2 2 imshow j1 h fspecial gaussian 2 0 05 j2 imfilter i h figure subplot 1 2 1 im show i subplot 1 2 2 imshow j2 得到的效果圖如圖 2 4 和圖 2 5 加入噪聲的圖像 濾波后的 圖像 12 圖 2 4 平滑濾波效果 原灰度圖像 銳化 后的圖像 圖 2 5 銳化濾波效果圖 3 邊緣檢測 Matlab7 0 圖像處理工具箱提供了 edge 函數(shù)實現(xiàn)邊緣檢測 還 有各種方法算子供選擇 在本實例中采用了 canny 算子來進行邊 緣檢 測 程序代碼如下 i imread f face tif 13 j edge i canny 0 04 0 25 1 5 imshow j 效果圖如圖 2 6 原灰度圖像 邊緣檢測 后的圖像 圖 2 6 邊緣檢測效果圖 2 4 本章小結(jié) 以上實例只是對 Matlab 圖像處理工具箱函數(shù)的一小部分運用 從 這些功能的運用可以看出 Matlab 語言簡潔 可讀性強 作為人臉識別 系統(tǒng)中圖像預處理工具 有非常好的處理功能 14 第三章 人臉圖像識別計算機系統(tǒng) 3 1 引言 計算機人臉識別是一個非常活躍的研究領(lǐng)域 因其在公安刑偵 破案 銀行密碼系統(tǒng) 計算機安全系統(tǒng)以及動態(tài)監(jiān)視系統(tǒng)等方面都 有廣泛應用 已成為當前模式識別 計算機視覺領(lǐng)域的研究熱點 人臉識別系統(tǒng)一般包括人臉檢測與定位 人臉圖像預處理 特征提 取和匹配識別四個組成部分 其中 人臉圖像預處理 作為特征提 取和識別的前提步驟 是計算機人臉識別系統(tǒng)中的必要環(huán)節(jié) 其目 的是在去除噪聲 加強有用信息 對輸入設(shè)備或其他因素造成的退 化現(xiàn)像進行復原 為后續(xù)的特征提取和識別作準備 不同的人臉識別系統(tǒng)根據(jù)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)中的可能只有其中一種或幾種預處理方法 但一旦庫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(jié)分析了灰度變換 濾波去噪 邊緣檢測三 種廣泛應用于不同人臉識別系統(tǒng)中的預處理方法基礎(chǔ)上 設(shè)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(jù)需要選擇使用不同的濾波 15 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 3 2 系統(tǒng)基本機構(gòu) 人臉識別是一個復雜的過程 一個計算機人臉識別的流程如圖 3 1 所示 它包括幾個步驟 對采集到的圖像 首先進行人臉檢測 在輸入圖像中尋找人臉 給出人臉有無的結(jié)果 然后進行人臉定 位 確定人臉的位置并提取出來 對人臉的定位在輸入是圖像序列 時一般也稱之為人臉跟蹤 通常檢測和定位結(jié)合進行 對提取出來 的人臉借助人臉描述就可以進行 狹義的 人臉識別 即通過提取 特征來確定其身份 結(jié)束 圖像采集 人臉檢測定位 是否定位成功 圖像與處理 是否處理成功 人臉識別 是否識別成功 識別結(jié)果 開始 是 否 否 是 是 否 否 是 是 否 否 圖 3 1 基本框架圖 16 3 3 人臉檢測定位算法 人臉檢測定位算法大致可分為兩大類 基于顯式特征的方法和 基于隱式特征的方法 所謂顯式特征是指對人類肉眼來說直觀可見的特征 如膚色 臉部輪廓 臉部結(jié)構(gòu)等 基于顯式特征的方法是指由人通過肉眼觀 察 總結(jié)出人臉區(qū)別于 非人臉 區(qū)域的特征 然后根據(jù)被檢測區(qū) 域是否滿足這些 人臉特征 來判定該區(qū)域是否包含人臉 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 基于先驗知識的方法 在彩色圖像中 顏色是人臉表面最為顯著的特征之一 利用顏 色檢測人臉是很自然的想法 Yang 等在考察了不同種族 不同個體 的膚色后 認為人類的膚色能在顏色空間中聚成單獨的一類 而影 響膚色值變化的最主要因素是亮度變化 因此他們采用廣泛使用的 RGB 顏色空間 在濾去亮度值的圖像中通過比較像素點的 值 與膚色范圍來推斷該像素點及其鄰域是否屬于人臉區(qū)域 除了 RGB 顏色空間 還有諸如 HIS LUV GLHS 等其它顏色空間被使用 尋找到膚色區(qū)域后 必須進行驗證 排除類膚色區(qū)域 Yoo 等利用 膚色像素的連通性分割出區(qū)域 使用橢圓擬合各個區(qū)域 根據(jù)橢圓 長短軸的比率判斷是否為人臉 模板匹配的方法一般是人為地先定義一個標準人臉模板 計算 輸入圖像與模板的似然度 然后 確定一個似然度閾值 用以判斷 該輸入圖像中是否包含人臉 標準人臉模板可以是固定的樣板 也 17 可以是帶參變量的曲線函數(shù) 基于先驗知識的方法則采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌 圖 mosaic image 模型 并在分析了足夠多的人臉圖像樣本的基礎(chǔ) 上 針對人臉的灰度 邊緣 紋理等信息 建立一種關(guān)于人臉的知 識庫 在檢測中 首先抽取這些灰度 邊緣等信息 然后檢驗它是 否符合知識庫中關(guān)于人臉的先驗知識 以上三種方法的優(yōu)缺點比較見表 3 1 表 3 1 基于顯示特征方法的特點 檢測方法 優(yōu)點與適用場合 缺點與需要改進的地方 膚色模型 檢測速度快 高光和陰影會造成人臉區(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 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 的方法來實現(xiàn)人臉檢測 這類方法有 特征臉法 人工神經(jīng)網(wǎng)絡法 支持向量機法 積分圖像法 特征臉法 eigenface 把單個圖像看成一維向量 眾多的一維 向量形成了人臉圖像特征空間 再將其變換到一個新的相對簡單的 特征空間 通過計算矩陣的特征值和特征向量 利用圖像的代數(shù)特 征信息 尋找 人臉 非人臉 兩種模式在該特征空間中的分布 規(guī)律 人工神經(jīng)網(wǎng)絡 Artificial Neural Network ANN 的方法是通過 訓練一個網(wǎng)絡結(jié)構(gòu) 把模式的統(tǒng)計特性隱含在神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參 數(shù)之中 基于人工神經(jīng)網(wǎng)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(chǔ)上發(fā)展出的一種新的模式識別方法 它基于結(jié)構(gòu)風險最小 化的原理 較之于基于經(jīng)驗風險最小化的人工神經(jīng)網(wǎng)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(nèi)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 19 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 3 2 表 3 2 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(jīng)網(wǎng) 絡法 檢測效率高 錯誤報警數(shù)目 不多 訓練成熟的網(wǎng)絡監(jiān)測 速度快 多樣本訓練耗費時間多 但網(wǎng)絡監(jiān)測錯誤報警數(shù)目 多 支撐向 量機機 法 比神經(jīng)網(wǎng)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 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(jīng)網(wǎng)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 20 Reading of a RGB image i imread face1 jpg 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 for i 1 10 y1 1 y2 c for j 1 10 if y2 9 c x1 1 x2 r 10 loc find BW x1 x2 y1 y2 0 21 o p size loc pr o 100 s if prmx end display Testing Done function box Callback hObject eventdata handles function box CreateFcn hObject eventdata handles if ispc end Executes on button press in Input Image button function Input Image button Callback hObject eventdata handles hObject handle to Input Image button see GCBO eventdata reserved to be defined in a future version of MATLAB handles structure with handles and user data see GUIDATA global filename pathname I filename pathname uigetfile bmp Test Image axes handles axes1 42 imgpath STRCAT pathname filename I imread imgpath imshow I Executes during object creation after setting all properties function axes3 CreateFcn hObject eventdata handles