存档编号
华北水利水电大学
North China University of Water Resources and Electric Power 毕业设计
题目基于Matlab的人脸识别
学院信息工程学院
专业电子信息工程
姓名
学号
指导教师
完成时间2016.5.20
教务处制
独立完成与诚信声明
本人郑重声明：所提交的毕业设计是本人在指导教师的指导下，独立工作所取得的成果并撰写完成的，郑重确认没有剽窃、抄袭等违反学术道德、学术规范的侵权行为。文中除已经标注引用的内容外，不包含其他人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律后果由本人承担。
毕业设计作者签名：指导导师签名：
签字日期：签字日期：
毕业设计版权使用授权书
本人完全了解华北水利水电学院有关保管、使用毕业设计的规定。特授权华北水利水电学院可以将毕业设计的全部或部分内容公开和编入有关数据库提供检索，并采用影印、缩印或扫描等复制手段复制、保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交毕业设计原件或复印件和电子文档（涉密的成果在解密后应遵守此规定）。
毕业设计作者签名：导师签名：
签字日期：签字日期：
目录
中文摘要 .................................................................................................................................... I 英文摘要 .................................................................................................................................. V 第1章绪论 (1)
1.1 人脸识别技术的研究背景 (7)
1.2 人脸识别技术的简单介绍 (2)
1.3 人脸识别技术的广泛应用 (3)
1.4 人脸识别技术的难点 (4)
第2章人脸识别系统的组成及MATLAB数字图像处理 (9)
2.1 人脸识别系统的组成 (6)
2.2 MATLAB数字图像处理及过程 (10)
2.2.1 Matlab数字图像处理工具箱 (10)
2.2.2 数字图像的灰度转换 (10)
2.2.3 图像增强 (8)
2.2.4 数字图像的边缘检测 (9)
2.2.5 数字图像的噪声处理 (10)
第3章人脸识别的过程和方法 (11)
3.1 人脸识别的过程 (12)
3.2 人脸识别的方法 (12)
3.2.1 基于特征脸的方法 (12)
3.2.2 基于神经网络的方法 (13)
3.2.3 基于积分图像分析法 (13)
第4章 PCA人脸识别方法 (155)
4.1 主成分分析法的定义 (16)
4.1.1 主成分的定义 (16)
4.1.2 主成分的性质 (16)
4.1.3 主成分数目的选取 (16)
4.2 PCA算法的功能实现 (17)
4.2.1 人脸空间的建立 (17)
4.2.2 特征向量的选取 (17)
4.2.3 人脸识别 (17)
4.3 主成分分析法的计算 (18)
4.4 特征脸算法 (20)
第5章图像的特征提取与分析 (22)
5.1 概述 (22)
5.1.1 特征提取 (22)
5.1.2 特征选择 (22)
5.2 颜色视觉和色度图 (22)
5.3 颜色模型 (23)
5.3.1 RGB模型 (23)
5.3.2 CMY模型 (24)
5.3.3 HSI模型 (25)
5.4 形状特征描述 (25)
5.4.1 像素的邻域 (25)
5.4.2 像素的连接 (25)
5.4.3 区域内部的空间域分析 (26)
5.5 图形的预处理 (27)
5.5.1 膨胀与腐蚀 (27)
5.5.2 骨架化和边缘检测 (27)
第6章人脸识别 (30)
6.1 人脸库的建立 (29)
6.2 采集人脸特征的多元信息 (30)
6.3 人脸的识别 (31)
6.4 人脸识别的总结 (33)
总结 (34)
参考文献 (35)
致谢 (36)
附录 (37)
基于Matlab的人脸识别
摘要
计算机时代的到来，给各个领域带来了巨大的变革，人们的生活也日益进入到了数字编码时代。人工智能学的发展及其广泛的使用令图片处理和模式识别技术已显得尤为重要。人脸识别技术就是基于生物识别理论而发展而来的。人脸识别技术是生物识别中的典型，有着远大的发展前景，人脸识别技术已经广泛应用到了涉密部门的门禁系统，车站、机场的安检系统，智能家居防盗系统，国防与军事安全部门等众多领域。
人脸识别技术是模式识别领域的一个较为先前的课题，如今已日益成熟。人脸识别技术是根据已经建数据库中的人脸图像，以计算机技术为基础，从待识别的图像中分析、提取出图像特征并与已知图像库进行比较，从而达到辨识的目的。
人脸识别的主要流程为：人脸图像的获取、人脸特征的检测、人脸特征的提取、图形的预处理、人脸的识别及身份验证。
本文主要使用MATLAB上数字图像处理功能，对待识别的图像进行读图、存储和识别。MATLAB中带有有关数字图像处理的应用工具箱，可以实现人脸的简单特征识别与辨识，进而应用到人脸识别系统。本文主要采用基于主元分析（PCA）（也称为主成分分析）的人脸识别算法，抓住事物的主要方面分析，利用降维原理，进行人脸特征的提取、辨识。最后通过真人的人脸检测与辨识，取到一定的成果。
关键词： MATLAB，人脸辨识，人脸特征，主成分分析法
Matlab-Based Face Identification
Abstract
The advent of the computer era has brought about great changes in all fields. People's lives have entered into the era of digital coding. With the development and wide application of artificial intelligence, pattern recognition technology and image processing technology are becoming more and more important.
Face recognition technology is a more previous topic in the field of pattern recognition, and it has become more and more mature. Face recognition technology is according to the established database of face images, taking technology of the computer based, in recognition of image analysis, extract image features and compared to identify with the known image library.
This paper mainly uses the MATLAB digital image processing, image recognition, image to storage, identification. MATLAB with the application of digital image processing toolbox, you can achieve a simple face recognition and identification of human face. In this paper, based on the principal component analysis of face recognition algorithm, face feature extraction, identification. Finally, the human face detection and recognition, and achieved certain results.
Key words: MATLAB, face recognition, face feature, principal component analysis
第1章绪论
人脸识别是一种基于人脸特征进行识别的技术，在生物识别技术中已较为成熟。在众多的领域中，人脸识别技术已经得到了充分的利用，比如涉密部门的门禁系统，火车站、机场、地铁等的安检系统，智能家居的防盗系统，以及国防与军事安全部门等等。
人脸检测人脸表征和人脸识别的基础和前提。人脸识别技术是人工智能识别领域中的一个重要课题，如今已经逐渐成熟。人脸识别也是众多研究领域中必不缺少的一部分，有着它举足轻重、不可取代的地位。人脸识别是从已知人脸特征集合中查找并匹配出相似的脸型特征，对一张静态图像实现人脸轮廓的特征扫描以及辨识，从而获取该图像中的人脸特征信息。如今，人脸识别技术已经大量应用于视频监控、车站安检、办公门禁等系统，它的出现给身份鉴别体系提供了诸多的方便。然而，人脸识别是基于生物特征来识别的，相对来说，它是一个非常复杂的过程，因为即使是同一个人，在表现喜、怒、哀、乐等不同的面部表情时，都有着不同的脸型特征，况且当这些特征以不同的姿态表现时又有所不同，这些都给人脸识别带来了困难和麻烦。同时，拍摄角度、倾斜角度、拍摄背景、光线强度、图像的尺寸大小以及是否旋转、面部是否有遮挡物等等，也都成为了人脸识别中不可忽视的干扰因素，导致错误判别。
要想更准确的实现人脸识别，我们必须要先解决上述问题，克服种种干扰，以作出正确精准的判断。在最近十多年的研究中，研究者们对此问题，也提出了不少的解决方法，比如表面几何特征算法、内部积分特征算法、主成分分析法等等。
主成分分析法(PCA)方法是一种有效的特征提取方法,它主要基于降维原理，将含有图像特征信息的高维矩阵通过正交变换，变换成低维的特征矩阵。这样的正交变换，具有很高的相似度与关联性。变换后的特征矩阵仍然具备原特征矩阵的性质与特征，即遗传和保留了其原有的特征信息，并且能够克服人的姿态、面部表情和光照等因素所带来的干扰。降维后的特征矩阵，复杂度降低，可以很方便地应用于人工智能识别系统。以矩阵的形式将图像特征点表示出来，这样就把一幅图像的模拟信息转换成了数字信息。这个矩阵构成了一个含有图像信息的集合，图像中的每个局部特征都可以通过子集表示出来。在进行人脸识别时，也是基于这样的思想。从待检测的人脸图像
中提取出信息构建特征子集，然后把这些特征子集与已知的人脸集合进行投影对比，以及经过各特征点距离、弧度、灰暗程度等计算，这样就可以确定出两张图像的相似度与相关性。
人脸像我们的指纹一样，具有着唯一性，能够对人的身份进行鉴定。相比指纹识别系统、DNA鉴定，人脸图像的自动识别系统以其特有的方便性，具有更加潜在的发展空间和研究价值。对于人脸图像识别的研究最早出现在国外，如今，国内也有很多科研机构涉足这个领域，并已经取得许多较好的成果。
1.1 人脸识别技术的研究背景
如今的社会，逐步实现自动化，各个领域的基础技术也已经很成熟。在新的环境、新的要求下，我们需要一个更便捷的方式来打开世界、面向世界。在各种生物识别中，人脸识别技术就是一个最佳典范。在人工智能的研究中，我们一直希望机器可以进行识别、思考和处理事物，如同人类一样。人类的思维机制和感知以及处理事物的机制可以从心理学、解剖学、行为感知学等等多种学科范畴来研究，还可应用于开发创造，例如研制智能机器人。在这样的背景下，人脸图像的机器识别的研究迅速兴起并发展，我们希望可以逐步地开发出一种能够像人类一样存储信息、处理信息的机器识别机制，最终实现让机器具有人类思维机制的目的。
1.2 人脸识别技术的简单介绍
总体来看，图像的获取、人脸的检测和定位、人脸的特征提取、图形的预处理、和人脸的识别（身份查找或者身份确认）构成了人脸识别系统的大体流程。人脸识别系统集图像采集、处理和分析等为一体。可以快速地采集图像，并判定该图像中是否含有人脸，以及系统中是否有此人脸特征的存档。我们用含有待检测身份的人脸图像作为系统的输入，或者用人脸数据库中一定数量的已确定身份的人脸图像或是他们的编码作为系统的输入，而把相似度得分作为系统的输出，表明待识别的人脸的身份。
1.3 人脸识别技术的广泛应用
人脸图像识别不仅充满着巨大的挑战性、有着其重要的的理论意义，还有许多潜在的发展空间。相比诸如眼睛虹膜、掌纹、指纹等其他验证身份的方法，人脸图像识别在获取样本图像时，可以不与目标相接触，带来了极大的方便。而其他验证身份的手段，例如眼睛虹膜、掌纹、指纹等，只能通过实体接触目标或近距离接近目标，才能使识别条件成立，显而易见，在很多情况下，这些检验方法带来了诸多的麻烦。
人脸识别技术可以与其他领域的技术相结合，以将它的功能最大化。早在20世纪，生物识别技术的研究就已经取得了一定的发展成果，尤其是指纹识别技术，已经占据着安检部门的大半市场，被大家所熟知并应用，但人脸识别技术的研究还并不成熟。只有在待检测人的配合下，掌纹、眼睛虹膜、指纹等生物识别技术才能得到使用。另外，部分生物识别技术还需要购买昂贵设备的经济支持，难以广泛的得到应用。而人脸识别则可以使用较为简单、价格低廉的设备，使用手机拍摄或者照相机拍摄，不需要有特殊的图像采集设备，有着成本低、辨别率高、实现快速、能够普及的特点。此外，人脸识别还可以与红外探测、光学探测、声学循迹等技术相结合，让人在毫无察觉的情况下，完成多种检测任务。这对于公安罪犯识别、反恐活动以及人群安检等都有着非常重要的意义。基于人脸识别的多技术混合模式有着诸多的优势与广阔的市场前景，它正一步一步面向未来，走近我们的生活。
表1-1中列举了其中部分已经实现或正在完善的应用。
表1-1 人脸识别的应用
应用优点存在问题
信信用卡、汽车驾照、护照以及个人身份验证等图像的质量高
图像摄取可控
图像分割可控
要创建庞大的人脸数据
库
匹配犯罪嫌疑人的照片图像的质量相差大
多幅图像可用
潜在的巨大图像库
互联网信息量巨大不完全真实储蓄/银行安全可以很好地进行监控不能自由的分割图像
图像的质量较差
人群监测图像质量高
可利用摄像图像图像分割自由图像质量低
1.4 人脸识别技术的难点
在日常生活中，我们可以轻松快速地根据人脸来分辨一个人，但是用机器进行全自动的人脸识别依然存在诸多的难题。主要表现在如下几个方面:
1、人脸的表情极为丰富和复杂，人脸上布满了五十多块面部肌肉，肌肉的运动可以使得人脸出现各种各样的面部表情，导致其多样变化。当人的面部出现了多样的表情时，人脸的特征也会发生改变。同时，这些变化还具有不稳定性、无规律性和多样性。
2、随着我们年龄的增长，皱纹慢慢的出现，五官难免也有些微的变化，面部肌肉也会变的松弛，这些都改变了人脸的结构和纹理，间接增加了人脸识别的难度。
3、眼镜、帽子、头饰、胡须、头发等附加物或饰物，会导致人脸特征遮掩，人脸全部或部分的遮掩都可能造成错误的识别。
4、人脸图像的畸变，比如光线的强弱、人脸摄取角度的不同、倾斜程度的不同、曝光程度的不同等等，都可能导致图像的灰度，进而造成人脸特征的不同。
5、图像拍摄误差的引入，拍摄时因光照、背景、图像的尺寸、图像是否旋转、周边环境等因素的影响都会得到不同的图像，造成干扰。
6、一些女性酷爱化妆，妆容会改变人脸的五官、皮肤和发式，一些女性素颜和浓妆对比时，容貌相差巨大，甚至即便是身边熟悉的人，也难以看出是同一个人。
第2章人脸识别系统的组成及MATLAB数字图像处理
2.1 人脸识别系统的组成
人脸识别技术是众多生物识别技术中的典范。如同人体的DNA、指纹等生物特征，这些特征都有着自己的特点，可以作为“身份证”来标记或辨识某个个体。一般来讲，人脸识别系统主要由以下几个部分组成，如图2-1所示。
人脸检测人脸库
预处理特征提取分类识别
图2-1 人脸识别系统框架
1、人脸图像的获取
本文主要使用两种方法来获取人脸图像。第一种方法使用数码照相机来采集图像信息，并使用MATLAB图像处理工具箱来获取数字图像，此种方法简单、便捷，是最为常用的一种获取人脸的方法。第二种方法则直接调用MATLAB视频工具箱函数，通过调用与控制安装在电脑上的摄像头或者安装在监控区域的摄像头，来实现人脸图像的获取。
2、人脸特征的检测
人脸特征的检测是从已知的静态图像中，或者从计算机读取的视频中所截取的静态图像中，基于人脸特征算法，判断该静态图像中是否存在具有人脸特征的图像。若在待检测的静态图像中已经检测出具有人脸特征的图像，再调用边缘算法，将所识别出的具有人脸特征的图像或部位圈出，即把人脸从它的背景中分离出来，并进行定位。
3、人脸特征的提取
通过人脸图像的获取与人脸特征的检测这两个过程，可以根据边缘检测算法对已获得的人脸特征数据（眼睛、鼻子、嘴巴、眉毛等）进行坐标标定与数字编码，成为具有人脸数据特征的总集合。这些特征包含局部特征和整体特征。从总集合中能够提取人脸特征，并形成独立的人脸特征子集。在特征提取前，要先对其进行几何归一化以及灰度归一化处理。所谓几何归一化是指，以人脸定位的结果为依据，对画面中的
人脸进行移动和放缩，使待测的人脸图像和人脸数据库中已知的人脸图像有相同的大小和位置，以便于比对。所谓灰度归一化，是指对图像补偿一定的光照，目的是减小光线强弱的改变所带来的误差干扰，使辨识的精准度提高。
4、人脸特征的识别
人脸特征的识别与身份标识（Face Identification）,简称人脸识别问题。在经过人脸图像的获取、特征的检测以及特征的提取等过程后，就可以创建自己独有的人脸识别的总集合。包含于总集合中的每个子集都具备独立的特征以及相应的数字编码，提取出待检测的人脸特征之后，即可进行人脸的特征匹配与识别，并计算相似度得分，并将相似度得分由大到小进行排序，确定待测图像是已知图像库中的“谁”，便可以实现在安防、安检、公安、国防等部门的“身份标识”功能。它包含两种识别：第一种识别是假定系统输入的人脸在人脸库中已知存在，称为闭集人脸识别。第二种是不确定输入的人脸在人脸库中是否存在，要先进行判断，称为开集人脸识别。
5、对比人脸图像的身份验证
对比人脸图像的身份验证（Face Verification），简称人脸确认问题（Face Verification）。我们在将待检测的人脸图像输入到系统中时，还要将该用户自称的身份信息也输入到系统中，来判定系统检验出的身份与该用户自称的身份是否一致，身份是否属实。
在自动人脸识别系统中，最重要的两个过程就是人脸特征的检测和人脸特征的识别。
随着当今社会科技的不断进步，生物技术日益成熟，人脸特征的识别与身份标识技术也渐渐走在了生物识别技术的前列。
2.2 MATLAB数字图像处理及过程
2.2.1 Matlab数字图像处理工具箱
Matlab数字图像处理工具箱中包括显示图像、读取图像、存储图像文件、截取动态图像、输入图像、输出图像、统计图像像素值、对图像进行几何运算等多种应用函数。具有高效、强大的矩阵和数组运算功能、程序书写形式自由、语言紧凑简洁的优