Matlab PCA+SVM人脸识别(一)
分类：Matlab模式识别计算机视觉2014-05-23 20:12 3260人阅读评论(20) 收藏举报PCA人脸识别SVM主成分分析支持向量机
目录(?)[+]概述：
编程平台：Matlab；
数据：ORL人脸库。pgm格式的图片。40人，每人10幅图，图像大小为112*92像素。图像本身已经经过处理，不需要进行归一化和校准等工作；下载地址第三段的两个都是下载链接
数据处理：主成分分析法（PCA）；有关算法原理可以参考这里
分类器：支持向量机（SVM）。
人脸识别算法步骤概述：
1、读取训练数据集；
2、主成分分析法降维并去除数据之间的相关性；
3、数据规格化（去除数据单位因素对分类造成的影响，这个对此实验造成的影响不大）；
4、SVM训练（选取径向基和函数）；
5、读取测试数据、降维、规格化；
6、用步骤4产生的分类函数进行分类（多分类问题，采用一对一投票策略，归位得票最多的一类）；
7、计算正确率。
准备工作：
下载人脸库
如果你用的不是ORL人脸库，可能还需要先进行人脸检测
把Matlab的左上角当前路径（current folder）设置为你的.m的保存的路径，或者用addpath('...... ')设置
编程实现：
读取数据：
ReadFace.m文件，若flag=0，表述读取原文件的前五幅图作为训练数据，若flag=1，表述读取原文件的后五幅图作为测试数据，数据存入f_matrix 中，每一行为一个文件，每行为112*92列。
[plain]view plaincopy
1.function [f_matrix,realclass] = ReadFace(npersons,flag)
2.%读取ORL人脸库照片里的数据到矩阵
3.%输入：
4.% nPersons-需要读入的人数,每个人的前五幅图为训练样本，后五幅为验证样本
5.% imgrow-图像的行像素为全局变量
6.% imgcol-图像的列像素为全局变量
7.% flag-标志，为0表示读入训练样本，为1表示读入测试样本
8.%输出：
9.%已知全局变量：imgrow=112; imgcol=92;
10.global imgrow;
11.global imgcol;
12.realclass=zeros(npersons*5,1);
13.f_matrix=zeros(npersons*5,imgrow*imgcol);
14.for i=1:npersons
15. facepath='E:\ORL_face\s';
16. facepath=strcat(facepath,num2str(i));
17. facepath=strcat(facepath,'\');
18. cachepath=facepath;
19. for j=1:5
20. facepath=cachepath;
21. if flag==0 %读入训练样本图像的数据
22. facepath=strcat(facepath,'0'+j);
23. else %读入测试样本数据
24. facepath=strcat(facepath,num2str(5+j));
25. realclass((i-1)*5+j)=i;
26. end
27. facepath=strcat(facepath,'.pgm');
28. img=imread(facepath);
29. f_matrix((i-1)*5+j,:)=img(:)';
30. end
31.end
32.end
主成分分析：
去除原成分各维之间的相关性并进行降维，对降维后维数的选择要看你对最小平方误差的要求，被舍去的协方差矩阵的特征根的平方和与所有特征根的平方和就是最小平方误差。这里选择降至20维。下面是fastPCA.m
[plain]view plaincopy
1.function [ pcaA,V] = fastPCA( A,k,mA)
2.%快速PCA，主成份分析
3.%输入：A-样本矩阵，每行是一个样本，列是样本的维数
4.% k-降至k维
5.%输出：pacA-降维后的k维样本特征向量组成的矩阵，即主成分
6.% v-主成分分量
7.m=size(A,1);
8.Z=(A-repmat(mA,m,1));
9.T=Z*Z';
10.[V,D]=eigs(T,k);%计算T的最大的k个特征值和特征向量
11.V=Z'*V; %协方差矩阵的特征向量
12.for i=1:k %特征向量单位化
13. l=norm(V(:,i));
14. V(:,i)=V(:,i)/l;
15.end
16.pcaA=Z*V; %线性变换，降至k维
17.end
数据规范化：
scaling.m
[plain]view plaincopy
1.function [ scaledface] = scaling( faceMat,lowvec,upvec )
2.%特征数据规范化
3.%输入——faceMat需要进行规范化的图像数据，
4.% lowvec原来的最小值
5.% upvec原来的最大值
6.upnew=1;
7.lownew=-1;
8.[m,n]=size(faceMat);
9.scaledface=zeros(m,n);
10.for i=1:m
11. scaledface(i,:)=lownew+(faceMat(i,:)-lowvec)./(upvec-lowvec)*(upnew-lown
ew);
12.end
13.end
SVM分类器训练：
multiSVMtrain.m
[plain]view plaincopy
1.function [ multiSVMstruct ] =multiSVMtrain( traindata,nclass,gamma,c)
2.%多类别的SVM训练器
3.% Detailed explanation goes here
4.for i=1:nclass-1
5. for j=i+1:nclass
6. X=[traindata(5*(i-1)+1:5*i,:);traindata(5*(j-1)+1:5*j,:)];
7. Y=[ones(5,1);zeros(5,1)];
8. multiSVMstruct{i}{j}=svmtrain(X,Y,'Kernel_Function',@(X,Y) kfun_rbf(
X,Y,gamma),'boxconstraint',c);
9. end
10.end
11.end
SVM分类器的径向基核函数：kfun_rbf.m
[plain]view plaincopy
1.function [ K ] = kfun_rbf(u,v,gamma)
2.%SVM分类器的RBF核函数
3.% Detailed explanation goes here
4.m1=size(u,1);
5.m2=size(v,1);
6.K=zeros(m1,m2);
7.for i=1:m1
8. for j=1:m2
9. K(i,j)=exp(-gamma*norm(u(i,:)-v(j,:))^2);
10. end
11.end
12.end
SVM分类器对测试数据进行分类：
multiSVM.m
[plain]view plaincopy
1.function [ class] = multiSVM(testface,multiSVMstruct,nclass)
2.%对测试数据进行分类
3.m=size(testface,1);
4.voting=zeros(m,nclass);
5.for i=1:nclass-1
6. for j=i+1:nclass
7. class=svmclassify(multiSVMstruct{i}{j},testface);
8. voting(:,i)=voting(:,i)+(class==1);
9. voting(:,j)=voting(:,j)+(class==0);
10. end
11.end
12.[~,class]=max(voting,[],2);
13.end
主函数：
face.m
[plain]view plaincopy
1.clc,clear
2.npersons=40;%选取40个人的脸
3.global imgrow;
4.global imgcol;
5.imgrow=112;
6.imgcol=92;
7.
8.disp('读取训练数据...')
9.f_matrix=ReadFace(npersons,0);%读取训练数据
10.nfaces=size(f_matrix,1);%样本人脸的数量
11.disp('.................................................')
12.%低维空间的图像是(nperson*5)*k的矩阵，每行代表一个主成分脸，每个脸20维特征
13.
14.disp('训练数据PCA特征提取...')
15.mA=mean(f_matrix);
16.k=20;%降维至20维
17.[pcaface,V]=fastPCA(f_matrix,k,mA);%主成分分析法特征提取
18.disp('.................................................')
19.
20.disp('显示主成分脸...')
21.visualize(V)%显示主分量脸
22.disp('.................................................')
23.
24.disp('训练特征数据规范化...')
25.disp('.................................................')
26.lowvec=min(pcaface);
27.upvec=max(pcaface);
28.scaledface = scaling( pcaface,lowvec,upvec);
29.
30.disp('SVM样本训练...')
31.disp('.................................................')
32.gamma=0.0078;
33.c=128;
34.multiSVMstruct=multiSVMtrain( scaledface,npersons,gamma,c);
35.
36.disp('读取测试数据...')
37.disp('.................................................')
38.[testface,realclass]=ReadFace(npersons,1);
39.
40.disp('测试数据特征降维...')
41.disp('.................................................')
42.m=size(testface,1);
43.for i=1:m
44. testface(i,:)=testface(i,:)-mA;
45.end
46.pcatestface=testface*V;
47.
48.disp('测试特征数据规范化...')
49.disp('.................................................')
50.scaledtestface = scaling( pcatestface,lowvec,upvec);
51.
52.disp('SVM样本分类...')
53.disp('.................................................')
54.class= multiSVM(scaledtestface,multiSVMstruct,npersons);
55.
56.accuracy=sum(class==realclass)/length(class);
57.display(['正确率：',num2str(accuracy)])
补充：
这里的两部分是为了让大家更容易理解主成分分析，而特意做的补充。显示主分量脸：
在主函数的第21行有一句程序是“visualize(V)%显示主成分脸”，这个是吧20个最大特征之对应的特征向量（就是低维空间的基）以图像的形式显示出来，其他所有图片就是这20张图片（主分量）的线性组合，保存为文件visualize.m
[plain]view plaincopy
1.function visualize( B )
2.%显示主成分分量脸（变换空间中的基向量，即单位特征向量）
3.%输入：B——每列是个主成分分量
4.% k——主成分的维数
5.global imgrow;
6.global imgcol;
7.figure
8.img=zeros(imgrow,imgcol);
9.for i=1:20
10. img(:)=B(:,i);
11. subplot(4,5,i);
12. imshow(img,[])
13.end
14.end
下面是调用visualize.m显示的主分量人脸：
基于主分量的人脸重构：
这段程序没有特意写成一个单独的函数，可以把它插入在主函数里主成分分析的代码下面
[plain]view plaincopy
1.approx=mA;
2.for i=1:k
3. approx=approx+pcaface(1,i)*V(:,i)';%pcaface的第一个参数代表你要重建的人脸，
这里对第一个人的第一张脸脸进行重建
4.end
5.disp('人脸重建')
6.figure
7.B=reshape(approx',112,92);
8.imshow(B,[])
下面分别是主成分为20维、50维、100维、150维时重构出来的第一张照片
原图为：
可见150维已经可以很好地对原图片进行重构。
附：pgm格式的图片好像是Linux的格式，在Windows上无法直接打开，在这里我是用Matlab的指令打开：imshow(imread('文件路径'))。
转载请您尊重作者的劳动，完整保留文章出处以及文章链接，谢谢您的支持！
人脸识别研究综述 摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。 关键词：人脸识别研究现状应用与展望 一、概念 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 二、发展历史 人脸识别的研究历史比较悠久。高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。 三、过程与优缺点 人脸的识别过程： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。 (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库
function varargout = FR_Processed_histogram(varargin) %这种算法是基于直方图处理的方法 %The histogram of image is calculated and then bin formation is done on the %basis of mean of successive graylevels frequencies. The training is done on odd images of 40 subjects (200 images out of 400 images) %The results of the implemented algorithm is 99.75 (recognition fails on image number 4 of subject 17) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @FR_Processed_histogram_OpeningFcn.,.. 'gui_OutputFcn', @FR_Processed_histogram_OutputFcn.,.. 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
人脸识别系统设计与仿真基于matlab的（含matlab源程序） 目录 第一章绪论 (1) 1.1 研究背景 (4) 1.2 人脸图像识别的应用前景 (5) 1.3 本文研究的问题 (6) 1.4 识别系统构成 (7) 1.5 论文的内容及组织 (9) 第二章图像处理的Matlab实现 (10) 2.1 Matlab简介 (10) 2.2 数字图像处理及过程 (10) 2.2.1图像处理的基本操作 (10) 2.2.2图像类型的转换 (11) 2.2.3图像增强 (11) 2.2.4边缘检测 (12) 2.3图像处理功能的Matlab实现实例 (13) 2.4 本章小结 (17) 第三章人脸图像识别计算机系统 (18) 3.1 引言 (18) 3.2系统基本机构 (19) 3.3 人脸检测定位算法 (20)
3.4 人脸图像的预处理 (27) 3.4.1 仿真系统中实现的人脸图像预处理方法 (28) 第四章基于直方图的人脸识别实现 (31) 4.1识别理论 (31) 4.2 人脸识别的matlab实现 (31) 4.3 本章小结 (32) 第五章总结 (33) 致谢 (34) 参考文献 (35) 附录 (37) 毕业设计（论文）原创性声明和使用授权说明
原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：
基于m a t l a b程序实现 人脸识别 TYYGROUP system office room 【TYYUA16H-TYY-TYYYUA8Q8-
基于m a t l a b程序实现人脸识别 1.人脸识别流程 基于YCbCr颜色空间的肤色模型进行肤色分割。在YCbCr色彩空间内对肤色进行了建模发现，肤色聚类区域在Cb—Cr子平面上的投影将缩减，与中心区域显着不同。采用这种方法的图像分割已经能够较为精确的将人脸和非人脸分割开来。 人脸识别流程图 2.人脸识别程序 （1）人脸和非人脸区域分割程序 function result = skin(Y,Cb,Cr) %SKIN Summary of this function goes here % Detailed explanation goes here a=; b=; ecx=; ecy=; sita=; cx=; cy=; xishu=[cos(sita) sin(sita);-sin(sita) cos(sita)]; %如果亮度大于230，则将长短轴同时扩大为原来的倍 if(Y>230) a=*a; b=*b; end %根据公式进行计算 Cb=double(Cb); Cr=double(Cr);
t=[(Cb-cx);(Cr-cy)]; temp=xishu*t; value=(temp(1)-ecx)^2/a^2+(temp(2)-ecy)^2/b^2; %大于1则不是肤色，返回0；否则为肤色，返回1 if value>1 result=0; else result=1; end end （2）人脸的确认程序 function eye = findeye(bImage,x,y,w,h) %FINDEYE Summary of this function goes here % Detailed explanation goes here part=zeros(h,w); %二值化 for i=y:(y+h) for j=x:(x+w) if bImage(i,j)==0 part(i-y+1,j-x+1)=255; else part(i-y+1,j-x+1)=0; end end end [L,num]=bwlabel(part,8); %如果区域中有两个以上的矩形则认为有眼睛 if num<2 eye=0;
第一章.方案概述 1.1项目概况 随着经济的发展，城镇建设速度加快，以及互联网的突飞猛进，导致城市中人口密集，流动人口增加，弓I发了城市建设中的交通、社会治安、重点区域防范、网络犯罪日益突出等城市管理问题，今后现代化城市的建设、网络信息必然将安全作为重中之重，与城市的经济建设处于同等重要的地位。近年来，社会犯罪率呈逐年升高的趋势，特别是网络犯罪更加的严重，网络逃犯频频发生，罪犯的犯罪手法也更加隐蔽和先进，给广大公安人员侦破案件增加了难度。同时，恶性事件时有发生, 使人们对公共生活场所的安全感普遍降低。 同时公安人员在对通缉犯进行人工排查时如大海捞针，成功率极低，效果也不明显。主要有如下实际问题： 1. 首先，由于罪犯群体不断扩大，要在数以百万计的人员照片库中找出犯罪嫌疑人，不仅费时费力，还有可能造成遗漏等情况，破案的效率大打折扣。 2. 其次，目前公安机关侦察案件大多数仍然依靠事后追查和通缉，对已经发生的案件造成的损失很难有效弥补。 3. 最后，如果在案发的同时即能防患于未然，就能第一时间将损失控制在最小范围内。 平安城市建设从最初的视频监控、卡口电警建设，系统已大量掌握了视频图像资源和卡口车辆数据和价值图片，但是针对人员侦查，身份确认还是需要通过技侦或网侦手段，无法充分利用视频图像资源快速定位人员身份。即使出动大量警力，采用“人海战术”但受制于肉眼识别劳动强度的极限，再加上人工排查效率不足，视频图像拍摄受光线、角度倾斜等不确定因素
影响，无法保证查找的准确性和时效性，尤其出现突发紧急案件时，往往会贻误最佳破案时机。 如何提供更加丰富以及实用的“人像防控”应用，从“事后被动侦查”到“事前主动预警”将是平安城市下一建设阶段面临的主要需求。 1.2需求分析 人像大数据系统采用高效的人脸检测定位及识别比对系统，可以第一时间帮助公安侦查人员快速识别辨别特定人员真实身份，把过去人工排查海量的视频图像资源比对需求变成现实，从而有效的为公安视频侦查、治安管理、刑侦立案等工作提供实战上的有效帮助和解决方法。第二可帮助公安侦查人员办案时候追查和通缉，真正从打变为防，能够极大的减少警力资源浪费和事故发生概率。 目前人脸抓拍比对系统主要应用在以下几个方面： 公安治安人员黑名单比对实时报警： 针对一些人员密集区域（如车站、地铁站、机场、社区等）的关键出入口、通道等卡口位置布置人员卡口，后端对重点关注人员、打防控人员进行黑名单布控，通过实时视频流比对布控黑名单，实现人脸比对识别。 不明身份人员身份确认： 治安人员在日常巡逻、人员身份验证过程中，避免肢体接触和冲突，使用前端摄像机或手机进行抓拍，后端通过数据库进行人员信息比对分析，达到人员身份确认的应用。 治安或刑侦人员对流动性人口中的无合法有效身份证件、无固定住所、无正当职业或合法经济来源的人员进行非接触性身份确认。
摘要 人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向。虽然人脸识别的研究已有很长的历史，各种人脸识别的技术也很多，但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响，目前还没有一种人脸识别技术是公认快速有效的．本文主要讨论了人脸识别技术的一些常用方法，对现有的人脸检测与定位、人脸特征提取、人脸识别的方法进行分析和讨论，最后对人脸识别未来的发展和应用做了展望。 关键字：人脸识别，特征定位，特征提取
ABSTRACT Nowadays the face recognition technology (FRT) is a hot issue in the field of pattern recognition and artificial intelligence．Although this research already has a long history and many different recognition methods are proposed，there is still no effective method with low cost an d high precision．Human face is a complex pattern an d is easily affected by the expression，complexion and clothes．In this paper，some general research are discussed，including methods of face detection and location，features abstraction，and face recognition．Then we analyze and forecast the face recognition’s application and its prospects． Keywords: Face Recognition Technology, Face location，Features abstraction
AI智能人脸识别系统 技 术 方 案 北京XX软件科技 2019年X月
目录 第1章设计背景 (1) 第2章系统方案 (4) 2.1 智能人像比对平台 (4) 2.1.1 系统结构 (4) 2.1.2 设计原则 (5) 2.1.3 人像对比算法 (8) 2.1.4 人像资源库 (10) 2.1.5 软件系统介绍 (12) 2.1.6 移动终端介绍 (18) 2.1.7 网络环境 (19) 2.2 动态人脸监控识别平台 (19) 2.2.1 动态监控数据库 (22) 2.2.2 人像基础比对服务平台 (24) 2.2.3 可用实例分析 (25) 2.3 校园人脸识别系统 (27) 2.3.1 概述 (27) 2.3.2 系统组成 (28) 2.3.3 系统功能 (29) 2.4 系统集成 (31) 2.4.1 集成建设总体原则 (31) 2.4.2 本期集成项目集成规划思路 (52) 2.4.3 项目成果交付 (74) 2.4.4 项目质量服务体系 (77) 第3章售后服务计划 (89)
第1章设计背景 随着国内平安城市、智慧城市项目的深入发展，城市监控的高清化进一步得到普及，摄像机数量大规模增长，使得人脸识别在数据的采集上阻碍大大减小，提升了人脸识别的质量与应用领域。在人脸识别的应用场景中，面部解锁、上班打卡、机场安检等一些场景被不断尝试，成为人脸识别最重要的应用场景。 据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。从2010年起，其118个成员国家和地区，必须使用机读护照，人脸识别项目技术是首推识别模式，该规定已经成为国际标准。中国公安部一所正在加紧规划和实施中国的电子护照计划。在技术越来越先进的未来，技术的不断进步势必会倒逼信息安全标准的不断升级，因此包括身份证以及电子护照等证件的升级换代势必会给人脸识别领域带来更多的机会。 目前我公司人脸识别项目系统基于神经网络”深度学习”的模型选择算法，提供人脸布控、人脸比对、以图搜图、轨迹跟踪、白/ 黑名单管理等核心业务功能，克服了传统技术的缺点，可实现重点监控区域人员的快速查找。 1、平安城市：延安市公安局高清视频监控指挥系统，延安市公安局高清视频监控指挥系统建设项目是由延安市公安局负责牵头建设的市府2012年重点建设项目之一。作为市政府数字延安的重要组成部
毕业设计 [论文] 题目：基于MATLAB的人脸识别系统设计 学院：电气与信息工程学院 专业：自动化 姓名：张迎
指导老师：曹延生 完成时间：2013.05.28
摘要 人脸识别是模式识别和图像处理等学科的一个研究热点，它广泛应用在身份验证、刑侦破案、视频监视、机器人智能化和医学等领域，具有广阔的应用价值和商用价值。人脸特征作为一种生物特征，与其他生物特征相比，具有有好、直接、方便等特点，因此使用人脸特征进行身份识别更易于被用户所接受。 人脸识别技术在过去的几十年得到了很大的发展，但由于人脸的非刚性、表情多变等因素，使得人脸识别技术在实际应用中面临着巨大的困难。本文针对近年来国内外相关学术论文及研究报告进行学习和分析的基础上，利用图像处理的matlab实现人脸识别方法，这种实现简单且识别准确率高，但其缺点是计算量大，当要识别较多人员时，该方法难以胜任。 利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。 关键词：图像处理, Matlab, 人脸识别, 模式识别
ABSTRACT Human face recognition focuses on pattern recognition ,image processi ng andother subjects.It is widely used in authentication,investigation,video surveillance,intelligent robots,medicine and other areas.Facerecognition ha s wide application and business value.Facial feature asabiological character istic,compared with others is direct,friendly andconvenient.Facial featuree mployed in authentication are user-friendly. The technology of face recognition in the past few years obtained the v ery big development, but due to the face of nonrigid, expression and chang eablefactors, the face recognition technology in practical application are fa cing great difficulties. This paper aimed at home and abroad in recent year s the relevant papers and researchreports on study and on the basis of the a nalysis, some units within the data sensitivity places need to enter personne l to carry out limitation design and develop a set of identity verification ide ntification system, the system uses PCA face recognition method, therealiza tion is simple and the accuracy rate of recognition is high,but itsdrawback i s that a large amount of calculation, when to identify more staff,this metho d is difficult to do. The realization of a set of various pretreatment methods in one of the generic face image preprocessing simulation system based on MATLAB, the system is used as the image preprocessing module can be embedded in a face recognition system, and using the histogram matching gray image to realize the recognition of human face images to determine.
人工智能技术与应用（练习一：骨骼识别） 1、（单选，10分）单人骨骼识别不需要包含如下处理过程（） A 、关键点区分 B 、关键点检测 C 、关键点串联 D 、结果输出 答案：A 2、（单选，10分）以下哪项不属于目前常用的人体骨架关键点的定义方式（） A 、18 个关键点 B 、14 个关键点 C、25 个关键点 D、7 个关键点 答案：D 3、（单选，10分） 以下哪种环境/ 条件有助于提升人体骨骼识别的准确率（） A 、肢体遮挡 B 、光照良好 C 、观察视角变化 D 、衣服包裹严实 答案：B 4、（单选，10分）人体骨骼识别与哪项技术的关联程度最低（） A 、区块链技术 B 、视频采集技术 C 、图像处理技术 D 、人工智能相关技术 答案：A 5、（单选，10分）以下哪项不是骨骼识别系统包含的功能（） A 、图像采集 B 、图像预处理 C 、图像模糊化 D 、骨骼关键点识别 答案：C 6、（单选，10分）以下哪项不属于造成多人骨骼识别较单人骨骼识别更具挑战的因素（） A 、关键点区分性弱 B 、背景中的局部区域容易混淆 C 、人与人的重叠 D 、需串联的关键点个数增多 答案：D
7、（单选，10分）当前的骨骼识别技术不适用于以下哪个应用场景（） A 、身份认证 B 、视频监控 C 、体感游戏 D 、运动员辅助训练答案：A 8、（单选，10分） 8. 以下哪家公司不属于人体骨骼识别领域的代表企业（） A 、商汤科技 B 、旷视科技 C 、携程旅行网络科技 D 、凌感科技 答案：C 9、（单选，10分）人的头颈、肩部、手肘关节、手腕关节、髋关节、膝关节等可作为人体骨骼关键点。 A 、正确 B 、错误 答案：A 10、（单选，10 分）在自顶向下方法中，人体目标检测需要用方框标记出一块尽可能大的区域。 A 、正确 B 、错误 答案：B 人工智能技术与应用（练习二：人脸识别） 1、（单选，10分） 以下哪项不是人脸识别系统包含的功能（） A 、图像采集 B 、图像预处理 C 、图像模糊化 D 、匹配比对 答案：C 2、（单选，10分） 未来人脸识别的个人隐私防护不包含（） A 、随意授权自己的人脸信息 B 、立法保障“脸权” C 、规范化人脸数据的使用方法 D 、打击隐私泄露行为 答案：A 3、（单选，10分） 以下哪项不属于生物识别技术（） A 、人脸识别 B 、车牌识别 C 、掌纹识别 D 、语音识别 答案：B
图像识别 题目：基于MATLAB的人脸识别 院系：计算机科学与应用系 班级： 姓名： 学号： 日期：
目录 引言 (1) 1 人脸识别技术 (2) 1.1人脸识别的研究内容 (2) 1.1.1人脸检测(Face Detection) (2)
1.1.2人脸表征(Face Representation) (2) 1.2几种典型的人脸识别方法 (3) 1.2.1基于几何特征的人脸识别方法 (3) 1.2.2基于K-L变换的特征脸方法 (4) 1.2.3神经网络方法 (4) 1.2.4基于小波包的识别方法 (5) 1.2.5支持向量机的识别方法 (5) 2 人脸特征提取与识别 (5) 2.1利用PCA进行特征提取的经典算法——Eigenface算法 (6) 2.2 PCA人脸识别流程 (6) 2.3特征向量选取 (8) 2.4距离函数的选择 (9) 2.5 基于PCA的人脸识别 (9) MATLAB人脸识别程序 (10) 3 MATLAB软件程序编写 (10) 3.1.创建图片数据库 (10) 3.2 主程序 (11) 3.3最终程序结果 (12) 4 心得与体会 (12) 参考文献 (13)
引言 随着社会的发展及技术的进步，社会各方面对快速高效的自动身份验证的需求可以说无处不在，并与日俱增。例如，某人是否是我国的居民，是否有权进入某安全系统，是否有权进行特定的交易等。尤其是自2001年美国“9．1l”恐怖袭击发生以来，如何在车站、机场等公共场所利用高科技手段，迅速而准确地发现并确认可疑分子成了目前世界各国在反恐斗争中普遍关注的问题。为此，各国都投入大量人力、物力研究发展各类识别技术，使得生物特征识别技术得到了极大的发展。生物特征识别技术主要包括：人脸识别、虹膜识别、指纹识别、步态识别、语音识别、笔迹识别、掌纹识别以及多生物特征融合识别等。人类通过视觉识别文字，感知外界信息。在客观世界中，有75％的信息量都来自视觉，因此让计算机或机器人具有视觉，是人工智能的重要环节。由于生物特征是人的内在属性，具有很强的稳定性和个体差异性，因此是身份验证最理想的依据。与虹膜、指纹、基因、掌纹等其他人体生物特征识别系统相比，人脸识别系统更加直接、方便、友好，易于为用户所接受，并且通过人脸的表情、姿态分析，还能获得其它识别系统难以得到的一些信息。 人脸识别技术在国家重要机关及社会安防领域具有广泛用途。例如：公安系统的罪犯识别、信用卡验证、医学、档案管理、视频会议、人机交互系统等身份识别和各类卡持有人的身份验证。同其他人体生物特征(如：指纹、掌纹、虹膜、语音等)识别技术相比，人脸识别技术的隐性最好，人脸识别系统更直接、友好，是当今国际反恐和安防最重视的科技手段和攻关标志之一。虽然人类能毫不费力地识别出人脸及表情，但对人脸的机器自动识别确实一个难度极大的课题，它涉及到模式识别、图像处理及生理、心理学等诸多方面的知识。人脸识别技术的研究虽然己经取得了一定的可喜成果，但在实际应用中仍存在着许多严峻的问题。人脸的非刚体性、姿态、表情、发型以及化妆的多样性都给正确识别带来了困难，要让计算机像人一样方便地识别出大量的人脸，尚需不同科学研究领域的科学家共同不懈的努力。
玺瑞（SYRIS）人脸识别闸机解决方案 一、人脸识别技术优势分析 人脸识别技术，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别系统集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，该技术目前被广泛应用于公安系统、海关系统、安保系统、银行系统等。 1.1人脸识别技术拥有四大优势 非接触性 人脸验证的过程不需要和设备、终端接触，这与指纹、打卡方式完全不同。体验感强，设备应为不会被频繁触碰，稳定性高，故障率低。 自然性
人类识别物体特征第一感知就是通过眼睛的感官传递回大脑，人脸识别技术是利用计算机深度学习人类感官回传大脑的过程，所以人脸识别相较于其他的生物识别技术在使用和体验上更加的自然，且不需要其他物体特征，不会发生丢失、被复制等问题。 识别速度快精度高 由于计算机技术的发展，在固定样本库对比下，人脸识别速度已经可以提升至0.3秒/人次，且不同角度、佩戴眼镜、化妆等改变面貌的行为也可以通过调整人脸识别算法来修正比对数据。 人脸已经成为大数据时代重要数据源 通过大量区域内人脸识别、比对，利用大数据分析、挖掘等技术，可以完全掌握特定对象的行为轨迹或特定人群的活动范围，过程中不需要人工干预，完全交由云计算、大数据系统来处理。技术的发展和成熟，使得人脸识别成为了人工智能时代最热门的技术门类和方向，推动各行各业应用人脸识别技术，用机器替代人工，极大程度改善和推动社会化行为中的效率和安全性。 1.2人脸识别门禁应用的优势 采用人脸识别门禁，相较于其他识别方式，具有以下几点优势： 无需接触识别设备 自然步态及速度 解放双手 无需特意配合 丢失、忘带识别卡的情况不再发生
摘要 摘要 随着社会的发展，各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。这其中，利用人脸特征又是最自然直接的手段，相比其他生物特征，它具有直接、友好、方便的特点，易于为用户接受。 人脸识别是一个涉及面广且又很有挑战性的研究课题，近年来关于人脸识别的研究取得了较大的进展。 关键词：人脸识别，AT89C51单片机，液晶显示器
Abstract As the development of the society, there are increasing demands in automatic identity check. Since some biological characteristics are intrinsic and stable to people and are strongly different from one to the others, they can be used as features for identity check. Among all the characteristics of human, the characteristics of face are the most direct tools which are friendly and convenient and can easily be accepted by the customers. Face recognition is an extensive and challenging research problem. Recently, significant progresses have been made in the technology of the face recognition. Key word:AT89C51 MCU，human face recognition，LCD
1.色彩空间转换 function [r,g]=rgb_RGB(Ori_Face) R=Ori_Face(:,:,1); G=Ori_Face(:,:,2); B=Ori_Face(:,:,3); R1=im2double(R); % 将uint8型转换成double型G1=im2double(G); B1=im2double(B); RGB=R1+G1+B1; row=size(Ori_Face,1); % 行像素 column=size(Ori_Face,2); % 列像素 for i=1:row for j=1:column rr(i,j)=R1(i,j)/RGB(i,j); gg(i,j)=G1(i,j)/RGB(i,j); end end rrr=mean(rr); r=mean(rrr); ggg=mean(gg); g=mean(ggg); 2.均值和协方差 t1=imread('D:\matlab\皮肤库\1.jpg');[r1,g1]=rgb_RGB(t1); t2=imread('D:\matlab\皮肤库\2.jpg');[r2,g2]=rgb_RGB(t2); t3=imread('D:\matlab\皮肤库\3.jpg');[r3,g3]=rgb_RGB(t3); t4=imread('D:\matlab\皮肤库\4.jpg');[r4,g4]=rgb_RGB(t4); t5=imread('D:\matlab\皮肤库\5.jpg');[r5,g5]=rgb_RGB(t5); t6=imread('D:\matlab\皮肤库\6.jpg');[r6,g6]=rgb_RGB(t6); t7=imread('D:\matlab\皮肤库\7.jpg');[r7,g7]=rgb_RGB(t7); t8=imread('D:\matlab\皮肤库\8.jpg');[r8,g8]=rgb_RGB(t8);
人脸识别系统解决方案 深圳东南创通智能科技有限公司 2018年6月13日
目录
一、概述 1、背景分析 随着我国城镇化进程的加快，城市人口日趋密集，人口流动性也大大增加，社会犯罪率呈逐年升高的趋势。在传统侦查工作方式中，多采用人工排查的方式，要排查重要场所人员身份，和限制外来人员进入固定区域，不仅费时费力，还可能造成遗漏等情况，排查效率大打折扣，同时给公共安全防范和社会维稳工作带来了极大的困难。 为切实解决重点复杂区域社会治理难题，夯实社会稳定和长治久安的基层基础，及高清技术、智能化技术、网络技术的日趋普及与成熟，我司立足实际需求，针对复杂区域流动人口多、身份难以核查、人员来访不易管理的局面，推出人脸识别系统解决方案。 系统采用先进的人脸识别算法，高速芯片作为识别算法的运行硬件平台，通过出入口的身份证信息采集、实时人脸抓拍和人证比对，从而实现人证合一验证。并针对不同场所实现固定人员刷脸通行，访客人员人证比对登记，解决固定人员每次需要刷证或输入密码的问题，人证比对失败人员则需要安保人员或工作人员人工确认后手动放行。 2、设计原则 系统设计遵循技术先进、深度学习算法、性能稳定、节约成本的原则；本系统设计内容是系统的、全面的、完整的、易用的以及符合人机交互的；方案设计具有科学性、合理性、可操作性。
二、系统介绍 1、系统组成 人脸识别系统由人证识别终端、通道闸、人脸识别管理客户端及平台组成。 人脸识别系统拓扑图 2、人脸识别特性 人脸识别系统核心组成部分主要包括人脸图像采集模块、动态人脸定位、人脸识别预处理、身份查找、身份比对、身份确认、执行机构和记录平台等，并通过一脸通平台判断人员身份及权限，开放相应的区域，保留人脸通行记录事件，并根据相应的权限命令各子系统作出响应，例如固定客户通道自动放行，访客只允许进入指定楼层等。 人脸识别一体化终端使用世界领先的人脸检测、识别算法（FDDB与LFW世界前三），将其运行在高性能嵌入式平台中，配合200W像素的摄像头，终端实现人脸检测、人脸跟踪、与人脸识别，并可在屏幕上呈现相应的反馈。 本产品能够同时识别5个人，光线环境良好的情况下最远能识别5米远的人脸，人脸跟踪与检测耗时20ms左右，人脸特征提取耗时200ms左右，人脸比对耗时左右，对光
动态人脸识别巡更系统 设 计 方 案 北京博睿视科技有限责任公司 2017年8月18日
目录 第一章人脸识别巡更系统设计要求 一、人脸识别巡更系统社会意义 略 第二章系统概述 人脸识别智能巡更系统为基于深度学习算法的通过式人脸记录巡检系统。根据需要将用于人脸抓拍的监控摄像机安装在需要巡逻的线路或执勤岗位上，人员对该地进行巡更通过时摄像机自动抓拍巡更人员的人脸照片同时将抓拍时间与对应的巡更人员人脸库进行比对结果通过局域网存入系统数据库。此记录将成为巡更人员何时到达该地巡更的依据。管理人员通过系统管理系统软件可清晰地了查询巡更人员巡更的实际情况，如漏查、误点、非本人带班等信息，方便管理人员有效管理。 1、人脸识别巡更系统构成 该系统由人脸静态建库、人脸动态入库、人脸信息修改、实时人脸抓拍、人脸检索、人脸图像聚类、以图搜图、联动报警八大部分组成。整个软件的逻辑体系结构如下图所示。 软件结构体系（C/S结构）
图3-3 软件逻辑体系示意图 3.3.1、人脸静态建库 实现布控人员建库，提供用户建立临时人脸库的功能，使用者可自行注册，批量导入人脸照片，静态人脸库包括黑名单、白名单。 图3.3.1人脸静态建库 3.3.2、人脸动态入库 将摄像机抓拍的人脸图片，建立动态抓拍人脸库，不断累积抓拍数据，为后
期进行人脸管理和提升识别率提供必要的支撑。 图3.3.2人脸动态入库 3.3.3、人脸信息修改 人脸信息修改模块主要是针对各个不同的人脸库，查询符合条件下的人员信息，并对其中的信息进行修改删除等操作，同时也可针对选择的人脸库进行新人员信息的注册。 图3.3.3人脸信息修改
深圳市华天成科技有限公司 人脸识别在公安工作解决方案 作为一种重要的身份识别标识，人脸信息在公安机关各警种业务中起着举足轻重的作用。在日常巡逻、户籍调查、出入境管理和刑事案件侦查中，干警都会通过辨识人脸来核实相关人员的身份。同时，在刑事案件调查录像时，由于大量的视频录像造成大量时间和警力的浪费。为了有效解决当前公安应用中人员身份核实存在的效果、效率问题，当务之急是引入高效的、智能的身份认证手段。人脸识别技术应运而生。 作为一种非接触式的生物识别技术，具有可靠、自然（与人类进行个体识别所利用的生物特征相同）和不易察觉等特点，能够无缝地融入现有的公安模式，提供方便快捷的身份认证手段。并实现针对挡获人员库、常驻人口库、暂住人口库、追逃库、重点人口库、CCIC在逃人员库等数据的人像比对，为户籍管理、治安管理、刑侦破案、维护稳定等提供高科技手段，为社会的和谐安定提供有利的支持！ 华天成人脸识别功能特点 可以在拥挤环境中同时捕捉多张人脸。 优化和减少存储需求（只存储面部资料）。 处理不同角度面孔，人群不用特意朝向摄像头。 根据时间和日期去自动计算和录影每张出现过的面孔。 高准确率。在火车站，地铁等重要人群集散地，统计准确率高达80%。 应用方向： 人脸识别软件演示demo 对犯罪人员进行布控 系统建立目标人脸库，包括全国在逃库、恐怖分子库、本地区布控人员等。各目标人库根据其业务属性及保密级别，可分别部署在各二级和一级管理中心。系统实时判断所辖业务场所上传的人脸图片是否与目标人库中照片吻合，及时报警以实施抓捕。 身份检索 系统在一级管理中心部署实有人口和暂住人口库，可对各基层单位、二级管理中心和一级管理中心提交的可疑人照片进行比对，查找其身份。 数据分析 一级管理中心保存所有人像日志，包括人脸图片、出现时间、出现地点等。可以通过某关注人的人脸照片，检索其所有的日志，形成运动轨迹。另外，系统能够自动的分析出记录中每个人员出现的次数，每次出现的时间、地点，帮助工作人员确定可疑人员。
基于PCA的人脸识别算法实现毕业论文 目录 前言 (1) 第一章人脸识别系统概述 (2) 第一节人脸识别的研究概况 (2) 第二节人脸识别的发展趋势 (3) 一、多数据融合与方法综合 (4) 二、动态跟踪人脸识别系统 (4) 三、基于小波神经网络的人脸识别 (4) 四、三维人脸识别 (4) 五、适应各种复杂背景的人脸分割技术 (4) 六、全自动人脸识别技术 (4) 第三节人脸识别技术的主要难点 (4) 一、复杂条件下人脸的检测和关键点定位 (5) 二、光照问题 (5) 三、资态问题 (5) 四、表情问题 (5) 五、遮挡问题 (5) 第四节人脸识别流程 (5) 一、人脸图像采集 (6) 二、预处理 (6) 三、特征提取 (6) 第五节本章小结 (7) 第二章人脸图像的获取 (9) 第一节人脸图像获取 (9) 第二节人脸分割 (9) 第三节人脸数据库 (10) 第四节本章小结 (11) 第三章人脸图像的预处理 (12)
第一节人脸图像格式 (12) 一、JPEG格式 (12) 二、JPEG2000格式 (12) 三、BMP格式 (13) 四、GIF格式 (13) 五、PNG格式 (13) 第二节人脸图像常用预处理方法 (14) 一、灰度变化 (14) 二、二值化 (15) 三、直方图均衡 (15) 四、图像滤波 (15) 五、图像锐化 (17) 六、图像归一化 (18) 第三节本章小结 (19) 第四章人脸识别 (20) 第一节主成分分析基本理论 (20) 一、什么是主成分分析？ (20) 二、例子 (20) 三、基变换 (21) 四、方差 (23) 五、PCA求解：特征根分解 (27) 六、PCA的假设 (28) 七、总结： (28) 八、在计算机视觉领域的应用 (30) 第二节基于PCA人脸识别算法的实现 (31) 一、创建数据库 (32) 二、计算特征脸 (32) 三、人脸识别 (34) 第三节本章小结 (36) 结论 (37) 致谢 (38) 参考文献 (39) 附录 (40) 一、英文原文 (40) 二、英文翻译 (53)
人脸识别 % FaceRec.m % PCA 人脸识别修订版，识别率88％ % calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a); b=a(1:112*92); % b 是行矢量1×N，其中N＝10304，提取顺序是先列后行，即从上 到下，从左到右 b=double(b); allsamples=[allsamples; b]; % allsamples 是一个M * N 矩阵，allsamples 中每一行数 据代表一张图片，其中M＝200 end end samplemean=mean(allsamples); % 平均图片，1 × N for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一个M ×N 矩阵，xmean 每一行保存的数据是“每个图片数据-平均图片” end; % 获取特征值及特征向量 sigma=xmean*xmean'; % M * M 阶矩阵 [v d]=eig(sigma); d1=diag(d); % 按特征值大小以降序排列 dsort = flipud(d1); vsort = fliplr(v); %以下选择90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0; while( dsum_extract/dsum < 0.9) p = p + 1; dsum_extract = sum(dsort(1:p)); end
基于matlab 的人脸识别技术 论文 摘要：随着计算机技术的飞速发展，人脸识别技术逐渐发展壮大起来，并应用到众多领域。 人脸识别是指在人脸检测的基础上针对输入的人脸图像，通过特征提取与特征匹配，找出与人脸库中匹配的人脸图像，从而达到识别效果。当前主要采取的人脸识别方法有：基于几何特征的方法 ，基于模板的方法和基于模型的方法。 这些方法较适合于人脸信息的验证，即待识别者是否为预先指定的对象。不足之处在于，需要建立一个拥有庞大人脸信息的训练样本库，因此就降低了输出结果的时效性和准确性。在应用领域中存在局限性，不适于具有庞大人脸样本训练库的身份鉴别领域。鉴于种种不足，本文提出了一种基于可变人脸库的快速人脸识别方法，使人脸识别技术适用于更多的行业。网络信息化时代的一大特征就是身份的数字化和隐性化,如何准确鉴定一个人的身份，保护信息安全是当今信息化时代必须解决的一个关键社会问题。正在悄然兴起的人脸识别技术正好可以解决这一问题。 关键词：模式识别，K-L 变换，人脸识别，图像处理，matlab,图像增强，边缘检测，图像预处理，灰度直方图，特征提取 1.1识别系统构成 自动人脸识别系统具有如图所示的一半框架并完成相应功能的任务。 （1）人脸图像的获取：一般来说，图像的获取都是通过摄像头摄取，氮摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。 （2）人脸的检测：人脸检测的任务是判断静态图像中是否存在人脸。若存在人脸，给出其在图像中的坐标位置，人脸区域大小等信息。而人脸跟踪需要进一步输出所检测到的人脸位置，大小等状态随时间的连续变化情况。 （3）特征提取通过人脸特征点的检测与标定可以确定人脸图像中显著特征点的位置（如眼睛，眉毛，鼻子，嘴巴等器官），同时还可以得到这些器官及其面部轮廓的形状信息的描述。 1.人脸特征提取的算法：K-L 变换是图像压缩中的一种最优正交变换，通过它可以把人脸样本从高维空间表示转换到低维空间表示，且由低维空恢复的人脸样本和原人脸样本具有最小的均方误差，从而可用人脸样本在低维空间的变换系数作为对人脸特征的描述。其中主元分析法（PCA ）就是基于K-L 变换的一种比较流行的算法，它是统计学中分析数据的一种有效的方法，其目的是在数据间中找到一组向量以尽可能地解释数据的方差，将数据从原来的R 维空间将维投影到M 维空间(R>>M)并保存数据的主要信息,从而使数据更易于处理.按照K-L 变换识别算法流程.从人脸样本中提取面部特征.是人脸识别中重要步骤.其实质是一个从高维图像空间到低维数字空间的转换过程,可表示为:Y=T{x} 式中:x 表示原始数据,Y 表示为特征信息,T 表示映射 人脸样本特征提取算法如下:首先计算该库中所有样本的平均值(平均脸): ∑==p i n f P f 1 1 式中；P 表示照片数.f 表示每张照片的线性表示然后构建协方差矩阵: T T i p i i A A f f P C ?==∑=)'('11 式中：f f f i -='表示每张照片与样本平均值的差。A 表示差值形成的矩阵 接着,进行特征的提取:由于此协方差矩阵进行求解特征值和特征向量比较困难的,因此采用奇异值分解的方法得到特征矩阵。 i T i f U Y '=