语音与数字图像处理
课程设计
项目名称基于MATLAB的人脸识别设计
专业班级通信103班
学生姓名刘永斌
同组者姓名杜财吉
指导教师陶佰睿
2012 年12 月28 日
摘要
随着多媒体技术的发展,人脸图像在各种领域中具有越来越重要的作用,如人机交互系统、视频监测系统、人脸图像数据库管理系统、人脸检测与识别系统等。在各种人脸图像的应用系统中,人脸特征定位是重要组成部分之一。
这次设计主要是完成了基于主成分分析(Principal Component Analysis，PCA)方法的人脸识别，为了便于操作，利用matlab GUI做了一个可视化界面，其中还附加了诸如图像平滑，锐化，灰度化，二值化，膨胀，腐蚀，二级小波分解及应用各种算子进行的边缘检测等功能，利用这些附加功能可以对待识别图像做简单的预处理，以提高识别率。PCA方法的基本原理是：利用离散K-L变换提取人脸的主要成分，构成特征脸空间，识别时把测试样本投影到该空间，构成一组投影系数，通过与特征脸的距离比较，距离最小的特征脸对应的即是识别结果。基于PCA的人脸识别分为三个阶段，第一个阶段利用训练样本集构建特征脸空间；第二个阶段是训练阶段，主要是将训练图像投影到特征脸子空间上；第三个阶段是识别阶段，将测试样本集投影到特征脸子空间，然后与投影后的训练图像相比较，距离最小的为识别结果。基于PCA的人脸识别其实一种统计性的模板比配方法，原理简单，易于实现，但也有不足，它的识别率会随着关照，人脸角度，训练样本集的数量而变换，但仍不失为一种比较好的方法。
关键词：MATLAB；样本集；特征脸；PCA
Abstract
With the development of multimedia technology, the face image has an increasingly important role in a variety of fields, such as human-computer interaction systems, video surveillance systems, and face image database management system, face detection and recognition system, etc.. In various applications of face images, the facial features localization is an important part of one.
The design of the main complete face recognition based on PCA (Principal Component Analysis, PCA) method matlab GUI to do a visual interface, which additionally order to facilitate the operation, such as image smoothing, sharpening, the grayscale value, expansion, corrosion, two wavelet decomposition and the application of various operator edge detection and other functions, the use of these additional functions can be treated identification image to do a simple pretreatment, in order to improve the recognition rate. PCA method, the basic principle is: the main component of the discrete KL transform to extract a human face, constituting the eigenfaces space recognition test samples projected into the space, constituting a set of projection coefficients, compared with eigenfaces the distance, a minimum distance, the Eigenface corresponding recognition result. Face recognition based on PCA is divided into three stages, the first stage of building eigenface space using the training sample set; second stage is the training phase, the training images projected onto the eigenface subspace; third stage identification phase, the test sample set is projected into the feature subspace, and then compared with the training image projected, and the minimum distance as a recognition result. Face recognition based on PCA in fact, a statistical template matching methods, the principle is simple, easy to implement, but there are also inadequate, its recognition rate with care, face angle, the number of training sample set transform, but still regarded as a better approach.
Keywords: MATLAB; sample set; Eigenface; PCA
目录
摘要.......................................................................................................... I Abstract.................................................................................................... I II 第1章概述.. (1)
1.1 人脸识别技术 (1)
1.2 PCA方法概述 (1)
第2章识别功能的实现 (3)
2.1 PCA方法基本原理 (3)
2.2 基于主成分分析法的人脸识别 (4)
2.2.1 读入人脸库 (4)
2.2.2 计算K-L变换的生成矩阵 (4)
2.2.3 利用SVD定理求解特征值和特征向量 (5)
2.2.4 样本投影并识别 (5)
2.2.5 选择分类器识别人脸 (6)
2.3 基于PCA算法人脸识别的matlab实现 (6)
2.3.1 读取人脸库 (7)
2.3.2 利用生成矩阵求特征值和特征向量 (7)
2.3.3 选取阈值提取训练样本特征 (7)
2.3.4 选取测试样本进行识别 (8)
2.5 实验结果及分析 (8)
第3章附加功能及GUI的设计 (10)
第4章实验结果分析 (17)
第5章总结 (20)
参考文献 (21)
第1章概述
1.1 人脸识别技术
人脸检测是指在输入图像中确定所有人脸（如果存在）的位置、大小和姿态的过程。人脸识别技术是采用某种技术和手段对人的身份进行标识，从而依据该标识对人进行身份识别，以达到监督、管理和识别目的的一种技术。近年来由于在公安罪犯识别、安全验证、安全验证系统、信用卡验证等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。
人脸识别基本上可分为两个方面：一是给定一幅待识别人脸图像，判别它是否是某人，即通常所说的身份验证（Authentication），这是个“一对一”的两分类问题；另一个是给定一幅待识别人脸图像，判断它是谁，即通常所说的身份识别（Recognition），这是一个一对多”的多类分类问题。通常所说的人脸识别是个“一对多”的多类分类问题，计算机人脸识别过程如图1.1所示。一个典型的人脸识别系统包含以下各部分：(1)从图像中提取人脸区域，检测，定位人脸；（2）用适当的特征表征人脸；（3）将人脸表征进行分类。
图1.1
基于人脸图像整体特征的人脸识别方法由于不需要提取人脸图像中器官的具体信息，而且充分利用到人脸图像本身具有的灰度信息，因此可获得更高的识别性能。基于人脸图像整体特征的人脸识别方法主要有特征脸法，最佳鉴别矢量集法，贝叶斯法，基于傅立叶变换特征法，弹性图匹配法，相关方法，线性子空间法，可变形模型法和基于人工神经网络的方法等等。其中弹性图匹配法和傅里叶不变特征法侧重于表述人脸图像；最佳鉴别矢量集法，贝叶斯法，基于人工神经网络的方法侧重于分类；特征脸法和线性子空间法等侧重于人脸图像的重构。
1.2 PCA方法概述
PCA(principal Component Analysis)是一项在计算机视觉中用于降低维数、
提取特征的技术，它被认为是人脸识别的有效方法之一，Sirovish和Kirby首先提出应用Karhunen-Loeve变换表征人脸，即人脸由被称之为特征脸向量的带权特征向量的线性组合表征。PCA算法将人脸图像看作随机向量,采用K-L变换得到所有人脸空间样本的正交变换基,这些基向量具有与人脸相似的形状，表征了人脸区别于其他物体的特征，因此被称为特征脸向量。对应特征值的绝对值越大，其特征向量对构造人脸的作用越大。选择作用最大的部分特征向量作为人脸空间的基向量，如此可以降低人脸空间维数，而对人脸重构的影响很微弱。利用这些基向量的线性组合描述、表达人脸和逼近人脸,进行人脸的识别和重建。将人脸映射到由特征脸向量构成的空间中，得到区别于其他人脸的特征。识别过程就是把待识别人脸特征,与库中人脸特征进行比较。人脸的重建就是根据待识别人脸特征,还原到人脸空间中。
PCA亦称特征脸方法把人脸图像作为一个整体来编码，而不关心眼、嘴、鼻等单个特征，从而大大降低了识别的复杂度。此方法的主要缺点是目前还没有一个快速的求解特征值和特征向量的算法，每一张新脸入库，都要重新计算特征值和特征向量，费时较多。优点是:图像的原始灰度数据可直接用来学习和识别，不需要任何初级或中级处理;不需要人脸的几何和反射知识;通过低维子空间表示进行有效压缩;与其他匹配方法相比，识别简单有效。为了解决上述缺点，研究人员在此基础上发展了许多改进方法:如将特征脸与线性判别函数相结合，可以使得对光照及人脸表情不太敏感，样本集小波变换预处理减少运算量，利用奇异值分解求特征值，2DPCA等等。
第2章 识别功能的实现
2.1 PCA 方法基本原理
设人脸图像(,)I x y 为二维m n ?灰度图像，用N m n =?维列向量X 表示。人脸图像训练集为{|1,,}i X i M =，其中M 为训练集中图像总数。根据训练集构造N N ?总体散布矩阵t S ：
1()()M
T t i i i S X X μμ==--∑
其中μ为所有训练样本的平均向量
11M i i X
M μ==∑
选取一组标准正交且使得准则函数式（3.3）达到极值的向量1d ωω作为投影轴，其物理意义是使投影后所得特征的总体散布量（类间散布量与类内散布量之和）最大。
T t t J S ωω= 1T ωω=
其等价于
T t t T S J ωωωω
= 上式即为矩阵的Rayleig 熵，由Rayleigh 熵[7]的极值性质，最优投影轴1d ωω可取为t S 的d 个最大的特征值所对应的标准正交的特征向量。
对于m n ?人脸图像,总体散布矩阵t S 的大小为N N ?,对它求解特征值和特征向量是很困难的,由奇异值定理，一种取而代之的方法是解M M ?个较小的矩阵。首先计算M M ?矩阵L 的特征向量(1,,)l v l M =：
T L A A =
1[,,]M A X X μμ=--
矩阵t S 的特征向量(1,
,)l l M μ=由差值图像1(1,,)X l M μ-=与(1,,)l v l M =线性组合得到
111[,,][,,][,,]M M M U X X v v AV μμμμ==--=
取L 的前d 个最大特征值的特征向量计算特征脸，d 由门限值λθ确定：
11min /d M i j i j J d λλλθ==??=>????
∑∑
2.2 基于主成分分析法的人脸识别
完整的PCA 人脸识别的应用包括四个步骤：人脸图像的预处理；读入人脸库，训练形成特征脸空间；把训练样本和测试样本投影到特征脸空间中；选择一个距离函数按照某种规则进行识别。下面看一下详细的过程：
2.2.1 读入人脸库
这次设计中选用英国剑桥大学人脸库即ORL 人脸库，此人脸数据库有40人，每人有10幅图像。这些图像具有以下特点:有些图像拍摄于不同的时期;人的脸部表情和脸部细节有着不同程度的变化，比如，笑或不笑，眼睛或睁或闭，戴或不戴眼镜;人脸姿态也有相当程度的变化，深度旋转和平面旋转可达20。;人脸的尺度也有多达10%的变化;图像的分辨率是 112x92。。在ORL 人脸库中选出每个人的前5幅图像作为训练图像，构成一个200幅图像的训练集，剩下的200幅图像构成测试集。每幅图像按列相连构成10304维列向量，读入的训练样本集就构成10304×200的矩阵。
2.2.2 计算K-L 变换的生成矩阵
以训练样本集的总体散布矩阵为生成矩阵t S ，即
200
1()()T t i i i S X X μμ==--∑
其中i X 为第i 幅训练样本的图像向量，μ为训练样本集的均值向量，训练样本的总数为200。为了求的生成矩阵的特征值和正交归一化特征向量，由于矩阵维数过高，计算量太大，可以引进奇异值分解定理(SVD 定理)。
图2.1 平均脸
2.2.3 利用SVD 定理求解特征值和特征向量
SVD 定理的定义：若矩阵m n A R ?∈，则存在正交矩阵{}12,,,m n m U R μμμ?=∈，{}12,,,m n n V v v v R ?=∈，使得12(,,,)T p U AV diag W σσσ==，min(,)p m n =，
即T A UWV =，则称A 为奇异值分解。其中，120,(1,2,,)p i i p σσσσ≥≥
≥≥=
为A 的奇异值，是T AA 或T A A 的特征值的平方根，即i σ=
奇异值向量具有良好的稳定性，所以它对图像噪音、图像光照条件引起的灰度变化具有不敏感的特性。
计算特征值和特征向量的基本步骤是：(1)创建协方差矩阵；(2)计算协方差矩阵的特征值和特征向量；(3)按特征值由小到大顺序排列特征值和特征向量。
这些特征向量对应的图像很像人脸，所以被称为“特征脸”。有了这样一个由“特征脸”组成的降维子空间，任何一幅图像都可以向其投影并获得一组坐标系数，这组坐标系数表明了该图像在“特征脸”子空间的位置，从而可以作为人脸识别的依据。
2.2.4 样本投影并识别
得到特征脸子空间以后，就要把训练样本和测试样本都投影到特征脸子空
间，每幅图像得到一组坐标系数，对应子空间中的一个点。任何一幅图像都可以有这组特征脸线性组合，加权系数就是K-L变换的系数。
原始图像主成分取20的重建图主成分取50的重建图
主成分取100的重建图主成分取150的重建图完全重建图
图2.3 人脸重建
2.2.5 选择分类器识别人脸
比较直接也比较常用的分类方法是选择与待分类对象距离最近的样本的类别为待分类对象的类别。常用的距离测度有：欧式距离、绝对值距离、明氏距离、马氏距离、余弦距离。有了距离的测度，将待识别的人脸映射到特征空间，寻找距离最小的那一类样本。为了克服单个样本类别的偶然性，增加识别的可靠性，可以选择最近的k个样本，然后把待识别人脸判别为这k个样本中同类样本最多的那个类别，即k近邻判别。实验中使用欧式距离比较待分类特征系数与每个人的特征系数之间的距离。
2.3 基于PCA算法人脸识别的matlab实现
用matlab语言仿真PCA算法的人脸识别，分为以下几个步骤：
2.3.1 读取人脸库 allsamples=[]; % allsample 用于存储读取的人脸图像矩阵
for i=1:40
for j=1:5
a=imread (strcat ('e: \ORL\s', num2str (i),'\', num2str (j),'.pgm'));
b=a (1:112*92);
b=double (b);
allsamples= [allsamples; b];
end
end
2.3.2 利用生成矩阵求特征值和特征向量
samplemean=mean (allsamples);
for i=1:200
xmean (i, :) =allsamples (i, :)-samplemean;
end
sigma=xmean*xmean';
[v d]=eig (sigma);
2.3.3 选取阈值提取训练样本特征
上面得到的200个特征向量，虽然已经比较小了，但计算量还是比较大。其实不必要保留所有的特征向量，较大特征值对应的特征向量已经能够提供足够多的用于识别的特征。一般是通过计算阈值进一步降低维数，这种方法的具体做法是把特征向量和特征值从大到小排列，选取特征值占总特征值之和的比值大于一定值所对应的特征向量。阈值θ一般是取0.9。计算公式是11/p M
i i j j θλλ===∑∑。但发
现在这里θ取0.91更好，识别率更高一点。通过程序运行可以发现，阈值选择为0.91时特征值个数减少为75个，就是说很多特征值是很小的，数值小的特征值对应的特征向量对识别只能提供很少的信息。所以通过阈值选择，计算量减少了很多。
d1=diag (d);
dsort=flipud (d1);
vsort=fliplr (v);
dsum=sum (dsort);
dsum_extract=0;
p=0;
while (dsum_extract/dsum<0.91)
p=p+1;
dsum_extract=sum (dsort (1: p));
end
base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2));
allcoor=allsamples*base;
2.3.4 选取测试样本进行识别
测试样本识别的过程就是把测试图像投影到特征脸子空间，得到一组特征系数，然后按照欧式距离的最小近邻法与训练样本集投影得到的系数匹配，找到距离最小的样本就是识别的结果。但为了克服单个样本的偶然性，这里选择最近的3个样本，然后把待识别人脸判别为这3个样本中同类样本最多的那个类别。
a=imread (strcat ('e: \ORL\s', num2str (i),'\', num2str (j),'.pgm'));
b=a (1:10304);
b=double (b);
tcoor=b*base;
for k=1:200
mdist (k)=norm(tcoor-allcoor(k,:));
end;
[dist, index2]=sort (mdist);
class1=floor ((index2 (1)-1)/5) +1;
class2=floor ((index2 (2)-1)/5) +1;
class3=floor ((index2 (3)-1)/5) +1;
if class1~=class2 && class2~=class3
class=class1;
elseif class1==class2
class=class1;
elseif class2==class3
class=class2;
end;
2.5 实验结果及分析
对于ORL人脸库，选用每人前5幅图像作为训练样本，后5幅图像作为测试样本，训练样本和测试样本总数均为200，阈值选为0.91。程序运行可得识别率为0.885。选取的特征空间的维数是88。PCA算法是基于人脸图像整体特征的人脸
识别方法，影响识别率的因素主要有很多，如人脸库的差异，算法的差异，参数的选择，都会产生很大的影响。但现在主要考虑两点因素：(1)阈值的选择，即特征空间的维数；(2)训练样本的数量。下面就看一下选择不同的参数时候他们各自对识别率的影响如表2.1所示。
表2.1 阈值及样本数量对识别率的影响
从上表可以看出当阈值一定时，训练样本数的增加会使识别率提高，大概每人每增加一幅图像，识别率提高4个百分点。在训练样本数一定时，阈值的改变也相应的影响识别率，阈值太小的时候识别率显然很低，大概阈值到0.8以上时，识别率变化不大，这就说明，降低特征矩阵维数不但可以减少计算量，而且基本上不会影响识别率太多。
第3章附加功能及GUI的设计
MATLAB提供了专门的GUI设计工具——图形用户界面开发环境（GUIDE），为了便于操作及演示的需要，利用GUIDE设计了可视化界面。另外还增加了诸如图像平滑，图像锐化，灰度化，二值化，膨胀，腐蚀，二级小波分解及应用各种算子进行的边缘检测的功能。
“文件”菜单中有“打开”、“保存”、“退出”二级子菜单，分别用于打开，保存处理后的图像和退出界面操作。如图3.1所示
图3.1
“图像处理”菜单主要是完成一些基本的图像处理功能，其中有“图像平滑”、“图像锐化”、“灰度化”、“二值化”、“小波分解”、“膨胀”、“腐蚀”、“边缘检测”。如下图所示。灰度、二值化、腐蚀，膨胀，边缘检测都比较简单，下面来看一下图像平滑、平滑、和小波分解的实现。如图3.2所示
图3.2
图像平滑主要有两个作用：一个是消除或减少噪声，改善图像质量；另一个是模糊图像，使图像看起来柔和自然。图像平滑可以在空间域进行，也可以在频
域进行。空间域常使用的方法有邻域平均法、中值滤波法、多图像平均法等；频域主要是采用理想低通、巴特沃斯低通等各种滤波器进行低通滤波，来实现平滑处理。这里采用的是邻域平均法如图3.3所示。
samplemean=mean (allsamples);
for i=1:200
xmean (i, :) =allsamples (i, :)-samplemean;
end
Sigma=xmean*xmean';
[v d]=eig (sigma);
src_image=getappdata (handles.figure_image,'src_image');
if isequal(src_image,0)
return;
else
[row, colum,z]=size (src_image);
if isequal (z, 1)
for i=2: row-1
for j=2: colum-1
pro_image(i,j)=(src_image(i-1,j)/5+src_image(i+1,j)/5+src_image(i,j-1)/5+src_image(i,j+ 1)/5+src_image(i,j)/5);
end
end
elseif isequal (z, 3)
for i=2: row-1
for j=2: colum-1
pro_image(i,j,1)=(src_image(i-1,j,1)/5+src_image(i+1,j,1)/5+src_image(i,j-1,1)/5+src_i mage(i,j+1,1)/5+src_image(i,j,1)/5);
pro_image(i,j,2)=(src_image(i-1,j,2)/5+src_image(i+1,j,2)/5+src_image(i,j-1,2)/5+src_i mage(i,j+1,2)/5+src_image(i,j,2)/5);
pro_image(i,j,3)=(src_image(i-1,j,3)/5+src_image(i+1,j,3)/5+src_image(i,j-1,3)/5+src_i mage(i,j+1,3)/5+src_image(i,j,3)/5);
end
end
end
axes (handles.axes_dst);
imshow (pro_image);
title('平滑后的图像');
end
图3.3 图像平滑
图像锐化主要是加强高频部分，或减弱低频部分。图像的低频成分主要对应于图像中的区域和背景，而高频成分主要对应于图像中的边缘和细节。图像锐化加强了细节和边缘，对图像有去模糊的作用。因为噪声主要分布在高频部分，如果图像中存在噪声，锐化会放大噪声。此处是在空域采用sobel算子进行处理的。如图3.4所示。
image_ruihua=getappdata (handles.figure_image,'src_image');
if isequal (image_ruihua,0)
return;
elseif isrgb (image_ruihua)
errordlg('此处彩色图像能锐化处理','警告','replace');
else
H=fspecial ('sobel');
I=filter2 (H,image_ruihua);
axes (handles.axes_dst);
Imshow (I);
title('锐化图像');
setappdata (handles.figure_image,'src_image',I);
end
图3.4 图像锐化
小波分解可以将图像分解为具有具有不同分辨率的图像，尺度展开信号分量反映图像的粗略轮廓，而小波展开各信号分量反映图像的细节，并且小波函数的尺度越高，对应信号中越精细的细节。在人脸识别中，人脸库先经过小波变换得到分辨率更低的粗略图像，其特征不会减少，但却可以极大的减少运算量。如图3.5所示。
samplemean=mean (allsamples);
for i=1:200
xmean (i, :) =allsamples (i, :)-samplemean;
end
sigma=xmean*xmean';
[v d]=eig (sigma);
B=getappdata (handles.figure_image,'src_image');
if isequal (B, 0)
return;
else
if isrgb(B)
x=rgb2gray(B);
else
x=B;
end
N=1
wname='db1';
[Lo_D, Hi_D] = wfilters (wname,'d');
[r, c]=size(x);
xd=double(x);
coef= [];
for i=1: N
[row, col]=size (xd);
for j=1: row
tmp1=xd (j, :);
cD_mydwt= [];
for i=1:1
cvl=conv (tmp1, Lo_D);
N=length (cvl);
M=floor (N/2);
i=1: M;
dnl (i) =cvl (2*i);
cvh=conv (tmp1, Hi_D);
N=length (cvh);
M=floor (N/2);
i=1: M;
dnh (i) =cvh(2*i);
ca1=dnl;
cd1= [cD_mydwt, dnh];
end
x1(j, :) =[ca1,cd1];
end
[row1,col1]=size(x1);
for k=1:col1
tmp2=x1(:, k);
cD_dwt2= [];
for i=1:1
cvl2=conv (tmp2, Lo_D);
N=length (cvl2);
M=floor (N/2);
i=1: M;
dnl2 (i) =cvl2 (2*i);
cvh2=conv (tmp2, Hi_D);
N=length (cvh2);
M=floor (N/2);
i=1: M;
dnh2 (i) =cvh2 (2*i);
ca2=dnl2;
cd2= [cD_dwt2, dnh2];
end
x2(:, k) = [ca2, cd2]' ;
end
[row2, col2]=size(x2);
cA=x2(1:row2/2, 1:col2/2);
cV=x2(1:row2/2, col2/2+1:col2);
cH=x2(row2/2+1:row2, 1:col2/2);
cD=x2(row2/2+1:row2, col2/2+1:col2);
xd=cA;
outmp= {cV; cH;cD};
coef= [outmp; coef];
end
coef= [cA; coef];
yt=uint8 (coef {1});
axes (handles.axes_dst);
imshow (yt);
title ('Approximation');
end
src_image=yt;
setappdata(handles.figure_image,'src_image',src_image);
图3.5 二级小波分解
“人脸识别”菜单中包括“训练”、“识别”两项。训练和识别的过程在第二章中已经过了比较详细的论述，这里不再赘述。如图3.6和3.7所示
图3.6 训练
图3.7 识别
在GUIDE中，各对象的操作都是通过句柄来执行的。“图像处理”菜单中的处理功能都是应用于当前文件的，所谓当前文件就是刚被处理过的文件，每次处理完之后图像都会全局更新，所以无法恢复。
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
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：
人脸识别系统毕业论文 第一节课题背景 一课题的来源 随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。 二人脸识别技术的研究意义 1、富有挑战性的课题 2、面部关键特征定位及人脸2D形状检测技术 3、面部感知系统的重要容 基于视觉通道信息的面部感知系统，包括人脸检测和跟踪、面部特征定位、面部识别、人脸归类（年龄、种族、性别等的判别）、表情识别、唇读等分系统，如图1-1所式，可以看出，继人脸检测和跟追之后，面部特征定位通常是面部感知的一个必备环节, 是后续工作的基础，具有重要的意义。尽管人脸识别不能说是其他面部感知模块的必备功能，但是，可以肯定的是，利用已知的身份信息，结合特定人的先验知识，可以提高表情分析、唇读和语音识别、手势识别乃至手写体识别的可靠性。而计算机对使用者身份确认的最直接的应用就是基于特定使用者的环境设置：如使用者的个性化工作环境，信息的共享和隐私保护等等。
图1-1面部感知系统结构图 第二章系统的需求分析与方案选择 人脸识别系统现在应用于许多领域中，但是人脸识别技术也是一项近年来兴起的， 且不大为人所知的新技术。在我国以及其他国家都有大量的学者正在研究之中，不断的 更新人脸识别技术，以便系统的识别准确率达到新的高度。 第一节可行性分析 在开发该人脸识别软件之前，我们查询了前人所写过的诸多论文以及源程序，在开 发之时，结合了资料中的算法并揉进了自己的一些思想，使程序可以对人脸图片进行简 易识别。 一技术可行性 图像的处理方法很多，我们可以根据需要，有选择地使用各种方法。 在确定脸部区域上，通常使用的方法有肤色提取。肤色提取，则对脸部区域的获取 则比较准确，成功率达到95%以上，并且速度快，减少很多工作。 图像的亮度变化，由于图像的亮度在不同环境的当中，必然受到不同光线的影响， 图像就变得太暗或太亮，我们就要对它的亮度进行调整，主要采取的措施是对图像进行 光线补偿。 高斯平滑：在图像的采集过程中，由于各种因素的影响，图像中往往会出现一些不规 则的随机噪声，如数据在传输、存储时发生的数据丢失和损坏等，这些都会影响图像的质 量，因此需要将图片进行平滑操作以此来消除噪声。 灰度变换：进行灰度处理，我们要保证图像信息尽可能少的丢失。同样在进行灰度 变视频输入 ㈡
鉴别人的身份是一个非常困难的问题，传统的身份鉴别方法把这个问题转化为鉴别一些标识个人身份的事物，这包括两个方面：①身份标识物品，比如钥匙、证件、ATM 卡等； ②身份标识知识，比如用户名和密码。在一些安全性要求严格的系统中，可以将这两者结合起来，比如ATM 机要求用户同时提供ATM 卡和密码。这些传统的身份鉴别方法存在明显的缺点：个人拥有的物品容易丢失或被伪造，个人的密码容易遗忘或记错。更为严重的是这些系统无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识事物，就可以拥有相同针对这一情况，我们可以采取两种措施加以解决。其一，研究新的适用于非完全正立人脸图像的特征检测方法并对人脸特征的提取作相应的调整,这种解决方法在文献[9]已有所尝试；其二，沿用现有的人脸识别系统，但在人脸图像送识别系统进行特征提取和识别之前（即在人脸检测和定位阶段），先进行人脸位置矫正的工作,这种方法在文献[10]中也已有所研究，并取得了较好的效果。与传统的身份鉴定手段相比，基于人脸生物特征信息的身份鉴定技术具有以下优点：● 用户易接受：简单易用，对用户无特殊要求。● 防伪性能好：不易伪造或被盗。● ―随身携带‖：不用担心遗漏或丢失，随时随地可用。除此之外，人脸识别技术还有主动性好，精确性高，性能/成本比高，自学习功能强等优点。河北工程大学毕业论文鉴于人脸识别技术在个人身份鉴定方面的众多优点，这项技术可以在很多领域得到应用：● 国家安全领域。协助公安，海关等国家安全机构加强对可疑人物、罪犯、恐怖分子的追踪、监控和识别。● 公众安全领域。加强交通管制；确认身份证、护照等证件的真伪；验证各类信用卡的持卡人身份。●计算机交互领域。根据计算机使用者人脸特征确定身份，提供个性化服务。Face Pose Adjustment, Facial Feature Extraction , Human Face Recognition , 人脸识别技术在这些领域的充分利用，对于有效地鉴定个人的身份，防止犯罪和诈骗、提高办公效率、节约资源有着重大的社会和经济意义。本章针对大部分人脸识别系统建模中存在的不足，将人脸位置矫正问题引入思考，并根据人脸图像特点设计实现了一种新的基于眼睛定位的人脸位置矫正算法。（为方便叙述起见，我们称人脸在竖直平面内的倾斜角度为平面旋转角度，而称人脸在水平面内的倾斜角度为深度旋转角度。本文中出现的人脸位置矫正说法都是针对平面旋转角度而言的。）Neural Networks , Gray-scale Static Image , Vertical-complexity of Image 作为人类智能的重要体现和个人身份鉴定的重要手段，人脸识别技术具有广泛的应用前景，已成为一项热门研究课题。人脸识别的关键技术之一就是人脸的检测定位。在一个完整的人脸识别系统中，能否对人脸进行正确的检测定位将对整个人脸识别系统的性能优劣产生极其重要的影响，而影响人脸检测定位的一个重要因素就是人脸在图像中的姿势。实际中，由于受到人的行为习惯，生理特征以及图像采集环境等诸多因素的影响，人脸在采集到的人脸图像中的姿势往往并不是完全正立的，而是在水平和竖直平面内都存在一定的倾斜角度（即深度旋转角度和平面旋转角度）。但是大部分的人脸识别系统都是针对正立的正面人脸图像而设计的，没有考虑到人脸图像可能存在的倾斜问题，致使这些人脸识别系统从人脸倾斜的图像中提取的特征数据在一定程度上失效，并有可能进一步导致人脸识别系统在最终识别结果中产生误判。1.2 国内外人脸识别系统的研究现状现在人脸识别技术已经应用在许多领域中，并起到了举足轻重的作用，人脸识别研究开始于1966 年PRI 的Bledsoe 的工作，经过三十多年的发展，人脸识别技术取得了长足的进步，现在就目前国内外的发展情况来进行展述。河北工程大学毕业论文1.2.1 国外的发展概况见诸文献的机器自动人脸识别研究开始于1966年PRI的Bledsoe的工作，1990 年日本研制的人像识别机，可在1秒钟内中从3500人中识别到你要找的人。1993 年，美国国防部高级研究项目署(Advanced Research Projects Agency)和美国陆军研究实验室(Army Research Laboratory)成立了Feret(Face Recognition Technology) 项目组，建立了feret 人脸数据库，用于评价人脸识别算法的性能。美国陆军实验室也是利用vc++开发，通过软件实现的，并
太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别
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： Ⅰ
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ
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)
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
基于matlab的人脸识别系统设计与仿真
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：
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日
目录 [摘要] (1) 1 绪论 (2) 1.1 人脸识别技术 (2) 1.1.2 本课题研究的内容 (2) 1.1.3 DSP 技术在图像处理中的应用 (2) 2人脸识别系统硬件平台的方案设计 (3) 2.1系统硬件平台的方案比较 (3) 2.2系统设计中的关键问题 (3) 2.2.1 DSP的发展 (3) 2.2.2 定点DSP 芯片TMS320C6414 介绍 (5) 2.2.3 FPGA芯片的选择 (6) 3 系统硬件平台的设计 (7) 3.1 系统硬件平台的框图 (7) 3.2 视频输入模块设计 (8) 3.2.1 模拟视频信号的采集 (8) 3.2.3 AD9883 电路的接法 (8) 4 系统外部存储器接口的设计 (9) 4.1 SRAM 的选择 (9) 4. 2 C6414外部存储器的接口设计 (10) 4. 3 EMIFA接口扩展 (10) 4.4 FPGA的配置的方法 (11) 4.4.1 JTAG接口控制 (11) 4.5 DSP 代码加载方式 (12) 4.6 电源模块设计 (12) 4.7 其它外围电路设计 (14) 4.8 RS232串口通信模块 (14) 4.9 D/A转换及VGA显示接口设计 (15) 5．高速PCB板设计 (16) 5.1 板级设计的基础理论 (16) 5.1.1 PCB布局 (16) 5.1.2 一般的布线规则 (16) 5.1.3 高速布线规则 (17) 5.1.4高速电路的过孔设计 (17) 5.2电源层和地层的设计 (18) 5.2.1电源和地的分配 (18) 5.2.2电源和地的布线设计 (18) 6．主要的工作及难点 (19) 6.1 本设计的主要工作 (19) 6.2遇到的难点 (20) 7．结束语 (20) 致谢 (20) 附录： (22)
摘要 基于生物特征识别的身份认证方法和系统研究一直以来都是计算机图形学和模式识别领域研究的热点，其中，由于人脸的稳定性和可见性，针对人脸识别的算法研究和系统应用最为广泛，本文针对校园内实验室和宿舍安全管理需求，设计和实现了一套针对监控视频的基于OpenCV的人脸识别原型系统，开发语言选用C++，全文内容包括： （1）构建了基于OpenCV的视频人脸识别的技术框架。针对实验室和宿舍安全管理需要，构建了基于OpenCV的视频人脸识别的技术框架，能够完成基于视频的实时人脸识别和身份认定； （2）设计了基于OpenCV的视频人脸快速检测算法。人脸检测是人脸识别的前提，本文采用基于OpenCV的快速人脸检测算法实现视频图像中人脸的快速定位和提取； （3）设计了基于AdaBoost算法的视频人脸识别方法。应用AdaBoost算法实现了针对视频流的快速人脸定位和身份识别，能够实现实时身份认定。 系统基于.NET平台设计，使用C++语言进行实现，完成了基于视频的实时人脸身份认定。 关键词：人脸检测； OpenCV；人脸识别； C++； 1
Abstract Based on the research of identity authentication method and system of biometric recognition has been a hot research field of computer graphics, pattern recognition and the stability and visibility, the face, the algorithm research and system applications of face recognition is the most widely, according to the laboratory and dormitory safety management needs of the campus, designed and implemented. A face recognition system based on OpenCV in surveillance video, development language is C++, the main content of this thesis includes: （1）Constructed the technical framework for video based face recognition based on OpenCV. According to the laboratory and the dormitory safety management needs, establishes a framework for video based face recognition based on OpenCV, which can complete real-time face recognition and identity based on video identification; （2）Design of a fast face detection algorithm in video based on OpenCV. Face detection is the precondition of face recognition, this paper uses OpenCV fast face detection algorithm to locate face in video image and extraction based on;The design use application of OpenCV to provide strong support, based https://www.doczj.com/doc/b510602222.html, platform design. （3）Design of video based face recognition method based on AdaBoost algorithm. Application of AdaBoost algorithm for fast face location and recognition of video stream, which can realize real-time identification. System based https://www.doczj.com/doc/b510602222.html, platform design, implementation is carried out using C++ language, completed the real-time face identity recognition based on video Key word：Face detection；OpenCV；Face recognition；C++；
北京工业大学毕业设计（论文）人脸识别方法实现研究
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：
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日
武汉理工大学本科生毕业设计（论文）任务书 学院：自动化学院专业班级：自动化1005 班 姓名：王建华学号： 0121011360501 毕业设计（论文）题目：人脸识别系统的研究与实现 任务书含以下方面的内容： （一）设计（论文）主要内容： OpenCV 是一个开源的跨平台计算机视觉库，可实现图像处理和计算机视觉方面的很多通用算法。OpenCV 给人脸识别提供了一整套图像处理以及图像与模式分析函数，可迅速完成人脸的识别和检测。本研究希望利用OpenCV 库，开发一个人脸识别系统，能够辨认出6-8 个人脸，并有相应的反应。 （二）要求完成的主要任务： 1、查阅不少于15 篇的相关资料，其中英文文献不少于2 篇，完成开题报告。 2、通过对资料的阅读，深入了解OpenCV 库以及人脸检测与识别的相关算法。 3、利用OpenCV 库实现人脸检测与识别算法。 4、完成不少于2 万英文（5000 汉字）印刷符的英文文献翻译。 5、完成毕业论文（设计说明书和相关图纸）。 （三）进度安排 第1-2 周：查阅相关文献资料，明确研究内容，了解研究所需硬件和软件。确定方案，完成开题报告。 第3-4 周：安装软件，学习熟练应用软件OpenCV。 第5-7 周：学习OpenCV 库中的相关函数。 第8-10 周：利用VS2010 软件编程，熟练掌握OpenCV 的各种相关功能。 第10-12 周：OpenCV 程序的修改，调试。 第13-14 周：修改并完成毕业论文。 第15 周：准备论文答辩。 (四) 必读参考资料及主要参考文献 [1]（美）布拉德斯基（Bradski G.），（美）克勒（Kaehler A.），于仕琪，刘瑞祯．学习OpenCV（中文版）[M]．清华大学出版社，2009：601.
人脸识别系统的研究与实现 目录 第一章绪论 第一节课题背景 一课题的来源------------------------------------------------------------------------------1 二人脸识别技术的研究意义------------------------------------------------------------1 第二节人脸识别技术的国内外发展概况---------------------------------------------------3一国外发展概况---------------------- --------------------------------------------------2 二国内发展概况---------------------------------------------------------------------------4 第二章系统的需求分析和方案选择---------------------------------------------------------5第一节可行性分析------------------------------------------------------------------------------5 一技术可行性分析------------------------------------------------------------------------5 二操作可行性分析------------------------------------------------------------------------5 第二节需求分析---------------------------------------------------------------------------------6 一应用程序的功能需求分析------------------------------------------------------------6 二开发环境的需求分析------------------------------------------------------------------7 三运行环境的需求分析------------------------------------------------------------------7 第三节预处理方案选择------------------------------------------------------------------------7 一设计方案原则的选择------------------------------------------------------------------7 二图像文件格式选择---------------------------------------------------------------------8 三开发工具选择---------------------------------------------------------------------------8 四算法选择分析---------------------------------------------------------------------------8 第三章系统的概要设计------------------------------------------------------------------------9第一节各模块功能简介------------------------------------------------------------------------9 第四章系统详细设计-------------------------------------------------------------------------14第一节系统整体设计简述-------------------------------------------------------------------14第二节图像处理详细设计-------------------------------------------------------------------14 一位图详细设计-------------------------------------------------------------------------14 二图像点处理详细设计----------------------------------------------------------------15 （二）光线补偿算法和代码实现----------------------------------------------------------16 （三）图像灰度化算法和代码实现-------------------------------------------------------18 （四）高斯平滑算法和代码实现----------------------------------------------------------20 （五）灰度均衡算法和代码实现----------------------------------------------------------23 （六）图像对比度增强算法和代码实现-------------------------------------------------25 第三节编程时的问题解决-------------------------------------------------------------------26 第五章结构设计-------------------------------------------------------------------------------28 第六章测试-------------------------------------------------------------------------------------35 第一节测试方案选择的原则----------------------------------------------------------------35 第二节测试方案-------------------------------------------------------------------------------36 结束语----------------------------------------------------------------------------------------------------------37 致谢 参考文献
毕业设计（论文） 题目名称：基于主成分分析（PCA）的人脸识别门禁软件开发 ----人脸识别院系名称：计算机学院 班级：计科092班 学号：4 学生：冠君 指导教师：陆筱霞 2013 年 6 月
基于主成分分析（PCA）的人脸识别门禁软件开发 ----人脸识别 Face recognition access control software development based on principal component analysis(PCA) ---- Face Recognition 院系名称：计算机学院 班级：计科092班 学号：4 学生：冠君 指导教师：陆筱霞 2013 年 6 月
中文摘要 随着安全入口控制需求的快速增长，生物统计识别技术得到了新的重视。由于人脸的易采集、非接触等优点使得人脸特征作为人生物特征应用受到越来越多的关注，其中最主要就是人脸识别。本文主要介绍一个人脸识别门禁系统的核心功能模块。 本文的设计是基于OpenCV库的，以VS2012软件作为开发工具，主要从需求分析，系统概要设计，关键技术、详细设计和实现几方面来介绍开发过程，最后进行运行测试。 在人脸检测基础上，提取人脸进行识别。在人脸识别方法上，本软件主要采用主成分分析法（PCA）。将大数据维度进行降维，投影到低维空间，利用欧氏距离计算置信度，达到阀值的训练数据作为判定识别标准。 关键词：人脸检测；人脸识别；主成分分析法（PCA）；
Abstract With the rapid growth of security access control, biometric identification technology has been a new emphasis. Easy acquisition of the face, the non-contact, etc. makes facial feature as biometric applications are more and more attention, of which the most important is face recognition. This paper describes a face recognition access control system is the core functional modules. This design is based on the OpenCV library to VS2012 software as a development tool, mainly from the needs analysis, outline design, key technologies, detailed design and implementation aspects to introduce the development process, and finally run the test. On the basis of face detection, the extraction of face identification. Face recognition methods, the software using principal component analysis (PCA). The dimensions of the big data dimensionality reduction, projected to low-dimensional space using the Euclidean distance to calculate the confidence to reach the threshold of training data as the decision to identify standards. Key words: Face Detection;Face recognition; principal component analysis(PCA);
人脸识别技术研究 摘要 人脸识别是一个具有很高理论和应用价值的研究课题。人脸是人类视觉中最为普遍的模式，它所反映的视觉信息在人与人的交流和交往中有着及其重要的作用意义。人脸的特殊性，使得人脸识别技术成为最具潜力的身份识别方式。人脸识别技术应用广泛，并且日益受到人们的广泛关注并成为模式识别领域研究的热点。同时人脸识别又是一个复杂和困难的课题，其原因有:人脸是由复杂的三维曲面构成的可变形体，难以用数学描述；所有的人脸结构高度相似，而人脸图像又易受年龄和成像条件的影响。人脸识别涉及的技术很多，其中关键的是特征提取和分类方法，本文就以此为重点进行了相关研究。 主要工作包括以下几个方面: 1．在人脸图像特征提取方面，提出了一利”有效的基于ICA的人脸整体特征提取方法； 2．在优化ICA算法方面，提出了一种改进的FastICA算法，该算法通过减少耗时的雅可比矩阵求逆的次数，进一步加快了收敛速度； 3．建立了SVM/HMM的混合人脸模型。 关键词：人脸识别主分量分析；独立分量分析；隐马尔可夫模型；支持向量机
Abstract Face recognition has very lagre academic and praetieal values. In daily lief，people kowing each other uses at most of person’s face.Face is the most familiar model in human vision.The visual inofmration refleeted by face has important meaning and impact between people’s intercommunion and intercourse. Because of its extensive and applied realm，face recognition technique has got the extensive concern with study in near three decades and become the most potential method of identity recognition. At the same time，it is difficult to implement face recognition using computers. First，human face is a deformable object composed of complex 3D curve surfaces，Which is hard to be represented in form of mathematics. Secondly faces of different persons have the similar strueture，and the face images are greatly dependent on ages and photography conditions.This paper mainly study face extraction and class method，which concept can be summarized as ofllows. Because face image is liable to impact of varieties and face is nonrigid and similar Accurate face recognition is stilldifficult.There is still lone distance between face recognition and praetieality.The progress of computer technology，pattern recognition，human intelligent and biologic psyehology，vision mechanism surely promote face recognition develop. Keywords:face reeognition，Principle Component Analysis，Independent Component Analysis，Hidden Markov Models，Support Vector Maehines