数字图像处理
课
程
设
计
人脸检测与识别课程设计
一、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。
二、人脸检测
1.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)],'lin ewidth',3,'edgecolor','r');
hold off;
end
end
2.处理过程
三、人脸识别
1.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。
2.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)
3.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%
四、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。
嵌入式课程设计报告 学院信息电子技术 专业通信工程 班级 学号 姓名 指导教师 2017年07月01日
基于ARM9的人脸识别系统 一、引言 人脸识别背景和意义 人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“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，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。 二、系统设计 1、硬件电路设计 （1）ARM9处理器 本系统所采用的硬件平台是天嵌公司的TQ2440开发板，该开发板的微处理器采用基于ARM920T内核的S3C2440芯片。 ARM9对比ARM7的优势：虽然ARM7和ARM9内核架构相同，但ARM7处理器采用3级流水线的冯·诺伊曼结构，而ARM9采用5级流水线的哈佛结构。增加的流水线设计提高了时钟频率和并行处理能力。5级流水线能够将每一个指令处理分配到5个时钟周期内，在每一个时钟周期内同时有5个指令在执行。在常用的芯片生产工艺下，ARM7一般运行在100MHz左右，而ARM9则至少在200MHz 以上。指令周期的改进对于处理器性能的提高有很大的帮助。性能提高的幅度依赖于代码执行时指令的重叠，这实际上是程序本身的问题。对于采用最高级的语言，一般来说，性能的提高在30%左右。ARM7一般没有MMU(内存管理单元），（ARM720T有MMU）。 （2）液晶显示屏 为显示摄像头当前采集图像的预览，系统采用三星的320x240像素的液晶屏，大小为206.68cm。该液晶显示屏的每个像素深度为2bit，采用RGB565色彩空间。 （3）摄像头 摄像头采用市场上常见的网眼2000摄像头,内部是含CMOS传感器的OV511+芯片。CMOS传感器采用感光元件作为影像捕获的基本手段,核心是1个感光二极
机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7
目录 一、课程设计的目的............................................................................... 二、设计的内容与要求........................................................................... 三、详细设计........................................................................................... 四、课程设计的总结............................................................................... 五、参考文献...........................................................................................
一.课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测 （原图-涉及个人隐私，未呈现原图）
模式识别导论课程设计 学号： 班级： 姓名：
课程名称模式识别考试性质考查试卷类型 A 使用班级电信1101-1103 考试方法大作业人数100 题号一二三四五六七八九十总成绩成绩
（2）分类器设计方法概述及选择依据分析；（10分） （3）感知器算法原理及算法步骤；（20分） （4）感知器算法流程设计；（20分） （5）感知器算法程序；（10分） （6）程序仿真及结果分析；（20分） （7）结论；（5分） （8）参考文献。（5分） 四、请结合具体的应用背景，设计基于K-L变换的特征提取算法，并编写程序，分析结果，提交报告一份。 报告内容包括：（1）具体应用背景的介绍；（10分） （2）特征提取方法概述及选择依据分析；（10分） （3）基于K-L变换的特征提取算法原理及步骤；（20分） （4）基于K-L变换的特征提取算法流程设计；（20分） （5）基于K-L变换的特征提取算法程序；（10分） （6）程序仿真及结果分析；（20分） （7）结论；（5分） （8）参考文献。（5分）
1具体应用背景的介绍 随着社会经济的发展、人口的增多，人们对水资源的利用更加重视，不同的水资源质量程度不一，为了更好地适应人类的需求，需要对水资源根据污染物有机物、无机物、重金属含量进行适当的分类。在这里将运用模式识别的方法简单的对其分类为一类水与二类水。 2分类器设计方法概述及选择依据分析 感知器是一种神经网络模型，是20世纪50年代中期到60年代初人们对模拟人脑学习能力的一种分类学习机模型的称呼，当时有些人认为它是一种学习记的强有力模型，后来发现估计过高，由于无法实现非线性分类，到60年代中期，从事感知器研究的实验室纷纷下马，但在发展感知器是所获得的一些数学概念，如“赏罚分明”今天仍在模式识别中起着很大的作用。 将用感知器的方法在本次设计中对水资源进行分类 3感知器算法原理及算法步骤 两类线性可分的模式类 21,ωω，设 X W X d T )(=其中，[]T 121,,,,+=n n w w w w W ，[]T 211,,,,n x x x =X 应具有性质 （3-1） 对样本进行规范化处理，即ω2类样本全部乘以(－1)，则有： 2)-(3 0)(T >=X W X d 感知器算法通过对已知类别的训练样本集的学习，寻找一个满足上式的权向量。 感知器算法步骤： （1）选择N 个分属于ω1和 ω2类的模式样本构成训练样本集{ X1 ,…, XN }构成增广向量形式，并进行规范化处理。任取权向量初始值W(1)，开始迭代。迭代次数k=1。 （2）用全部训练样本进行一轮迭代，计算W T (k )X i 的值，并修正权向量。 分两种情况，更新权向量的值： ?? ?∈<∈>=2 1 T ,0,0)(ωωX X X W X 若若d
数字图像处理课程设计--人脸检测
数字图像处理课程设计报告 （人脸检测） 姓名：xxx 学号：xxxx
1 引言 随着科学技术的飞速发展，互联网的广泛应用，重要部门(机场、银行、军政机关、重点控制地区)的进出，计算机网络中重要信息的存储与提取，都需要可靠的人身鉴别。身份的识别已经成为一种人们日常生活中经常遇到的问题。人脸识别作为生物特征识别中成功的应用之一，因为其巨大的商业应用前景，受到越来越多的重视。 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。在国内，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。近 30 年以来，人脸识别技术有了长足的发展，并且逐步走向实际应用阶段[1]。 2 实验方法 2.1 方法综述 典型人脸识别系统的实现过程如图2.1所示，一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。在实现过程中，首先输入图像集，然后用人脸检测模块进行人脸检测。如果检测到人脸图像，则进行特征点定位，一般以两眼中心为基准，根据两眼距离d，对人脸图像进行归一化处理，归一化处理包含了图像预处理，图像缩放以及有效人脸区域选取等操作。最后对归一化的人脸图像进行特征提取，送入分类器进行识别，最终获得识别结果[2]。 图像预处理特征提取特征对比 (分类器) 结果输出 图像输入 图2.1 人脸识别技术处理流程图 在预处理阶段，对图像进行优化，尽可能去除或者减小光照、成像系统、外部环境等对待处理图像的干扰，为后续处理提高质量。以便使不同的人脸图像尽可能在同一条件下完成特征提取、训练和识别。人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。人脸扶正是为了得到人脸
模式识别 课程设计 关于黄绿树叶的分类问题 成员：李家伟2015020907010 黄哲2015020907006 老师：程建 学生签字：
一、小组分工 黄哲：数据采集以及特征提取。 李家伟：算法编写设计，完成测试编写报告。 二、特征提取 选取黄、绿树叶各15片，用老师给出的识别算法进行特征提取 %Extract the feature of the leaf clear, close all I = imread('/Users/DrLee/Desktop/kmeans/1.jpg'); I = im2double(I); figure, imshow(I) n = input('Please input the number of the sample regions n:'); h = input('Please input the width of the sample region h:'); [Pos] = ginput(n); SamNum = size(Pos,1); Region = []; RegionFeatureCum = zeros((2*h+1)*(2*h+1)*3,1); RegionFeature = zeros((2*h+1)*(2*h+1)*3,1); for i = 1:SamNum P = round(Pos(i,:)); rectangle('Position', [P(1) P(2) 2*h+1 2*h+1]); hold on Region{i} = I(P(2)-h:P(2)+h,P(1)-h:P(1)+h,:); RegionFeatureCum = RegionFeatureCum + reshape(Region{i},[(2*h+1)*(2*h+1)*3,1]); end hold off RegionFeature = RegionFeatureCum / SamNum 1～15为绿色树叶特征，16～30为黄色树叶特征，取n=3；h=1，表示每片叶子取三个区域，每个区域的特征为3*3*3维的向量，然后变为27*1的列向量，表格如下。
前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
基于肤色的人脸检测 摘要 本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，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:脸部定位，特征提取，图像处理，MATLAB
Abasract This paper introduces the application of MATLAB in face image recognition of image preprocessing,the application of the toolkit for classical image processing, application MATLAB image processing function through instance,for a particular face image processing,and then applied to the face recognition system.In face recognition system based on the summary analysis of several commonly used image preprocessing method based on the MATLAB implements a collect a variety of pretreatment method for the integration of the universal facial image preprocessing simulation system,the system as the image preprocessing module can be embedded in a face recognition system,and use the gray histogram of the image matching to realize the face image recognition. Key words:face positioning,feature extraction,picture processing,MATLAB
《模式识别基础》课程标准 （执笔人：刘雨审阅学院：电子科学与工程学院）课程编号：08113 英文名称：Pattern Recognition 预修课程：高等数学，线性代数，概率论与数理统计，程序设计 学时安排：40学时，其中讲授32学时，实践8学时。 学分：2 一、课程概述 （一）课程性质地位 模式识别课基础程是军事指挥类本科生信息工程专业的专业基础课，通信工程专业的选修课。在知识结构中处于承上启下的重要位置，对于巩固已学知识、开展专业课学习及未来工作具有重要意义。课程特点是理论与实践联系密切，是培养学生理论素养、实践技能和创新能力的重要环节。是以后工作中理解、使用信息战中涉及的众多信息处理技术的重要知识储备。 本课程主要介绍统计模式识别的基本理论和方法，包括聚类分析，判别域代数界面方程法，统计判决、训练学习与错误率估计，最近邻方法以及特征提取与选择。 模式识别是研究信息分类识别理论和方法的学科，综合性、交叉性强。从内涵讲，模式识别是一门数据处理、信息分析的学科，从应用讲，属于人工智能、机器学习范畴。理论上它涉及的数学知识较多，如代数学、矩阵论、函数论、概率统计、最优化方法、图论等，用到信号处理、控制论、计算机技术、生理物理学等知识。典型应用有文字、语音、图像、视频机器识别，雷达、红外、声纳、遥感目标识别，可用于军事、侦探、生物、天文、地质、经济、医学等众多领域。 （二）课程基本理念 以学生为主体，教师为主导，精讲多练，以用促学，学以致用。使学生理解模式识别的本质，掌握利用机器进行信息识别分类的基本原理和方法，在思、学、用、思、学、用的循环中，达到培养理论素养，锻炼实践技能，激发创新能力的目的。 （三）课程设计思路 围绕培养科技底蕴厚实、创新能力突出的高素质人才的目标，本课程的培养目标是：使学生掌握统计模式识别的基本原理和方法，了解其应用领域和发展动态，达到夯实理论基础、锻炼理论素养及实践技能、激发创新能力的目的。 模式识别是研究分类识别理论和方法的学科，综合性、交叉性强，涉及的数学知识多，应用广。针对其特点，教学设计的思路是：以模式可分性为核心，模式特征提取、学习、分类为主线，理论上分层次、抓重点，方法上重比较、突出应用适应性。除了讲授传统的、经典的重要内容之外，结合科研成果，介绍不断出现的新理论、新方法，新技术、新应用，开拓学生视野，激发学习兴趣，培养创新能力。 教学设计以章为单元，用实际科研例子为引导，围绕基本原理展开。选择两个以上基本方法，辅以实验，最后进行对比分析、归纳总结。使学生在课程学习中达到一个思、学、用、
东北大学 硕士学位论文 基于图像处理的人脸识别系统 姓名：周丹 申请学位级别：硕士 专业：控制理论与控制工程指导教师：王建辉 20050701
东北大学硕士学位论文第一章引言 如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。总之，要让计算机象人一样方便准确地识别大量的人脸尚需不同学科研究领域的科学家共同做出不懈的努力。 １．３模式识别的基本概念 模式识别研究的内容是利用计算机对客观物体进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。 在模式识别学科中，就“模式”与“模式类”而言，模式类是一类事物的代表，而“模式”则是某一事物的具体体现，如数字０，ｌ，２，３，４，５，６，７，８，９是模式类，而用户任意手写的一个数字或任意一个印刷数字则是“模式”，是数字的具体化。 在模式识别技术中，被观测的每个对象称为样品，用ｘ表示，样品的数量用Ｎ表示。 对于一个样品来说，必须确定一些与识别有关的因素作为研究的根据，侮‘ 个因素称为一个特征。模式就是样品所具有的特征描述。模式的特征集由处于同 一个特征空间的特征向量表示，特征向量的每个元素成为特征，该向量也因此称为特征向量。一般地用小写英文字母ｘ，个特征，则可把Ｘ看作一个ｎ维列向量，ｘ榧 Ｙ，ｚ来表示特征。如果一个样品Ⅳ有ｎ该向量ｘ称为特征向量，记作： ’，Ｘ月 模式识别问题就是根据ｘ的几个特征来判别模式工属于ｑ，国：，．．．，∞。类中的 哪一类。 １．４模式识别系统组成 一个典型的模式识别系统如图３．１所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分。上半部分完成未知类别模式的分类；下半部分属于设计分类器的训练过程，利用样品进行训练，确定分 ２ ＸＧ 一一
用Matlab实现人脸识别 学院：信息工程学院 班级：计科软件普131 成员：
一、问题描述 在一个人脸库中，有15 个人，每人有11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。
二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前k 个最大的特征值的特征向量构成K-L 变换矩阵。 2）主成分的数目的选取 保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含N 个像素点，它可以用一个N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对
数字图像处理课程设计
人脸检测与识别课程设计一、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。 二、人脸检测源码 1.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;
目录 摘要...................................................................... III 第1章绪论............................................................. - 1 - 1.1人脸识别技术的细节 . (1) 1.2人脸识别技术的广泛应用 (1) 1.3人脸识别技术的难点 (2) 1.4国内外研究状况 (2) 1.5人脸识别的研究内容 (3) 1.5.1人脸识别研究内容............................................... - 3 - 1.5.2人脸识别系统的组成............................................. - 4 - 第2章人脸识别方法..................................................... - 6 - 2.1基于特征脸的方法 (6) 2.2基于神经网络的方法 (6) 2.3弹性图匹配法 (7) 2.4基于模板匹配的方法 (7) 2.5基于人脸特征的方法 (7) 第3章 PCA人脸识别方法................................................. - 9 - 3.1引言 (9) 3.2主成分分析 (9) 3.3特征脸方法 (11) 第4章仿真实验........................................................ - 13 - 4.1流程图 (13) 4.2仿真结果 (14) 第5章总结与展望...................................................... - 15 - 5.1总结.. (15) 5.2展望 (15)
文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才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。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机
机器学习概述课程设计 报告M A T L A B人脸识别 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7
目录 一、课程设计的目的.......................................... 二、设计的内容与要求........................................ 三、详细设计................................................ 四、课程设计的总结.......................................... 五、参考文献................................................
一. 课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种 进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识 别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。 三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测
模式识别课程设计
模式识别课程设计 聚类图像分割 一．图像分割概述 图像分割是一种重要的图像分析技术。在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景（其他部分称为背景）。它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能进一步对目标进行测量，对图像进行利用。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 图象分割是图象处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图象分割应用在许多方面，例如在汽车车型自动识别系统中，从CCD摄像头获取的图象中除了汽车之外还有许多其他的物体和背景，为了进一步提取汽车特征，辨识车型，图象分割是必须的。因此其应用从小到检查癌细胞、精密零件表面缺陷检测，大到处理卫星拍摄的地形地貌照片等。在所有这些应用领域中，最终结
果很大程度上依赖于图象分割的结果。因此为了对物体进行特征的提取和识别，首先需要把待处理的物体(目标)从背景中划分出来，即图象分割。但是，在一些复杂的问题中，例如金属材料内部结构特征的分割和识别，虽然图象分割方法已有上百种，但是现有的分割技术都不能得到令人满意的结果，原因在于计算机图象处理技术是对人类视觉的模拟，而人类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。目前，人类对于视觉系统生物物理过程的认识还很肤浅，计算机图象处理系统要完全实现人类视觉系统，形成计算机视觉，还有一个很长的过程。因此从原理、应用和应用效果的评估上深入研究图象分割技术，对于提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意义。 二．常用的图像分割方法 1.基于阈值的分割方法 包括全局阈值、自适应阈值、最佳阈值等等。阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。
浅谈人脸识别技术的现状与发展 宋磊卞迪白杰文范益彪李主南 摘要 人脸识别技术以其独特性、直接性、方便性等特点，在涉及身份特征识别的领域里被广为应用。本文主要介绍人脸识别技术（FRT）的研究内容、研究背景价值及研究现状。通过分析当前人脸识别技术的现状，总结了人脸识别的应用前景，提出了人脸识别技术的未来发展要求。 关键词：人脸识别，研究现状，发展趋势 Abstract Face Recognition Technology,characterized by its uniqueness,direct and convenience,is widely used in the identification of identity.This paper mainly introduces the research content,study background value,and research status of the Face Recognition Technology.Through the analysis of the present situation of Face Recognition Technology,the application prospect of Face Recognition is summarized and the future development of Face Recognition Technology is proposed. Key words: Face Recognition，Research status，Developing trend 引言 随着现代信息技术的快速发展，进行身份认证的技术转到了生物特征层面。现代生物识别技术主要是通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。其中人脸识别是指人的面部五官以及轮廓的分布，这些分布特征因人而异，与生俱来。 人脸是一个包含着丰富信息的模式的集合，是人类互相辩证和识别的主要标志之一，也是图像和视频中视觉感兴趣的对象之一。与指纹、虹膜、语音等其他人体生物特征相比，人脸识别更加直接、友好，无需干扰人们的正常行为就能较好地达到识别效果。在身份识别、访问控制、视频会议、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点。由于采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。人脸识别技术的研究肇始于20
基于ＭATＬAB的人脸识别
————————————————————————————————作者: ————————————————————————————————日期:
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：
设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。
： 数字图像处理 课 程 设 计 ] $
: 人脸检测与识别课程设计 一、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。 二、人脸检测 1.》 2.源码 img=imread('D:\std_test_images\'); 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=*R+*G+*B; faceRgn2=(r>&(r<&(g>&(g<&(r>g)&g>='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))< 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,'edg ecolor','r'); hold off; end end