下载文档原格式
基于MATLAB的人脸识别技术研究与应用人脸识别技术是一种通过对图像或视频中的人脸进行检测、识别和验证的技术。
随着计算机视觉和人工智能领域的不断发展，人脸识别技术在各个领域得到了广泛的应用，如安防监控、人脸支付、门禁系统等。
而MATLAB作为一种强大的科学计算软件，被广泛应用于人脸识别技术的研究和开发中。
本文将探讨基于MATLAB的人脸识别技术研究与应用。
人脸识别技术概述人脸识别技术是一种生物特征识别技术，通过对人脸图像进行采集、处理和比对，实现对个体身份的自动识别。
人脸识别技术主要包括人脸检测、特征提取、特征匹配等步骤。
在MATLAB环境下，可以利用其丰富的图像处理工具箱和深度学习工具箱来实现人脸识别算法的开发和优化。
基于MATLAB的人脸检测人脸检测是人脸识别技术中的关键步骤，其目的是在图像中准确地定位出人脸区域。
在MATLAB中，可以利用Haar级联分类器、HOG特征以及深度学习方法如卷积神经网络（CNN）来实现人脸检测算法。
这些方法可以有效地提高人脸检测的准确性和鲁棒性。
基于MATLAB的人脸特征提取在进行人脸识别时，需要从人脸图像中提取出具有区分性的特征信息。
常用的人脸特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
在MATLAB中，可以通过调用相应的函数或自行编写代码来实现这些特征提取算法，并对提取到的特征进行降维和优化。
基于MATLAB的人脸特征匹配在获取到人脸图像的特征表示后，需要进行特征匹配来判断两幅图像是否属于同一个人。
常用的匹配方法包括欧氏距离、余弦相似度、支持向量机（SVM）等。
在MATLAB中，可以利用其强大的数学计算功能和机器学习工具箱来实现不同的特征匹配算法，并根据具体应用场景选择合适的匹配策略。
基于MATLAB的人脸识别系统开发基于上述步骤，可以在MATLAB环境下开发完整的人脸识别系统。
该系统可以包括图像采集模块、预处理模块、特征提取模块、匹配比对模块以及结果显示模块等功能。
基于MATLAB的人脸识别研究【摘要】深入分析了主成分分析（Principal Component Analysis，PCA）方法的基本原理，PCA方法最显著的优点是能用低维特征向量来估计原始样本，基于此特点将它用来实现对人脸的识别。
此外本文还深入分析了PCA中遇到的特征值选择和距离准则的选取问题。
【关键词】MATLAB；数字图像处理；人脸识别1.引言人脸识别是当前计算机模式识别领域中的一个非常活跃的研究课题，在安全检测、身份验证、军事、商业等领域具有广泛的应用前景。
基于人脸识别的自动身份认证具有重要的理论意义和应用价值。
但是通过人脸图像来进行识别仍然面临巨大的挑战，要使这一技术成为完全成熟的技术还有许多工作需要做。
2.人脸识别的研究内容人脸识别（Face Recognition）是指基于己知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸。
从广义上讲，其研究内容包括以下五个方面：（1）人脸检测（Face Detection）：即从动态的场景或复杂的背景中检测出人脸的存在并且确定其位置，然后分离出来。
这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。
（2）人脸表征（Face Representation）：也称为人脸特征提取，即采用某种表示方法来描述检测出的人脸与数据库中已知人脸。
通常的表示方法包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵特征矢量）、固定特征模板、特征脸、云纹图等。
（3）人脸识别（Face Identification）：即将待识别的人脸与数据库中已知人脸比较，得出相关信息。
这一过程的核心是选择适当的人脸表征方法与匹配策略。
（4）表情分析（Facial Expression Analysis）：即对待识别人脸的表情进行分析，并对其加以归类。
（5）生理分类（Physical Classificat-ion）：即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子的脸部图像、基于年龄增长的人脸图像估算等。
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：：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 (12)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。
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。
基于MATLAB的人脸识别系统小组成员：徐艺达、莫子韬邹明宇、罗远挥、周宁基于MATLAB的人脸识别系统第一部分绪论如图一个人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。
现在已有实用的计算机自动指纹识别系统面试，并在安检部门得到了相应的应用。
人脸图像的自动识别较之于指纹识别系统、DNA鉴定等具有更加方便的性能，其取样方便，可不接触目标进行识别，从而具有更大意义的开发效应。
然而，与指纹成像技术不同的是，人脸图像受很多因素的干扰：人脸表情的多样性，以及外在成像过程中的关照、图像尺寸、旋转、姿势变化等方面，使得同一个人在不同的环境下拍摄所得到的人脸图像不同，有时往往会有很大的差别，给识别带来了很大的难度。
因此，人脸识别也更具有挑战性。
除了具有重大的理论价值及极富挑战性外，人脸识别还具有很多潜在的应用前景，利用人脸图像进行身份验证，可以不与目标接触就取得样本图像，而使用其他的身份手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样本，因此此类识别手段也具有很多不便之处。
本文通过使用PCA和NMF两种算法及MATLAB软件对所取图像进行预处理与识别，应用该工具箱对图像进行了经典图像处理，进而应用与人脸识别系统。
主要涉及到图像选取、脸部定位、特征提取及图像处理识别几个过程。
第二部分基于NMF算法的人脸识别系统一、摘要作为一种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,人脸识别逐渐成为了计算机视觉领域的一个热门研究课题。
NMF就是其中一种主流算法，但由于人脸识别所存在光照、角度、遮挡等问题仍未解决，因此NMF算法仍存在局限性，该算法没有引入任何对空间的位置的约束，所以最小化目标函数很难产生揭示数据X的局部特征的因子分解。
本文以NMF算法为基础，结合LNMF算法来求解人脸问题。
二、实验目的运用NMF算法对数据库中的数据进行人脸识别分析三、实验原理 1.非负矩阵分解法NMF 1.1NMF 定义非负矩阵分解定义为：找到非负矩阵W 与H 得到下式 V ≈WH （1-1）在计算中等式两者很难完全相等。
目录1 引言 (3)1.1 基本介绍与概念 (3)1.2 研发历史与发展现状 (3)1.3 研究背景与意义 (3)2 设计方案与分析 (4)2.1 YCbCr空间 (4)2.2 灰度图像转换 (4)2.3 噪声消除 (5)2.4 图像填孔 (9)2.5 图像重构 (9)2.6 人脸区域确定 (10)2.7 边缘检测 (12)3 程序与识别结果 (12)4 讨论 (17)5 结论 (17)致谢 (18)参考文献 (18)基于MATLAB的人脸初识别王宇轩（电子信息工程学系指导老师：翁亚滨）摘要：人脸识别是一门新兴的科研项目，起始于上个世纪60年代。
经过几十年的发展，现已成为一项最有上升潜力的人体特征识别技术。
具有广泛的应用前景，它的工作原理是借由的生物特征来确认生物个体，报告利用MATLAB软件实现人脸信息的检测与识别，在输入的整幅图像中寻找人脸区域，把图像分割成两个部分——人脸区域和非人脸区域，从而为后续的应用作准备。
报告利用YCbCr空间以及二值图像实现人脸边缘分割，将真彩图像转换为YCbCr图像，根据面部肌肤在YCbCr色度空间的分布范围，设定门限阀值，实现人脸区域与非人脸区域的分割，通过膨胀腐蚀等一系列运算剔除干扰因素，再结合长宽比、目标面积等计算方法在图像中分割出人脸区域，经试验，该方法能够排除面部表情、发型、衣着背景等干扰而确定人脸区域。
关键词：matlab程序; YCbCr空间; 灰度图像; 人脸区域; 边缘检测Abstract:Face recognition is a new research project , Begin in the 1960s,After decades of development,Now it becomes the most potential human characteristics identification technology.It has a broad prospect of application.Its working principle is to confirm individual organisms through the biological characteristics.The article uses the MATLAB software to achieve human facial information's detection and recognition,finding the human facial area in the inputed image,then devide the image into two parts,the face region and non-face region,to prepare for the subsequent application.This report uses YCbCr space and binary image to achieve human facial edge division and convert Truecolor pictures into YCbCr pictures.According to the face skin distribution in the YCbCr Chromaticity space,set threshold threshold to realize the segmentation of human face region and non-face region.Eliminate interference factors through dilation and corrosion operations,then Combine with the aspect ratio calculations and the calculation of the area to segment the face region in the image.Through the test,this method can eliminate facial expressions,hair,clothing background interference to fix the face region.Keywords:matlab; YCbCr space; gray image; face region; edge detection1 引言1.1 基本介绍与概念人脸识别就是构建一种人脸识别系统的技术，它的功能是对人脸进行定位，同时采集人脸图像，作出预处理，以确定人脸位置[1]。
基于SURF人脸识别技术的研究摘要随着社会的发展，人工智能逐步走入各个领域。
让人工智能认识和接触这个世界的重要一步就是“看”，因此人脸识别显得尤为重要。
设计合理的数学模型来解决人工智能的“看的问题”是这一问题的核心。
本文讨论了如何用MATLAB解决人脸精准识别的问题，利用基于特征的人脸识别技术，通过运用YCbCr颜色空间转换和SUFT特征兴趣点检测方法，建立了人脸检测模型,对解决这些问题有一定借鉴意义，初步得到了对人脸识别的初步解决成果。
对于问题一：为了更好地将图像人脸定位出来，采用低通滤波（去噪）将选择我们需要颜色的频率拿出来，然后利用YCbCr进行颜色转换，然后计算像素值概率得出像素值概率曲线。
再用形态学处理（腐蚀，膨胀），根据颜色填充率去除手脚等非人脸部分，然后根据面积比出去一些较小的非人脸部分，这样只会还是有一些非人脸部分没有去掉，那便根据肤色区域的长宽比在去除非人脸部分，这样可以尽可能的只留下人脸区域。
最后我们检测出附件图一图二的全部人脸。
对于问题二：在题一的基础之上，我们对图像做出进一步的精确检测，不仅要识别出人脸还要识别出五官（眼鼻口），并且做出初步的判断。
对于眼睛的识别我们认为识别出一个就行，利用MATLAB中eye pair detector命令。
+对于鼻子嘴巴的提取，利用MATLAB中的nose detector，mouse detector命令。
在建立评判体系的时候，利用框选五官面积与脸部框选面积之比的数据来判断：嘴巴占脸的面积比大于0.12则为大嘴巴于0.12的则为小嘴巴子占脸的面积大于0.1则为大鼻子，小于的则为小鼻子；眼睛占脸部面积大于0.1则为大眼睛，小于则为小眼睛，完成对每个人物的脸型，眼型，鼻型的判断。
对于问题三：为了能够将人脸识别并进行匹配，建立了人脸特征匹配模型。
利用surf特征匹配，，先对图像进行高斯滤波，然后构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取，得出特征描述子，最后进行特征匹配，并且进行框选。
《基于MATLAB的人脸识别算法的研究》篇一一、引言人脸识别技术是近年来计算机视觉领域研究的热点之一，其应用范围广泛，包括安全监控、身份认证、人机交互等。
MATLAB作为一种强大的数学计算软件，为研究人员提供了丰富的工具和函数，使得人脸识别算法的研究和实现变得更加便捷。
本文将介绍基于MATLAB的人脸识别算法的研究，包括算法原理、实现方法、实验结果及分析等方面。
二、人脸识别算法原理人脸识别算法主要基于计算机视觉和模式识别技术，通过对人脸特征进行提取和匹配，实现身份识别。
常见的人脸识别算法包括特征提取、特征匹配等步骤。
其中，特征提取是关键步骤，需要从人脸图像中提取出有效的特征，如纹理、形状、颜色等。
特征匹配则是将提取出的特征与人脸库中的特征进行比对，找出最匹配的人脸。
三、基于MATLAB的人脸识别算法实现1. 预处理在人脸识别算法的实现中，首先需要对人脸图像进行预处理，包括灰度化、归一化、降噪等操作。
这些操作可以有效地提高图像的质量，为后续的特征提取和匹配提供更好的基础。
2. 特征提取特征提取是人脸识别算法的核心步骤之一。
在MATLAB中，可以使用各种算法进行特征提取，如主成分分析（PCA）、局部二值模式（LBP）、方向梯度直方图（HOG）等。
本文采用PCA 算法进行特征提取，通过降维的方式将高维的人脸图像数据转化为低维的特征向量。
3. 特征匹配特征匹配是将提取出的特征与人脸库中的特征进行比对的过程。
在MATLAB中，可以使用各种相似度度量方法进行特征匹配，如欧氏距离、余弦相似度等。
本文采用欧氏距离作为相似度度量方法，通过计算特征向量之间的欧氏距离来找出最匹配的人脸。
四、实验结果及分析为了验证基于MATLAB的人脸识别算法的有效性，我们进行了多组实验。
实验数据集包括ORL人脸库、Yale人脸库等。
在实验中，我们使用了不同的特征提取和匹配方法，对算法的性能进行了评估。
实验结果表明，基于PCA算法的特征提取方法和欧氏距离相似度度量方法在人脸识别中具有较好的性能。
基于matlab程序实现人脸识别1.人脸识别流程1.1.1基本原理基于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，与中心区域显著不同。
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。
1.1.2流程图人脸识别流程图读入原始图像将图像转化为YCbCr颜色空间利用肤色模型二值化图像并作形态学处理选取出二值图像中的白色区域，度量区域属性，筛选后得到所有矩形块否筛选特定区域（高度和宽度的比率在（0.6~2）之间，眼睛特征）是存储人脸的矩形区域特殊区域根据其他信息筛选，标记最终的人脸区域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 herea=25.39;b=14.03;ecx=1.60;ecy=2.41;sita=2.53;cx=109.38;cy=152.02;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1.1倍if(Y>230)a=1.1*a;b=1.1*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1if value>1result=0;elseresult=1;endend（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 herepart=zeros(h,w);%二值化for i=y:(y+h)for j=x:(x+w)if bImage(i,j)==0part(i-y+1,j-x+1)=255;elsepart(i-y+1,j-x+1)=0;endendend[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<2eye=0;elseeye=1;endend(3)人脸识别主程序clear all;%读入原始图像I=imread('face3.jpg');gray=rgb2gray(I);ycbcr=rgb2ycbcr(I);%将图像转化为YCbCr空间heighth=size(gray,1);%读取图像尺寸width=size(gray,2);for i=1:heighth %利用肤色模型二值化图像for j=1:widthY=ycbcr(i,j,1);Cb=ycbcr(i,j,2);Cr=ycbcr(i,j,3);if(Y<80)gray(i,j)=0;elseif(skin(Y,Cb,Cr)==1)%根据色彩模型进行图像二值化gray(i,j)=255;elsegray(i,j)=0;endendendendse=strel('arbitrary',eye(5));%二值图像形态学处理gray=imopen(gray,se);figure;imshow(gray)[L,num]=bwlabel(gray,8);%采用标记方法选出图中的白色区域stats=regionprops(L,'BoundingBox');%度量区域属性n=1;%存放经过筛选以后得到的所有矩形块result=zeros(n,4);figure,imshow(I);hold on;for i=1:num %开始筛选特定区域box=stats(i).BoundingBox;x=box(1);%矩形坐标Xy=box(2);%矩形坐标Yw=box(3);%矩形宽度wh=box(4);%矩形高度hratio=h/w;%宽度和高度的比例ux=uint16(x);uy=uint8(y);if ux>1ux=ux-1;endif uy>1uy=uy-1;endif w<20 || h<20|| w*h<400 %矩形长宽的范围和矩形的面积可自行设定continueelseif ratio<2 && ratio>0.6 && findeye(gray,ux,uy,w,h)==1%根据“三庭五眼”规则高度和宽度比例应该在（0.6,2）内；result(n,:)=[ux uy w h];n=n+1;endendif size(result,1)==1 && result(1,1)>0 %对可能是人脸的区域进行标记rectangle('Position',[result(1,1),result(1,2),result(1,3),result(1,4)],'EdgeColor','r'); else%如果满足条件的矩形区域大于1,则再根据其他信息进行筛选a=0;arr1=[];arr2=[];for m=1:size(result,1)m1=result(m,1);m2=result(m,2);m3=result(m,3);m4=result(m,4);%得到符合和人脸匹配的数据if m1+m3<width && m2+m4<heighth && m3<0.2*widtha=a+1;arr1(a)=m3;arr2(a)=m4;%rectangle('Position',[m1,m2,m3,m4],'EdgeColor','r');endend%得到人脸长度和宽度的最小区域arr3=[];arr3=sort(arr1,'ascend');arr4=[];arr4=sort(arr2,'ascend');%根据得到的数据标定最终的人脸区域for m=1:size(result,1)m1=result(m,1);m2=result(m,2);m3=result(m,3);m4=result(m,4);%最终标定人脸if m1+m3<width && m2+m4<heighth && m3<0.2*widthm3=arr3(1);m4=arr4(1);rectangle('Position',[m1,m2,m3,m4],'EdgeColor','r');endendend（4）程序说明人脸识别程序主要包含三个程序模块，人脸识别主程序由三部分构成。
基于MATLAB的人脸初识别文献综述王宇轩（电子信息工程学系指导教师：翁亚滨）人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。
人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。
一、研究背景及动态近几年，中国连续召开了奥运会、世博会、亚运会，作为一个现代化的发展中大国，各项高精尖端技术已达到国际前列。
而在计算机视觉研究领域中，人脸图像的识别技术正在越发得到重视。
人脸是由额头、眉毛、眼睛、鼻子、颧骨、嘴、下颚等部位构成。
这些部位具有各自不同的形状与大小，以及拍照时采用的姿势和表情，以上的种种确保了人脸的唯一性。
正因为如此，使得这项技术具有广泛的应用前景，它覆盖了图像处理、模式识别、计算机视觉和神经网络学等学科，可应用于以下的几个方面：1.嫌疑犯照片的识别匹配2.信用卡、驾驶执照、护照与个人身份的识别3.银行、商场安全系统4.公众场合监控5.门禁系统、计算机登录控制6.专家识别系统7.基于目击线索的人脸重构8.基于父母人脸的小孩脸推导生成9.随着年龄增长的人脸估算二、评述在RGB空间，三基色（r,g,b）包含了图片的颜色和亮度。
而基于周边环境光照的改变，人脸的检测会因亮度的改变变的越发复杂，导致皮肤分割的结果不可靠。
为利用色度空间中肤色的聚类性，需把颜色表达式重点色度信息与亮度信息分开，这里采用YCrCb空间作为肤色分布统计的映射空间，其空间的优越性再与受亮度变化的影响小，二维独立分布可以限制肤色分布区域在YCRCb颜色空间中，Y表示亮度信号，取值范围为16～235；Cr，Cb表示色度信号，取值范围为16～240，亮度信号与色度信号相互独立。
这种颜色表示方法可以利用人眼的特性降低数字彩色图像的存储空间。
不同的肤色具有一样的2D模型G（m,V^2）,皮肤颜色在YCrCb色度空间的发布范围为：100<=cb<=127,138<=cr<=170,通过设定门限值可以将彩色图像转换为二值图像。
《基于MATLAB的人脸识别算法的研究》篇一一、引言人脸识别技术是计算机视觉领域的重要分支，随着科技的发展和大数据的普及，其在安全监控、身份认证、智能交互等领域得到了广泛的应用。
本文旨在基于MATLAB平台，研究并分析几种常见的人脸识别算法，并对其性能进行对比与评价。
二、人脸识别算法概述人脸识别算法主要包括基于特征的人脸识别算法和基于深度学习的人脸识别算法两大类。
其中，基于特征的人脸识别算法如主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等，通过提取人脸特征进行识别；而基于深度学习的人脸识别算法如卷积神经网络（CNN）等，通过深度学习技术自动提取人脸特征并进行识别。
三、基于MATLAB的人脸识别算法实现1. 数据准备：使用MATLAB的Image Acquisition Toolbox获取人脸图像数据，并进行预处理，包括灰度化、归一化等操作。
2. 特征提取：采用PCA、LDA等算法提取人脸特征。
在MATLAB中，可以利用其内置的函数或编写自定义函数进行特征提取。
3. 分类器设计：根据提取的特征，设计分类器进行人脸识别。
在MATLAB中，可以使用其内置的分类器函数或自行设计分类器。
4. 算法实现：将上述步骤组合起来，实现基于MATLAB的人脸识别算法。
四、常见人脸识别算法的比较与分析1. PCA算法：PCA是一种常用的特征提取方法，能够有效地降低数据的维度，提高识别的速度和准确性。
但PCA算法对光照、表情等因素的敏感性较高，需要结合其他技术进行优化。
2. LDA算法：LDA算法通过最大化类间距离和最小化类内距离来提取特征，具有较好的分类性能。
但LDA算法对样本数量的要求较高，样本数量不足时可能导致性能下降。
3. CNN算法：CNN是一种基于深度学习的人脸识别算法，能够自动提取人脸特征并进行识别。
CNN算法具有较高的准确性和鲁棒性，但需要大量的训练数据和计算资源。
五、实验与结果分析为了验证上述人脸识别算法的性能，我们进行了多组实验。
毕业设计（论文）开题报告毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。
基于matlab人脸识别技术的实现文献综述一、MATLAB概述MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。
MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。
应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。
而在本文中主要用到的功能是图像处理功能。
二、BP神经网络概述人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。
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。
创新性实验研究报告实验项目名称＿matlab人脸识别＿(3)选定脸部区域：2,3所得图像做andFace and FeaturesFace Region通过眼嘴确定人脸区域：通过肤色概率模型得到源图像概率图： (2)(3)选定脸部区域： (4)将2,3所得图像做通过脸部区域坐标确定人脸区域：，查阅相关书籍；根据课题条件，设计算法流程；算法步骤如下：寻找合适的肤色概率模型。
对概率模型进行阈值选择。
形成二值化图像五、实验结果与分析图1 椭圆圈定人脸图2 矩形圈定人脸另外，程序中还有在图片中定位眼嘴的语句，以方便程序后期调试，现象类似如下：图3 人脸特征标记、对实验现象、数据及观察结果的分析与讨论：本次实验程序对正面人脸的检测率基本能满足快速检测出图片中人脸的需要，也比较让人满意。
实现方法简便有效，如果能进一步增加滤波、光照补偿等步骤，将可以在满足实验要求的前提下进一步提高检测率和检测精度。
六、实验结论七、指导老师评语及得分：附件：源程序等。
clc;clear all;close all;x=imread('f.jpg');y=rgb2ycbcr(x);[a b c]=size(y);cb=double(y(:,:,2));cr=double(y(:,:,3));for i=1:a;for j=1:bw=[cb(i,j) cr(i,j)];m=[117.4316 148.5599];n=[260.1301 12.1430;12.1430 150.4574];p(i,j)=exp((-0.5)*(w-m)*inv(n)*(w-m)');endendz=p./max(max(p));%---------------------------------------------------------comp lextion probabilityimshow(z)%figure;imshow(x);th=0.5;for i=1:afor j=1:bif(z(i,j)>th)z(i,j)=1;elsez(i,j)=0;endendendfigure;imshow(z);title('Setthreshold')%-----------------------------------thresholdse=strel('square',3);f=imopen(z,se);f=imclose(f,se);%figure,imshow(f);%open and close processing;f=imfill(f,'holes');%figure,imshow(f);%fill holes in the Imgse1=strel('square',8);f=imerode(f,se1);f=imdilate(f,se1);%figure,imshow(f);%----------------------------------------------------erosion and expansion;[L,num]=bwlabel(f,4);for i=1:num;%region loop;[r,c]=find(L==i);len=max(r)-min(r)+1;wid=max(c)-min(c)+1;area_sq=len*wid;area=size(r,1);for j=1:size(r,1)%pixel loop;if(len/wid<.8)|(len/wid>2.4)|size(r,1)<200|area/area_sq<0.55L(r(j),c(j))=0;%not zero pixel =0;elsecontinue;endendendfigure;imshow(L);title('FaceRegion')%---------------------------------eliminate NOT face rengion;w=L&z;figure;imshow(w);title('Face and Features')%---------------------------recover the features of face[r c]=find(L~=0);r_min=min(r);r_max=max(r);c_min=min(c);c_max=max(c);figure;imshow(x);hold on%plot(round(.5*(c_max+c_min)),round(.5*(r_max+r_min)),'+')flg=0;for i=round(.5*(r_min+r_max)):-1:round(1/3*(r_max-r_min)+r_min)for j=round(.5*(c_max+c_min)):-1:round(1/3*(c_max-c_min)+c_min)if(w(i,round(j))==0)flg=1;break;endendif(flg==1),break,endendw(i,j)if(w(i,j)==0)e1_x=j;e1_y=i;%plot(j,i,'*')%--------------------------------------------------------Note left eyeflg=0;for i=round(.5*(r_min+r_max)):-1:round(1/3*(r_max-r_min)+r_min)for j=round(.5*(c_max+c_min)):round(2.2/3*(c_max-c_min)+c_min)if(w(i,j)==0)flg=1;break;endendif(flg==1)break,end;endw(i,j)e2_x=j;e2_y=i;%plot(j,i,'*')%--------------------------------------------------------Note right eyefor i=round(1/2*(r_max+r_min)):round(r_min+2/3*(r_max-r_min))if(w(round(i),round(.5*(c_max+c_min)))==0),break,endendw(i,round(.5*(c_max+c_min)))m_x=.5*(c_max+c_min);m_y=i;%plot(round(.5*(c_max+c_min)),i,'*')%-----------------------------------------Note mouthox=(e1_x+e2_x+m_x)/3;oy=(e1_y+e2_y-e1_x+e2_x)/2;a=2*(e2_x-e1_x);c=(e1_y+e2_y)/2-m_y;b=(a*a-c*c)^0.5;t=0:.01:2*pi;x=ox+.65*b*cos(t);y=oy+.8*a*sin(t);plot(x,y,'.')elserectangle('Position',[c_min r_min c_max-c_min r_max-r_min],'EdgeColor','r');title('Test Face Rec-ed')%---------------------------------------------test the face regionend。
毕业设计（论文）开题报告毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。
基于matlab人脸识别技术的实现文献综述一、MATLAB概述MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。
MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。
应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。
而在本文中主要用到的功能是图像处理功能。
二、BP神经网络概述人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。
这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。
构成人工神经网络的三个基本要素是:神经元、络拓扑结构和网络的训练(学习)方法。
神经元(节点)的作用是把若干输入加权求和,并对这种加权和进行非线性处理后输出。
神经元的选择一般有以下特点:每个神经元都具有多个输入、个输出,具有闭值,采用非线性函数。
1、神经元神经元模型用公式描述为：y=f(X) ⑴ X= )(1θ-∑ni ix w ⑵式中:θ为输出阈值 , i x 为输入信号,i w ( i = 1 ,2 , …, n) 为连接权值, f ( X) 称为激活函数,一般可用阈值型、分段线性型和 S 型 ,在本文中选择 S 型函数f ( X) =)exp(1kx b a -+ 实验取 a = b = 1 , k 为控制 S 型曲线部分的斜率且可调。
2、BP 网络模型BP 网络模型结构如下：BP 网络模型结构示意图3、BP 神经网络训练 BP 神经网络进行训练的算法过程如下:(1) 初始化神经网络的权值为(0 ,1)之间的随机数;(2) 输入训练样本及期望输出;(3) 逐层计算输出;(4) 从输出层开始 ,调整权值 ,并反向调整误差;(5) 若误差小于设定值 ,则结束;否则转(3) ,继续学习。
网络训练完毕达到稳定状态后 ,保存网络的连接权值 ,用于后面的识别。
用BP 网络对人脸进行识别的算法可简单描述为:(1) 加载待识别样本的特征向量到输入层节点;(2) 计算隐含层和输出层的输出 ,根据输出层节点的输出判断识别结果。
BP 网络神经实现人脸识别过程：人脸识别过程三、SVM 算法概述Vapnik 等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。
其原理也从线性可分说起，然后扩展到线性不可分的情况。
甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine,简称SVM)。
支持向量机的提出有很深的理论背景。
支持向量机方法是在近年来提出的一种新方法。
SVM 的主要思想可以概括为两点：(1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。
本文给出 “相似性” 的度量方法来构造 SVM 分类器。
所谓“相似性” , 是指两幅人脸图像在特征脸空间中Ω值之差)(j i Ω-Ω=∆Ω，如果∆Ω各分量都保持在一个较小范围内, 有理由相信这是同一个人脸。
选定集合C={2122211211,,..,,,n n C C C C C C }，其中n 为人数，1i C 和2i C 分别为第i 个人不同的图像，在特征空间中的Ω值，将其按照如下方案分:n}1,2,3,....i ,C C |{2i i1211=∈∈-∈+C C C C C i i ，，j}i ,1,2,3,...n j ,1,2,3,...n i ,C C |{2j i1211≠==∈∈-∈-C C C C C j i ，，可以看出1+C 正是 “相似” 的人脸, 共有n 个; 而1-C 全部都是“非相似”人脸,共有 n* ( n- 1)个,因此,组成如下n*n 个训练样本集： )1,)...(1,(),1,(),1,)...(1,(),1,{(2)1(1321122112122211211----------n n n n C C C C C C C C C C C C 。
现假设在数据库共有 m 个已知人脸图像, 基于上述SVM 的设计原理, 构造如下的 m 个函数( 注意这些函数没有取符号sgn) :))((),,(21****+Ω-Ω∙=∑b x k y b x f k i i n i k αα， 式中：Ω为待识别人脸图像在特征脸空间中的值,k Ω为已知人脸图像在特征脸空间中的值,**b 和α是二次规划的最优解，核函数取高斯核函数:)/||)(||exp())((δki k i x x k Ω-Ω--=Ω-Ω∙ (通常δ取1)。
考查这 m 个 SVM 分类函数的输出值,如果第 k 个输出值k f 为负数,则待识别人脸与第 k 个已知人脸肯定不相似; 如果输出值中只有第 r 个为正数, 则判定待识别人脸为第 r 个已知人脸; 如果输出值中有多个正数, 则取最大值所对应的已知人脸作为识别结果。
参考文献 1曹欢欢.基于人工神经网络的人脸识别方法[D].吉林大学.20082刘宏,董镭.基于人工神经网络的人脸识别分类器设计[J].鞍山科技大学学报，2007,（04). 3王敏, 段黎明,朱国涛,李文辉.基于 MATLAB7.0的人脸识别仿真系统研究[J].科学技术与工程,2009,(20).4唐述敏,方景龙.基于支持向量机的人脸识别[J].计算机与数字工程,2005,(07).5崔国勤，李锦涛，高文，焦锋.基于支持向量机的人脸识别方法[J].计算机科学,2003,(04) 6曾阳艳，叶柏龙.基于支持向量机的人脸识别系统的研究[J].计算机工程与应用,2008,(15). 7魏冬冬,谌海新，詹颖,翟红芳.静态人脸识别技术探讨[J].现代计算机,2006,(07).8何东风,凌捷.人脸识别技术综述[J].微机发展,2003,(12).9吴玲.人脸识别中的图像处理技术[J].科技信息,2010,(04).毕业设计（论文）开题报告２．开题报告：一、课题的目的与意义；二、课题发展现状和前景展望；三、课题主要内容和要求；四、研究方法、步骤和措施开题报告一、课题的目的与意义随着科技的飞速发展,传统身份识别(如口令、身份卡等)容易遗失、易被破解等问题逐渐暴露,已不能满足各种安全需要。
人们期望有一种更加可靠的技术来进行身份鉴别。
生物特征识别技术给这一切带来了可能。
由于人的面部特征难以复制和假冒,从而被应用到最现代化的小区门禁管理系统中。
人脸识别门禁技术是利用计算机分析人脸,从中提取出有效识别信息,通过与数据库的人脸进行比较来管理和控制门禁的技术,与以往的身份识别系统相比提高了安全防范的可靠性。
二、课题发展现状和前景展望人脸检测问题最初来源于人脸识别，人脸自动识别技术经过几十年的曲折发展已经有了一些较为成功的方法，目前正日趋成熟。
一个完整的人脸自动识别系统包括人脸检测、特征提取以及匹配识别三大基本过程。
其中人脸检测各方面的问题越来越受重视，引起了专家极大的研究兴趣。
目前，国外对人脸检测问题的研究很多，比较著名的有美国麻省理工大学的媒体实验室和人工智能实验室、卡内基梅隆大学的机器人研究所等；国内的清华大学、北京工业大学、上海交通大学、中国科学院计算技术研究所等都有从事人脸检测方面的相关研究。
此外，每年在国际国内的相关期刊和会议上都有大量的关于人脸检测的论文，如Moghaddam等人基于人脸特征的、Rowley等人基于神经网络的和Yullie等人基于弹性模板等的人脸检测方法，Turk等人的特征脸方法（基于PCA技术）。
近年来，建立在统计学理论(SLT)基础上的SVM（Support Vector Machine）方法脱颖而出由于其具有良好的概括能力，因而被应用于包括人脸识别在内的诸多领域。
人脸识别技术中还存在以下诸多需要完善的地方:人脸识别的复杂性使得单独使用一种现有的方法不可能取得很好的识别效果, 利用先验知识, 多种方法综合使用是今后研究的必然趋势; 不同人脸描述方式有不同的特点, 多特征融合方法也是改善识别性能的一个手段; 在一些高级信息安全的应用中, 需要研究人脸与指纹、虹膜、语音等识别技术的融合方法, 如何与基于其他生物特征的鉴别系统结合也是一个有意义的研究方向;三维图像比二维图像更能提供完整而真实的内容, 如何对三维人脸参数进行建模, 如何有效利用三维信息进行识别, 将是今后一个具有挑战性的研究课题。
总之, 随着图像处理、模式识别、人工智能等研究的进展, 人脸识别技术将会不断完善, 获得更大的发展, 人脸识别系统的性能将会更加精确高效。
