人脸识别技术综述 ppt课件

.
图像的预处理技术
光线补偿 灰度变化 高斯平滑处理 对比度增强 直方图均衡
.
程序设计与实验
（以直方图均衡 为例）
直方图均衡化处理的主要思想是把原始图像的灰度直方图从某个比 较集中的灰度区间映射到全部灰度范围内的均匀分布。简单来说，直方 图均衡化就是将图像非线性拉伸，重新分配图像像素值，使得一定灰度 范围内的像素数量基本相同。
课题：
人脸识别技术综述
导 师： 周 欣 答辩人： 陶 健 专 业： 计算机科学与技术
.
论文框架
研究背景及前景展望 人脸识别及常用算法介绍 图像的预处理技术 程序设计与实验 归纳总结
.
研究背景
地球上六七十亿人，几乎每一个人的脸都是由眉毛、眼睛、鼻子、嘴巴等 部分组成，这些器官的大体位置基本是固定的，并且每张脸的大小面积也相 差不是很大。然而，我们不得不承认这么一个事实--这个世界上几乎找不出 两张完全相同的人脸！
那么区别这么多的不同人脸的“特征”应该是什么？我们可不可以设计 出具有和我们人类一样的具有人脸识别能力的软件或自动机器？这些软件或 自动机器的人脸识别能力能不能够超越我们人类本身？毫无疑问，分析和解 答这些问题具有重要的理论价值和应用价值，而这一切，正是那么多从事人 脸识别研究的人员所面临的难题和挑战。
.
人脸识别
定义：
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。
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。生物 特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、 声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等， 相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜 识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的 识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签 字识别等。
设f为原始图像在(x，y)处的灰度，g为改变后的灰度，那么直方图均衡可 表述为将在(x，y)处的灰度f映射为g。在处理灰度直方图均衡化中，可以这么 定义图像的映射函数:
g = EQ (f)， 该映射函数EQ(f)必须满足两个条件: (1)EQ(f)在0≤f≤L-1(其中L为图像的灰度级数)范围内是一个单调递增函数（保 证图像处理后不会打乱原始图像的灰度排列次序）。 (2)对于每一个0≤f≤L-1必有0≤g≤L-1（保证了变换前后灰度值动态范围的一致 性）。
（下面以基于二维Gabor小波矩阵表征人脸的识别方法 为例，详细阐述）
.
基于二维Gabor小波矩阵表征人脸的识别方法
Gabor核函数的定义
其中
，
的方向和尺度因子；
分别是
,μ和v分别代表滤波器 滤波器的参数
基于相关准则选取Gabor滤波器集合
以8个方向和8个尺度的图像为例，这样就有64个Gabor滤波器，采用 线性相关准则来度量滤波器之间的冗余时，可以先固定方向集合U={μ： 0<=μ<=7},然后调整尺度集合从V1={v：-4<=v<=3}到V5={v：0<=v<=7
.
如图：
由于虚部得到相同的结果，所以与滤波器的实部为例来分析，先将滤波器的
实部
按行或列连接成一个矢量 ，这样2个滤波器
和
的 线 性 相关定义为：
全部64个滤波器的相关系数就组成了一个64*64的对称矩阵，对角线上的 元素为1。由于相关系数的范围为[-1,1],取其绝对值并且将其绝对值区间即 [0,1]映射到灰度尺度区间[0,255],这样矩阵的特性就可以用图示的方式来表 示了。
.
常用的人脸检测方法
基于肤色特征的检测方法 基于启发式模型的方法 ቤተ መጻሕፍቲ ባይዱ于特征空间的方法 基于统计模型的方法
.
人脸识别常用的算法
基于二维Gabor小波矩阵表征人脸的识别方法 基于多特征融合和Boosting RBF神经网络的人 脸识别方法 基于模型匹配人脸识别方法 基于分块小波变换与奇异值阈值压缩的人脸特 征提取与识别算法
.
前景展望
随着社会信息化，网络化得不断发展，个人身份趋于数字化， 隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。生 物识别技术与传统的钥匙，登录密码等相比，与其独有的优点越来 越受到人们的亲睐。
近些年来，图形图像，微电子等方面所取得的一系列进展，使 得实现高性能自动识别技术的代价越来越低，达到了人们可以接受 的程度。而人脸识别，作为生物识别方法中应用比较广泛的技术， 基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术 来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其 他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯 罪等，具有重大的经济和社会意义。
.
下图为不同尺度集合下得到的相关矩阵情况：
由滤波器方向和尺度的相关特性，将滤波器进行2种排列组合。在图1-5中，滤 波器的排列规则是先方向后尺度；而6-10是先尺度后方向的规则排列的。
从上图可以看出，高的相关系数主要集中于低的尺度因子区域v={-4，-3}（（1） 中）和v=-3（（2）中），以及高的尺度因子区域v=6（（4）中）和v={6，7}（（5） 中）。相似的，相关系数较高的主要集中在低尺度因子区域中子块的左上角，以及 高尺度因子区域中子块的右下角。这和图中（1）-（5）得到的观察结果是完全一致 的。此外，由图（3）和（8）可知，当选取v3尺度集合时，全部相关系数达到最小 值，因此，选取v3={v：-2<=v<=5}作为Gabor滤波器的尺度集合可以提取尽可能的 不相关的特征数据来减少冗余。
但是，回答这些问题并没有想象中的那么容易。虽然很多研究人员从事 过计算机视觉、模式识别、神经计算、生理学等领域的研究，然而始终有一 些很基础的科学问题困惑着他们。比如，我们每天都可以依据人脸区分着亲 人、同事、朋友等，但是我们中大多数人却很难讲出是如何区分他们的更有 甚者描述不出自己熟悉的人的一些具体特征。这就得意味着我们要在仿生学 人脸识别研究路线以外找到解决方法来回答上述的基本科学问题。