人脸识别中的特征提取算法研究

分 类 号： 密 级：

学校代码： 10414 学 号： 2012160032

硕士研究生学位论文

基于OpenCV的人脸识别算法研究与实

现

Research and implementation of face

recognition algorithm based on OpenCV

钟官长

院 所：江西师范大学 导师姓名：曾纪国

学位类别：工程硕士 专业领域：软件工程

二0一五 年 五 月

独 创 性 声 明

本人声明所呈交的学位论文是本人在导师指导下进行的研究工

作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地

方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含

为获得或其他教育机构的学位或证书而使用过的材料。与我一同工作

的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表

示谢意。

学位论文作者签名： 签字日期： 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江西师范大学研究生院有关保留、使用

学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印

件和磁盘，允许论文被查阅和借阅。本人授权江西师范大学研究生院

可以将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、汇编学位论文。

（保密的学位论文在解密后适用本授权书）

学位论文作者签名： 导师签名：I

摘 要

人脸识别作为一项安全性很高的生物识别技术，近些年来，它的发展速度

非常快，并且逐渐成为生物识别的重要方法。

OpenCV是一个开源的跨平台计算机视觉库，它包含了很多通用的图像处

理算法，并且开放源码，OpenCV具有很好的移植性，代码都经过优化，因此

可用于科研也可用于商业用途。

本文基于OpenCV分别进行了人脸检测和人脸识别的实验。针对人脸检测，

通过实验验证了几种有效的图像预处理方法。人脸检测算法是基于AdaBoost

方法的，AdaBoost方法引入了“积分图”的概念，这能有效的提高了算法效率。

人脸识别代码原理

人脸识别是一种通过计算机技术自动识别图像或视频中的人脸的方法。下面是一种常见的人脸识别代码原理：

1. 数据准备：首先需要获取用于训练的人脸图像数据集，这些图像需要包含已知人脸的标签信息。同时，还需确保图像数据集中的人脸图像具有较高的质量，清晰度和多样性。

2. 特征提取：接下来，通过特征提取算法将每个人脸图像转化为一组特征向量。常用的特征提取算法包括主成分分析(PCA)、线性判别分析(LDA)和局部二值模式(LBP)等。这些算法会提取人脸图像中的关键特征，如眼睛、鼻子、嘴巴等，并将其编码为数值表示。

3. 数据训练：使用已知标签的人脸图像和其特征向量，训练一个分类器模型，如支持向量机(SVM)、卷积神经网络(CNN)等。该模型将通过学习训练数据集中的特征和标签之间的关系，来识别未知人脸的标签。

4. 人脸识别：当需要进行人脸识别时，首先需要对待识别图像进行同样的特征提取操作。然后将提取得到的特征向量输入训练好的模型中进行预测。模型将根据特征向量与训练数据的关系，计算其与每个标签的相似度得分。最终选择得分最高的标签，作为识别结果。

需要注意的是，人脸识别还会面临一些挑战，如光照变化、表情变化、遮挡等导致的图像变化。为了提高识别的准确性，可以采用人脸对齐、人脸图像增强等预处理技术，以及使用多个不同角度的训练图像来训练模型。此外，还可以结合活体检测技术来确保识别过程中的真实性和安全性。

苏州大学本科毕业设计（论文）

1 摘要 ···························· 1

Abstract ·························· 2

前言 ···························· 3

第一章 人脸识别概述 ···················· 5

1.1 生物特征识别技术 ·················· 5

1.2 人脸识别技术 ···················· 5

1.3 人脸识别的研究背景及意义 ·············· 8

1.4 人脸识别理论的发展 ················· 9

1.5 人脸识别的难点 ··················· 9

第二章 人脸识别的常用算法与分类器介绍 ··········· 11

2.1 人脸识别常用方法 ·················· 11

2.2 分类器 ······················· 13

第三章 人脸识别系统的设计及实现 ·············· 15

3.1 人脸识别流程 ···················· 15

3.2 离线学习和在线匹配 ················· 16

第四章 KL变换和PCA人脸识别方法 ·············· 17

4.1 简介 ························ 17

4.2 KL变换和PCA分析 ·················· 17

4.2.1 KL变换原理 ·················· 18

4.2.2 主成分分析法 （PCA） ············· 19

4.3 人脸识别中PCA算法步骤及流程 ············ 22

4.4 实验及结果分析 ··················· 23

第五章 影响人脸识别的几个因素及人脸数据库介绍 ······· 25

LBP算法（人脸识别特征提取）

LBP（Local Binary Patterns）算法是一种用于人脸识别中的特征提取算法。该算法能够有效地描述图像局部纹理特征，通过将图像划分为不同的区域，并计算每个区域的局部二值模式（Local Binary Pattern），从而提取出图像的纹理特征。本文将介绍LBP算法的原理、应用以及算法的优缺点。

LBP算法的原理是基于图像局部纹理的分布统计。算法首先将图像划分为若干个重叠的圆形区域，然后选取每个区域的中心像素点作为参考点，根据参考点和周围像素的灰度值大小关系，将周围像素的灰度值二值化。具体而言，如果周围像素的灰度值大于或等于参考点的灰度值，则将其对应位置的二值设置为1，否则设置为0。这样，就得到了一个局部二值模式。

对于每个局部二值模式，在其周围像素形成的二进制数中，可以计算出一个十进制的值，该值即为对应的LBP值。然后，可以统计整个图像中不同LBP值的出现次数，以得到该图像的纹理特征向量。为了保持LBP特征的旋转不变性，通常将计算得到的纹理特征向量进行旋转不变模式（Rotation-Invariant Patterns）的处理。

LBP算法在人脸识别中的应用非常广泛。通过提取图像的纹理特征，LBP算法能够有效地区分人脸图像中不同的区域，从而实现人脸检测、人脸识别等任务。与其他特征提取算法相比，LBP算法具有计算简单、计算效率高以及对光照变化、表情变化等具有较强的鲁棒性的优点。

然而，LBP算法也存在一些缺点。首先，LBP算法提取的特征主要反映了图像的纹理信息，对于人脸的形状、结构等特征没有很好的表达能力。其次，LBP算法对于像素点近邻选择的问题较为敏感，不同的近邻选择可能会导致特征的差异。最后，LBP算法没有考虑像素点的空间关系，在一些图像中可能导致特征提取不准确。

为了克服这些缺点，研究人员对LBP算法进行了改进和扩展，提出了许多改进的LBP算法。例如，Extended LBP（ELBP）算法结合了LBP算法和傅里叶描述子，融合了纹理和形状信息；Uniform LBP（ULBP）算法通过将LBP值分为不同的均匀模式，增强了特征的区分能力和鲁棒性；Multi-scale LBP（MLBP）算法在不同尺度下提取LBP特征，增强了特征的描述能力。这些改进的算法在人脸识别任务中取得了更好的性能。