当前位置：文档之家 › 【毕业设计】人脸识别算法研究与实现-(附完整源码)

【毕业设计】人脸识别算法研究与实现-(附完整源码)

  • 格式：doc
  • 大小：1.09 MB
  • 文档页数：26

--

--

河北农业大学信息学院

本科毕业论文

题 目: 人脸识别算法研究与实现

学 院: 信息科学与技术学院

专 业： 电子信息科学与技术

学生姓名:

学 号：

指导教师：

职 称： 副教授

提交日期: 2013 年 6 月 1 日

答辩日期: 201３ 年 6 月 4 日

中 国 • 河北 201３ 年 5 月

摘要 --

-- 人脸识别技术,作为目前模式识别领域研究的热点也是难点之一，其最早提出可以追溯到1888年”。然而,到目前为止，由于人脸识别问题自身的复杂性,使得虽然有众多科学研究人员潜心研究多年,也做出了许多的成果,但离彻底解决并达到实用,仍旧有很多关键性的问题需要解决。

本文对人脸识别做了一定的研究。论文首先介绍了人脸识别的背景、研究范围以及方法,对人脸识别领域的一些理论方法作了总体的介绍。本文中所采用的人脸识别方法是比较经典的PCA（Pｒinｃiplｅ Compｏnｅnt Anａlyｓis)主成分分析。主要包括:结合人脸库对人脸识别的预处理方法作了较为详细的介绍;介绍了ＰCＡ人脸识别的方法；实现了一个基于ＰCA的实时人脸检测识别原型系统。

关键字:MAＴＬＡＢ、图形用户界面GUI、人脸识别、ＰＣA

ABSTRＡCT

Ｆace recognition ｔeｃhnolｏgy, as one oｆ thｅ hotｓpot in reｓearcｈ

of pａｔterｎ recｏgnition ｉs also ｄiｆｆｉcult, its fｉrsｔ sugｇｅsｔed ｄａtes baｃk to 1８88. ＂sｏ far, howｅver, because ｏf tｈe ｃoｍplｅｘｉtｙ ｏf thｅ facｅ rｅcogｎition proｂlｅm itseｌf, ｔｈat altｈougｈ tｈeｒｅ are many scientｉfic resｅarｃｈｅｒs stｕdyinｇ for ｍanｙ ｙears， ｈaｓ made ｍａny aｃｈｉｅｖements， ｂｕｔ frｏm tｈe resolve and acｈievｅ pｒactiｃal, theｒe are sｔiｌl ｍany ｋeｙ ｐroblemｓ neｅd ｔo sｏlve．

In this papｅr, tｈe fａcｅ reｃoｇnitｉon to ｄo some rｅsearｃh． Papｅr first ｉntroduces tｈe backgroｕnd oｆ ｆａce reｃｏgｎitｉon, ｒeｓｅaｒch ｓcope and meｔhｏｄ, to some tｈeoretｉcal mｅthods iｎ the ｆielｄ of

faｃe recoｇniｔion hａｓ maｄe thｅ overａll inｔroｄｕctioｎ. Fａｃe recognｉtiｏｎ ｍethods uｓeｄ in ｔhｉｓ arｔｉcle ｉs ｔhe classical PＣＡ (Ｐrｉnciple Coｍpｏneｎｔ Analysiｓ）, ｐrinciｐａl Componｅnt Ａｎａlysｉs. Maｉnly ｉncluｄｅs: combininｇ ｆace ｌiｂrａｒy prｅtｒeatｍent meｔhod ｏｆ ｆａce rｅcognition hａｓ maｄｅ the detailed ｉntroｄuｃtiｏn; This pａｐer inｔroｄuces thｅ ｍeｔhoｄs ｏf PCＡ ｆace recoｇｎitｉon； Iｍｐlemeｎts a

real-tｉme face deｔｅcｔion ｐｒｏtotype system bａseｄ oｎ PCA.

ｋeywoｒds： MATＬAB, ｇraｐhiｃal ｕsｅr iｎterｆaｃe ＧＵI, ｆace ｒecｏgnitiｏn, PCA

--

-- 目录

第一章 绪论 ...................................................................................................................................................... 0

1.１ 概述 .................................................................................................................... 错误!未定义书签。

1.1．１ 介绍 ........................................................................................................ 错误!未定义书签。

1．2 课题研究的背景和意义ﻩ错误!未定义书签。

1.2.1研究的背景ﻩ错误!未定义书签。

1．2.2 研究的意义ﻩ错误!未定义书签。

1.２.2.1 重要的学术价值 .................................................................................... 错误!未定义书签。

1.2．2.２ 很好的应用前景 ................................................................................. 错误!未定义书签。

1.３入脸识别研究的现状与困难 ................................................................................ 错误!未定义书签。

１.3．１研究的现状 ............................................................................................ 错误!未定义书签。

1.3．2 存在的主要困难ﻩ错误!未定义书签。

1.４ 论文的内容及安排 ............................................................................................ 错误!未定义书签。

第二章 人脸识别实现所使用的工具 ................................................................................. 错误!未定义书签。

２.1 Ｍaｔｌab简介ﻩ错误!未定义书签。

2．2 图形用户界面ＧUIﻩ错误!未定义书签。

2.2．1 图形用户界面GUＩ简介 ....................................................................... 错误!未定义书签。

2.2.2 图形用户界面 GUI 实例ﻩ错误!未定义书签。

2.2.3 PCA 算法ﻩ错误!未定义书签。

2.3 本章小结 ................................................................................................................ 错误!未定义书签。

第三章 人脸识别PCA算法及其功能实现ﻩ错误!未定义书签。

３．1 PCＡ算法分析 ................................................................................................... 错误!未定义书签。

3.1．1 主成分的一般定义ﻩ错误!未定义书签。

3.1.2 主成分的性质 ............................................................................................. 错误!未定义书签。

3.1.３ 主成分数目的选取ﻩ错误!未定义书签。

3.2 PCA算法功能实现 ................................................................................................ 错误!未定义书签。

３.２.１ 人脸空间的建立ﻩ错误!未定义书签。

3.2.2 特征向量的选取ﻩ错误!未定义书签。

3.2.3 人脸识别 ..................................................................................................... 错误!未定义书签。

第四章 人脸识别算法测试ﻩ错误!未定义书签。

4.1 实验测试流程ﻩ错误!未定义书签。

第五章 个人总结 ............................................................................................................... 错误!未定义书签。

致谢 ....................................................................................................................................... 错误!未定义书签。

参考文献 ............................................................................................................................... 错误!未定义书签。

附录－-ｍatｌａb 源码ﻩ错误!未定义书签。

合集下载

基于深度学习的人脸表情识别系统设计毕业设计

基于深度学习的人脸表情识别系统设计毕业设计

基于深度学习的人脸表情识别系统设计毕业设计

基于深度学习的人脸表情识别系统设计

一、引言及背景介绍

随着科技的发展和应用的普及，人脸表情识别技术在众多领域展现出巨大的潜力。人类表情是一种非常丰富和重要的非语言信息传递方式，对于情感分析、心理研究、用户体验等领域都具有重要意义。本篇论文旨在设计基于深度学习的人脸表情识别系统，以应用于相关领域。

二、人脸表情识别技术概述

人脸表情识别技术是一种在数字图像处理和模式识别领域中广泛应用的技术。它主要通过将人脸图像转化为数字数据，然后利用计算机算法对表情进行识别和分类。传统的方法主要依赖于人工特征提取和分类器的组合，但这些方法往往需要大量的人工参与和特征工程，且对于复杂表情的识别效果较差。

三、深度学习在人脸表情识别中的应用

深度学习作为一种强大的机器学习技术，近年来在人脸表情识别领域呈现出广阔的发展前景。其具有自动特征学习和模式识别能力，通过大规模数据集的训练，可以有效地提取表情的高级特征，从而提高识别准确率。深度学习模型中常用的有卷积神经网络（Convolutional Neural Network，简称CNN）和循环神经网络（Recurrent Neural

Network，简称RNN）。

四、深度学习人脸表情识别系统的设计与实现

1. 数据集准备

采集包含多种表情的人脸图像数据集，并对其进行标注和预处理工作，以便于后续的训练和测试。

2. 基于CNN的特征提取

使用卷积神经网络对人脸图像进行特征提取，通过多层卷积和池化操作，提取出图像的高级特征表示。

3. 数据增强

对数据集进行增强操作，如镜像翻转、旋转、缩放等，以扩充数据集规模，提高模型的泛化能力。

4. 特征融合和分类

将提取到的高级特征进行融合，并通过全连接层实现表情分类和识别。

5. 模型训练与验证

使用已标注的人脸图像数据集对模型进行训练，并通过验证集进行模型调优和超参数选择。

六、实验结果与讨论 在实验中，我们使用了XXX数据集进行训练和测试，得到了较为准确的人脸表情识别结果。与传统方法相比，基于深度学习的人脸表情识别系统具有更高的识别准确率和鲁棒性。然而，系统的实时性和资源消耗仍然是需要进一步优化的方面。

基于MATLAB的人脸识别系统的研究毕业论文

基于MATLAB的人脸识别系统的研究毕业论文

1

长沙民政职业技术学院

毕业实践报告

题目: 基于MATLAB勺人脸识别系统的研

扌旨导老师： ______ 谭刚林 ______________________

系 另寸： 电子信息工程系 __________________

班 级： ______________ 电子1133 ____________

学 号：1119013333 1119013334 1119013335

姓 名： 刘盼符思遥樊阳辉 类型: 毕业论文 毕业设计 毕业专题

1

2014年5月5日

基于MATLAB勺人脸识别系统的研究

符思遥、刘盼、樊阳辉

指导老师：谭刚林 苏宏艮 马勇赞

【摘要】人脸检测与识别技术是计算机视觉和模式识别等学科的研究热点之一，是进 行身份认证最友好直接的手段，在出入境安全检查、内容检索、证件验证、门禁系统等 领域都具有十分广泛的应用前景。多年来，人脸识别技术中的很多问题都被深入地研究， 而且大量的算法已经成功应用于人脸识别。

本文在研究了人脸检测和身份识别的关键技术和相关理论的基础上， 重点讨论了在光照

和背景不同的条件下，彩色静止图像的人脸检测和身份识别问题，它包括基于肤色分割 的人脸粗检测、基于人眼检测的几何归一化和基于二维主成分分析法 (2DPCA的身份识

别。本文主要工作如下：

首先对彩色图像进行光照补偿，其次通过肤色检测获得可能的脸部区域并二值化，再用 形态学开闭运算对图像进行滤波处理并通过一定规则确定人脸区域， 然后运用水平垂直

投影定位人眼坐标以此对人脸进行几何归一化，识别部分运用2DPCA勺图像映射方法对 灰度图进行特征匹配，最后输出识别结果并进行语音播报。

实验结果表明，结合肤色和面部几何特征的算法能够对人脸进行较快速和准确的定位， 同时2DPCAT法运用于身份识别也能达到较高的识别率。本毕业设计对实际应用具有一 定的参考价值，该系统的操作流程和输入输出方式是以实际应用为出发点，可应用于公 安机关证件验证以及日常家庭的自动门禁系统等。

人脸识别程序源代码

人脸识别程序源代码

1 .利用OpenCV进行人脸检测

人脸检测程序主要完成3部分功能，即加载分类器、加载待检测图象以及检测并标示。本程 序使用OpenCV中提供的"haarcascade_frontalface_alt.xml”文件存储的目标检测分类，用cvLoa d函数载入后，进行强制类型转换。OpenCV中提供的用于检测图像中目标的函数是cvHaarDete ctObjects，该函数使用指针对某目标物体(如人脸)训练的级联分类器在图象中找到包含目标物 体的矩形区域，并将这些区域作为一序列的矩形框返回。分类器在使用后需要被显式释放，所用的 函数为cvReleaseHaarClassifierCascade。这些函数原型请参看有关OpenCV手册。

2 .程序实现

1)新建一个VisualC++MFC项目，取名为“FaceDetection"，选择应用程序类型为“单文档”。 将菜单中多余的项去掉，并添加一项“人脸检测”，其ID为"ID_FaceDetected”，并生成该菜单项的 消息映射函数。

2)在“FaceDetectionView.h”头文件中添加以下灰底色部分程序代码：

〃南京森林公安高等专科学校江林升

//FaceDetectionView.h:CFaceDetectionView 类的接□

#pragmaonce

#include"cv.h"

#include"highgui.h"

classCFaceDetectionView:publicCView

<

protected:〃仅从序列口化创建

CFaceDetectionView();

DECLARE_DYNCREATE(CFaceDetectionView)

精心整理 public:

CFaceDetectionDoc*GetDocument()const;

CvHaarClassifierCascade*cascade;〃特征器分类

CvMemStorage*storage;

人脸识别核心算法及MATLAB代码

人脸识别核心算法及MATLAB代码

人脸识别核心算法

在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。我们在这方面的主要工作包括：

 基于LGBP的人脸识别方法

问题：

统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。

思路：

对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积(卷积结果称为Gabor特征图谱)获得多分辨率的变换图像。然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。由此可见，该方法具有良好的识别性能。而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。参见ICCV2005

表.LGBP方法与FERET'97最佳结果的对比情况

对比算法 各测试子集合性能(首选正确识别率)

FB

FC Dup I Dup II

我们的算法性能 97.5% 96.9% 73.8% 70.5%

FERET’97 最好结果 96.0% 82.0% 59.0% 52.0%

 基于AdaBoost的Gabor特征选择及判别分析方法

问题：

人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择。使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）。EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征。