计算机科学与技术毕业论文：基于matlab的人脸识别系统设计与仿真.doc

1、本科毕业论文（20 届）基于 matlab 的人脸识别系统设计与仿真所在学院 专业班级 计算机科学与技术 学生姓名 学号 指导教师 职称 完成日期 年 月 人脸识别方法的分析与研究- -I目 录 摘要 .II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

2、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 -参考文献 .- 17 -人脸识别方法的分析与研究- -II附录 .- 18 -人脸识别方法的分析与研究- -III摘要人脸识别是当前模式识别领域的一个

3、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。本文介绍了多种人脸识别方法，基于对人脸识别方法优缺点的分析比较, 提出了一种基于主元分析(PCA )的人脸识别方法。通过PCA 算法对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。利用剑桥ORL的人脸数据库的数据进行实验仿真，仿真结果验证了本算法是有效的。 关键词：人脸识别， 主元分析，最近邻距离分类法，人脸库人脸识别方法的分析与研究- -1 第 1 章 绪论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

4、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。1.1 人脸识别技

5、术的细节一般来说，人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别（身份确认或者身份查找） 。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。1.2 人脸识别技术的广泛应用一项技术的问世和发展与人类的迫切需求是密切相关的，快速发展的社会经济和科学技术使得人类对安全(包括人身安全、隐私保护等)得认识越来越重视。人脸识别得一个重要应用就是人类的身份识别。一般来说，人类得身份识别方式分为三类:1.特征物品，包括各种证件和凭证，如身份证、驾驶证、房门钥匙、印章等;2.特殊知识

6、，包括各种密码、口令和暗号等;3.人类生物特征，包括各种人类得生理和行为特征，如人脸、指纹、手形、掌纹、虹膜、DNA、签名、语音等。前两类识别方式属于传统的身份识别技术，其特点是方便、快捷，但致命的缺点是安全性差、易伪造、易窃取。特殊物品可能会丢失、偷盗和复制，特殊知识可以被遗忘、混淆和泄漏。相比较而言，由于生物特征使人的内在属性，具有很强的自身稳定性和个体差异性，因此生物特征是身份识别的最理想依据。基于以上相对独特的生物特征，结合计算机技术，发展了众多的基于人类生物特征的身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术和人脸识别技术等。人脸识别方法的分析与研究- -2

7、 生物识别技术在上个世纪已经有了一定得发展，其中指纹识别技术已经趋近成熟，但人脸识别技术的研究还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别可以利用已有的照片或是摄像头远距离捕捉图像，无需特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无觉察的情况下完成身份确认识别工作，这对反恐怖活动有非常重要的意义。基于人脸识别技术具有如此多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。1.3 人脸识别技术的难点虽然人类可以毫不困难地根据人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍然有许多困难。

8、人脸模式差异性使得人脸识别成为一个非常困难的问题，表现在以下方面:1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着五十多块面部肌肉，这些肌肉的运动导致不同面部表情的出现，会造成人脸特征的显著改变。2.随着年龄而改变，随着年龄的增长，皱纹的出现和面部肌肉的松弛使得人脸的结构和纹理都将发生改变。3.人脸有易变化的附加物，例如改变发型，留胡须，戴帽子或眼镜等饰物。4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别。5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能造成图像的灰度。1.4 国内外研究状况人脸识别是人类视觉最杰出的能力之一。它的研究涉及模式识别、图像处理、生物学、心理学、认

9、知科学，与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。人脸识别早在六七十年代就引起了研究者的强烈兴趣。20 世纪 60 年代，Bledsoe 提出了人脸识别的半自动系统模式与特征提取方法。70 年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。1972 年，Harmon 用交互人脸识别方法在理论上与实践上进行了详细的论述。同年，Sakai 设计了人脸图像自动识别系统。80 年代初 T. Minami 研究出了优于 Sakai 的人脸图像自动识别系统。但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。进入九十年代，由于各方面对人脸识别系统的迫切需求

10、，人脸识别的研究变的非常热门。人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，如 Karhunen-Love 变换等或新的神经网络技术。人脸识别研究人脸识别方法的分析与研究- -3 得到了前所未有的重视，国际上发表有关人脸识别等方面的论文数量大幅度增加，仅从1990 年到 2000 年之间，SCI 及 EI 可检索到的相关文献多达数千篇，这期间关于人脸识别的综述也屡屡可见。国外有许多学校在研究人脸识别技术，研究涉及的领域很广。这些研究受到军方、警方及大公司的高度重视和资助，国内的一些知名院校也开始从事人脸识别的研究。人脸识别是当前模式识别领域的一个前沿课题，但目前人脸识别尚处于研究课

11、题阶段，尚不是实用化领域的活跃课题。虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别存在许多困难，其表现在：人脸是非刚体，存在表情变化；人脸随年龄增长而变化；发型、眼镜等装饰对人脸造成遮挡；人脸所成图像受光照、成像角度、成像距离等影响。人脸识别的困难还在于图像包括大量的数据，输入的像素可能成百上千，每个像素都含有各自不同的灰度级，由此带来的计算的复杂度将会增加。现有的识别方法中，通过从人脸图像中提取出特征信息，来对数据库进行检索的方法速度快，而利用拓扑属性图匹配来确定匹配度的方法则相对较快。1.5 人脸识别的研究内容人脸识别技术(AFR)就是利用计算机技术，根据数据库

12、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。人脸识别技术的研究始于六十年代末七十年代初，其研究领域涉及图像处理、计算机视觉、模式识别、计算机智能等领域，是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。1.5.1 人脸识别研究内容人脸识别的研究范围广义上来讲大致包括以下五个方面的内容。1.人脸定位和检测(Face Detection):即从动态的场景与复杂的背景中检测出人脸的存在并且确定其位置，最后分离出来。这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。2.人脸表征(Face Representation)(也称人脸特征提取):即采用某种表示方法来

13、表示检测出人脸与数据库中的己知人脸。通常的表示方法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征向量)、固定特征模板等。3.人脸识别(Face Recognition):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.表情姿态分析(Expression/Gesture Analysis):即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。人脸识别方法的分析与研究- -4 5.生理分类(Physical Classification):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

14、推导出希望得到的人脸图像，如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。人脸识别的研究内容，从生物特征技术的应用前景来分类，包括以下两个方面:人脸验证与人脸识别。1.人脸验证(Face Verification/Authentication):即是回答“是不是某人?”的问题。它是给定一幅待识别人脸图像，判断它是否是某人的问题，属于一对一的两类模式分类问题，主要用于安全系统的身份验证。2.人脸识别（Face Recognition):即是回答“是谁”的问题。它是给定一幅待识别人脸图像，再己有的人脸数据库中，判断它的身份的问题。它是个“一对多”的多类模式分类问题，通常所说的人脸识别

15、即指此类问题，这也是本文的主要研究内容。1.5.2 人脸识别系统的组成在人脸识别技术发展的几十年中，研究者们提出了多种多样的人脸识别方法，但大部分的人脸识别系统主要由三部分组成:图像预处理、特征提取和人脸的分类识别。一个完整的自动人脸识别系统还包括人脸检测定位和数据库的组织等模块，如图 1.1。其中人脸检测和人脸识别是整个自动人脸识别系统中非常重要的两个环节，并且相对独立。下面分别介绍这两个环节。预处理 特征提取 分类识别人脸检测 人脸库图 1.1 人脸识别系统框图人脸检测与定位，检测图像中是否由人脸，若有，将其从背景中分割出来，并确定其在图像中的位置。在某些可以控制拍摄条件的场合，如警察拍罪

16、犯照片时将人脸限定在标尺内，此时人脸的定位很简单。证件照背景简单，定位比较容易。在另一些情况下，人脸在图像中的位置预先是未知的，比如在复杂背景下拍摄的照片，这时人脸的检测与定位将受以下因素的影响:人脸识别方法的分析与研究- -5 1.人脸在图像中的位置、角度、不固定尺寸以及光照的影响；2.发型、眼睛、胡须以及人脸的表情变化等；3. 图像中的噪声等。特征提取与人脸识别，特征提取之前一般都要做几何归一化和灰度归一化的工作。前者指根据人脸定位结果将图像中的人脸变化到同一位置和大小;后者是指对图像进行光照补偿等处理，以克服光照变化的影响，光照补偿能够一定程度的克服光照变化的影响而提高识别率。提取出待识

17、别的人脸特征之后，即进行特征匹配。这个过程是一对多或者一对一的匹配过程，前者是确定输入图像为图像库中的哪一个人(即人脸识别)，后者是验证输入图像的人的身份是否属实(人脸验证)。以上两个环节的独立性很强。在许多特定场合下人脸的检测与定位相对比较容易，因此“特征提取与人脸识别环节”得到了更广泛和深入的研究。近几年随着人们越来越关心各种复杂的情形下的人脸自动识别系统以及多功能感知研究的兴起，人脸检测与定位才作为一个独立的模式识别问题得到了较多的重视。本文主要研究人脸的特征提取与分类识别的问题。已知人脸库PCA其他方法KPCALDA输入新图像特征提取特征提取分类器设计分类决策最近邻分类器SVM 分类器

18、图 1.2 人脸识别结构图人脸识别方法的分析与研究- -6 第 2 章 人脸识别方法虽然人脸识别方法的分类标准可能有所不同，但是目前的研究主要有两个方向，一类是从人脸图像整体(Holistic Approaches)出发，基于图像的总体信息进行分类识别，他重点考虑了模式的整体属性，其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数(Feature-Based Approaches)，例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。这种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其严格进行特征匹配会出现困难。而分别介绍一些常用的方法，

19、前两种方法属于从图像的整体方面进行研究，后三种方法主要从提取图像的局部特征讲行研究。2.1 基于特征脸的方法特征脸方法(eigenface)是从主元分析方法 PCA C Principal ComponentAnalysis 导出的一种人脸分析识别方法，它根据一组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了一组投影系数，然后和各个己知人的人脸图像进行比较识别，取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。特征脸方法原理简单、易于实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。研究表明:特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。2.2 基于神经网络的方法神经网络在人脸识别应用中有很长的历史。早期用于人脸识别的神经网络主要是Kohonen 自联想映射神经网络，用于人脸的“ 回忆” 。所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用 Kohonen 网络恢复出原来完整的人脸。Intrator 等人用一个无监督/监督混合神经网络进行人脸识别。其输入是原始图像的梯度图像，以此可以去除光照的变化。监督学习目的是寻找类的特征，有监督学习的目的是减少训练样本