1、本科毕业论文（20 届）人脸识别方法的研究与实现所在学院 专业班级 电子信息工程 学生姓名 学号 指导教师 职称 完成日期 年 月 苏州大学本科生毕业设计（论文）- i -目 录前言 .2第 1 章 绪论 .3第 1.1 节 研究内容 .3第 1.2 节 人脸识别技术的特点 .4第 1.3 节 人脸识别技术的发展及应用前景 .4第 1.4 节 研究内容 .5第 2 章 人脸识别的方法介绍 .6第 2.1 节 人脸识别系统 .6第 2.2 节 人脸识别的方法 .6第 2.3 节 人脸识别的流程 .8第 3 章 人脸识别系统的设计 .12第 3.1 节 引言 .12第 3.2 节 图像的二值化的概
2、念及原理 .12第 3.3 节 应用程序的功能需求分析 .13第 4 章 人脸识别系统的仿真与分析 .15第 4.2 节 仿真与分析 .18第 4.3 节 实验小结 .20第 5 章 总结与展望 .21第 5.1 节 总结 .21第 5.2 节 对人脸识别领域的展望 .21参考文献 .21致谢 .21附录:部分源程序 .23苏州大学本科生毕业设计（论文）第 1 页人脸识别方法的研究与实现【摘要】：本文介绍了多种人脸识别方法，基于对人脸识别方法的优缺点分析比较，提出了一种基于二值化模式的人脸识别方法。通过头像采集，运用二值化方式对人脸图像进行预处理，随后是人脸特征提取，接着进入提取库进行特征匹配
3、，最后输出相应结果。本实验对采用二值化处理图像方式进行探讨研究，并对二值化处理以及特征提取进行仿真，并分析最终结果。本次实验设计的人脸识别系统基本实现了人脸识别功能。【关键词】：人脸识别；二值化；matlabAbstract : Many face recognition method has been introduced in this paper, based on the analysis and comparison on the advantages and disadvantages of the face recognition methods, proposes a face
4、 recognition method based on binary mode. Through image acquisition, using the method of face image preprocessing, binary, followed by a human face feature extraction, and then into the extraction of feature matching, the final output corresponding results. This experiment for further study adopts t
5、he image binarization processing method, and the binarization processing and feature extraction are simulated, and the final result. The experimental design of face recognition system basic facial recognition is realized.Key words:, face recognition；binaryzation；matlab苏州大学本科生毕业设计（论文）第 2 页前言随着人工智能技术的
6、兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，这一领域除了它的重大理论价值外，也极具实用价值。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA 鉴定等更具方便性，开发研究的实际意义更大。然而人脸图像受很多因素的干扰，给识别带来很大难度。国外对人脸图像识别的研究较早，现已经有了实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，国内也有许多科研机构从事这方面的研究，并已取得许多成果。在安检、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
7、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。传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们最熟悉的识别方式，已有 30 多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但这两种技术还远不成熟，识别效果不尽人意。迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识
8、别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。苏州大学本科生毕业设计（论文）第 3 页第 1 章 绪论第 1.1 节 研究内容人脸识别，是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。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。随着社会的发展，各个方面对快速有效的自动身份鉴别的要求日益迫切。对个人身份鉴别的需求可以说无处不在，并且与日俱增。如某人是否有权进入安全区域(安全系统)，是否有权进行特定交易，是否是本国居民，为了安全在公司计算机网络和因特网上单独设置口令或钥匙进
9、行保护等。当前，用于个人身份鉴别主要依靠 ID 卡(如身份证、工作证、智能卡、计算机标志卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、或者由于使用过多或不当而损坏、不可读和密码易被破解等诸多问题。近年来电子商务得到了十分迅速的发展。然而发展电子商务的一个最重要的问题是如何解决好安全问题，在此之前，谁也不会与身份无法确认的人在因特网上做买卖。但是传统的方法如口令、信用卡、身份卡等已不能很好地满足各种安全需要，因为如果系统受到不法分子的攻击，信用卡密码外泄是有可能发生的。同时随着技术的发展，犯罪分子伪造假证件的手段也越来越高明，因此，目前广泛使用的依靠证件、个人识别号码(PIN-
10、Personal Identification Number)、口令等传统方法来确认个人身份的技术面临着严峻的挑战。生物识别技术提供了一种基于惟一的、高可靠性和稳定性的人体生物特征的新的身份鉴别途径。生物特征，如人脸、指纹、虹膜等等，是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份鉴别的最理想依据。这其中，利用人脸特征进行身份鉴定又是最自然直接的手段，和指纹识别、虹膜识别等其他方式相比较，人脸识别有其独到的优势。指纹和虹膜的获取都要求待识别对象与成像设备较近的空间距离，而人脸图像获取则不然，在一般可视情况下，人脸图像都能够正常被捕捉，这一因素决定了人脸识别比指纹、虹膜识别有更广的应
11、用范围。而自动的人脸识别系统还具有主动、直接、方便、友好等特点。它无需特殊的采集设备，系统成本相对较低，还可以在不干扰使用者的前提下，主动地获得人脸图像。尤其是他与人们在日常生活中进行个人鉴别所采取的方式一致，不侵犯使用者的任何隐私，因而对于使用者而言，无任何心理障碍。正是因为这些优势，自动人脸识别的研究将会极大地促进安全访问控制、视觉监测、刑侦破案、基于内容的检索等领域的发展，具有极其广泛的应用前景。人脸自动识别是模式识别领域中的一个前沿课题，该课题的研究已有 30 多年的历史。目前人脸自动识别正越来越成为当前模式识别和人工智能领域的一个研究热点。苏州大学本科生毕业设计（论文）第 4 页人脸
12、自动识别系统作为一种重要的个人身份鉴别工具，可以广泛地应用于公安部门的犯人档案管理、犯入辨认查拨、刑侦破案、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、证件核对、保安监视、通道控制乃至自动出纳机等多种场合。与其它身份识别方法相比较，人脸识别其有直接、友好、方便和鲁棒性强等特点，特别是对于使用者无任何心理障碍，通过对人脸的表情姿态分析，还能获得其他识别系统难以获得的一些信息。因而，人脸自动识别问题的研究不仅具有重大的实用价值，而且在模式识别中具有重大的理论意义。第 1.2 节 人脸识别技术的特点人脸识别的优势在于其自然性和不被被测个体察觉的特点。所谓自然性，是指该识别方式同
13、人类（甚至其他生物）进行个体识别时所利用的生物特征相同。例如人脸识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。人脸与人体的其它生物特征（指纹、虹
14、膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：(1)非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性” ；(2)非接触性：用户不需要和设备直接接触就能获取人脸图像；(3) 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。第 1.3 节 人脸识别技术的发展及应用前景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、生理学、心理学、认知科学,与
15、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,因此早在六七十年代即引起了研究者的强烈兴趣。进入九十年代,由于各方面苏州大学本科生毕业设计（论文）第 5 页对人脸识别系统的迫切需求,人脸识别的研究重新变得非常热门. 目前美国等国有许多研究组在从事人脸识别的研究,这些研究受到军方、警方及大公司的高度重视和资助,美国军方每年还专门组织人脸识别比赛以促进这一领域的发展。 在国内,也开始有一些学校从事人脸识别相关的研究。人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，
16、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木，在某些场合，这些识别手段就会有不便之处。 就从目前和将来来看，可以预测到人脸图像识别将具有广阔的应用前景，如信用卡、护照等个人证件中，人脸识别的优点在于图像摄取可控、图像分割可控、图像质量好，又比如在银行储蓄安全方面，人脸识别可以起到巨大的安保作用等等。虽然其中会存在一些问题，但随着科技技术的飞速发展，这些问题逐步开始得到完善。总之，人脸识别有着非常广阔的应用前景，它在各个领域对人们的生活产生深远影响。第 1.4 节 研究内容本文研究了运用二值化方式处理头像图片，进行人脸识别，并对其进行仿真。论文分为四章，各章主要研究内容概述如下：(1
17、)、第一章:绪论。对人脸识别技术进行综述，概述人脸识别技术的研究内容、特点以及它的发展和应用前景。(2)、第二章：人脸识别的方法介绍。提出了多种人脸识别的方法，并对人脸识别的系统构成和系统框图进行描述。(3)、第三章：人脸识别系统的设计。从多种人脸识别方式中选取其中一种方式，对其进行探讨研究。(4)、第四章：人脸识别系统的仿真与分析。运用 matlab 软件对人脸识别图像进行仿真，并得出结果。对其现象进行分析、评价。(5)、第五章：总结与展望。总结了本次工作，对未来人脸自动识别领域的研究与发展提出了几点看法。苏州大学本科生毕业设计（论文）第 6 页图像第 2 章 人脸识别的方法介绍第 2.1
18、节 人脸识别系统人脸自动识别系统包括两个主要技术环节(如图图 2-1 所示) :首先是人脸检测和定位,即从输入图像中找到人脸及人脸存在的位置,并将人脸从背景中分割出来,然后才是对归一化的人脸图像进行特征提取与识别。人脸的检测与定位特征提取与识别人脸图像 名字图 2-2 人脸自动识别系统构成这两个环节的研究独立性很强. 由于在很多特定情况下人脸检测与定位的工作比较简单,因此“特征提取与识别”环节得到了更为广泛和深入的研究。评价一个人脸自动识别系统的标准,一个是误识率即将某人错识别为其他人,另一个是虚警率即将其他人识别为这个人。 这二者之间是存在矛盾的,所以在实际问题中往往需要进行某种折衷。 如,
19、在安全性要求较高的计算机登录系统中,必须要求虚警率要尽可能低,而误识率则可以高一些,这样只是增加合法用户的等录时间,并不会降低计算机系统的安全性。 这一点同样适用于特征提取与识别环节,但是对于人脸检测与定位,我们一般则要求误识率要尽可能低,因为这样才可以保证所要识别的人不会在这一步就丢失。常用的人脸识别实验库以美国军方的 FERET 库最为权威,它包括多人种、多年龄段、各种表情变化、光照变化、姿态变化的图像,图像的数量和实验人数也非常多,可以充分地验证人脸识别算法。 另外如 MIT、ORL 等库也可以用来验证算法在某些方面的能力。 目前尚没有专门测试人脸检测和定位算法的图像库。第 2.2 节
20、人脸识别的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出发，基于图像的总体信息进行分类识别，它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，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，对其进行严格特征匹配会出现困难。而分别介绍一些常用的方法，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进行研究。2.2.1. 基于特征脸的方法苏州大学本科生毕业设计（论文）第 7 页特征脸方法
21、是从主元分析方法 PCA 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，然后和各个已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。2.2.2. 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
22、自联想映射神经网络，用于人脸的“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被错分的比例。这种网络提取的特征明显，识别率搞，如果用几个网络同时运算，求其平均，识别效果还会提高。与其他类型的方法相比，神经网络方法在人脸识别上有其独到的优势，它避免了复杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。此外，神经网络以实时方
23、式处理信息，如果能用硬件实现，就能显著提高速度。神经网络方法除了用于人脸识别外，还适用于性别识别、种族识别等。2.2.3. 弹性图匹配法弹性图匹配方法是一种基于动态链接结构 DLA 的方法。它将人脸用格状的稀疏图表示，图中的节点用图像位置的 Gabor 小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，其节点逼近模型图的对应点的位置。弹性图匹配方法对光照、位移、旋转及尺度变化都敏感。此方法的主要缺点是对每个存储的人脸需计算其模型图，计算量大，存储量大。为此，Wiskott 在原有方法的基
24、础上提出聚束图匹配某部分客服了这些缺点。在聚束图中，所有节点都已经定位在相应目标上。对于大量数据库，这样可以大大减少识别时间。另外，利用聚束图还能够匹配相同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜的等相关信息。2.2.4. 基于二值化模式的方法图像的二值化，就是将图像上的像素点的灰度值设置为 0 或 255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声，要想从多值二值化的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值 T，用苏州大学本科生毕业设计（论文）第 8 页T 将图像的数据分成两部分：大于 T 的像素群和小于 T 的像素
25、群。这是研究灰度变换的最特殊的方法，称为图像的二值化。全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，出现了局部二值化方法。局部二值化的方法就是按照一定的规则将整幅图像划分为 N 个窗口，对这 N 个窗口中的每一个窗口再按照一个统一的阈值 T 将该窗口内的像素划分为两部分，进行二值化处理。这样得出来的二值化图像就更能表现出二值化图像中的细节。二值化是图像处理的基本操作，任何图像处理基本离不开二值化的操作。其应用非常广泛。2.2.5. 基于模板匹配的方法模板匹配法师一种经典的模式识别方法，这种方法大多是用归一化和互相关，直接计算两幅图像之间的匹配程度。由于这种方法要求两幅图像上的目
26、标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度搞的边缘，也很难从中自动提取所需的特征量。模板匹配方法在尺度、光照、旋转角度等各个条件稳定的状态下，它的识别的效果优于其它方法，但它对光照、旋转和表情变化比较敏感，影响了它的直接使用。2.2.6. 基于人脸特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件
27、构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上，每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人力啊识别的重要特征。几何特征最早是用于人脸检测轮廓的描述与识别，首先根据检测轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛的呢更重要器官的几何形状作为分类特征。定位眼睛往往是提取人脸几何特征的第一步。由于眼睛的对称性以及眼珠呈现为低灰度值的圆形，因此在人脸图像清晰端正的时候，眼睛的提取是比较容易的。但是如果人脸图像模糊，或者噪声很多，则往往需要利用更多的信息（如眼睛和眉毛、鼻子的相对位置等） ，而且这将使得眼睛的定位变得很复杂。而且实际图像中，部件未必轮廓分明，有时人用眼看也只是个大概，计算机提取就更成问题，因而导致描述同一个人的不同人脸时，其模型参数可能相差很大，而失去识别意义。尽管如此，在正确提取部件以及表情变化微小的前提下，该方法依然奏效，因此在许多方面仍可应用，如对标准身份证照片的应用。
