数字图像处理课程设计人脸检测与识别.doc

数字图像处理 课 程 设 计 人脸检测与识别课程设计 简介 人脸检测与识别是当前模式识别领域的一个前沿课题，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。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。? 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的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，将在后文具体表述。仿真结果验证了本算法是有效的。 人脸检测 源码 img=imread(D:\std_test_images\face3.jpg); figure; imshow(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); faceRgn1=(R95)(G40)(B20)max(img,[],3)-min(img,[],3)15abs(R-G)15RB; figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=0.3*R+0.59*G+0.11*B; faceRgn2=(r0.333)(r0.664)(g0.246)(g0.398)(rg)g=0.5-0.5*r; figure; imshow(faceRgn2); Q=faceRgn1.*faceRgn2; P=bwlabel(Q,8); BB=regionprops(P,Boundingbox); BB1=struct2cell(BB); BB2=cell2mat(BB1); figure; imshow(img); [s1 s2]=size(BB2); mx=0; for k=3:4:s2-1 p=BB2(1,k)*BB2(1,k+1); if pmx(BB2(1,k)/BB2(1,k+1))1.8 mx=p; j=k; hold on; rectangle(position,[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],linewidth,3,edgecolor,r); hold off; end end 2.处理过程 人脸识别 算法简述 在Matlab 2012a版本中添加了对PCA算法的支持，由于水平有限我选择直接调用。在本次课程设计中，PCA算法又分为样本训练和人脸识别两个过程，在样本训练阶段，将样本库（每组15张共15组人脸图像，对每组前11张进行特征提取用于训练，后4张用于检测）中的人脸图像转换为特征向量表示，并投影到PCA子空间，最终将这些向量数据保存到训练数据库中。而在识别阶段，同样将待识别的人脸图像使用PCA子空间的向量表示，通过计算待识别图像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为识别结果。 源码 clear clc % 样本数量15*11 people_count=15; face_count_per_people=11; % 训练比率,设置为75%识别正确率可达100% training_ratio=.75; % 能量 energy=90; training_count=floor(face_count_per_people*training_ratio); training_samples=[]; path_mask=D:\\pca_face_rec\\%03d\\%02d.jpg; % 训练 for i=1:people_count for j=1:training_count img=im2d