数字图像处理--人脸识别概要.ppt

* * 数字图像处理 信息科学与技术学院 刘世伟 * 人脸识别 目 录 1.0 关于人脸识别 人脸识别是人类视觉最杰出的能力之一，是一个活跃的研究领域。 最容易被接受的生物特征识别方式。 人脸识别用途细分为两类： 一 一类是回答“ 我是谁？”的问题，即身份识别。 另一类是回答“ 这个人是我吗？”，即身份验证。 目 录 2.0 人脸识别过程 一个完整的人脸识别系统包括人脸检测与定位、人脸图像预处理、人脸特征提取、分类识别等 人脸识别实现过程基本框图 2.0 人脸识别过程 人脸识别过程需要完成以下几方面的工作： 人脸检测：从各种场景中检测出人脸的存在，并从场景中准确分离出人脸区域； 预处理：校正人脸尺度、光照以及旋转等方面的变化，得到规范化的人脸图像； 特征提取：从人脸图像中提取出人脸具有代表性的特征信息，并用一定的方式加以描述； 人脸识别：根据所提取的特征信息，将待识别的人脸与数据库中的人脸进行比较，找到数据库中最相似的人脸 由于各方面对人脸识别系统的迫切需求，人脸特征提取与识别是人脸识别系统的重点。 目 录 3.0 人脸识别技术难点 当前人们的研究主要集中在寻找识别率更高、稳定性更好、计算代价更低、实用性更强的人脸识别系统。但是由于各种客观条件的限制，目前尚没有一种方法可以兼有上述所有性能。 影响人脸识别系统性能的客观因素有很多，也很复杂，主要是以下这些： ①光照条件：光照条件的影响主要体现在实际条件下光照强度的未知变化以及光照不均匀对成像带来的影响，这可以直接体现在图像的灰度值上。人们解决光照影响的方法主要有获取实时光照参数、对图像做光照补偿和灰度预处理等。获取实时光照参数以及进行光照补偿这两种方法都比较复杂，因此大量应用并不现实。 3.0 人脸识别技术难点 ②人脸姿态和表情：因为实时人脸识别需要在非接触非告知的条件下获取被测人脸图像，因此，被测人脸姿态和表情都是无法控制的因素，这给人脸识别带来了极大的挑战。人脸姿态反映的是头部姿势，包括头的俯仰、摇摆以及旋转等动作引起的变化，因此，头部姿态势必引起许多关键信息被遮挡。人脸表情则比姿态更难以控制，人的面部表情千变万化，并且不同器官表情的变化相对独立，很难用准确的模型去描述其变化规律。通常解决这类问题的方法有姿态补偿、姿态和表情估计等。 ③数据库人脸图像的缺少：这是限制人脸识别技术的一个客观因素，因为要想识别出实时人脸，则必须在数据库中有此人的人脸信息，而现实中我们又不可能把每个人脸信息都存入数据库，就算是目前科研界最通用的人脸库如ORL、Yale等也只有数十到数百个人脸的信息，要想达到实用也是远远不够的。 目 录 4.0 基于PCA算法的人脸识别 主成分分析简介 Principal Component Analysis（PCA） 主成分分析(Principal Component Analysis, 简称PCA)是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法。 PCA方法由于其在降维和特征提取方面的有效性，在人脸识别领域得到了广泛 的应用。 PCA方法的基本原理是:利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。 4.0 基于PCA算法的人脸识别 计算特征脸： 设人脸图像I（x,y）为二维N*N灰度图像，用N维向量R表示。人脸图像训练集为{Ri|i=1,…，M},其中M为训练集中图像总数，这M幅图像的平均人脸为： 每个人脸Ri与平均人脸ψ的差值向量是： 4.0 基于PCA算法的人脸识别 利用特征脸进行人脸识别的过程由训练阶段和识别阶段两个阶段组成 ： 4.0 基于PCA算法的人脸识别 在训练阶段，每个已知人脸Ｒｉ映射到特征脸子空间，得到ｍ维向量： * *