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一、 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。二、 人脸检测1. 源码img=imread(D:std_test_imagesface3.jpg);figure;imshow(img);R=img(:,:,1);G=img(:,:,2);B=img(:,:,3);faceRgn1=(R95)&(G40)&(B20)&max(img,3)-min(img,3)15&abs(R-G)15&RB;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)&(r0.246)&(gg)&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)energy,1);coeff=coeff(:,1:idx);scores=scores(:,1:idx); % 测试acc_count=0;for i=1:people_count for j=training_count+1:face_count_per_people img=im2double(imread(sprintf(path_mask,i,j); img=imresize(img,10 10); if ndims(img)=3 img=rgb2gray(img); end score=(img(:)-mu)/coeff; ,idx=min(sum(scores-repmat(score,size(scores,1),1).2,2); if ceil(idx/training_count)=i acc_count=acc_count+1; end endendtest_count=(people_count*(face_count_per_people-training_count);acc_ratio=acc_count/test_count;fprintf(测试样本数量:%d,正确识别率:%2.2f%,test_count,acc_ratio*100)3. 仿真结果及说明样本库举例：结果为：测试样本数量:45,正确识别率:100.00%四、 总结 人脸识别是一个多学科领域的挑战性难题，近30年来人脸识别的研究虽然取得了巨大的进步，但与人类的感知能力相距甚远。人脸识别还涉及到很多理论和技术问题，这一技术的不断进步还需要研究者们的不断创新和努力。本次课程设计让我对人脸识别算法有了初步的认识，了解到了PCA算法，K-L变换及特征向量的提取，最近邻分类器等人脸识别所需要的知识，为我的进一步学习指明了方向。