论文总字数：19129字

目 录

1引言 1

1.1国内外研究现状 1

1.2 研究的主要内容 2

1.3 研究目的以及意义 2

1.4 本文工作安排 3

2人脸识别系统设计原理 3

2.1 系统的基本组成结构 3

2.2 图像采集 3

2.3 人脸的检测与区域定位 4

2.4 人脸图像的预处理 5

2.5 特征提取 6

3主要算法的基本原理 7

3.1 PCA算法的基本原理 7

3.1.1 PCA算法的基本概念 7

3.1.2 PCA算法的原理和基本思想 7

3.1.3 PCA求解的一般步骤 7

3.2 KPCA算法的基本原理 11

3.2.1 KPCA算法的概念 11

3.2.2 KPCA算法的实现 11

3.3 LDA算法的基本原理 13

4人脸识别系统的MATLAB实现 16

4.1 MATLAB简介 16

4.2 图像处理与操作的过程 17

4.2.1 人脸图像的获取与显示 17

4.2.2 图像类型的转换 18

4.2.3 二值化与边缘检测 19

4.2.4 人脸检测与区域定位 20

4.3 人脸识别系统的实现 21

5 总结 22

参考文献： 22

致谢 23

基于MATLAB的人脸识别系统的设计

张凯

，China

Abstract：This paper designs a simple face recognition system based on the MATLAB platform, which collects the image through the USB camera, performs the face detection and positioning through the skin color method, and then uses the image type conversion, the edge detection and the gray level threshold method to carry on the image Processing, and finally based on PCA, LDA and KPCA three algorithms to image feature extraction and matching recognition, and through the GUI interface to display the matching results.

Keywords：Face recognition,PCA,KPCA, LDA

1引言

从生活中来看，人脸是最普遍的身份识别特征，人脸通过视觉所表现的信息在人与人的交流和交往中有着重要的作用，而通过人的面部特征识别信息的过程就称之为人脸识别。人脸识别是计算机技术研究领域的一大研究热点，该项技术是生物特征识别技术的一种，可以在侦测人脸的同时识别人的身份，从而方便生活。

快速、安全、高效的身份验证系统在当今社会中显得越来越重要，而身份认证系统就需要基于有着良好稳定性、差异性的识别特征的载体，人体的生物特征恰恰是这些载体中最好的之一，人脸特征又是典型的生物特征之一，有着自己独特的优势：人脸识别不需要对被识别者进行接触或者打扰，因此不具侵犯性，减少对被识别者伤害的同时也减轻了使用者的心理影响，正因如此，人脸识别技术广泛的应用于许多领域，如银行、个人身份的识别和门禁系统等。同时，数码相机、笔记本电脑、手机的大众化也极大地拓展了人脸识别技术的应用空间和发展前景。

1.1 研究目的以及意义

人脸识别作为生物体征识别的一种，相比于其它较成熟的识别方法（如指纹、虹膜、DNA检测等）有以下几个较为突出的优点^[1]：

①无侵犯性，获取人脸图像的过程中不需要与用户发生任何肢体接触，可以在不惊动和冒犯用户的情况下进行，也不会触及用户隐私；

②低成本、易安装，人脸识别系统的硬件要求比较低，只需要采用普通的摄像头、数码摄像机或手机电脑自带的摄像头等摄像设备即可，对用户来说也没有苛刻的安装要求；

③无人工参与，这也是许多生物识别技术比较鲜明的一个特点，整个识别过程不需要用户的主动参与或者其他检测人的操作，计算机可以根据用户预先设置的程序自动进行。

恰是因为这些优点，人脸识别的研究在满足我们的日常生活需要方面有着非比寻常的意义，人脸识别才能在计算机技术领域有着经久不衰的研究价值，才能有着诱人的应用前景。

1.2国内外研究现状

20世纪60年代，美国、日本、欧洲等国家都开始展开人脸识别领域的研究，著名的研究机构有美国MIT的Media lab、AI lab，CMU的Human- Computer Interface Institute, Microsoft Research和英国的Department of Engineering in University of Cambridge等^[2]。但是在20世纪60年代到90年代的30年中，这项技术除了一些基础性的理论研究，始终没有突破性的成果产生。90年代以后，由于计算机技术的飞速发展，人脸识别技术也终于打破了理论僵局，频繁取得众多理论上的突破，而且时逢美国恐怖袭击期间，出于反恐的需要，美国军方也开始关注并投资相关技术的研究，这也使得人脸识别技术得以迅速从理论研究转化到实际应用。美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test ^[3]，就是旨在提高人脸识别的精确度的一个项目。而在FRVT2006上就能够实现对于高质量人脸图像，识别精度几乎达到100%，比FRVT2002至少提高了一个数量级，可见技术发展之迅速。

国内这方面的技术起步在时间上是要逊色于国外的，二十世纪80年代，以清华大学、哈尔滨工业大学、中科院计算所、中科院自动化所、复旦大学、北京科技大学等为主的单位才开始进行相关研究，到了90年代，在国家自然科学基金“863”计划的资助下，这些机构在人脸识别领域才开始完成有成效的研究与突破。2005年5月，中科院计算所联合成都银晨网讯创建了国内首家专门从事人脸核心技术研究与开发的实验室^[4]，主要研究计算机视觉、模式识别、机器学习等领域，对于人脸识别以及多模式人机交互技术更是重点关注。而最近的人脸识别技术研究方向也有所改变，不同于以往的单一方向的研究，随着智能家居这个热点研究领域的产生，人脸识别更多的是倾向于小众化与便携性，以及在智能家居中的协调工作。

1.3 研究的主要内容

课题的研究目的是基于MATLAB软件设计出一款识别率较高的人脸识别系统，能够在视频捕获硬件采集到的视频数据中辨别出人脸，并能够将其与数据库中的特征信息进行对比，从而识别该人的身份并在系统的界面中显示。这样的系统稍加修改便可以投入应用。举个例子，比如实验室的签到系统，目前大多数的大学实验室都是采用的刷卡签到的技术，即通过上下课刷校园卡来进行学生上课情况的统计，这种方式存在着一定的弊端，比如一个学生可以带着其他同学的卡来进行代刷，这样这个系统就失去了它原本的意义；但是如果采用这样的人脸识别技术，就可以有效地避免这一现象，可以准确的统计上课的学生人数。这样的人脸识别系统主要由一下几个模块构成：

(1)图像信息获取：通过视频或图像获取设备，来获取被检测的图像文件。

(2)人脸检测与定位：识别系统中受环境影响最大的模块，主要功能是辨别摄像头所获得的图像中是否存在人脸，如果存在能将其框出，不存在能有其他提示信息。收到人脸较高的可变性的影响，人脸检测与定位技术相当复杂。

(3)图像的预处理：对定位后的图像进行相应处理，使得图像中人脸的特征能够得到相应的增强，从而方便之后的特征提取。滤波去噪、灰度变换、边缘检测以及图像的增强和几何校正等都是预处理可以采用的方法。

(4)人脸特征提取：提取可以表征人脸具体信息的关键特征。关键特征是指这些特征要能够表示且唯一表示出一张人脸，这里主要采用PCA、LDA、KPCA等算法。

(5)人脸识别：检验被识别人身份的步骤，主要是将图像中提取到的特征与训练库里的人脸特征数据进行对比，从而找出特征最为相似的图像并显示出来。

1.4 本文工作安排

首先，本文在第一章节粗略介绍了人脸识别的技术的研究背景、目的以及研究现状，以及具体完成的是怎样的系统；之后在第二章节中具体阐述了系统的组成架构以及每个模块的工作原理；然后在第三章节中解释了系统采用的识别算法的原理，最后在第四章展现了系统的具体实现，并第五章对全文做一个总结。

2人脸识别系统设计原理

2.1 系统的基本组成结构

人脸识别是一个比较复杂的过程，可以粗略分成几个步骤，本课题采用的系统流程如图1所示，首先就是对USB摄像头或者是笔记本电脑附带的摄像头进行图像数据的采集，然后提取采集到的图像并进行进行转换分析，判断采集到的图像中是否存在人脸，如果存在人脸则进行人脸位置的定位，定位后可以对图像进行预处理，通过PCA、LDA或者KPCA等算法进行人脸特征提取，然后与之前训练完毕的人脸库进行特征对比，最后得到识别的结果，确认最终身份。

图像提取

图像采集

人脸检测与定位

预处理

训练

人脸库

特征提取

特征对比

输出结果

图1 人脸识别系统流程框图

2.2 图像采集

图像采集模块是系统的第一个组成成分，主要功能是采集用于识别的人脸图像。 随着科技发展，视频捕获设备越来越常见，笔记本自带的摄像头或者交易平台等售卖的摄像头均可以完成这个模块的工作，因此并不需要做额外的工作。

在工作过程中，需要将摄像头与识别系统建立连接，使得系统能够调用摄像头的拍摄内容并进行每一帧的提取，并把提取到的内容交予系统进行接下来的处理。

2.3 人脸的检测与区域定位

人脸检测与区域定位模块主要完成对采集到的图片中有无人脸做出相应的判断，并能够将人脸区域进行定位并且框出的功能。检测与定位的算法多种多样，具体可以分为两类：可以通过肉眼观察到的特征来提取人脸区域的显式特征法和基于大量的样本训练来识别人脸区域的隐式特征法^[5]。

基于显式特征的方法可分为以下三类：

1)基于肤色模型的方法：一般来说，每一张图片的各个像素都有着不同的色彩，正因如此我们才能看到多彩的图像，而人脸则是有着其独特的色彩，因此用肤色来识别人脸是一个自然而然的方法，具体的方式为在去除亮度干扰的RGB图像中比较像素点的R、G的值来推断这个像素点以及周围的像素点是否是组成人脸的像素点^[6]，以此来框出人脸区域。

2)模板匹配：另一种直观的判别方法，模板由人为定义，可以是样板也可以是函数，然后将识别过程简化为一个匹配过程，将图像与定义的模板进行比对，从而判断出图像中是否存在人脸。

剩余内容已隐藏，请支付后下载全文，论文总字数：19129字

相关图片展示：