课程设计（论文）人脸识别中图像预处理研究.doc

《课程设计（论文）人脸识别中图像预处理研究.doc》由会员分享，可在线阅读，更多相关《课程设计（论文）人脸识别中图像预处理研究.doc（13页珍藏版）》请在三一办公上搜索。

1、目 录1 引言12 人脸识别22.1 什么是人脸识别22.2 人脸识别的前景与展望32.3 人脸识别的优势与困难42.3.1优势42.3.2困难43人脸识别的过程43.1 人脸识别的整体过程43.2预处理过程54 预处理方法的研究64.1 直方图均衡化64.2灰度拉伸74.3 中值滤波84.4 同态滤波95同态滤波预处理人脸识别115.1 AR人脸数据库115.2线性判别分析115.3识别率分析126 设计创新点与不足137 结束语13参考文献14致 谢14附录：程序清单14人脸识别中图像预处理的研究摘 要：本设计是一个关于人脸识别图像预处理的研究,人脸识别技术是计算机模式识别研究领域中一项热

2、门的研究课题，它属于生物特征识别技术，是对生物体(一般特指人)本身的生物特征来区分生物体个体，在军事、银行、机关等部门有着广泛的应用前景。本文主要对人脸图像进行预处理，以便为进行下一步的图像识别做前提准备。文中首先我们会认识一下什么是人脸识别，它的优势、不足、目前的发展以及以后的前景。什么是预处理、预处理有哪些方法以及怎样进行预处理。文中对各种预处理法及其在人脸识别中的应用作了详细的介绍，并对各种方法从理论分析和实验结果两方面进比较，从而让人们对人脸识别图像预处理有更深一层的了解。本文针对光照对人脸图像的影响还提出了同态滤波的方法。关键词：生物技术；人脸识别；图像预处理；同态滤波Face Re

3、cognition In the Image Of PretreatmentAbstract: The design is an image on the pretreatment of face recognition, face recognition technology is the computer pattern recognition research in the field of a hot research topic, it belongs to the biometric identification technology, the organisms (specifi

4、cally people in general ) Their biological characteristics to distinguish between individual organisms, in the military, banks, agencies and other departments have broad application prospects. In this paper, the face image preprocessing, the next step in order to carry out the image recognition prem

5、ise prepared to do. In the first we will understand what is face recognition, its advantages, less than the current development and future prospects. What is the pretreatment, which pretreatment methods and how to pretreatment. Text of the law and its various pretreatment in the application of face

6、recognition in detail, and various methods from the theoretical analysis and experimental results to compare the two areas so that people on the face recognition have a better image of a pretreatment Of understanding. This paper light on the impact of human face images with the state also proposed a

7、 filtering method.Keyword: Biotechnology; Face Recognition, Image Pretreatment; Filter With the State1 引言随着科学技术的飞速发展，互联网的广泛应用，重要部门(机场、银行、军政机关、重点控制地区)的进出、计算机网络中重要信息的存储与提取，都需要可靠的人身鉴别。身份的识别已经成为人们日常生活中经常遇到的一个基本问题。人们几乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者控制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物品（如证件、卡片）和身

8、份标识知识（如用户名、密码）来识别身份，这在很长一段时期里是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技术的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无处不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长。在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，身份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识，会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上亿元的福利款被人以假冒的身份领取；每年发生的信用卡、ATM、移动电话和冒领支

9、票等造成的损失达数百亿美元。面临着这样的状况，人们对身份识别的安全性、可靠性、准确性和实用性提出了更高的要求，必须寻求身份识别的新途径。于是，根据人体生理特征和行为特征来识别身份的生物特征识别兴起了。人脸识别作为生物特征识别中成功的应用之一，因为其巨大的商业应用前景，受到越来越多的重视。近 30 年以来，人脸识别技术有了长足的发展，并且逐步走向实际应用阶段。现在已经有比较成熟的人脸识别应用系统进入市场。可以预言，在今后的几十年内，随着人脸识别技术进一步发展，人脸识别技术将应用到更多的领域，例如视觉监控，娱乐应用，智能卡，自动身份验证，银行安全等。这些已有的以及潜在的应用领域将推动人脸识别技术不

10、断发展。在身份验证中，最理想的辨别依据是生物特征，因为它是人的内在属性。生物特征系指:人脸特征、指纹、虹膜、语音、亲子鉴定(DNA)等。对于人身鉴别来说，人脸的面部特征是最自然的、直接的、方便的身份辨认手段，而且是非侵犯式的主动识别，易为用户所受。由于微电子技术、计算机技术的迅猛发展，数字图像技术与模式识别学科的日益完善，使得人脸自动识别在技术上与经济上才成为可能。2 人脸识别2.1 什么是人脸识别究竟什么是人脸识别呢，让我们先来认识了解一下。人脸识别在基于生物特征识别技术的身份认证中是最主要的方法之一。基于人脸识别的自动身份认证具有重要的理论意义和应用价值,早在六七十年代就引起了研究者的强烈

11、兴趣,对人脸自动识别方法的研究已成为当前模式识别和人工智能领域的一个研究热点。人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。根据专业人士介绍：广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。本文主要针对人脸图像预处理进行研究。人脸识别是生物特征识别技术的一个重要方向，与其他生物特征相比，人脸识别具有主动性、非接触性和用户友好等许多优点，多年来一直受到许多研究者的关注。但是目前的人脸识别方法主要集中在二维图像方面，由于受到光照、姿势、表

12、情变化的影响，识别的准确度受到很大限制，脸像随年龄变化，而且容易被伪装。因此，人脸识别技术目前只能用于某些识别准确率要求不是很高的场合。2.2 人脸识别的前景与展望人脸识别是人类视觉中最杰出的能力之一。人脸识别技术在维护国家安全和人民生命财产安全以及在反恐、防恐中具有重要意义。因此，人们对它的研究抱有极大的兴趣。1893年，Bertillon采用语句描述方法对人脸分类。20世纪60年代，Bledsoe提出了人脸识别的半自动系统模型与特征提取方法。70年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。1972年，Harmon用交互式人脸识别方法在理论上与实践上进行了详细的论述。就在这一

13、年，Sakai设计了人脸图像自动识别系统。80年代初T. Minami研究出了优于Sakai的人脸图像自动识别系统。90年代，由于计算机技术、数字图像处理、模式识别技术的发展，加上人们对人脸图像自动识别的迫切需求，各国军、警方及有关部门高度重视，大公司鼎力相助，对它的研究变得非常热门。1996年美国军方组织了人脸自动识别系统大赛，勒克菲勒大学的Facelt系统获得冠军。最近，美国的LAU公司研制的人脸图像自动识别系统，是以人眼辨别人的原理，基于生物测量学、人像复原技术开发的装置。用人脸12-42个特征点，对人群中寻找的人进行定量定性识别，已经用在机场、火车站、公共场所、重点控制地区。作为一种最

14、直接、最自然、最容易被人接受的生物特征识别技术，人脸识别致力于探索如何使机器能够自动地根据用户的人脸图像来鉴别用户的身份。人脸识别发展到现在，已有 30 多年的历史，是模式识别和计算机视觉的一个非常活跃的研究热点。人脸识别的研究涉及模式识别、计算机视觉、人工智能、图像处理、心理学、生理学和认知科学等，与计算机人机交互领域和基于其它生物特征的身份识别方法都有密切联系。虽然人们可以毫不费力地通过脸部图像来鉴别互相的身份，然而由于成像过程中各种影响因素的变化常常导致同一个人的人脸图像发生非常大的变化，因此建立自动系统完成识别任务是非常具有挑战性的。虽然目前国内外已经有许多实用系统问世，但是只有在非常

15、苛刻的成像条件下，才能得到比较令人满意的识别效果。因此，人脸识别研究仍然远远没有到达完善的境地，还有非常大的发展空间。近年来，我国有关部门也很重视，一些研究单位、清华大学等高校也开始从事人脸图像自动识别方面的研究。2.3 人脸识别的优势与困难2.3.1优势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

16、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。2.3.2困难面部识别的困难主要是人脸作为生物特征的特点所带来的。人脸在视觉上的特点是：第一，不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的；第二，人脸的外形很不稳定，人可以通过脸部的变化产

17、生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，面部识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响，因此区分个体变得异常困难。目前的面部识别方法主要集中在二维图像方面，人脸图像由于年龄、姿态、表情、光照等因素而具有“一人千面”的特点，因此识别的准确度将受到很大限制。3人脸识别的过程3.1 人脸识别的整体过程一个典型的人脸识别系统处理过程如图所示。一般包括三个步骤:人脸检测、人脸特征提取、人脸识别与验证。具体实现过程中，首先获取图像集，然后用人脸检测模块进行人脸检测。如果检测到人脸图像，则进行特征点定位，一

18、般以两眼中心为基准，根据两眼根据两眼距离d，对人脸图像进行归一化处理，归一化处理包含了图像预处理，图像缩放以及有效人脸区域选取等操作。最后对归一化的人脸图像进行特征提取，送入分类器进行识别，最终获得识别结果1。输入图像人脸检测眼睛定位训练模版库预处理特征抽取比对输出结果图3.1人脸识别技术处理流程图3.2预处理过程预处理（前处理）是人脸识别过程中的一个重要环节。那么什么是预处理呢？让我们来认识一下：预处理就是在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。另外，距离远近，焦距大

19、小等又使得人脸在整幅图像中间的大小和位置不确定。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。图像预处理的主要目的是消除图像中无关的信息，滤除干扰、噪声，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理流程图如图所示。认证结果采集预处理特征对比特征提取档案特征图3.2 预处理流程图在预处理阶段，对图像进行优化， 尽可能去除或者减小光照、成像系统、外部环境等对待处理图像的干扰，为后续处理提高质量。以便使不同的人脸图像尽可能在同一条件下完成特征提取、训练和识别。人脸图像的预处理主要包括人脸扶正，

20、人脸图像的增强，以及归一化等工作。人脸扶正是为了得到人脸位置端正的人脸图像；图像增强是为了改善人脸图像的质量，不仅在视觉上更加清晰图像，而且使图像更利于计算机的处理与识别。归一化工作的目标是取得尺寸一致，灰度取值范围相同的标准化人脸图像2。4 预处理方法的研究下面简单介绍一些预处理的方法。并对各种预处理法及其在人脸识别中的应用作详细的介绍，对各种方法从理论分析和实验结果两方面进行比较，从而让人们对人脸识别图像预处理有更深一层的了解。4.1 直方图均衡化直方图均衡化又称直方图平坦化，是将一已知灰度概率密度分布的图像，经过某种变换，变成一幅具有均匀灰度概率分布的新图像，其结果是扩展了像元取值的动态

21、范围，从而达到了增强图像整体对比度的效果。直方图是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同的数量的像素点，使直方图趋于平衡。直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像（即输出的直方图是平的）。这对于图像比较或分割是十分有用的3。均衡化处理的步骤如下：（1）对给定的待处理图像统计其直方图，求出（2）根据统计出的直方图采用累积分布函数做变换，,求变换后的新灰度；（3）用新灰度代替就灰度，求出，这一步是近似过程，应根据处理的目的尽量做到合理，同时把灰度值相等或近似的合并到一起。实例如下：图4.1直方图均衡化由两幅图像对比可以看出，原图像的灰度值非

22、常集中，导致其对比度效果差，进行直方图均衡化处理之后，灰度值重新分配，直方图的范围加大了，原来分布较密的部分被拉伸，分布稀疏的部分被压缩，从而使一幅图像的对比度在总体上得到很大的增强，处理之后的图像变的更加的清楚，图像中的一些细节也突出了。直方图均衡化的优点是能自动地增强整个图像的对比度，但它的具体增强效果却不易控制，处理的结果总是得到全局均衡化的直方图。实际中有时需要变换直方图使之成为某个需要的形状，从而有选择的增强某个灰度值范围内的对比度或使图像灰度值的分布满足特定的要求。这时可以采用比较灵活的直方图规定化方法。直方图规定化是另外一种比较常用的直方图修正技术。按照一给定的直方图来修正原始图

23、像的直方图，使它具有与给定直方图相识的形状，这种方法可以突出我们感兴趣的灰度范围4。4.2灰度拉伸灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它是将原图像亮度值动态范围按线性关系扩展到指定的范围或整个动态范围。它的主要思想是提高图像处理时灰度级的动态范围，适用于低对比度图像的处理，一般由两个基本操作组成： 直方图统计，来确定对图像进行灰度拉伸的两个拐点； 灰度变换，根据步骤确定的分段线性变换函数进行像素灰度值的映射。实例如下：图4.2 原始图像以及灰度拉伸处理后的效果 由两幅图像处理前后的效果变化可以看出灰度拉伸后增强了图像的对比度，使得图像细节更加的突

24、出。4.3 中值滤波中值滤波是一种非线性处理技术，能抑制图像中的噪声。它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是由像素较多、面积较大的小块构成。在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。在处理之后，位于窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。例如若窗口长度为5，窗口中像素的灰度值为80、90、200、110、120，则中值为110，因为按小到大（或大到小）排序后，第三位的值是110。于是原来窗口正中的灰度值200就由110取代。如果200是一个噪声的尖峰，则将被滤除。然而，如果它是一个信号，则滤波后就被消除，降低了分

25、辨率。因此中值滤波在某些情况下抑制噪声，而在另一些情况下却会抑制信号5。无论是直接获取的灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，噪声对图像质量有很大的影响。进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像。中值滤波是一种非线性的信号处理方法，因此中值滤波器也就是一种非线性的滤波器。中值滤波器最先被应用于一维信号的处理中，后来被人们引用到二维图像的处理中来。中值滤波可以在一定程度上克服线性滤波所带来的图像细节模糊，而且它对滤除脉冲干扰和图像扫描噪声非常有效。中值滤波的步骤：（1）将模板在图中漫游，并将模板中

26、心与图中某个像素位置重合；（2）读取模板下各对应像素的灰度值；（3）将这些灰度值从小到大排成一列；（4）找出这些值里排在中间的一个；（5）将这个中间值赋给对应模板中心位置的像素。由以上步骤可以看出，中值滤波的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，所以它对孤立的噪声像素的消除能力是很强的。由于它不是简单的取均值，所以产生的模糊比较少。换句话说，中值滤波即能消除噪声又能保持图像的细节7。实例如下：图4.3 原始图像与3*3中值滤波后的效果图由原始图像和中值滤波后的图像对比可以看出，处理之后，人脸图像中的斑得到了去除。4.4 同态滤波同态滤波增强是把频率过滤和灰度变

27、换结合起来的一种处理方法。它是把图像的照明反射为频域处理的基础，利用压缩灰度范围和增强对比度来改善图像的一种处理技术。它在密度域中运用相当成功2。 人脸识别已经成为模式识别领域中一个非常活跃的研究方向，在信息安全、商业、法律、电子商务等领域有着非常广泛的应用前景。但是，人脸识别技术依然存在着许多难点问题，不同光照条件下的人脸图像识别，即为其中最具挑战性的问题之一。针对该问题我们提出使用同态滤波的方法进行研究，以便进行人脸识别。一幅图像可以用它的照射分量及反射分量的乘积来表示，即 经过同态滤波后其结果会改变图像光强度和反射光强度的特性，因此我们可以做到同时降低图像动态范围，又增加对比度的结果8。

28、所用的流程如下：lnDFTInverse DFTexp图4.4 同态滤波处理步骤流程图所用方法的具体步骤如下9：(1)先对上式的两边同时取对数，即(2)将上式两边取傅立叶变换，得 (3)用一个频域函数H（u，v）处理F（u，v），可得到(4)逆傅立叶变换到空间域得可见增强后得图像是由对应照度分量与反射分量两部分叠加而成。(5)再将上式两边取指数，得这里，称作同态滤波函数，它可以分别作用于照度分量和反射分量上。实例如下：图4.5 原始图像与同态滤波后的效果图由两幅图像对比可以看出，进行同态滤波处理之后，图像对比度得到增强，像元灰度的动态范围也得到增强。处理之后图像较暗的地方变得更清楚了，图像中的

29、一些细节也更加的突出了。5同态滤波预处理人脸识别5.1 AR人脸数据库由西班牙巴塞罗那计算机视觉中心建立，采集环境中的摄像机参数、光照环境、摄像机距离等都是严格控制的。包含有126人(70男，56女)共3276幅彩色正面图像，此数据库主要是为在人脸表情(自然、微笑、愤怒、冷酷)、光照(左光源、右光源和双侧光源)环境变化条件下，测试人脸识别试验。图5.1 AR人脸库中的部分人脸图像5.2线性判别分析线性判别分析(Linear Discriminant Analysis ，LDA)也是一个用于特征提取的统计方法。与PCA思想不同的是，LDA通过找到最优的投影方向，使得所有样本在其上的投影的类间离散

30、度和类内离散度之比为最大，从而达到最好地区分不同类样本的目的。因此，从理论上说LDA比PCA更适合于模式识别问题。经典的线性判别分析中使用的是Fisher准则函数，所以线性判别分析又被称为Fisher线性判别分析（Fisher LDA），Fisher准则函数的定义为 (5-1)其中，分别为训练样本的总的类间散布矩阵和总的类内散布矩阵。式（5-1）中的是广义的Rayleigh熵，可以用Lagrange乘子法求解，令分母等于非零常数，即令，定义Lagrange函数为： (5-2)式中的为Langrange乘子。将式（5-2）对求偏导，得： (5-3)令其偏导数为零，得：，即： (5-4)其中即为取

31、得最大值时的。在非奇异的时候，式（5-4）两边乘以，可得 (5-5)求解式（5-5）即为求解一般矩阵的特征值问题。综上所述，当非奇异时，在数学上，求解函数（5-1）就等同于求解的特征值问题。使最大的变换矩阵由的前个最大特征值所对应的特征向量组成。把样本看成空间中的点，点与点之间的距离就成为最直接的分类依据，因此子空间方法中最常见的就是距离分类器。而本AR人脸数据库采用的距离分类器是L2距离（欧式距离Euclidean Distance）5.3识别率分析人们从事人脸识别技术研究己有很长的历史，其研究方法也从需要手工干预、识别方法少、识别率低逐步发展到今天的自动化程度提高、识别方法丰富、识别率较高

32、的阶段。人脸识别的准确率与其他生物特征识别相比并不是很高，这是因为人脸特征很容易受到光照、表情、姿态等各种因素的影响，从而导致了识别的困难。上面对图像进行了预处理，现在来研究一下处理后识别率有什么变化。先来看看下面的表格。表5.1：训练样本个数变化时各种人脸预处理方法识别率（%）的比较（AR人脸库）训练样本个数132165198231264297330直方图均衡化89.0996.3697.4798.7097.6498.3298.99同态滤波90.7196.6297.5898.7297.9298.7299.23由表可以看出对图像进行预处理后人脸识别率增高，而且同态滤波保持较高的识别率。6 设计创

33、新点与不足设计的创新点：（1）本设计结构布局清晰明了，能够充分利用理论和实验的对比展现提出的预处理的方法。（2）针对光照的影响提出了同态滤波处理的想法。设计的不足：（1）预处理的方法还有很多，但由于实际情况有限不能一一展现。（2）对于较难识别的图像不能做到很好的处理，影响下一步的特征提取。（3）人脸识别预处理尚有很多困难，像同卵双胞胎无法识别，化妆、年龄、胡须等等可能影响到识别的所有情况，识别技术都不能完美的解决。7 结束语本设计使一个关于人脸识别预处理的研究型设计，文中我们介绍了什么是人脸识别，前景展望，优势与不足，人脸识别的整体过程，什么是预处理，预处理的方法。本文主要针对人脸识别中图像预处理进行研究，通过图像预处理的一些方法，像直方图均衡化、灰度拉伸、中值滤波、同态滤波，对读入的人脸图像进行处理消除图像中无关的信息，从而使图像增强，图像细节突出，改进了下一步人脸图像的特征提取、图像分割、匹配和识别的可靠性。最后本文通过同态滤波的方法对人脸图像进行了预处理，实验结果表明预处理之后人脸识别率得到了提高。