超经典数字图像处理案例分享快来看,学习干货

MATLAB人脸识别

1. 课题介绍

人脸识别是一门新兴的科研项目，起始于上个世纪60年代。经过几十年的发展，现已成为一项最有上升潜力的人体特征识别技术。具有广泛的应用前景，它的工作原理是借由的生物特征来确认生物个体，利用MATLAB软件实现人脸信息的检测、定位与识别，在输入的整幅图像中寻找人脸区域，把图像分割成两个部分——人脸区域和非人脸区域，从而为后续的应用作准备。PCA法实现人脸边缘检测，确定其分布范围，设定门限阀值，实现人脸区域与非人脸区域的分割。再结合长宽比、目标面积等计算方法在图像中分割出人脸区域，经试验该方法能较为精确地定位单人脸图像，对多人脸图像定位不准确。

1. 图像处理的Matlab实现

人脸识别是图像识别的一个重要分支，其基本结构如图所示。为了保证人脸的位置一致性，在一定程度上克服了背景、头发等冗余信息的干扰，首先要对人脸库中的图像进行一些预处理操作。紧接着，进行特征抽取，将得到的人脸特征和训练样本进行对比，根据相似程序的高低决定最后的识别结果。

图1-1 人脸识别系统框图

3.1 图像的采集

3.1.1人脸图像的获取

图像的获取都是通过摄像头摄取，摄取的图像可以是真人也可以是人脸的图片，为了方便计算直接使用需要识别的人脸图像 。

3.1.2人脸检测

人脸检测主要任务是判断所给图像是否存在人脸，若存在人脸需要给出人脸的大小（区域面积），坐标位置，是否为二值图像 等信息。

3.2人脸图像的预处理

常应用于人脸图像的预处理方法有图像

类型转换、滤波去噪、灰度变换、边缘检测及二值化、尺寸归一化、作为通用人脸图像预处理模块要能够充分适应不同人脸库中图像在人脸大小、光照强度、成像系统等方面的任意性和差异性不能单独采用某种单一的滤波、灰度变换和边缘检测方法。灰度归一化等所以在本仿真系统中对上述的每种预处理方法全部加以实现的同时还对三种最常用预处理方法滤波去噪、灰度变换、边缘检测提供了多种不同的具体算法。

3.2.1滤波去噪

由于噪声给图像带来的失真和降质在特征提取之前采用滤波的方式来去除噪声是实际人脸识别系统中所必须的步骤。滤波的方法有很多如各种平滑滤波、各种锐化滤波等。在人脸图像预处理中使用较多的滤波是平滑滤波方法可分为以下三类线性滤波、中值滤波、自适应滤波。

（1）线性滤波最典型的线性滤波方法如采用邻域平均法的均值滤波器、采用邻域加权平均的高斯滤波和维纳滤波。线性滤波可以去除图像中某些特定类型的噪声如图像中的颗粒噪声高斯噪声、椒盐噪声等。对扫描得到的人脸图像根据其噪声类型一般采用此种滤波方法。考虑滤波模板大小对滤波效果影响较大仿真系统选择算法时对同种滤波算法提供了不同模板大小的情况。

（2）中值滤波法中值滤波法是一种非线性滤波方法它把像素及其邻域中的像素按灰度级进行排序然后选择该组的中间值作为输出像素值。中值滤波方法的最大优点是抑制噪声效果明显且能保护边界。对于使用基于整体的人脸识别算法的系统中由于失掉小区域的细节对特征提取影响较小所以这种滤波方法最受欢迎。

（3）自适应滤波自适应滤波能够根据图像的局部方差来调整滤波器的输出其滤波效果要优于线性滤波同时可以更好地保存图像的边缘和高频细节信息。

3.2.1灰度变换

灰度变换是图像增强技术中的一种。通过灰度变换可对原始图 像中的光照不均进行补偿使得待识别人脸图像遵循同一或相似的灰度分布。只有这样不同图像在特征提取和识别时才具有可比性。这一过程也被称作灰度归一化。常用在人脸识别系统中的灰度变换方法主要有基于图像统计特征的直方图均衡化、直方图规