人脸识别技术考勤系统的应用研究
摘要
在这个科学技术高速发展的时代,智能化的考勤系统很多常见的场所被广泛使用,例如:企业、学校、事业单位等地点,而且智能化考勤的方式也很多样, 尤其是基于生物识别方式的考勤系统更是成为研究的热点。在各种各样的通过生物识别技术来进行考勤的方式中,人脸识别这种生物识别方式脱颖而出,其原因在于它在使用与操作上方便快捷并且就系统本身而言安全准确、广泛被用户所接受。这篇论文描述了在基于对人脸识别相关方法的分析总结下,并充分的考虑了江苏省物联网技术与应用协同创新中心在考勤方面的相关需求,最终是如何设计出一套针对性与实用性强的使用人脸识别技术的考勤系统。
学生出勤率统计系统是一个管理学生出勤情况的系统,规范学生制度管理,保证学生正常的学习,是学生管理的重要组成部分,正是出于对出勤率的关注,才诞生了这个系统的蓬勃发展。随着高校不断地扩大招生,学生人数越来越庞大,学生上课缺勤状况成为了管理的负担。本文认真研究了目前各大企业以及高校的考勤现状,对学生考勤系统进行了深入的分析、探讨。我们结合实际,提出了一种人脸识别技术来进行学生出勤率的管理。
在计算机模式识别、图形学领域,基于个人身上的生物特征,识别人的身份,受到很多学者的关注,是一个重要的研究方向。在众多人所具有的具有区分度的生物特征中,由于人脸的稳定性最好以及可见性最强,所以大多数有关人的生物特征识别这方面的算法研究与系统应用都是与人脸识别有关的。本论文讲述了,基于校园内宿舍、实验室的管理具体情况,笔者对OpenCV的人脸识别原型系统进行了设计,属于视频监控领域的一种,在这一系统的开发过程中,我们使用的是C++作为我们的开发语言。
关键字:人脸检测; OpenCV; 人脸识别; C++;
Abstract
With the development of science and technology, intelligent attendance system is more and more used in enterprises, schools, institutions and other places. Especially, the attendance system based on biometrics has become a research hotspot. Among the biometric recognition methods, face recognition is a convenient, fast, safe, accurate and user-friendly method. In this paper, based on the analysis and summary of relevant face recognition methods, a face recognition based attendance system was designed to meet the attendance requirements of jiangsu iot technology and application collaborative innovation center.
Student attendance management system is the effective management of student attendance system, standardize the student management system, to ensure their normal learning, is an important part of the management of student s. In recent years, the continuous expansion of enrollment, the number of students more and more large, and administrative management has the corresponding increase. This paper studied the current attendance status of universities and institutions, on the student attendance system in-depth analysis, discussion. We combined with the actual, put forward a student attendance system with face recognition.
In the field of computer pattern recognition and graphics, recognition of human identity based on the biological characteristics of individuals has attracted the attention of many scholars, which is an important research direction. Among the discriminatory biological features that many people possess, because the stability of face is the best and visibility is the strongest, most of the research and application of human biometric recognition algorithms are related to face recognition. In this paper, based on the management of dormitories and laboratories on campus, the author designs OpenCV face recognition prototype system, which belongs to the field of video surveillance. In the development process of this system, we use C++ as our development language.
Keywords: face detection; OpenCV. Face recognition; C + +;
目录
- 序言 4
1.1. 背景介绍 4
1.2. 国内外发展状况 4
1.3. 研究的意义 6
1.4. 人脸识别的技术应用 7 - 人脸识别系统的技术框架和功能模块 8
2.1. OpenCV简介 8
2.2. 人脸识别的功能模块 8
2.3. 人脸识别的技术框架 9
图2.3 应用技术框架图 10 - 人脸识别的方法 11
3.1. 人脸识别算法原理 11
3.2. 常用人脸识别方法 11
3.2.2基于代数特征的方法 13 - 人脸检测核心算法 13
4.1. 人脸检测算法在人脸识别中的作用 13
4.2. 人脸检测算法 14
4.3 图像的预处理 14
4.4 边缘检测 16 - 系统实现 17
5.1 系统构成 17
5.2 系统实现 19
2、 运行程序得到识别结果 19
6 总结与展望 21
致谢 23
1.序言
1.1.背景介绍
当今,在科技领域方面,微电子和视觉系统这两块都有了新的进展,进而使自动识别技术的成本得到显著的减少,为高性能自动识别技术在各方面的广泛使用做了铺垫。在生物识别方法中,人脸识别受到很多研究学者的关注,已经在很多领域得到应用[1]。人脸识别技术在这几年才越来越频繁的出现在大众的视野里并被大家所熟知,但是大多数人只知道其存在却很少有人理解其中蕴含的知识与原理。这是因为人们大多是通过传媒或者影视作品的途径知晓其存在并了解到其在相关方面的应用,比如说一个电影中非常经典的桥段,将拍摄到的照片传送到电脑,警察就能够将其和数据库中的资料进行对比,运用人脸识别技术,能够对该嫌疑犯在数据库中的资料进行调出。这样的应用在现实生活中是完全有可能存在的。有些国家的很多部门都已经运用人脸识别技术,安防部门是运用该技术最多的国家。人脸识别技术是上个世纪90年代出现在我国的,随后,该技术在公安、金融、网络安全等领域都得到了很多应用,也发挥着不可缺少的作用。
随着现代社会的发展,现代的企业通常以考勤管理来对员工实现工资评定,学校则使用 上课打卡来对学生到课实时记录,北京2008年奥运会对入场人员进行多重的身份识别。考勤 管理、身份识别已经在现代社会智能化管理中发挥着巨大作用,给人们的生活带来极大的便 利。
为了保证身份识别的唯一性,人们将眼光聚焦到人体携带的具有差异性、独一性以及普 遍性的自身特征上,例如指纹、声音、虹膜、人脸等。利用生物特征进行识别具有快速简单 的优点,而且它能够安全、准确、可靠的识别身份,同时方便结合电脑等设备拓宽应用的范 围,例如监控、系统整合、自动化管理等。生物特征识别具备广阔的应用空间,能够带来巨 大的经济以及社会效益,已经被大量专家研究并取得了一定成果。
1.2.国内外发展状况
从应用的角度来说,人脸识别技术主要包括人脸检测、识别查询、识别身份认证三个过程。在我国范围内,很多单位都开始在研究人脸识别技术,他们的努力钻研与研究,缩小了我国在生物特征识别技术相关方面与其他国家的差距[2]。在生物特征识别技术方面 我国有一个特别好的例子,清华大学联合中科院在北京奥运会期间研发了一个实名制票证系统,引起了很大的反响,这是生物识别技术在我国应用的基础。
在这几十年社会科技的发展过程中,人脸识别这一技术被广泛的应用于社会各个领域范围中,并发挥着其独特而又不可忽视的作用。以下是一个在这方面的很好的例子,当我们使用人脸识别这一技术来控制限制网络访问的权力时,可以很好的防止黑客入侵,而且用户在使用过程中也非常方便,对比其他的密码系统具有明显的优势。使用人脸识别技术来检索视频数据给新闻记者,科学家和电影观众等,可以带来 更精准的定位。简而言之,人脸识别技术具有非常广泛的应用前景,我们相信在不久的将来,在有些领域,自动人脸识别系统将会更广泛的应用。
在本文的研究中,笔者主要对人脸检测、人脸识别进行研究 [3]。从内涵的角度来说,人脸识别检测技术主要是对提供的图片中进行识别,对是否有人脸的存在进行判断。当系统使用人脸识别技术检测到图片中有人脸时,将会进一步的对人脸的大小与姿态等细节进行分析,具有一定的难度,并且相对比较复杂。如果人脸检测技术想要在实际生活中得到广泛并有效的应用,就必须解决对这一技术在精确度与效率的提高方面的难题。从上世纪九十年代开始,由于科学家对于人脸识别检测技术的努力钻研,很大程度的提高了人脸检测技术在使用时的精确度。然而,这一技术在使用时的工作效率方面确没有得到很大的提高,无法满足用户对一速度方面的需求。在长时间的研究,Viola研究了AdaBoost算法的人脸检测器,并获得了重要的成果,随着其研究成果的发表,[8]人脸识别检测技术获得了突破性发展,发展速度也比较明显。AdaBoost算法的发为人脸检测识别技术的发展奠定了坚实的基础。人脸识别技术的发展历经下面三个阶段:
机械式识别阶段是第一阶段。在这一阶段,正面人脸图像是识别技术应用的基础。Bertillon、Allen、Parke等是人脸识别技术在该时期应用的代表,面部特征的关注是人脸识别技术研究的基础 [10]。基于Ber-tillon系统,人脸和数据库中存在的脸将会通过简单的语句建立关系,还能够实施指纹分析,从而得到一个识别较为精确的人脸识别系统。Allen对需要进行识别的人脸进行逼真的摹写以达到对于人脸的识别更加精确这一目的。Parke通过合理的利用计算机得到了较高质量的人脸灰度图模型。第一阶段的人脸识别技术在应用时很大程度上需要操作人员的操作才能够正常的运行,系统还做不到自动识别人脸。
第二阶段:人机交互式识别阶段:人脸识别技术在该阶段主要是对人脸部的几何结构特征等进行识别与研究。基于人脸几何结构特征的人脸识别技术在使用时,通过检测人面部的主要器件眼、鼻、嘴的位置与大小和他们之间的几何分布关系以及相互之间的参数比例关系来识别人脸。这样的方法有一个明显的缺点,这种方法没能分析到人脸的局部细微特征,只适合对人脸进行粗略的分类。在这个方式的应用上面有以下几个具有突出贡献的人物:Goldstion、Harmon、Lesk。人脸的正面图像能够运用几何特征参数来形容。人脸部的面部特征主要是运用21维特征矢量来表示,并在此方法的基础上设计了相关的人脸识别系统。Kaya、Kobayashi运用统计识别的方法对人脸部进行识别[11],并运用欧氏距离对人脸部的特征等进行表示,任何两个部位的距离都能够用其进行表示,将人脸特征数量化,使其得到的数据能够被计算机分析与利用。T.Kanad设计对半自动回溯识别系统进行了设计,和其他系统相比,该系统具有比较高的效率。在该系统中,其能够运用积分投影法对图片的脸部特征参数进行计算,基于模式分类技术,将识别的脸和数据库中的脸进行识别。Kanad所设计的这一系统可以对所需要进行识别的人脸进行快速,准确的检测与识别。此系统的诞生大大的促进了人脸识别系统的发展,使其被运用到更多更广的领域成为可能。但是,在这一阶段所产生的人脸识别技术依然需要操作员的某些先验知识,无法自动化的完成整个过程。
第三阶段:机器自动人脸识别阶段。该阶段是从上个世纪90年代开始的,人脸识别技术得到迅速的发展,使用该算法,笔者能够非常好地对人脸进行识别,在该阶段,中小型的人脸识别商业公司也就出现了,相应的系统得到了很快的发展。在人脸识别技术发展的第三阶段,最流行且广泛应用的就是以下几个技术:统计表观模型、统计模式识别方法等。这些技术也存在着一个很大的缺陷,就是当外部因素不理想时(被识别人脸的多姿态、遮挡等外部变化因素),识别率低,无法完全满足实际应用中的需求。
1.3.研究的意义
人脸识别在机器视觉和模式识别这两个领域中,是非常具有难度和挑战性的一个课题,同时其在被妥善利用的条件下,是一个非常有益于社会并且非常有用的一个技术。对于人脸识别技术的研究涉及了很多不同学科的知识,无论是模式识别,还是计算机视觉等都涉及到。尽管人脸识别技术在我国已经得到了很多研究,也获得了显著的发展,可是该技术的实践应用仍然具有一些问题。这在很大程度上是由于人的五官在分布上来看区别不大,并且人的表情、姿态或发型种类数不胜数,这都是人脸识别技术在提高辨别率上所必须考虑的问题。怎样才能合理的利用人脸识别技术精确的识别大量的人脸并全方位的考虑到潜在用户的需求是急需要解决的问题。
1.4.人脸识别的技术应用
在人脸识别技术越来越完善和大众对这一技术越来越了解与认可的当代社会,其价值将会被充分地发挥出来,必会在很多领域中得到应用,接下来简要进行介绍。
1.电子护照、身份证。由于身份证、护照具有比较大的潜力,其将会成为人脸识别技术应用最多的领域,根据国际民航组织的报告,自从2010年,全世界范围内,有118个成员国家已经采用了机读方式,和其他技术相比,人脸识别技术是推荐最多的识别模式[6]。已经成为国际航空业的共识。电子护照计划在我国也在推荐中。
2.公安、司法和刑侦。通过运用人脸识别技术,逃犯的搜捕将会得到促进,相应的难度将会降低。
3.自助服务。人脸识别技术能够被用于银行的自动提款机,如果某人的银行卡、密码被盗,人脸识别技术的应用,能够避免他人冒取现金的风险。但如果自动提款机要求取款人不仅需要有银行卡和密码,还需要通过人脸识别系统的检测,就能有效的防止钱财的流失。
4.信息安全。比如说,在电子商务中的交易环节以及电子政务的审批授权环节仅仅通过密码对其安全性进行保障。一当用户的密码流出或者被破解,相关信息的安全就无法得到保障。在使用数字密码的同时结合人脸识别技术可以很好的解决这一问题。这样做可以结合用户的的数字身份与生物特征,双重保障的信息的安全性。
人脸识别技术是通过识别与检测人脸并将其的生物特征转换为计算机可读的数据的形式,基于比对数据、数据库中数据,就能够获得相似度比较高的结果。准确的说,人脸检测技术并是近几年才出现的新技术,因为对于这一技术的研究大约从三十年前就开始了。
2.人脸识别系统的技术框架和功能模块
2.2.1.1OpenCV简介
Intel在1999年建立了OpenCV,Willow Garage目前提供相关的技术支持。OpenCV属于跨平台计算机视觉库,无论是Linux,还是Windows等平台上都能够被使用。除了具有比较轻的重量,其效率还比较高,包括 C 函数、少量 C++ 类,属于跨平台计算机视觉库。这一跨平台计算机视觉库也有着Python、Ruby、等语言的接口,在该视觉库中,图像的处理能够成为可能。通过OpenCV 的作用,Intel® Integrated Performance Primitives也就具有了接口,其能够在OpenCV 中被自动加载。
我们这次对于人脸识别考勤系统的设计所采用的开发工具是Microsoft Visual C++ 6.0。这一系统开发工具是由Microsoft公司推出,可以允许开发者在多平台或者交叉平台进行系统的开发。在操作上,这个开发工具大大便捷了系统开发者的工作,令用户能够在高效的同时轻松的完成系统的开发。
2.2.人脸识别的功能模块
2.2.1人脸捕获与跟踪功能:
人脸捕获是在静态或者动态的画面中识别出人像并将从中分离与保存。基于人像捕获技术,人像跟踪功能能够在现实中具有重要的应用,如果被追踪的人在摄像头的拍摄范围内,该人的人像就会被摄像机追踪。
2.2.2人脸识别比对功能:
人脸识别分为两种,一种是核实式,一种是搜索式。在核实式中,系统能够比对系统捕获的人像、选定的人像,进而对两者的一致性进行判断。在搜索式中,需要对数据库中查找的人像进行比对,确定其是否存在于该数据库中。
2.2.3真人鉴别功能:
系统识别面对摄像头的是否是真人,这样可以防止一些居心叵测的人使用其他人的图像来假冒他人,以达到自己的不良目的。在进行真人鉴别时需要被识别着做出指定的面部表情与动作。
2.2.4图像质量检测:
通过这一功能,能够对图片进行质量评估,同时,结合图片评估的结果,确定合理的建议值,进而保证结果的准确度。
2.3.人脸识别的技术框架
以下图2.1为本设计系统的人脸识别系统框架
图2.1 人脸识别系统框架
1.采集人脸图像。通过摄像机采集人员的人脸图像,在对人脸图像进行采集时需要人脸图像的完整性并保证一个相对稳定的外部环境。
2.对人脸图像进行预处理。根据要求的大小、存储格式,处理收集到的人脸图像,进而获得一致性比较高的灰度图像。
3.训练人脸图像。提取人脸图像中的人脸特征,再对提取的人脸特征进行筛选,筛选留下的人脸特征会作为对比的依据。
4.识别人脸图像。在采集所识别的人脸图像并对其特征进行提取与选择后,将其与数据库中的相关数据进行比对,最后得出结论。
5.增加、删除、修改人脸图像。这主要是对数据库中的人像图像进行的处理。
图2.2展示了人脸识别过程。
图2.2 人脸识别基本过程
人脸识别系统需要在正式投入使用前训练识别合法人员的人脸图像,这些人脸图像在这个过程之后会被系统默认为合法人员,得到通行一些场所的权力。
人脸识别系统的应用框架如图2.3所示。
图2.3 应用技术框架图
在人脸识别的所有过程中,采集人脸图像是必须要完成的一步。在这一工作顺利完成后再对图像进行预处理、提取特征等常规操作。值得注意的是,人脸识别在训练阶段和识别阶段使用的数据是不同。
3.人脸识别的方法
3.3.1.人脸识别算法原理
一旦确定了待测的人脸图像,系统将会和数据库中的人脸图像进行比对,然后得出图片之间相似度的结果,这一结果最终会帮助我们识别输入人脸的身份。
3.2.常用人脸识别方法
在人脸识别中,人脸检测与定位、人脸识别是两个不可缺少的过程。下面我将为大家介绍在生活中常用的三种人脸识别方法。第一,基于人像特征点,出现的人脸识别方法。这种方法对于训练样本的需求量大,并且要保证这些图像的灰度统计特性满足要求。第二,运用弹性图匹配对人脸进行识别。在二维空间中,通过弹性图匹配完成人脸识别的方法能够对人脸变形的距离进行定义,使用属性拓扑图表示人脸,在拓扑图中,所有顶点都有特征向量,进而对人脸在定点附近的信息进行记录。第三,基于神经网络发展起来的人脸识别方法。基于对人类大脑神经网络的结构进行模拟,该方法能够对人脑的计算模型进行构建。在本系统中,笔者运用了以神经网络为基础的人脸识别的方法、支持向量机的人脸识别方法。
3.2.1基于神经网络的人脸识别方法
在人工神经网络中,人类大脑神经网络的结构、大脑的工作机理被模拟了,进而将计算模型进行了建立与构建。这种人脸识别方式有着很久远的历史并具有其他人脸识别方式所不具备的独特之处。这一方法不需要用由人指定的规则,也不需要在操作上非常麻烦的人脸特征提取工作,因为其可以自行学习具有代表性的样本。神经网络处理信息的方式是并行处理,这意味着其在处理速度上相较于其他方式拥有着显著的优势。神经网络在人脸识别方面被广泛应用,尤其是在性别识别中具有重要的应用。
BP神经网络包括输入层、隐层、输出层三层。在对人脸图像进行测试的时候,能够按照网络输出层对矢量的最大分量分类进行输出。在现实中,人脸图像矢量具有比较大的维数,但是,往往具有比较小的训练样本数,因此,基于以上这些特性,用于人脸识别的BP神经网络分类器的设计往往比较困难。通过对特征压缩进行处理,对输入矢量的维数进行减少,进而确定合理的隐层的神经元数,能够使BP分类器的推广能力得到提升,提高其应用能力。通过标准化处理输入矢量,并将某个合理的值赋予连接权,进而使网络训练的收敛速度得到提升。
关于网络的隐层,可以理解为其是输入层、隐层的连接权值抽取输入模式的过程,同时还要在输出层中传递该特征,在选择合理的隐层的神经元数H的时候,还没有统一的理论。现实中,如果隐层具有比较大的神经元数,网络也就具有更大的冗余性,网络一次训练的时间将会被提高,虽然网络收敛的训练次数被减少,可是,分类器的推广能力也会被减弱。在现实中,往往控制网络未知连接权值的个数,进而为分类器的稳定性提供一定的保障,因此,隐层的神经元数H需要具有如下的关系:
(I+1)H+(H+1)<KI
在人脸识别网络输出层,神经元数J一般是人脸类别数P,相应的,特征压缩网络输入层的神经元数I往往用人脸类别数P代表,能够根据下式对隐层的神经元数H进行确定。
H≈K/2
也就是说,在网络隐层中,神经元数经常被定义为训练样本数的一半。因为BP经常被确定为Sigmoid激励函数的曲线两端平坦,中间部分具有比较明显的改变,现实中,往往在[-0.5,0.5]范围内确定连接权值初值,进而使网络的收敛速度得到提升。在处理人脸校准图像的过程中,往往用类间相关矩阵作为K-L变换的产生矩阵,进而对P维的识别特征进行抽取,网络的输入矢量经常用P维的识别特征矢量来表示,样本的训练过程也是连接权值被修正的过程。一旦网络被训练好,其就能够识别输入的人脸。
3.2.2基于代数特征的方法
基于线性代数、矩阵的模型来获取人脸数据的方法称为基于代数特征的人脸图像识别方法。国内外不少学者就这一办法提出了自己的理论观点,也有一些学者建立了数学模型来分析人脸数据如何通过代数矩阵投影来获得。其中,国外学者Turk、Peniland等人提出了基于K-L函数的人脸识别办法。Yang以建立线性函数模型的办法分析了人脸数据识别的线性分析办法。国内学者洪子泉、杨静等人从人脸图像的奇异特征角度分析了人脸识别的获得原理。根据国外学者建立的原理框架,人脸识别相关的数据计算有了一种子集汇聚的空间系统,称之为m(rank(凡))维空间,大大提升了函数求解的速度,这种理论框架基于向量集的特征获取,通常经过三个程序:一是K一L变换,二是Fishe变换,三是抽取二次特征。其中,国外学者Yang的线性函数模型框架进一步透露了线性鉴别分析模式下数据的线性组合最佳办法。
4.人脸检测核心算法
1.2.3.4.4.1.人脸检测算法在人脸识别中的作用
在人脸识别技术中,人脸检测算法起到直观重要的基础性作用,可以判断随机给定出的图像中是否有人脸存在。确定所有的人脸的特征是自动人脸识别系统中至关重要的一步。
在计算机技术产生之前,人脸识别的初始环节和形态便是人脸检测,关于人脸检测的理论在后续计算机技术成熟发展后才单独成为一个研究话题。人脸检的速度与精度一直是人们关注的焦点之。国外研究者Viola基于人脸检测技术的精度角度,通过AdaBoost算法确保了人脸检测的速度和准确度,由此,人脸检测技术的应用价值被大大提高并为其以后在各个领域的广泛应用打好了基础。
4.2.人脸检测算法
人脸检测算法通常包括基于模版匹配的算法、主成份分析、主成份分析法和AdaBoost算法。第一种主要是根据人脸的特征而构建的三维立体检测模型,可实现对人脸部位的定位和调整,可在人脸识别过程中检测到影响人脸表情变化、幅度大小等因素;第二种算法具备易操作、成本低和描述强的优势;第三种算法以的精确度不太高,且为了保持较好的空间维数,需要通过消除PC数量来达到目的。第四种算法可快速提升人脸检测的速度。
4.3图像的预处理
系统对于图像进行处理时主要有三个步骤。首先是图像预处理阶段,其次是对图像主要特征的抓取,最后是对图像中人脸的识别和特征抽取。其中图像预处理作为第一布,对于整个人脸图像识别和抓取来讲至关重要,因为如果这一步没有做好会直接影响到后续工作的开展与进行,同时系统对于人脸识别的精确度也会降低。
对于图像的预处理主要有两个作用。第一,为了更好的从人脸图像中提取所需的信息。我们所获得的原始人脸图像往往是存在不足的,由于各种外界环境的原因导致图像的质量低。同时,我们也要分析系统存在的缺陷以及外部环境因素对于图像质量造成的不良影响,针对存在的问题找出一些解决办法。第二,当我们取得的图像信息不满足相关要求时,比如说不满足尺寸上的要求,就要求我们对其进行预处理。
4.3.1图像增强
在图像增强技术的帮助下,图像的清晰度和视觉效果更加良好,且图像增强技术可用于动态图像灰度级的改良和调整,让用户对图像的多维度需求得到满足。图像增强技术往往包括频域技术和空域技术两种。其中,频域技术是计算图像在某个频率域中的变化值来调整图像的视觉效果;空域技术是通过某个空间内图像的灰度值、像素进行计算和处理,空域是频域处理的最终形态。
4.3.2灰度变换
灰度变换是对人脸图像进行增强的一个重要手段。灰度指的是图像中像素点的灰度水平。它的变换空间可以构建一个以Z和Y为变量的函数关系模型。在这个函数模型中,可以用坐标(A’,B)描述图像的灰度值,灰度值的变化通常都处于一定范围,在具体的图像像素调整过程中,需要通过对(A’,B)设定的变化来实现。图像的对比度增强或者图像被横纵向拉伸变化,就可以体现了灰度值的变化。若在函数模型中假设一个图像的像素灰度级为Z,Z’是其经过双Z函数变换实现的灰度级。灰度的变化一定要介于图像函数z和Z’之内。根据图像函数模型,在双Z函数关系下,图像的灰度值表现为线性和非线性两种变化模式。要改善图像视觉效果,通常需要试用线性变化实现对灰度的拉伸,在计算灰度值时,通过设原图灰度值范围为(i,j’),经过函数变化后,得出函数f(i,j)与变换后函数 [a’, ,g(i,]')之间的关系模型:
要描述图像灰度频率、灰度级分布、图像明暗对比度、色彩对比度等指标,可试用图像分析工具,即图像直方图。通过图像直方图处理办法,图像色素的平均度。改革灰度值的函数都可以明确计算,且为图像的精细化处理提供了基础保障,为丰富图像信息提供数据参考。图像直方图可以实现对图像灰度值及其特征的统计和计算,并以概率函数的形式得出图像灰度频次和概率。在直观的图形中,图像直方图表现为二维图像,函数中纵坐标表示图像像素点频次及出现的概率;横坐标表示灰度级的出现频次和概率。
在诸多灰度值变换方法中,还有一种较为复杂的灰度变化办法,既直方图均衡化112}。这种灰度变换方法的核心在于将一个灰度区间变为整体灰度空间的均匀分布模式。直方图均衡化属于非线性的灰度变化,而通过为图像重新分配像素来实现灰度值像素的变化。灰度变化办法中,直方图均衡化是一个应用较广的图像增强技术,属于一种直方图修正办法,且建立在非线性分布函数模型基础上。在直方图均衡化办法实施后,图像的灰度级分布概率和均匀度都将改变,且图像像素的动态变化范围也得以扩展,以函数为例,假设原来的灰度为R,那么现在经过直方图均衡化后,其灰度变为S。这里的S就是R经过直方图均衡变换后的灰度值,具体函数计算式如下所示:
式子2.2中可见,n代表图像第j级灰度的像素总数,l代表图像第j级灰度的总量,n代表图像中像素的总量。
4.4边缘检测
图像中各个像素目标、区域、基本单元中都存在一种集合,既边缘的概念。在人脸检测和识别过程中,图像边缘不仅能将图像较为清晰地展现在用户面前,还能清晰勾勒出人脸轮廓,丰富了图像信息,扩展了图像的特征表达。边缘含有的阶跃、方向等都是人脸检测和识别的关键信息。边缘展现了图像想读灰度、屋顶状的变化。尤其是人脸检测和识别的数字化处理阶段,边缘涵盖了较多的数据信息,这些信息是图像在预处理过程中不可缺少的信息。边缘是图像中各个分界线、目标展现的重要功能,在边缘的作用下,人脸识别的特征抓取步骤,Canny算子法、微分算子法、拉普拉斯高斯算子法构成了最主要的几种边缘算法。
5.系统实现
5.1 系统构成
人脸检测定位、人脸图像预处理、人脸面部特征提取和识别、分类器设计是系统识别人脸的主要步骤。具体如图5-1所示。
图5-1 人脸识别系统框图
从系统框图中可以看出一个完整的人脸识别系统模块及功能,具体功能包括以下几部分:
5.1.1图像的获取
该部分为人脸图像的输入阶段,主要是从外部获取人脸图像信息。
对于静态人脸图像的研究是这个领域中相较比较成熟且应用比较广泛的研究方法。本论文主要研究静止图像的人脸识别。
5.1.2人脸检测与定位
处理分析所获取的图像,然后判断图像中是否存在人脸。当在图像中检测出人脸时,便将其从背景图像中分离出来。在人脸检测定位系统中,因为图像信息输入的不同,模块设计的理念和要求也不一样。应当根据系统的具体应用环境与设计要求进行人脸检测系统的设计,实现人脸识别系统的准确设计。
5.1.3图像预处理
外部成像、降低光照、去除光照是图像预处理的主要作用。而图像预处理旨在为系统提供更加完善和清晰的图像信息,通过处理后的图像能清晰反应人体面部特征,且可以由原来未处理的数据直接变为图像特征空间中的一组识别数据。由于原始、未处理的图像含有庞大的数据信息,对此,要经过对数据的变换和运算后才能实现人脸信息的抓取,经过预处理后的图像,能帮助人脸识别系统准确、有效抓取人脸特征,帮助稳定人脸信息采集与识别系统。
5.1.4识别
识别模块主要用于人脸图像的判定和特征识别,以此确定人脸对应的人物身份信息,完成整个人脸识别程序。
人脸识别系统主要经过人脸检测、人脸识别两个工作过程。如图5.1所示,虚线将人脸特征的识别分为了训练和提取识别两个部分。虚线以上为人脸信息的训练识别,这个过程需要根据人脸反映的图像信息确定人脸的性状、大小和位置。虚线以下为人脸特征提取。这一过程主要通过建立归一几何函数来实现人像图形灰度值的归一,并配合光照条件进行图像处理。最后一个过程是人脸的识别,完成整个人脸图像的匹配和身份确认。这一过程具体包括人脸辨认和人脸证实两个阶段,前者是确认图像库中人物的唯一性;后者是确认人脸对应人物身份的真实性。
5.2 系统实现
5.2.1系统功能介绍
本系统主要通过调用opencv内部函数来实现人脸识别,包括 CascadeClassifier类,作为人脸检测系统的主要函数类型,已经被Opencv系统视为一个级联的分类组织。而现在有两种选择:一是使用老版本的CvHaarClassifierCascade函数,一是使用新版本的CascadeClassifier类。老版本的分类器只支持类Haar特征,相比较老版本,新版本的分类器还能够使用LBP特征。
分别建立针对眼睛、鼻子、嘴巴、人脸的分类器,来对每张图片中的特征进行提取与比较,最终实现人脸识别。
程序运行步骤:
1、图片准备
把将要被进行比较的俩张图片放在face文件夹中,分别命名为“1.jpg”、“2.jpg”;
图5-1 图片准备
2、运行程序得到识别结果
图5-2 识别结果比对
识别出两张图片中人脸区域、眼睛区域、鼻子区域、嘴巴区域。
图5-3 识别结果
显示结果为same people,即说明两张图片是同一个人。
6 总结与展望
本研究立足于人脸检测背景介绍,就人脸检测的研究意义、未来前景等方面进行了分析,并从算法上剖析了人脸检测的模型和方法。
人脸检测在社会诸多领域有较广泛的用途。而当前人脸识别技术正处于摸索阶段,只有对人脸识别技术的相关算法和模型进行改善后,才能达到较高的人脸识别效率,促使人脸识别技术的快速发展。
在本次毕业设计中我学会了很多,成长了很多。希望今后能更加深入的学习相关方面的知识,不断提升自我能力,并充分将所学知识利用起来,运用于社会,促进社会与科技的发展。
参考文献
[1] 周德华,毛敏峰,徐浩.一种多人脸跟踪算法的研究与实现[J],电视技术,2005,275(5):88~90.
[2] 王伟;张佑生;方芳;人脸检测与识别技术综述[J]. 2006,5
[3] 高建坡,王煜坚,杨浩等.一种基于KL变换的椭圆模型肤色检测方法[J].电子与信息学报.2007,V01.29,No.7.
[4] 李刚,高政、人脸自动识别方法综述、计算机应用研究、2003, Vol 8:4-9
[5] 高建坡,王煜坚,杨浩等.一种基于KL变换的椭圆模型肤色检测方法[J].电子与信息学报.2007,V01.29,No.7.
[6] 高建坡.视频序列中的人脸检测与跟踪算法研究.东南大学博士学位论文.2007,3.
[7] 基于五官特征定位的人脸识别技术在防盗门中的应用[D]中国海洋大学:2006
[8] Huang F J,Chen T.Tracking of multiple faces for human—computer interfaces and virtualenvironments[C].IEEE Intl.Conf.on Multimedia and Expo.New York,July 2000.
[9] 张翠平,苏光大人脸识别技术综述中国图像图形学报[J]2000 年11 期
[10] Viola P,Jones M.Rapid object detection using a boosted cascade of simple feature[c].In:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,Kauai,Hawaii,USA,2001,1:I-51l-518
[11] Viola P.,Jones M. J.、Robust Real-Time Face Detection、International Journal of Computer Vision 57(2), 137-154, 2004
[12] 张宏林. visual C++ 数字图像模式识别技术及工程实践. 北京:人民邮电出版社,2003年4月
致谢
大学在眨眼之间匆匆溜过,我在这两年间学到了丰富的专业知识,以及良好的科研能力。让我在遇到问题时懂得冷静下开思考解决方法;让我在一次次失败又爬起来的经历中更加了解自己,清楚自己的长处与短板;让我学会如何更好的和他人合作,互利互惠,实现最终的共赢。
我想在这里对我的老师送上我最真挚的谢意,感谢您对我一次又一次的细心教导,启发我撰写论文的思路、并帮助我修改论文写作的全面指导。您就像一盏明灯照亮我前行的路,您永远是我心中的榜样。
其次,我想要感谢陪伴我两年了的可爱的的同学们,在生活和学习上你们都给了我很多帮助,并给我的研究生生涯带来了无限的欢乐!
最后,我还要真诚的感谢所有参与论文评审及答辩的老师!