人脸识别过程和相关算法2013.docxVIP

人脸识别过程图1 人脸识别流程图人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获取人脸或人脸上的某些器官在图像上的位置。特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。人脸检测方法基于知识的方法优点：规则简单。缺点：难以将人类知识转化为明确的规则。基于特征的方法优点：可以依据面部器官的几何关系进行人脸检测。缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算法难以使用。基于模版匹配的方法优点：简单高效。缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存在一个清晰的、明确的界限。基于外观的方法优点：通过大量的样本训练使得人脸识别的精确度高。缺点：算法复杂。基于肤色的系统优点：不受人脸姿态变化的影响。缺点：受光照等外在因素影响较大。人脸识别方法基于几何特征的识别方法优点：符合人类识别人脸的机理，易于理解。对每幅图像只需存储一个特征矢量，存储量小。对光照变化不太敏感。缺点：从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。对强烈的表情变化和姿态变化的鲁棒性较差。一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法优点：人脸识别率高。缺点：算法实现复杂。基于连接机制的方法优点：能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。以并行的方式处理信息，配以硬件实现，可以显著地提高速度。缺点：算法实现复杂。人脸图像预处理与人脸检测图像的灰度化与色彩空间变换将彩色图像转化为黑白图像，以便后期处理：Gray=0.229R+0.587G+0.11B (R为红色分量，G为绿色分量，B为蓝色分量)为了使人脸在LCD实时显示，对于经过视频解码输出的YCrCb 4：2：2格式数字视频数据切换到RGB色彩空间数据格式才能在LCD或者CRT上显示。YCrCh 4：2：2 视频数据到RGB色彩空间的转换公式如下：R=1.164(Y-16)+1.596(Cr-128)G=1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)B=1.164(Y-16)+2.017(Cb-128)灰度归一化由于拍摄条件的不同，图像的亮度会有所不同，为了获取较稳定的标准图像，采用如下公式对图像做灰度归一化：g(x,y)={[f(x,y)-m]×sv}/v+sm(m,v是原图像f(x,y)的灰度均值和方差，sm,sv是设定的归一化后的灰度均值和方差，文中可取sm=0,sv=1)图像去噪增强领域平均法：优点：算法简单，计算速度快。缺点：容易使图像产生模糊，特别是边缘细节处，邻域越大，模糊的越厉害。中值滤波：（Med(…)表示取序中值）优点：克服了线性滤波器带来的图像细节模糊问题，在过滤噪声的同时，还能很好地保护边缘轮廓信息。图像边缘检测算法Roberts边缘检测算子：利用局部差分算子寻找边缘的算子，由如下公式给出：优点：边缘定位准确。缺点：对噪声敏感，适用于边缘明显而且噪声较少的图像分割。简化算子：由于人脸图像是边缘丰富的子区域，所以边缘提取对于人脸图像的从复杂背景分割出来具有重要作用。根据人脸识别的实际情况，我们可以采用如下的简单算子来提取边缘：H1和H2分别为水平和垂直方向的算子。经过实验发现，使用如上的算子具有运算简单，计算速度快的优点，而且经运算后边缘图像轮廓比较清晰，人脸轮廓及五官区域可以凸显出来。