人脸识别系统设计与实现(源码)
摘 要摘 要人脸识别是一种根据人的脸部特征信息进行身份识别的生物识别技术,主要实现手段是用摄像机采集含有人脸的图像或视频流，然后分析比较人脸部分的特征信息，最终获得被测个体的基本信息。本课题的要求是基于图像处理给出人脸识别方案并实现。人脸五官具有以下特点：（1）从同一个角度拍不同的人，图像中五官大小和位置分布都相近但都有细微差别。（2）从不同角度拍相同的人，图像中的五官大小也有差别。本文针对人脸比例的以上两个特点，利用图像处理、图像的几何变换等方式处理脸部图片获取五官大小和距离的实际比例。在实现了识别功能的基础上，为减少运行时间，对系统框架和运行环境进行修改，使识别准确率和运行时间得到平衡。目前已完成正脸和侧脸识别的解决方案，实现了正脸识别的功能，并能从个人信息存储表中取出基本信息显示在相匹配的库中人脸图上。关键词：人脸识别；方案；MATLAB；五官目 录
第一章 绪 论 1
1.1 研究背景 1
1.2 人脸识别简介 1
1.2.1 研究现状 2
1.2.2 人脸识别的应用 3
1.3 人脸识别算法 4
1.3.1 基于静态图像的人脸识别 4
1.3.2 基于视频图像的人脸识别 5
第二章 正脸识别解决方案 6
2.1 正脸识别设计方案 6
2.1.1 预处理 6
2.1.2 特征点提取 7
2.1.3 特征比例 10
2.2 理论分析 10
2.2.1 技术支持 11
2.2.2 方案可行性 11
2.2.3 实现手段 13
第三章 侧脸识别解决方案 14
3.1 侧脸识别设计方案 14
3.1.1 预处理 14
3.1.2 角度判断 15
3.1.3 特征点提取 16
3.1.4 特征比例 17
3.2 理论分析 17
3.2.1 技术支持 17
3.2.2 方案可行性 17
3.2.3 实现手段 18
第四章 正脸识别系统实现 19
4.1 运行环境
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
3.1.1 预处理 14
3.1.2 角度判断 15
3.1.3 特征点提取 16
3.1.4 特征比例 17
3.2 理论分析 17
3.2.1 技术支持 17
3.2.2 方案可行性 17
3.2.3 实现手段 18
第四章 正脸识别系统实现 19
4.1 运行环境 19
4.1.1 硬件 19
4.1.2 软件 19
4.1.3 系统环境 19
4.2 GPU运行实现 20
4.2.1 目的 20
4.2.2 环境配置 20
4.2.3 对象 20
4.2.4 效果 21
4.3 主要算法 21
4.3.1 系统伪代码 21
4.3.2 脸部分块代码 23
4.3.3 五官定点代码 23
4.4 运行结果显示 25
结 语 27
致 谢 28
参考文献 29
第一章 绪 论
1.1 研究背景
社会在发展，人类追求更强的舒适感和更好的用户体验，这就要求身份识别变得更快捷方便，使用户减少携带钥匙、记忆密码等的负担。减少负担的识别方式种类繁多，包括人脸识别、指纹识别、声音识别等[1]。和其他识别方式比，人脸识别更直接、友好、方便，让使用者没有心理负担，易于被用户接受，也因此得到普遍接受和广泛的应用。
人脸识别就是计算机通过摄像头获取待测个体的脸部图像，分析后从已有的信息库中查找匹配的记录并给出基本信息。人类是通过眼睛看到，用头脑思考，从记忆中取出匹配的名字，从而想起来对面人的其他信息。同样的，只要教会计算机人在思考时的步骤，计算机就可以区分每一个人，快速地进行身份识别。并且和其他的识别方式不同，人脸识别只需要一个摄像头，不需要穿戴或借助其他辅助设备，保证了使用者的舒适感。
人脸识别的关键问题是识别系统需要适应实际应用中千变万化的环境。光照、表情、噪声、化妆、年龄、性别等都会使得图像人脸识别变得十分困难，所以需要解决的是将所有采集到的人脸图像进行归一化处理，使采集到的人脸都处在同光照同角度的条件下，这是本课题主要研究的方向。
1.2 人脸识别简介
60年代末，人脸识别出现在人们的视线中，许多的研究学者对其进行了广泛、深入的研究。最近几年，在人脸识别的研究方面有了较大的突破。人脸识别的发展的阶段划分有好多种方式，按照人脸识别的自动化程度，可以分为以下三个阶段：
（1）机械式的识别阶段（1964~1990），主要研究人脸识别所需要的面部特征。这一阶段工作的特点是识别过程全部依赖于操作人员，不可以自动完成识别。
（2）人机交互式识别阶段（1991~1997），采用统计识别的方法，用欧式距离表示人脸特征，更创造性地运用积分投影法从一幅独立的图像上计算出脸部特征参数，再利用模式分类技术与标准人脸相匹配[2]。
（3）真正的机器自动识别阶段（1998~现在），由于计算机变得更高速、效率更高、运行时间更短，人脸模式识别方法有了较大的进展，提出了多种机器全自动识别系统[3]。
1.2.1 研究现状
最早人脸识别文献出现的1965年，人脸识别研究开始，并进入机械式的识别阶段（第一阶段），这一阶段主要研究基于几何结构特征的人脸识别方法，第一阶段的研究基本没有实际应用。
1991年，人脸识别研究进入非常活跃的重要时期，就是前面说的人机交互式识别阶段（第二阶段），出现了经典的特征脸方法（eigenface）。在1992年，得到了基于模板匹配的方法比基于结构特征的方法好的明确结论。在第二阶段时期，DoD（United States Department of Defense，美国国防部）资助的FERET（FacE Recognition technology Test,人脸识别技术测试）项目资助多项人脸识别研究，创建了著名的FERET人脸图像数据库，促进了人脸识别算法的改进以及算法的实用化[4]。
1998年，研究者开始针对非理想条件下的人脸识别进行研究（第一二阶段都是在理想情况下，实验室条件中），真正的机器自动识别阶段从此开始。光照、姿势等问题成为研究热点，出现了基于3D模型的人脸建模与识别方法。在2000年和2002年，DoD组织了针对人脸识别商业系统的评测FRVT(Face Recognition Vendor Test,人脸识别供应商测试)[5]。
在人脸识别发展的过程中，人脸数据库是不可缺少的，为方便不同研究者的交流和不同算法的比较建立了不同的人脸库。FERET是最广泛的之一，BANCA覆盖了不同图像质量、不同时间段等变化条件，其他常用的还有MIT、Yale、PIE等，由于我的系统中只对库中人脸进行测试，主要是针对实际生活周围的人，对于人脸库就不说了。
人脸识别是当前图像工程领域的四大研究热点之一，世界上很多国家的高校都有专门的人脸识别研究小组，比较著名的有：麻省理工学院，卡耐基梅隆大学，耶鲁大学等。国际会议IEEE（The Institute of Electrical and Electronics Engineers 电气与电子工程师协会）International Conference on Automatic Face and Gesture Recognition (自动人脸和手势识别国际研讨会)和 International Conference on Audio and Videobased Biometric Person Authentication（基于生物统计的音频与视频鉴别国际研讨会）是针对人脸识别及其他生物特征识别技术方面的会议。模式识别，机器视觉，图像处理等领域中最权威的国际会议，如IEEE CVPR （Conference on Computer Vision
第一章 绪 论 1
1.1 研究背景 1
1.2 人脸识别简介 1
1.2.1 研究现状 2
1.2.2 人脸识别的应用 3
1.3 人脸识别算法 4
1.3.1 基于静态图像的人脸识别 4
1.3.2 基于视频图像的人脸识别 5
第二章 正脸识别解决方案 6
2.1 正脸识别设计方案 6
2.1.1 预处理 6
2.1.2 特征点提取 7
2.1.3 特征比例 10
2.2 理论分析 10
2.2.1 技术支持 11
2.2.2 方案可行性 11
2.2.3 实现手段 13
第三章 侧脸识别解决方案 14
3.1 侧脸识别设计方案 14
3.1.1 预处理 14
3.1.2 角度判断 15
3.1.3 特征点提取 16
3.1.4 特征比例 17
3.2 理论分析 17
3.2.1 技术支持 17
3.2.2 方案可行性 17
3.2.3 实现手段 18
第四章 正脸识别系统实现 19
4.1 运行环境
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
3.1.1 预处理 14
3.1.2 角度判断 15
3.1.3 特征点提取 16
3.1.4 特征比例 17
3.2 理论分析 17
3.2.1 技术支持 17
3.2.2 方案可行性 17
3.2.3 实现手段 18
第四章 正脸识别系统实现 19
4.1 运行环境 19
4.1.1 硬件 19
4.1.2 软件 19
4.1.3 系统环境 19
4.2 GPU运行实现 20
4.2.1 目的 20
4.2.2 环境配置 20
4.2.3 对象 20
4.2.4 效果 21
4.3 主要算法 21
4.3.1 系统伪代码 21
4.3.2 脸部分块代码 23
4.3.3 五官定点代码 23
4.4 运行结果显示 25
结 语 27
致 谢 28
参考文献 29
第一章 绪 论
1.1 研究背景
社会在发展，人类追求更强的舒适感和更好的用户体验，这就要求身份识别变得更快捷方便，使用户减少携带钥匙、记忆密码等的负担。减少负担的识别方式种类繁多，包括人脸识别、指纹识别、声音识别等[1]。和其他识别方式比，人脸识别更直接、友好、方便，让使用者没有心理负担，易于被用户接受，也因此得到普遍接受和广泛的应用。
人脸识别就是计算机通过摄像头获取待测个体的脸部图像，分析后从已有的信息库中查找匹配的记录并给出基本信息。人类是通过眼睛看到，用头脑思考，从记忆中取出匹配的名字，从而想起来对面人的其他信息。同样的，只要教会计算机人在思考时的步骤，计算机就可以区分每一个人，快速地进行身份识别。并且和其他的识别方式不同，人脸识别只需要一个摄像头，不需要穿戴或借助其他辅助设备，保证了使用者的舒适感。
人脸识别的关键问题是识别系统需要适应实际应用中千变万化的环境。光照、表情、噪声、化妆、年龄、性别等都会使得图像人脸识别变得十分困难，所以需要解决的是将所有采集到的人脸图像进行归一化处理，使采集到的人脸都处在同光照同角度的条件下，这是本课题主要研究的方向。
1.2 人脸识别简介
60年代末，人脸识别出现在人们的视线中，许多的研究学者对其进行了广泛、深入的研究。最近几年，在人脸识别的研究方面有了较大的突破。人脸识别的发展的阶段划分有好多种方式，按照人脸识别的自动化程度，可以分为以下三个阶段：
（1）机械式的识别阶段（1964~1990），主要研究人脸识别所需要的面部特征。这一阶段工作的特点是识别过程全部依赖于操作人员，不可以自动完成识别。
（2）人机交互式识别阶段（1991~1997），采用统计识别的方法，用欧式距离表示人脸特征，更创造性地运用积分投影法从一幅独立的图像上计算出脸部特征参数，再利用模式分类技术与标准人脸相匹配[2]。
（3）真正的机器自动识别阶段（1998~现在），由于计算机变得更高速、效率更高、运行时间更短，人脸模式识别方法有了较大的进展，提出了多种机器全自动识别系统[3]。
1.2.1 研究现状
最早人脸识别文献出现的1965年，人脸识别研究开始，并进入机械式的识别阶段（第一阶段），这一阶段主要研究基于几何结构特征的人脸识别方法，第一阶段的研究基本没有实际应用。
1991年，人脸识别研究进入非常活跃的重要时期，就是前面说的人机交互式识别阶段（第二阶段），出现了经典的特征脸方法（eigenface）。在1992年，得到了基于模板匹配的方法比基于结构特征的方法好的明确结论。在第二阶段时期，DoD（United States Department of Defense，美国国防部）资助的FERET（FacE Recognition technology Test,人脸识别技术测试）项目资助多项人脸识别研究，创建了著名的FERET人脸图像数据库，促进了人脸识别算法的改进以及算法的实用化[4]。
1998年，研究者开始针对非理想条件下的人脸识别进行研究（第一二阶段都是在理想情况下，实验室条件中），真正的机器自动识别阶段从此开始。光照、姿势等问题成为研究热点，出现了基于3D模型的人脸建模与识别方法。在2000年和2002年，DoD组织了针对人脸识别商业系统的评测FRVT(Face Recognition Vendor Test,人脸识别供应商测试)[5]。
在人脸识别发展的过程中，人脸数据库是不可缺少的，为方便不同研究者的交流和不同算法的比较建立了不同的人脸库。FERET是最广泛的之一，BANCA覆盖了不同图像质量、不同时间段等变化条件，其他常用的还有MIT、Yale、PIE等，由于我的系统中只对库中人脸进行测试，主要是针对实际生活周围的人，对于人脸库就不说了。
人脸识别是当前图像工程领域的四大研究热点之一，世界上很多国家的高校都有专门的人脸识别研究小组，比较著名的有：麻省理工学院，卡耐基梅隆大学，耶鲁大学等。国际会议IEEE（The Institute of Electrical and Electronics Engineers 电气与电子工程师协会）International Conference on Automatic Face and Gesture Recognition (自动人脸和手势识别国际研讨会)和 International Conference on Audio and Videobased Biometric Person Authentication（基于生物统计的音频与视频鉴别国际研讨会）是针对人脸识别及其他生物特征识别技术方面的会议。模式识别，机器视觉，图像处理等领域中最权威的国际会议，如IEEE CVPR （Conference on Computer Vision
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2403.html
