一、引言
自21世纪以来, 随着自动化和科技化的发展, 信息安全越来越重要, 普通的身份识别无法保证信息安全。从而衍生出生物特征识别技术, 它具有高效、稳定、快速等特点, 从而很快便成为人们关注的研究领域。其中虹膜识别、人脸识别等都属于这项技术的研究方向, 和虹膜不同的是, 人脸会受光纤、肤色、表情等的影响, 从而人脸识别比虹膜识别要复杂的多。最早的人脸图像识别是国外研究的, 现在已有使用系统出现, 只是对于成像条件要求比较严格, 从而应用范围较窄, 国内也有很多学者对这方面有研究, 并取得一定的成果。
人脸识别早在六七十年代就引起了研究者的强烈兴趣, 1972年, Harmon用交互人脸识别方法在理论和实践两方面进行了详细的论述, 随后, Sakai设计了人脸图像自动识别系统, 但是它们都有一定的局限性, 需要人的干预才能完全实现人脸识别。九十年代, 人脸识别摆脱了人的干预, 真正进入了机器自动识别阶段。目前利用计算机进行完全自动的人脸识别困难重重。人脸表情会变化, 随着年龄的增长会变化, 发型、眼镜等装饰对人脸造成遮挡;人脸所成图像受光照、成像角度、成像距离等影响。而人脸识别中图像包括大量的数据。对图像的处理工作量巨大。
本文首先利用Matlab对图像进行处理, 主要包括:二值化、直方图均衡化、中值滤波等, 然后利用PCA算法实现人脸识别。
二、基于Matlab的数字图像处理
(一) 二值化
由于选取的样本每个人自身的面部肤色基本一致, 且与背景颜色有很大的差距。为了将人脸与背景区分开, 进而更好地识别人脸, 需要将彩色图像转换为只有黑白两个灰度级的二值图像。
(二) 中值滤波
中值滤波的目的是为了有效去除图像噪音, 尤其是椒盐噪音, 从而较好的保留图像边缘的锐度与图像细节特征。
(三) 直方图均衡化
即把已知灰度概率分布的图像, 变换为具有均匀概率分布的新图像。
数字图像处理的工作目的是为了使得所有的图片规范化, 统一化, 进而能够更好地进行人脸识别。
三、基于PCA的人脸识别算法
在人脸识别的领域中, PCA算法被广泛地应用。此算法降低了人脸图像特征的维数, 从而降低了人脸识别的难度。
(一) 生成平均脸
计算机中每一张图像的存储方式均是矩阵, 对图像进行预处理之后, 需要构建特征脸和平均脸空间, 这就需要将每张图片所对应的矩阵转换成列向量。设处理后的每张图像的矩阵是n*m, 则经过转化, 则可以转化成n*m行, 1列的向量。如果选取5张图片进行转化, 则5张图像共可以转化成n*m行, 5列的矩阵A。对矩阵A的每个列向量求平均值, 便可以得到n*m行, 1列的向量。由均值, 可以还原回原来的矩阵, 从而得出平均脸。随机选取图像库中的20张图片, 生成平均脸如下:
这张平均脸包含20张人脸图像的信息, 并非针对特定的一个人。
(二) 特征提取
利用方差贡献率
判断前k个特征值。方差贡献率越大, 特征值越大。特征提取是将人脸图像中差异性最大的特征提取出来, 进而进行人脸识别。
基于PCA算法可以得到降维的特征脸空间。从而能够进行更好地对图像进行识别。
本文首先对图像进行预处理, 然后利用PCA进行特征提取, 当训练样本较大时, 基于PCA的人脸识别结果模型算法能表现出更好地适应性。
【相关链接】
人脸识别, 是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流, 并自动在图像中检测和跟踪人脸, 进而对检测到的人脸进行识别的一系列相关技术, 通常也叫做人像识别、面部识别。
2017年央视3·15晚会曝光人脸识别的相关隐患。人脸识别的英文名称是Human Face Recognition.人脸识别产品利用AVS03A图像处理器;可以对人脸明暗侦测, 自动调整动态曝光补偿, 人脸追踪侦测, 自动调整影像放大。
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。
摘要：随着计算机的发展, 各个领域都产生了巨大变革。图片的处理和模式识别技术不再局限于传统的方式, 基于生物识别理论, 产生了人脸识别技术。本文主要利用MATLAB实现人脸识别。
关键词：数字图像处理,人脸识别,PCA
参考文献
[1] 刘艳丽, 赵跃龙.人脸识别技术研究进展[J].计算机工程, 2005 (3) :10-11.
[2] 肖冰, 王映辉.人脸识别研究综述[J]计算机应用研究, 2005 (8) :1-5.
[3] 孔令钊, 唐文静.基于PCA的人脸识别系统的研究与实现[J].计算机仿真, 2012 (6) :27-29.
[4] 蔡静, 尹绍宏.基于MATLAB的人脸识别研究[J].电子世界, 2012 (21) .20-21.