摘 要

由于传统的各类证件区分身份的方法的局限性，使用生物特征用来辨别身份变得尤为重要。尤其是人脸识别，因其便捷性且易于接受而备受青睐。本文着重研究了几种不同的特征提取方法，分析了各种方法的性能，同时也实现了人脸检测的部分。人脸检测部分采用了基于AdaBoost的检测方法；预处理主要是对光照的处理；特征提取部分研究了PCA（主成分分析），LDA（线性鉴别分析）和LBP（局部二值模式）三种方法，分别测试了其识别率，并分析了三种特征提取算法的优缺点和适用的条件；特征匹配部分使用了KNN（最近邻分类）算法进行人脸特征的匹配识别，在测试LBP识别率时还采用了卡方检验的方法。

研究结果表明，PCA和LDA容易受到光照影响，对光照的处理可一定程度上提高识别率。而LBP算法不易受光照影响，识别率较好，但是运行时间比较久。

关键词：人脸检测；特征提取；特征匹配；人脸识别

Abstract

Due to the limit of traditional card identification, using biological characteristic to discriminate different persons becomes rather important, especially face recognition, which is popular for its convinience. This paper mainly does research on feature extration, and analysize their advantages and disadvantages. In face detection, the method of AdaBoost is applied. Image prprocessing is the handling of light and noise. In the part of feature extraction, I study three kinds of ways to extract features. They are PCA(principal component analysis), LDA(linear discrimination analysis) and LBP(loca binary pattern). I test the recognition rate of these three methods and compare their advantages and disadvantages and applicable conditions. KNN classifier is used in feature matching to classify the test images. When testing the recognition of LBP method, I also use Chi-square which shows higher rate.

The result shows that face detection may be affected by the quality of image and face expression and profile. In feature extraction, LBP is better in recognition rate than PCA and LDA. The methods PCA and LDA are easily affected by light. LBP extract the local texture feature and it is not affected by illumination.

Key words: face detection; feature extraction; feature matching; face recognition

目 录

摘 要 I

Abstract II

第1章 概述 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1 国外研究现状 1

1.2.2 国内研究现状 2

1.3 人脸识别系统的组成 2

1.3.1 人脸检测 3

1.3.2 图像预处理 3

1.3.3 特征提取 3

1.3.4 特征匹配 4

1.4 本文研究内容和安排 4

第2章 基于AdaBoost人脸检测 6

2.1 AdaBoost原理 6

2.1.1 Harr-like特征 6

2.1.2 特征矩形数目的计算 8

2.1.3 弱分类器的训练 9

2.1.4 强分类器的训练 10

2.1.5 级联分类器 11

2.2 AdaBoost人脸检测过程 13

2.3 检测实验结果 13

2.3.1 相关代码 13

2.3.2 人脸检测结果 14

2.4 本章小结 15

第3章 基于PCA的特征提取 16

3.1 PCA相关介绍 16

3.1.1 PCA原理 16

3.1.2 PCA人脸识别过程 17

3.1.3 PCA相关代码 18

3.2 光照预处理 18

3.2.1 直方图均衡化 19

3.2.2 幂次变换 19

3.3 PCA识别结果分析 20

3.3.1 降维数对识别率的影响 20

3.3.2 训练样本数对识别率的影响 21

3.3.3 光照处理对识别率的影响 21

3.3.4 单张人脸识别结果 22

3.4 本章小结 23

第4章 基于LDA的特征提取 24

4.1 LDA原理 24

4.2 LDA人脸识别过程 26

4.3 LDA相关代码 26

4.4 LDA人脸识别结果分析 27

4.4.1 PCA降维数对识别率的影响 27

4.4.2 LDA降维数对识别率的影响 28

4.4.3 识别率随训练数目的变化 28

4.4.4 光照处理对识别率的影响 29

4.4.5 单张人脸识别结果 30

4.5 本章小结 30

第5章 基于LBP的特征提取 31

5.1 LBP介绍 31

5.1.1 LBP原理 31

5.1.2 LBP等价模式 32

5.1.3 LBP旋转不变性 32

5.2 LBP人脸识别过程 33

5.3 LBP相关代码 33

5.4 LBP人脸识别结果分析 35

5.4.1 训练样本数对识别率的影响 35

5.4.2 单张人脸识别结果 35

5.5 LBP与前两种方法的比较 36

5.6 本章小结 36

第6章 总结与展望 37

6.1 工作总结 37

6.2 未来的发展 37

参考文献 39

致谢 40

概述

研究背景及意义

目前传统的身份识别方法主要是身份证、信用卡、校园卡等证件以及在网络上所用的账号和密码，然而随着各种各样的卡以及各种应用的账号的增多，人们越来越感觉到这些传统的身份识别方法的不便之处：不论是钱包还是卡包都只有有限的空间，而且也不方便随时携带，证件的遗忘与丢失会造成很大的麻烦；而各种账号密码更是会让人们抓耳挠腮，为了安全起见各种密码又不能一模一样，因此密码的遗忘与混淆也是常有的事。

在如今信息化的社会，科技的发展使得人们的生活越来越智能和便捷，于是用科技手段解决身份识别问题便成了一股势不可挡的潮流。之后的研究中，人们便发现了生物特征可以用于区分不同的个体。

生物特征是人类个体的特有的生理属性，个体之间的生物特征都是不同的，而且这种特征一般都比较稳定，因此生物识别技术就成了一种身份识别的方法。通常使用的生物特征包括指纹、视网膜、虹膜、基因、语音和人脸等，在这些方法中，人脸识别相对来说比较简便快捷，易于被用户所接受。而且面部特征信息不容易被他人盗取，更加保证了该算法的独一性。这些优点促使人脸识别成为了当前的热门研究。

目前的人脸识别系统主要是理想条件，非理想条件下容易受到诸如光照、表情和年龄等因素的干扰。针对这些问题，学者们正在研究改进的算法，但是在非理想条件下的识别率提升时识别速度降低，同时一些算法的鲁棒性不够，因此继续研究人脸识别算法具有较高的理论意义。与此同时，一些大型公司及研究所提出的算法已经可以运用到生活实际中，对安全要求较高的门禁系统，司法机构的嫌犯追踪等就是这些研究应用的很好的例子，因此对其研究也有实际价值。

国内外研究现状

国外研究现状

人脸识别技术的萌芽是在19世纪80年代，Galton提出了以人脸区分身份的想法。正式的研究是在20世纪60年代，Chan和Bledsoe提出了用人脸面部器官的几何结构参数作为区分人脸的特征。而后的这段时间人脸识别的发展主要着眼于几何特征，而人脸几何特征的可变性比较大，因此识别率一直不高。