摘 要

在信息技术不断发展的今天，人脸检测和识别技术因其综合了物理学，生物学，神经网络等多个领域的知识而成为计算机视觉领域一个极为重要的研究对象。时至今日人脸检测和识别已经被广泛关注，基于人脸检测和识别的应用也层出不穷。但在其高速发展的同时，因噪声，光照等一系列原因引发的人脸检测识别性能不佳的问题也亟待解决。

基于对含多人脸的图像或视频进行检测和识别已经被广泛应用于小区或公司监控等安防领域的现状，本文基于MATLAB平台研究设计了一个针对静态图片的多目标人脸检测和识别的解决方案。在预处理部分采用中值滤波去噪和直方图均衡化减弱光照影响，在人脸检测部分采用了高效准确的Viola-Jones算法，分割检测到的人脸后，逐一利用LBP提取特征纹理信息然后用改进的正交匹配追踪算法进行特征匹配识别。主要改进有以下两点：

1) LBP提取特征值时，将传统的循环数据比对运算改为了MATLAB更擅长的矩阵运算，将人脸图像拆分成多个小区域矩阵然后与中心区域矩阵进行比对。

2) 针对人脸识别对传统的OMP算法进行了改进，即新增一个迭代收敛条件使其在保证准确率的同时提高运算效率。

最终还通过MATLAB设计了GUI界面从而更加方便的进行人脸检测识别以及训练测试其准确率和识别时间。测试结果显示其在有效的降低了噪声，光照等对检测识别的影响的同时识别速度也保证在0.5s以内，并且准确率在经过基于ORL人脸库的训练后可达到95%。

关键词：人脸检测；人脸识别；正交匹配追踪

Abstract

With the continuous development of information technology, face detection and recognition technology has become a very important research object in the field of computer vision because of its comprehensive knowledge of many fields, such as physics, biology, neural network and many other fields. Nowadays, face detection and recognition have been widely concerned, and applications based on face detection and recognition are endless. However, at the same time of its rapid development, the problem of poor performance of face detection and recognition caused by a series of reasons such as noise, illumination and so on is also urgently needed to solve.

The detection and recognition of images or video based on multiple faces has been widely used in the security areas such as community or company monitoring. Based on the MATLAB platform, a solution for multi-objective face detection and recognition for static images is designed and designed. In the process of preprocessing, median filter de-noising and histogram equalization are used to weaken the influence of illumination. The face detection section uses an efficient and accurate Viola-Jones algorithm. After segmentation detection of face, the feature texture information is extracted by LBP, and the improved orthogonal matching tracking algorithm is used to identify the feature matching. The main improvements are the following two points:

1) LBP extracts the eigenvalues, the traditional cyclic data comparison operation is changed to the matrix operation that MATLAB is better at, and the face image is split into multiple cell domain matrices and then compared with the center area matrix.

2) For face recognition, the traditional OMP algorithm is improved, that is, an iterative convergence condition is added to ensure the accuracy while improving efficiency.

Finally, the GUI interface is designed through MATLAB, which makes it more convenient for face recognition and training to test its accuracy and recognition time. The test results show that it can reduce the noise effectively, and the speed of recognition is gu4aranteed to be within 0.5s at the same time, and the accuracy rate can reach 95% after the training based on the ORL face database.

Keywords: face detection; face recognition; orthogonal matching pursuit.

目录

第1章 绪论 1

1.1 数字图像处理介绍 1

1.2 人脸检测识别的发展现状分析 1

1.3 本次课题的研究目的及意义 2

1.3.1 研究目的 2

1.3.2 研究意义 2

1.4 本次毕设内容安排 3

第2章 目标和总体设计 4

2.1 本次毕设目标 4

2.2 总体设计 4

2.3 本章小结 5

第3章 预处理 6

3.1 中值滤波 6

3.1.1 中值滤波基本原理 6

3.1.2 中值滤波优点 7

3.2 直方图均衡化 7

3.2.1 直方图均衡化基本原理 7

3.2.2 直方图均衡化优点 8

3.3 本章小结 8

第4章 人脸检测 9

4.1 Viola-Jones的整体框架 9

4.2 第一部分 9

4.2.1 haar-like特征 9

4.2.2积分图 10

4.3 第二部分 11

4.3.1 Adaboost算法介绍 11

4.3.2 Adaboost在Viola-Jones的应用 11

4.4 第三部分 12

4.5 本章小结 13

第5章 人脸识别 14

5.1 LBP提取特征信息 14

5.1.1 LBP介绍 14

5.1.2 LBP提取特征信息 15

5.1.3 LBP算法的优点 16

5.2 OMP算法进行特征匹配 17

5.2.1 稀疏表示 17

5.2.2 正交匹配追踪算法（OMP）基本原理 18

5.2.3 传统正交匹配追踪算法具体步骤 19

5.2.4 传统OMP用于人脸识别的弊端 21

5.2.5 针对人脸识别对OMP进行的改进 21

5.2.6 改进OMP算法MATLAB的实现 22

5.3本章小结 23

第6章 系统界面设计 24

6.1 界面整体框架 24

6.2 训练模块 25

6.2.1 训练模块实现的功能 25

6.2.2 关键代码解释 26

6.3 测试模块 27

6.3.1 测试模块实现的功能 27

6.3.2 关键代码解释 29

6.4 成果展示 30

6.5 本章小结 33

第7章 总结和展望 34

7.1 工作总结 34

7.2 工作展望 34

参考文献 35

致谢 37

第1章 绪论

1.1 数字图像处理介绍

数字图像处理又称为计算机图像处理。它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程^[1]。经处理后的图像也将因为其更容易达到人们预先期望的结果而极大提升了它的实用性。它是信息技术领域的一个重要研究分支，涉及了多个领域的知识，应用也遍及众多场合，比如多媒体集成，视频监控，医学观测等。而它要达到的主要目的有以下三个方面。一是通过去噪滤波等相关操作提高图像本身的视觉质量，从而使图像看起来更加令人舒适和便于观察。二是提取图像中包含的一些关键特殊信息比如本次毕设中先提取人脸的纹理特征信息，从而便于计算机对其进行进一步的操作和处理。三是对图像数据进行编码，变换等操作，从而能更轻松的对图像实行存储或传输等操作。

数字图像处理的优势可以从以下几个方面看出。一是再现性好。数字图像全部都能用数组表示进而在计算机内运行处理，这样可以保证数据不会丢失或损坏。二是通用性强。不论是可视图像还是远红外图像、X光图像等不可见光图像，这些图像虽然规模精度等各不相同但是数字化后都可以进行同样的计算机处理。三是精度高。通过现有的计算机处理技术完全可以把传统的模拟图像数据化为任何指定大小的二维数组。从这一点可以轻松看出图像数字化后达到的精度将可以满足当前市场中任何软件或硬件对图像质量的要求。反观模拟图像处理要达到相同精度不仅成本高昂而且难以实现。

数字图像处理在如今主要是在以下几个研究领域进行深入探索和发展。一是图像编码，又可称之为图像压缩。主要目的是研究通过什么方法可以对图像信息进行高效编码从而实现数据压缩，在本次毕设中用到的稀疏表示的知识也是为了在不影响图像质量的情况下压缩信息量，简化计算。二是图像增强，图像增强是一种可以调整图像视觉质量的方法。它的目的是突出图像中人感兴趣的重要的信息，弱化或者去除那些不重要的干扰信息。比如强化图像中的高频分量可以使图像的边缘更加清晰。三是图像分割，这也是本次毕设用到的重要的图像处理技术之一。它是将图像按灰度或集合特性分割成若干区域的技术，比如将检测出的多个人脸按照规则将其分割出来从而可以进行逐一的人脸识别。四是图像复原，图像复原是追溯图像质量降低的原因从而以此反向将图像回复到原本样貌。五是图像分类，图像分类是将经过预处理如压缩，增强等的图像中人感兴趣的物体特征进行分割和特征提取，从而把不同类的目标区域分开的技术。

1.2 人脸检测识别的发展现状分析

在计算机视觉研究的领域中，对目标物体进行定位与描述是一个备受关注的研究课题^[2]。而其中人脸的检测识别一直是这其中的重点课题。人脸检测通常指的是通过肤色或者其他人脸特有特征定位出人脸所在位置，而人脸识别是指先分析提取之前定位的人脸中的特征信息然后与数据库中保存的人脸特征信息进行特征匹配最后识别出这个人是谁。总结来讲，人脸检测与识别是一种利用人脸固有的生理特征来识别人的物理特征识别的技术^[3]。时至今日国外研究人脸检测识别的机构数量依然在不断攀升，其中代表性的有MIT,CMU,MSU,UVLA等等。在国内也有一大批比如清华大学，中国科学院计算机研究所，南京大学等科研院所和高等院校在研究人脸检测识别。有一些机构还建立了公共的人脸库图像（如MIT-CBCL人脸库、CUM-PIE人脸库等），对人脸检测识别的算法进行测试比较来验证算法的检测效果^[4]。随着相关技术的成熟，目前人脸检测识别的应用已经非常广泛。比如微软公司在几年前发布的一个很有趣的网站how-old.net，这个网站可以通过分析人脸得到测试人的年龄，种族，性别等信息，准确率也很高。除此之外还有近期越来越流行的人脸考勤，人脸验票，人脸登录以及有利于城市治安管理的视频监控中的多目标人脸检测识别等等。这些应用都已经因其极高的实用性而得以广泛应用，从而极大地便利了人们的生活。

虽然从这几年取得的成果来看，人脸检测识别技术的确在飞速进步和完善，但与此同时国内外在人脸检测识别领域也存在一些共性问题亟待解决：一是图像噪声会极大地降低人脸检测识别的性能。通常因成像设备、环境光照以及传输信道等造成的影响会直接导致人脸图像中存在很多噪声。所以最终人脸检测识别的性能会因为输入图像的信噪比很低而受到极大影响；二是针对多姿态，表情人脸的检测和识别性能不尽人意，计算效率低且准确率不高。

综上所述，首先可以看出人脸检测识别对身份验证和安防监视等诸多计算机视觉领域的研究有重要联系和意义。然后相比其他生物识别方式，人脸识别技术具有易用程度高、接受程度高、准确度高的优越性，且成本较低，稳定性好^[5]。所以基于以上两点国内外对其都是十分看重也有很多研究成果正在出炉。与此同时其尚存在的问题也不容小视，首先是噪声对人脸检测识别性能的影响，然后是对多姿态人脸的处理效果并不十分理想。人脸检测和识别是一项繁杂且具有挑战性的工作，如何解决以上的问题也将成为以后人脸检测和识别研究发展的重心。

1.3 本次课题的研究目的及意义

1.3.1 研究目的

本次毕业设计旨在基于MATLAB的平台中，先用合适的滤波方法对视频监控拍摄的图像进行预处理，然后用合适的算法定位人脸区域，即完成检测部分，然后利用LBP提取人脸的特征纹理信息并将其作为变量存入mat文件中，之后利用稀疏表示领域的正交匹配追踪算法进行特征匹配和识别，并且最终能通过手动纠错系统将未识别的人脸的特征纹理信息作为变量存入mat文件即人脸数据库中，以便于下次识别。

1.3.2 研究意义

从科学研究方面来看，人脸检测识别早就被视为计算机视觉领域中前景无限而且充满挑战的研究课题。因为它覆盖了数字图像处理、计算机视觉、神经网络、生理学，数学等诸多学科的内容，所以通过人脸检测识别的研究不仅能将多种学科知识融会贯通，还能进一步将计算机视觉领域的发展更上一个台阶。

从社会发展方面来看，随着物联网的崛起以及图像处理、模式识别，人工智能等科学技术的深入研究和高速发展，人机交互将会是生物特征识别系统发展的必然趋势。除此之外，社会对智能视频监控、人机交互，智能安防系统以及信息搜索等智能系统的需求愈发迫切。可以明显看出在上述应用以及其他大部分社会活动中人都是主体，都需要针对人体进行分析、跟踪和识别等操作。而相比于其他人体部位，人脸具有很强的自身稳定性和个体差异性，人脸信息对人体的分析、跟踪和识别起着到非常重要的作用，是当今研究热点^[6]。所以随着技术的不断革新，以后人脸检测和识别中的刷脸登录将会更加广泛的应用到各种产品中，在公众广告牌中嵌入人脸检测识别设备然后通过分析看广告牌的人的表情等信息判断该广告是否受欢迎的构想也将成为现实。除此之外安防监控中的多目标人脸检测识别的应用也将可以极大地遏制和打击犯罪活动。在未来人脸检测识别将深入到交通、网络、安全等多个领域，广泛应用到各行各业^[7]。这意味着以后人脸检测识别的相关应用将极大地便利人们的生活和保障人们的安全。

1.4 本次毕设内容安排

第2章系统阐述了本次毕设的目标和总体设计，完成多目标人脸检测和识别的具体步骤可分为以下几点：载入图片、预处理，人脸检测和人脸识别。

第3章阐述了预处理部分所用的中值滤波算法和直方图均衡化算法的基本原理及其优点，前者是在因其去除随机噪声的同时不会使图像边缘模糊而成为本次毕设预处理过程中去噪算法的首选，后者则是降低光照对图像的影响。

第4章详细讲述了人脸检测部分Viola-Jones算法的原理，其整体可分为三步，首先是利用积分图的思想来简化提取haar-like特征即矩形特征的计算过程，然后是通过Adaboost迭代算法找出最优弱分类器，并将其最整合为强分类器，最后一步就是通过对强分类器的级联使之效率更高，误检率更低。

第5章详细讲述了人脸识别中两个核心即LBP特征纹理提取和改进OMP算法进行特征匹配。LBP因为其图谱可以清晰地体现出人脸的眼睛，鼻子，嘴巴等标志性特征所以提取的信息很有代表性，再加上它对光照非常强的鲁棒性而成为人脸识别特征提取的首选。OMP算法则是将传统人脸特征匹配转换为了稀疏表示中求稀疏系数的问题。经过改进后首先因为其没有具体考虑鼻子眼睛等人脸具体目标而是考虑图片整体的相似性所以对不同姿态表情识别的准确率很高其次因算法的优化识别速度也很快。

第6章则阐述了本次毕设最终设计的多目标人脸检测和识别的系统界面的框架以及其实现的功能，并进行了最终的成果展示。

第7章是对本次毕设设计的整体情况进行工作总结和工作展望。

第2章 目标和总体设计

2.1 本次毕设目标

首先是阐述数字图像处理的基础原理，优点和它的研究方向，然后介绍人脸检测和识别并论述选题的国内外发展现况，现阶段的问题和研究意义，之后通过大量查阅国内外的相关研究文献和资料，分析和研究现有同类系统的工作原理、特点和所存在的问题。然后在此基础上，在MATLAB平台上针对多目标人脸进行人脸检测和识别的相关研究探讨并完成一个多目标人脸检测和识别的演示系统；其功能主要包括：通过对摄像头采集到的静态图像进行分析和处理，实现所设计的多目标人脸检测和识别的算法；系统能准确的检测、定位并标注出图像中的每一张人脸。然后对于所标注出的每一张人脸，分析收集其特征信息，并与mat文件中存储的人脸特征信息进行比对，进而识别出其中包含的每一张人脸；对于无法识别的人脸，则将其存入mat文件进行学习，以便下次识别时使用。然后针对所设计的系统，阐述系统的结构设计、数据设计、算法设计与分析等内容，并在实验、调试和测试的基础上，对所设计的系统的性能和效果进行理论分析和实验测试分析。最后在此基础上，针对如何进一步提高系统的性能和效果，提出改进意见与见解。本次毕设拟解决的问题有两点：第一点是图像噪声对人脸检测和识别性能的影响，拟采用合适的滤波器使人脸检测识别性能提升；第二点通过改进人脸识别算法，使之准确率和计算效率都有所提升。

2.2 总体设计

多目标人脸检测识别主要分为四步。第一步是载入准备检测识别的含多个人脸的图像。第二步是对图像进行滤波去噪，即预处理，采用的是中值滤波和直方图均衡化，从而减弱

图2.1 人脸检测识别流程图

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：