CN104834905A - 一种人脸图像识别仿真系统及方法 - Google Patents

Abstract

本发明公开了一种人脸图像识别仿真系统及方法，该系统包括采用一种基于MATLAB的主成份分析人脸图像识别仿真系统及方法，主要包括人脸图像采集和定位、图像预处理、图像特征提取、人脸识别四大部分；该方法可以解决不与目标相接触就取得样本图像、利用人脸图像来进行身份验证的问题，可以解决国家安全系统人脸数据库和逃犯数据库之间的识别匹配，可以解决各类证件如驾照、护照等与实际持证人的身份核对，可以解决各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证、社会保险人的身份验证，可以解决在家庭娱乐领域,智能玩具、家政机器人对主人身份的识别。

Description

一种人脸图像识别仿真系统及方法

技术领域

本发明属于人脸图像识别技术领域，具体地说，涉及一种人脸图像识别仿真系统及方法。

背景技术

自70年代以来，随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，这一领域除了它的重大理论价值外，也极具实用价值。

在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。

同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。现在己有实用的计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟的人脸自动识别系统出现。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性；以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。

人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。

发明内容

为了克服现有技术中存在的缺陷，提出一种基于MATLAB的主成份分析人脸图像识别系统及方法。该方法，可以解决不与目标相接触就取得样本图像、利用人脸图像来进行身份验证的问题，可以解决国家安全系统人脸数据库和逃犯数据库之间的识别匹配，可以解决各类证件如驾照、护照等与实际持证人的身份核对，可以解决各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证、社会保险人的身份验证，可以解决在家庭娱乐领域，智能玩具、家政机器人对主人身份的识别。

为达到上述技术目的，本发明采用一种基于MATLAB的主成份分析人脸图像识别仿真系统，主要包括人脸图像采集和定位、图像预处理、图像特征提取、人脸识别四大部分；

所述人脸图像采集一般是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片，或者不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。所述定位过程是从图片中确定是否有人脸，若存在人脸，给出其在图像中的坐标位置、人脸区域大小等信息。

所述图像的预处理主要是对人脸图像在识别前进行各方面的处理来增强人脸特征。主要的预处理方法有灰度变换、直方图修正、图像的锐化与平滑以及图像的几何校正。

所述人脸特征提取主要是提取可以表示人脸信息的关键特征。如何能够提取有效的特征是人脸识别的关键所在。人脸的代数特征是将人脸看成一个数据矩阵,提取这个数据矩阵的一些特性进行人脸比对。一张人脸图像的维数是非常高的,处理起来的计算量是很大，不利于图像的处理和区分。为了区分出人脸图像，引入主成份分析,即将高位空间中的主要信息提取出来，以此解决维数过高的计算量以及数据冗余问题。基于主成分分析的人脸识别算法,首先应用K-L变换,求出训练人脸空间的特征值,对特征值进行一定的取舍,然后构成一个新的低维正交基空间,将所有的人脸投影在这个低维空间中,然后计算与待测图像的人脸最近的人脸图像,最后完成人脸识别。

所述人脸识别,主要是比较待识别的人脸与预存数据库中的人脸在特征脸空间的距离,找出距离最小的人脸图像,然后输出达到身份验证的作用。分为三个主要步骤：(1)用预存人脸数据库的中的图像数据构建特征脸空间，假设人脸图像的像素为M*N,将每张人脸图像列相接构成一个列矩阵D。D是人脸图像的维数也是图像空间的维数。为了减少计算量即减少维数，舍掉一部分特征值,保留较大的特征值，得到一个由特征脸组成的特征脸空间,每一张预存人脸数据库的图像都可进行投影并获得唯一表示的一组坐标,这组坐标就代表在特征脸空间中的人脸图像,有了坐标后就可以计算出最近的人脸图像。(2)预存人脸图像的特征提取，主成分分析的人脸识别算法主要利用K-L变换来提取特征，基本原理是在人脸空间中找出一组m个正交矢量,这组正交矢量要能最大限度的表示人脸数据的方差。然后将原始矢量从n维空间投影到新的正交矢量构成的m维特征脸空间，从而完成数据的映射与压缩。(3)人脸识别，将预存人脸数据库中的每张人脸照片和待识别照片投影到特征脸空间,每张人脸图片在特征脸空间中得到唯一的一组坐标。通过计算待识别照片的坐标与预存数据库中的每张人脸的坐标的距离值,距离最小的坐标所代表的人脸就是识别了的人脸图像。人脸间的距离采用欧氏距离公式来计算。

$d(x,y)=\left|\right|x-y\left|\right|={\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-y_i)}^2\right]}^{\frac{1}{2}}$

优选地，本人脸图像识别仿真系统以主成分分析算法作为核心，将人脸看成一个数据矩阵,提取这个数据矩阵的一些特性进行人脸比对，从而达到人脸图像识别的目的。

人脸图像识别仿真方法，包括以下步骤：

第一步:图像采集和人脸定位，图像预处理。

第二步:预存人脸库,建立特征脸空间。

第三步:将预存人脸图像和待识别图像投影到特征脸空间上。

第四步:输出与待识别图像最近距离的人脸图像。

当输入一张人脸图像时,系统能够从预存人脸数据库中找出一张与待识别人脸图像中的人脸一致的图像。先创建一个预存人脸数据库,数据库中存放着尺寸大小相同的人脸图像,可以选择测试者、每位测试者有几张人脸图像，且表情都有一定变化。再创建一个待识别人脸数据库,库中有这几位测试者的另外一张人脸表情图像。运行程序,分别选择预存人脸数据库和待识别人脸数据库的路径。输入待识别人脸数据库中图像的名称。最后,显示识别人脸图像。

本发明的有益效果在于：

(1)此人脸图像识别仿真系统具有广泛的应用前景,在公安系统的罪犯身份识别,各类证件如驾照、护照等与实际持证人的身份核对,银行及海关口岸监控系统和自动门卫监控系统等。

(2)在民事和经济领域,各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证、社会保险人的身份验证；

(3)在家庭娱乐等领域,此人脸图像识别也具有一些有趣有益的应用,比如能够识别主人身份的智能玩具、家政机器人、具有真实面像的虚拟游戏玩家等等。

附图说明

图1是人脸图像识别仿真系统框架图；

图2是人脸图像仿识别真方法流程图；

图3创建预存人脸向量库函数流程图；

图4求特征脸空间函数流程图；

图5人脸识别函数流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细地说明。

人脸图像识别仿真系统，一般可按顺序分为人脸图像采集和定位、图像预处理、图像特征提取、人脸识别四大部分。如图1所示。

人脸识别仿真系统在MATLAB上运行,系统的主流程图如图2所示。主要实现的功能是当输入一张人脸图像时,系统能够从预存人脸数据库中找出一张与待识别人脸图像中的人脸一致的图像。先创建一个预存人脸数据库,数据库中存放着尺寸大小相同的人脸图像,可以选择测试者、每位测试者有几张人脸图像，且表情都有一定变化。再创建一个待识别人脸数据库,库中有这几位测试者的另外一张人脸表情图像。运行程序,分别选择预存人脸数据库和待识别人脸数据库的路径。输入待识别人脸数据库中图像的名称。最后,显示识别人脸图像。

所述选择预存人脸数据库，系统首先提示选择预存人脸图像库。预存人脸数据库中包含有10位测试者,其中有八位测试者的人脸照片来自Essex人脸库。两位位来自建的人脸库。每人共有五张人脸图像,共有五十张人脸图像。每张图像的人脸拍摄角度都是正面,人脸也没有遮挡物。人脸照片都是在测试者说话的时候拍的,所以人脸表情都有一定幅度的变化。每张图像的大小都是180x200。图像的格式为JPG格式。每张图片按顺序命名。

所述选择待识别人脸数据库，待识别人脸数据库中的测试者与预存人脸数据库中的测试者相同,这里采用与预存人脸数据库中不同的照片。每位测试者一张照片,共十张照片。待识别人脸数据库中图片的釆集环境以及图像的尺寸和格式以及拍摄角度都相同。即预存人脸图像数据库中的测试者照片与待识别人脸数据库中的照片在同一环境下采集的。

所述待输入识别人脸图像，选择完预存人脸数据库以及待识别人脸数据库后就可以选择需要识别的人脸图像,因为本系统的人脸图像数据的提取方式是按照图片的名称提取的,所以所有图片的命名采用罗马数字并且必须是相连的,命名的数字不可以有间断否则系统会进行报错。所以输入的待识别人脸图像的名称必须是罗马数字而且输入的数字不可以超过待识别人脸图像的总数。

以上三步的MATLAB中实现的代码如下：

TrainDatabasePath＝uigetdir(strcat(matlabroot,'\work'),'选择预存人脸数据库')；

TestDatabasePath＝uigetdir(strcat(matlabroot,'\work'),'选择待识别人脸数据库')；

prompt＝{‘输入测试图像：’}；

dig_title＝'输入测试图像"；

num_lines＝1；

def＝{‘1’}；

Testlmage＝inputdlg(prompt,dig_title,num_ines,def)；

Testlmage＝strcat(TestDatabasePath,‘\’char(Testlmage),'.jpg')；

以上程序先创建选择预存人脸数据库的窗口,在提示的窗口中选择预存人脸数据库的文件夹,然后在创建选择待测人脸数据库的窗口,可以选择待测人脸数据库的文件夹,最后创建输入待识别人脸图像的窗口,此时要输入对应的待识别人脸图像的名称。一定要注意输入的是罗马数字且大小不可以超过图片数。

所述创建预存人脸向量库T，在MATLAB中引入函数FaceVectorDatabase，流程图如图3所示。此函数的输入为预存人脸数据库的路径,输出为预存人脸向量库T。主要实现的功能是将预存人脸数据库中的图像转换为列向量来构成预存人脸向量库T。首先找到预存人脸数据库中的文件,计算文件中所含图片的总数L。其次,对预存人脸数据库中的每一张彩色图片转换为灰度图片。然后,将每一张图片转换为一个列向量。假设灰度图像的行数为n,列数为m,则灰度图像就转换为一个nxm行,1列的向量。最后,将所有图像的列向量组成一个nxm行,L列的新矩阵T。

根据预存人脸数据库中的人脸图像创建人脸向量数据库T,根据人脸向量数据库T求出预存人脸向量库T的各列的均值为m,T中各列向量与均值m的差值构成矩阵A,通过矩阵A可以求出人脸向量库T的协方差矩阵的特征向量和特征值。然后用特征向量构成特征脸空间Eigenfaces。根据输入的待识别人脸图像Testlmage、均值矩阵m、差值矩阵A和特征脸空间就可以求出识别的人脸图像,输出识别的人脸图像名称Outputname。

在MATLAB中实现的代码如下所示:

上面的代码实现的功能是:首先读取预存人脸数据库路径并获得预存人脸数据库中包含的所有子文件夹和文件，并存放在数组Z中。然后将预存人脸数据库下的目录和索引图像都删除。最后得到预存人脸数据库中人脸图像的文件数。

所述求特征脸空间，在MATLAB中引入函数EigenfacesSpaces，流程图如图4所示。此函数的输入为预存人脸向量库T,输出为三个:矩阵T的均值即平均脸,每个人脸向量与平均脸的差形成的矩阵A,特征脸空间Eigenfaces。

在MATLAB中实现的代码如下所示:

function[m,A,Eigenfaces]＝EigenfacesSpaces(T)

m＝mean(T,2)；

mean_face＝reshape(m,l80,200)；

Image_mean＝mat2gray(mean_face)；

imwrite(Image_mean,'meanface’.jpg,'jpg')；

Train_Number＝size(T,2)；

上面的代码实现的功能是:求取预存人脸向量库T个列元素的平均值,并且将均值图像输出,即预存人脸图像的平均脸。

所述人脸识别，在MATLAB中引入函数FaceRecognition，流程图如图5所示。此函数的输入为四个量:待识别图像,每个人脸向量与平均脸的差形成的矩阵A,特征脸空间Eigenfaces,平均脸m。函数输出为识别了的图像名称。

首先将每个预存人脸图像重新在特征脸空间上投影。其次把待识别人脸图像转化为灰度图像,将其转化为一维列向量,再计算预存人脸图像与均值m的差值。然后将差值图像投影到特征脸空间。这样每个预存人脸图像和待识别人脸图像在特征脸空间上都有一个坐标。最后按照欧式距离的计算方法计算待识别人脸图像与预存数据库中的人脸图像的距离,将距离最小的预存人脸图像输出当作识别的结果。

在MATLAB中实现的代码如下所示:

上面的代码实现的功能是:将预存人脸数据库中的图像以及待识别人脸图像投影到特征脸空间后,每张人脸图像都得到一组唯一的坐标。通过欧式距离可以求得与待识别人脸图像距离最小的人脸图像，并输出图像的名称。

所述人脸识别结果显示，通过函数FaceRecognition得到识别的人脸图像名称，将待识别人脸图像和识别了的人脸图像输出在同一个显示框内。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (2)

1.一种人脸图像识别仿真系统，其特征在于：采用一种基于MATLAB的主成份分析人脸图像识别仿真系统，主要包括人脸图像采集和定位、图像预处理、图像特征提取、人脸识别四大部分；

所述人脸图像采集一般是通过摄像头摄取，但摄取的图像是真人，或者是人脸的图片，或者不考虑通过摄像头来摄取头像，而是直接给定要识别的图像；所述定位过程是从图片中确定是否有人脸，若存在人脸，给出其在图像中的坐标位置、人脸区域大小的信息；

所述图像的预处理主要是对人脸图像在识别前进行各方面的处理来增强人脸特征；主要的预处理方法有灰度变换、直方图修正、图像的锐化与平滑以及图像的几何校正；

所述人脸特征提取主要是提取表示人脸信息的关键特征；如何能够提取有效的特征是人脸识别的关键所在；人脸的代数特征是将人脸看成一个数据矩阵,提取这个数据矩阵的一些特性进行人脸比对；一张人脸图像的维数是非常高的,处理起来的计算量是很大，不利于图像的处理和区分；为了区分出人脸图像，引入主成份分析,即将高位空间中的主要信息提取出来，以此解决维数过高的计算量以及数据冗余问题；基于主成分分析的人脸识别算法,首先应用K-L变换,求出训练人脸空间的特征值,对特征值进行一定的取舍,然后构成一个新的低维正交基空间,将所有的人脸投影在这个低维空间中,然后计算与待测图像的人脸最近的人脸图像,最后完成人脸识别；

所述人脸识别:主要是比较待识别的人脸与预存数据库中的人脸在特征脸空间的距离,找出距离最小的人脸图像,然后输出达到身份验证的作用；分为三个主要步骤：(1)用预存人脸数据库的中的图像数据构建特征脸空间，假设人脸图像的像素为M*N,将每张人脸图像列相接构成一个列矩阵D；D是人脸图像的维数也是图像空间的维数；为了减少计算量即减少维数，舍掉一部分特征值,保留较大的特征值，得到一个由特征脸组成的特征脸空间,每一张预存人脸数据库的图像都能进行投影并获得唯一表示的一组坐标,这组坐标就代表在特征脸空间中的人脸图像,有了坐标后就能计算出最近的人脸图像；(2)预存人脸图像的特征提取，主成分分析的人脸识别算法主要利用K-L变换来提取特征，基本原理是在人脸空间中找出一组m个正交矢量,这组正交矢量要能最大限度的表示人脸数据的方差；然后将原始矢量从n维空间投影到新的正交矢量构成的m维特征脸空间，从而完成数据的映射与压缩；(3)人脸识别，将预存人脸数据库中的每张人脸照片和待识别照片投影到特征脸空间,每张人脸图片在特征脸空间中得到唯一的一组坐标；通过计算待识别照片的坐标与预存数据库中的每张人脸的坐标的距离值,距离最小的坐标所代表的人脸就是识别了的人脸图像；人脸间的距离采用欧氏距离公式来计算；

$d(x,y)=\left|\right|x-y\left|\right|={\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-y_i)}^2\right]}^{\frac{1}{2}}.$

2.一种人脸图像预处理仿真方法，其特征在于，包括以下步骤：

第一步：选择预存人脸数据库，系统首先提示选择预存人脸图像库；预存人脸数据库中包含有10位测试者,其中有八位测试者的人脸照片来自Essex人脸库；两位位来自建的人脸库；每人共有五张人脸图像,共有五十张人脸图像；每张图像的人脸拍摄角度都是正面,人脸也没有遮挡物；人脸照片都是在测试者说话的时候拍的,人脸表情都有一定幅度的变化；每张图像的大小都是180x200；图像的格式为JPG格式；每张图片按顺序命名；

第二步：选择待识别人脸数据库，待识别人脸数据库中的测试者与预存人脸数据库中的测试者相同,这里采用与预存人脸数据库中不同的照片；每位测试者一张照片,共十张照片；待识别人脸数据库中图片的釆集环境以及图像的尺寸和格式以及拍摄角度都相同；即预存人脸图像数据库中的测试者照片与待识别人脸数据库中的照片在同一环境下采集的；

第三步：待输入识别人脸图像，选择完预存人脸数据库以及待识别人脸数据库后就能选择需要识别的人脸图像,本系统的人脸图像数据的提取方式是按照图片的名称提取的,所有图片的命名采用罗马数字并且必须是相连的,命名的数字不能有间断否则系统会进行报错；输入的待识别人脸图像的名称必须是罗马数字而且输入的数字不能超过待识别人脸图像的总数；

第四步：创建预存人脸向量库T，在MATLAB中引入函数FaceVectorDatabase，此函数的输入为预存人脸数据库的路径,输出为预存人脸向量库T；主要实现的功能是将预存人脸数据库中的图像转换为列向量来构成预存人脸向量库T；首先找到预存人脸数据库中的文件,计算文件中所含图片的总数L；其次,对预存人脸数据库中的每一张彩色图片转换为灰度图片；然后,将每一张图片转换为一个列向量；假设灰度图像的行数为n,列数为m,则灰度图像就转换为一个nxm行,1列的向量；最后,将所有图像的列向量组成一个nxm行,L列的新矩阵T；

第五步：求特征脸空间，在MATLAB中引入函数EigenfacesSpaces，此函数的输入为预存人脸向量库T,输出为三个:矩阵T的均值即平均脸,每个人脸向量与平均脸的差形成的矩阵A,特征脸空间Eigenfaces；

第六步：人脸识别，在MATLAB中引入函数FaceRecognition，此函数的输入为四个量:待识别图像,每个人脸向量与平均脸的差形成的矩阵A,特征脸空间Eigenfaces,平均脸m；函数输出为识别了的图像名称；

第七步：人脸识别结果显示，通过函数FaceRecognition得到识别的人脸图像名称，将待识别人脸图像和识别了的人脸图像输出在同一个显示框内。