人脸识别中的图像处理技术.docx

人脸识别中的图像处理技术人脸识别中的图像处理技术人脸作为一种高普遍性、可以非接触式采集的重要生物特征，正被越来越多地用来进行身份鉴别。下面是YJBYS小编搜索整理的关于人脸识别中的图像处理技术，欢迎参考阅读，希望对大家有所帮助!想了解更多相关信息请持续关注我们应届毕业生培训网!人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别技术应用广泛，可用于安全验证系统、医学、档案管理、银行和海关的监控系统及自动门禁系统等[1]。与利用指纹、虹膜等其他人体生物特征进行身份识别的方法相比，人脸识别更加友好、方便和隐蔽。因其巨大的应用前景,以及其无可比拟的优越性，人脸识别越来越成为当前模式识别和人工智能领域的一个热点。图像预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小、位置以及人脸图像质量的一致性，必须对图像进行预处理。1、人脸识别的基本内容和过程人脸识别(FaceRecognition)一般可描述为：给定一静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。从广义上讲，其研究内容包括以下五个方面：(1)人脸检测(FaceDetection)：即从各种不同的场景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。(2)人脸表征(FaceRepresentation)：即确定表示检测出的人脸和数据库中的己知人脸的描述方式。通常的表示方法包括几何特征(如欧氏距离、曲率、角度等)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。(3)人脸鉴别(Faceidentification)：即通常所说的人脸识别，就是将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式与匹配策略。(4)表情分析(FacialexpressionAnalysis)：即对待识别人脸的表情进行分析，并对其加以分类。(5)物理分类(PhysicalClassification)：即对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。人脸识别的基本过程和框架如图1所示。人脸图像采集预处理特征提取识别预处理模块主要完成人脸图像质量的改善，包括提高图像对比度、消除噪声等，可视具体应用而选用。特征提取模块完成提取人脸特征，如何提取稳定和有效的特征是识别系统成败的关键。本文将分析人脸识别中涉及的图像处理技术。2、人脸识别中的图像预处理技术预处理的目的是为了提高图像质量、加强有用的信息。常用的预处理有姿态矫正、光照补偿、尺寸归一化、去噪、边界增强、提高对比度等，它是一项基础性工作，可在人脸特征提取之前根据需要有选择地进行适当的预处理操作。本文采用直方图均衡技术进行人脸图像的预处理，主要目的是增强对比度，提高图像质量。1、直方图均衡技术1.1直方图定义直方图是图像的一种统计表达。对一幅灰度图像，其灰度统计直方图反映了该图中不同灰度级出现的统计情况[2]。其定义为：P(sk)=nk/N其中nk表示图像的第k级灰度值，N表示像素总数。直方图能给出该图像的整体描述，例如图像的灰度范围、每个灰度级的频度和灰度的分布、整幅图像的平均明暗和对比度。直方图又分为直方图均衡化和直方图规定化。1.2直方图均衡技术直方图均衡化也叫直方图均匀化，就是把给定图像的直方图分布改变成均匀分布的直方图，它是一种常用的灰度增强方法[3]。本文在MATLAB环境下对采集后的图像进行了图像的预处理，见图2。图2(a)较暗，有些细节不够清晰，反映在直方图上就是其直方图所占据的灰度范围分布在较窄的区间，引起图像细节不清楚。图2(b)和图2(c)分别为对原始图像进行直方图均衡化得到的结果及其对应的直方图，由图2(c)可见均衡化后直方图占据了整个灰度值允许的范围，图像的灰度间距拉开，灰度分布均匀，从而增大了反差，使图像细节清晰，达到了图像增强的目的。2.线性平滑滤波均值滤波也称为线性滤波，其采用的主要方法为邻域平均法、超限像素平滑法和加权均值滤波法。这里以邻域平均法为例进行说明。邻域平均法，其基本原理是用均值替代原图像中的各个像素值，即对待处理的当前像素点(x,y)选择一个模板(图3所示为一均值滤波模板)求模板中所有像素的均值，再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y)。模板运算的基本步骤为：将模板在图像中漫游，并将模板中心与图像中的某个像素位置重合;将模板上系数与模板下对应的像素相乘;将所有乘积加起来;将和(模板的输出响应)赋给图像中对应模板中心位置的像素。图4所示为在MATLAB中对含噪图像图4(a)进行均值滤波的效果图，从图4(b)中可以发现达到了去噪效果。3.非线性平滑滤波非线