人臉識別核心算法及matlab代碼

1、人臉識別核心算法在檢測到人臉并定位面部關(guān)鍵特征點之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預處理之后，饋入后端的識別算法。識別算法要完成人臉特征的提取，并與庫存的已知人臉進行比對，完成最終的分類。我們在這方面的主要工作包括：?基于 基于 LGBP LGBP 的人臉識別方法 的人臉識別方法問題： 問題：統(tǒng)計學習目前已經(jīng)成為人臉識別領(lǐng)域的主流方法，但實踐表明，基于統(tǒng)計學習的方法往往會存在“推廣能力弱”的問題，尤其在待識別圖像“屬性”未知的情

2、況下，更難以確定采用什么樣的訓練圖像來訓練人臉模型。鑒于此，在對統(tǒng)計學習方法進行研究的同時，我們還考慮了非統(tǒng)計模式識別的一類方法。思路： 思路：對于給定的人臉圖像，LGBP 方法首先將其與多個不同尺度和方向的 Gabor 濾波器卷積(卷積結(jié)果稱為 Gabor 特征圖譜)獲得多分辨率的變換圖像。然后將每個 Gabor 特征圖譜劃分成若干互不相交的局部空間區(qū)域，對每個區(qū)域提取局部鄰域像素的亮度變化模式，并在每個局部空間區(qū)域內(nèi)提取這些變化模式

3、的空間區(qū)域直方圖，所有 Gabor 特征圖譜的、所有區(qū)域的直方圖串接為一高維特征直方圖來編碼人臉圖像。并通過直方圖之間的相似度匹配技術(shù)（如直方圖交運算）來實現(xiàn)最終的人臉識別。在 FERET 四個人臉圖像測試集合上與 FERET97 的結(jié)果對比情況見下表。由此可見，該方法具有良好的識別性能。而且 LGBP 方法具有計算速度快、無需大樣本學習、推廣能力強的優(yōu)點。參見ICCV2005表.LGBP 方法與 FERET'97 最佳結(jié)果的對

4、比情況各測試子集合性能(首選正確識別率)對比算法 FB FC Dup I Dup II我們的算法性能 97.5% 96.9% 73.8% 70.5%FERET’97 最好結(jié)果 96.0% 82.0% 59.0% 52.0%?基于 基于 AdaBoost 的 Gabor 特征選擇及判別分析方法 特征選擇及判別分析方法問題： 問題：人臉描述是人臉識別的核心問題之一，人臉識別的研究實踐表明：在人臉三維形狀信息難以準確獲取的條件下，從圖像數(shù)據(jù)中

5、提取多方向、多尺度的 Gabor 特征是一種合適的選擇。使用 Gabor 特征進行人臉識別的典型方法包括彈性圖匹配方法（EGM）和 Gabor 特征判別分類法（GFC） 。EGM 在實用中需要解決關(guān)鍵特征點的定位問題，而且其速度也很難提高；而 GFC 則直接對下采樣的 Gabor 特征用 PCA 降維并進行判別分析，盡管這避免了精確定位關(guān)鍵特征點的難題，但下采樣的特征維數(shù)仍然偏高，而且簡單的下采樣策略很可能遺漏了非常多的有用特征。摘要：

6、 摘要：針對上述問題，我們考慮如何對 Gabor 特征進行有效降維，將目前受到極大關(guān)注的 AdaBoost 算法創(chuàng)新性的應用于Gabor 特征的選擇上來，用于提取對識別最有利的特征（我們稱這些選擇出來的 Gabor 特征為 AdaGabor 特征） ，并最終通過對 AdaGabor 特征的判別分析實現(xiàn)識別（稱該方法為 AGFC 識別方法） 。在 CAS-PEAL 和 FERET 人臉圖像庫上的對比實驗表明：AGFC 方法不但可以大大降低

7、 Gabor 特征的維數(shù)從而可以更加有效地避免“維數(shù)災難問題” ，降低了計算復雜度，同時識別精度也有了較大的提高。將 AGFC 與 EGM，GFC 進一步比較可以看出：無論是 EGM 還是 GFC，均是主觀的選擇若干面部關(guān)鍵特征點提取人臉的特征表示，而我們提出的 AGFC 方法則是通過機器學習的②人臉規(guī)則法由于人臉具有一定的結(jié)構(gòu)分布特征，所謂人臉規(guī)則的方法即提取這些特征生成相應的規(guī)則以判斷測試樣品是否包含人臉； ③樣品學習法這種方法即采

8、用模式識別中人工神經(jīng)網(wǎng)絡的方法，即通過對面像樣品集和非面像樣品集的學習產(chǎn)生分類器；④膚色模型法這種方法是依據(jù)面貌膚色在色彩空間中分布相對集中的規(guī)律來進行檢測。⑤特征子臉法這種方法是將所有面像集合視為一個面像子空間，并基于檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。值得提出的是，上述 5 種方法在實際檢測系統(tǒng)中也可綜合采用。（2）人體面貌跟蹤面貌跟蹤是指對被檢測到的面貌進行動態(tài)目標跟蹤。具體采用基于模型的方法或基于運動與模型相結(jié)

9、合的方法。此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。（3）人體面貌比對面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，并找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要采用特征向量與面紋模板兩種描述方法：①特征向量法該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征

10、量形成一描述該面像的特征向量。②面紋模板法該方法是在庫中存貯若干標準面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板采用歸一化相關(guān)量度量進行匹配。此外，還有采用模式識別的自相關(guān)網(wǎng)絡或特征與模板相結(jié)合的方法。人體面貌識別技術(shù)的核心實際為“局部人體特征分析”和“圖形/神經(jīng)識別算法?！边@種算法是利用人體面部各器官及特征部位的方法。如對應幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進行比較、判斷與確認。一般要求判斷時

11、間低于 1 秒。2、人體面貌的識別過程一般分三步：（1）首先建立人體面貌的面像檔案。即用攝像機采集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，并將這些面像文件生成面紋（Faceprint）編碼貯存起來。（2）獲取當前的人體面像即用攝像機捕捉的當前出入人員的面像，或取照片輸入，并將當前的面像文件生成面紋編碼。（3）用當前的面紋編碼與檔案庫存的比對即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的“面紋編碼”方式