人臉識(shí)別核心算法及matlab代碼

1、人臉識(shí)別核心算法在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來(lái)，經(jīng)過(guò)預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫(kù)存的已知人臉進(jìn)行比對(duì)，完成最終的分類。我們?cè)谶@方面的主要工作包括：?基于 基于 LGBP LGBP 的人臉識(shí)別方法 的人臉識(shí)別方法問(wèn)題： 問(wèn)題：統(tǒng)計(jì)學(xué)習(xí)目前已經(jīng)成為人臉識(shí)別領(lǐng)域的主流方法，但實(shí)踐表明，基于統(tǒng)計(jì)學(xué)習(xí)的方法往往會(huì)存在“推廣能力弱”的問(wèn)題，尤其在待識(shí)別圖像“屬性”未知的情

2、況下，更難以確定采用什么樣的訓(xùn)練圖像來(lái)訓(xùn)練人臉模型。鑒于此，在對(duì)統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行研究的同時(shí)，我們還考慮了非統(tǒng)計(jì)模式識(shí)別的一類方法。思路： 思路：對(duì)于給定的人臉圖像，LGBP 方法首先將其與多個(gè)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(gè) Gabor 特征圖譜劃分成若干互不相交的局部空間區(qū)域，對(duì)每個(gè)區(qū)域提取局部鄰域像素的亮度變化模式，并在每個(gè)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(lái)編碼人臉圖像。并通過(guò)直方圖之間的相似度匹配技術(shù)（如直方圖交運(yùn)算）來(lái)實(shí)現(xiàn)最終的人臉識(shí)別。在 FERET 四個(gè)人臉圖像測(cè)試集合上與 FERET97 的結(jié)果對(duì)比情況見下表。由此可見，該方法具有良好的識(shí)別性能。而且 LGBP 方法具有計(jì)算速度快、無(wú)需大樣本學(xué)習(xí)、推廣能力強(qiáng)的優(yōu)點(diǎn)。參見ICCV2005表.LGBP 方法與 FERET'97 最佳結(jié)果的對(duì)

4、比情況各測(cè)試子集合性能(首選正確識(shí)別率)對(duì)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(wèn)題： 問(wèn)題：人臉描述是人臉識(shí)別的核心問(wèn)題之一，人臉識(shí)別的研究實(shí)踐表明：在人臉三維形狀信息難以準(zhǔn)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(jìn)行人臉識(shí)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(shí)用中需要解決關(guān)鍵特征點(diǎn)的定位問(wèn)題，而且其速度也很難提高；而 GFC 則直接對(duì)下采樣的 Gabor 特征用 PCA 降維并進(jìn)行判別分析，盡管這避免了精確定位關(guān)鍵特征點(diǎn)的難題，但下采樣的特征維數(shù)仍然偏高，而且簡(jiǎn)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(duì)上述問(wèn)題，我們考慮如何對(duì) Gabor 特征進(jìn)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(yīng)用于Gabor 特征的選擇上來(lái)，用于提取對(duì)識(shí)別最有利的特征（我們稱這些選擇出來(lái)的 Gabor 特征為 AdaGabor 特征） ，并最終通過(guò)對(duì) AdaGabor 特征的判別分析實(shí)現(xiàn)識(shí)別（稱該方法為 AGFC 識(shí)別方法） 。在 CAS-PEAL 和 FERET 人臉圖像庫(kù)上的對(duì)比實(shí)驗(yàn)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(zāi)難問(wèn)題” ，降低了計(jì)算復(fù)雜度，同時(shí)識(shí)別精度也有了較大的提高。將 AGFC 與 EGM，GFC 進(jìn)一步比較可以看出：無(wú)論是 EGM 還是 GFC，均是主觀的選擇若干面部關(guān)鍵特征點(diǎn)提取人臉的特征表示，而我們提出的 AGFC 方法則是通過(guò)機(jī)器學(xué)習(xí)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(yīng)的規(guī)則以判斷測(cè)試樣品是否包含人臉； ③樣品學(xué)習(xí)法這種方法即采

8、用模式識(shí)別中人工神經(jīng)網(wǎng)絡(luò)的方法，即通過(guò)對(duì)面像樣品集和非面像樣品集的學(xué)習(xí)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(duì)集中的規(guī)律來(lái)進(jìn)行檢測(cè)。⑤特征子臉?lè)ㄟ@種方法是將所有面像集合視為一個(gè)面像子空間，并基于檢測(cè)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(shí)際檢測(cè)系統(tǒng)中也可綜合采用。（2）人體面貌跟蹤面貌跟蹤是指對(duì)被檢測(cè)到的面貌進(jìn)行動(dòng)態(tài)目標(biāo)跟蹤。具體采用基于模型的方法或基于運(yùn)動(dòng)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(jiǎn)單而有效的手段。（3）人體面貌比對(duì)面貌比對(duì)是對(duì)被檢測(cè)到的面貌像進(jìn)行身份確認(rèn)或在面像庫(kù)中進(jìn)行目標(biāo)搜索。這實(shí)際上就是說(shuō)，將采樣到的面像與庫(kù)存的面像依次進(jìn)行比對(duì)，并找出最佳的匹配對(duì)象。所以，面像的描述決定了面像識(shí)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(jì)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(kù)中存貯若干標(biāo)準(zhǔn)面像模板或面像器官模板，在進(jìn)行比對(duì)時(shí)，將采樣面像所有象素與庫(kù)中所有模板采用歸一化相關(guān)量度量進(jìn)行匹配。此外，還有采用模式識(shí)別的自相關(guān)網(wǎng)絡(luò)或特征與模板相結(jié)合的方法。人體面貌識(shí)別技術(shù)的核心實(shí)際為“局部人體特征分析”和“圖形/神經(jīng)識(shí)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(duì)應(yīng)幾何關(guān)系多數(shù)據(jù)形成識(shí)別參數(shù)與數(shù)據(jù)庫(kù)中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。一般要求判斷時(shí)

11、間低于 1 秒。2、人體面貌的識(shí)別過(guò)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(jī)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(lái)。（2）獲取當(dāng)前的人體面像即用攝像機(jī)捕捉的當(dāng)前出入人員的面像，或取照片輸入，并將當(dāng)前的面像文件生成面紋編碼。（3）用當(dāng)前的面紋編碼與檔案庫(kù)存的比對(duì)即將當(dāng)前的面像的面紋編碼與檔案庫(kù)存中的面紋編碼進(jìn)行檢索比對(duì)。上述的“面紋編碼”方式