计算机科学与技术毕业论文--人脸识别技术综述

计算机科学与技术毕业论文--人脸识别技术综述内容摘要：

主要是将眼睛鼻子嘴巴等提取出来 5 人脸的识别 将图片中提取得到的特征值和已有后台数据库中的值进行比较 3233 概要设计 系统流程图 34 程序设计与实验 光线补偿 1 算法思路 在对整个图像中所有像素亮度从高到低进行排列后取其前 5 的像素若这些像素的数量很多那么我们就将它们的亮度假定为参考白 Reference White换句话说就是将它们的色彩的 RGB分量值都调整为 255同理这样处理整幅图像的其他像素点的色彩值 2 光线补偿的函数 LightCompensate 的伪代码 [7] 下面的循环对图像进行光线补偿 for i 0i heighti for int j 0j widthj 获取像素偏移 lOffset this PixelOffset ijwBytesPerLine 得到蓝色分量 lpDatalOffset colorb 绿色分量 colorb lpDatalOffset1 colorb co if colorb 255 colorb 255 lpDatalOffset1 colorb 红色分量 colorb lpDatalOffset2 colorb co if colorb 255 colorb 255 lpDatalOffset2 colorb 图像灰度化 1 算法思路 ① 彩色转换成灰度 彩色图像转化为灰阶图像一般采用如下公式使用 RGB 表示图像 gray＝ 039 R＋ 050 G＋ 011 B 其中 gray 为灰度值 RGB 分别为红色绿色和蓝色分量值 ② 灰度比例变换 灰度比例变换是把原像素的灰度控制在 [0255]空间主要通过乘以一个缩放因子实现 ③ 灰度线性变换 有时成像时会因曝光不足或曝光过度而使得对比度不足从而使图像中的一些细节分辨不清因此要将图像的灰度进行线性扩展常用的计算式为 其中 f是原像素的灰度 g为变换后的灰度这个变换主要是把属于 [ab]的灰度级变换至灰度区间 [cd]而不属于 [ab]区间的像素灰度将保持不变可见 a 被映射为 cb 被映射为 d abcdfg 均为 [0255]之间的 整数值 2 灰度化的伪代码 获取分量蓝色绿色红色分别为 ColorB lpData lOffset ColorG lpData lOffset1 ColorR lpData lOffset2 计算灰度值 gray ColorG50ColorR39ColorB11 100 显示灰度图像 lpData lOffset gray lpData lOffset1 gray lpData lOffset2 gray 其中 lpData 是图片数据区 lOffset 是图片像素的偏移 gray 是图像的灰度值 高斯平滑处理 1 图像的高斯平滑 [] 图像的高斯平滑邻域平均的思想简单平滑图像的高斯平滑中图像邻域不同位置的像素的权值模板靠近邻域中心的位置权值高更多地保留图像总体的灰度分布特征把线性存储的像素转化为二维数组形式 BYTE CreatImage BYTE image unsigned int width unsigned int height int bt 4 其中 image 表示线性存储的像素 widthheight 图像的长宽获得图像灰度 RGB求平均值的方法 BYTE GetAsh BYTE imageBuf0 int x int y 其中 imageBuf为目标图像 xy为要取得像素的坐标设定指定位置的像素灰度void SetPixelXY BYTE imageBuf1 int x int y int a 其中 imageBuf 为目标图像 xy为要设定像素的坐标使用模板对灰度图邻域进行运算 int TempltExcuteAsh BYTE imageBuf0 int w int h int templt int tw int x int y 其中 imageBuf 为目标图像 wh 为图像 templt 为模板 tw 为邻域大小 xy为要取得像素的坐标 [9] 3 预测效果 以墨西哥女郎的照片为例下图就是高斯平滑的对比图 直方图均衡 1 直方图均衡的思想 直方图均衡化处理的是把原始图像的灰度直方图从比较集中的灰度区间全部灰度范围内的均匀分布直方图均衡化就是图像非线性拉伸重新分配图像像素值使一定灰度范围内的像素数量相同设原始图像在 xy 处的灰 度改变后的可表述为将在 xy 处的灰度 f 映射为 g 在灰度直方图均衡化中图像的映射函数 g EQ f 映射函数 EQ f 必须满足两个条件 1 EQ f 在 0≤ f≤ L1 其中 L 为图像的灰度级数 范围内是一个函数保证处理打乱原始图像的灰度排列次序 2 对于 0≤ f≤ L1 必有 0≤ g≤ L1 保证了变换前后灰度值动态范围的一致性累计分布函数 [] 累计分布函数 CDF cumulative distribution function 就能满足上述两个条件并且通过该函数可以完成将原图像 f 的分布转换成 g 的均匀分布此 时的直方图均衡化映射函数为 gk EQ fk nin pf fi k 012L1 求和区间为 0到 k根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值在实际处理变换时一般先对原始图像的灰度情况进行统计分析并计算出原始直方图分布然后根据计算出的累计直方图分布求出fk到 gk的灰度映射关系在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后按照这个映射关系对源图像各点像素进行灰度转换即可完成对源图的直方图均衡化对于一个直方图 设 Pr r 是原 始图像直方图 Ps s 是均衡化的直方图由于其是一个概率分布函数 所以有 Ps s ds Pr r dr dsdr 是积分变量 令 Ps s 1 ds Pr r dr1 两边积分得 s Pr r dr 由于数字图像是离散的因此离散化上式得 sk E j 0k njN 其中左式 kj 是离散量下标编辑关系 E 0k 表示下标 0 到 k 的连加符号 N 是象素总数 由此得出每一象素的 sk 为均衡化后的正规化灰度即灰度正规化到 [01] 统计 sk 即可得出均衡化后的直方图在均衡化过程中可以对每一象素映射到新的实际灰度值 sk255 就实现了图像的变换保存原始直方图 double h new double[255] for i 0i 255i h[i] 00 保存变换后的直方图 double nh new double[255] for i 0i 255i nh[i] 00 统计每一灰度级的象素数量 long count new long[255] for i 0i 255i count[i] 0 for i 0i Ni count[image[i]] 统计正规化灰度概率 for i 0i 255i h[i] count[i] double N 正规化新灰度图 double hc for i 0i Ni hc 0 for j 0j image[i]j hc h[j] nh[image[i]] hc 保存新正规化灰度图 newimage[i] hc255 保存新图像灰度索引 随着毕业日子的毕业设计也接近尾声经过奋战我的毕业设计完成在没有做毕业设计前觉得毕业设计只是对这几年来所学知识的总结但是通过这次做毕业设计发现自己的看法有点毕 业设计不仅是对前面所学知识的一种检验是对自己能力的一种提高人脸识别很具有研究和应用价值并且得到了越来越多的研究机构和公司的亲来在国家安全计算机交互家庭娱乐等其他很多领域有着举足轻重的作用对提高办事效率防止社会犯罪等有着重大的经济和社会意义因此我很幸运能够接触这一比较前言的技术了解其一些原理算法和系统的设计实现等在此我得感谢在该方向做研究的我的指导老师 周欣老师 通过这次毕业设计使我学习是一个长期积累的过程在以后的工作生活中都应该不断的学习努力提高自己知识和综合素质此外还得出一个结论知识必须通过应用才能 实现其价值有些东西以为学会了但真正到用的时候才发现是两回事所以我认为只有到真正会用的时候才是真的学会了在这次毕业设计中同学之间互相帮助有什么不懂的大家在一起商量听听不同的看法对我们更好的理解知识所以在这里非常感谢帮助我的同学 Gabor 小波矩阵表征人脸的识别算法》 计算机 工程第 34 期 [9]蒋遂平人脸识别技术及应用简介中国计算机世界出版 Boosting RBF 神经网络的人脸识别》 计算机科学 2020 年第 135 期 [5]杨洋曹向峰平衡《基于模型匹配人脸识别的研究》辽宁大学学报自然科学版 第 35 卷 [6]谢 永华陈伏兵张生亮杨静宇 《基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法》 计算机应用与软件 第 25 卷 [7]张薇广西工学院 2020 届毕业论文 [8]王耀贵图像高斯平滑滤波分析山东省潍坊卫生学校卢春雨张长水李衍达《人脸自动识别方法综述》 电子学报 2020 年 4 月 [10]百度百科 [11]李武军王崇骏张炜陈世福 《人脸识别研究综述》模式识别与人工智能 2020 年 2 月 [12]陈北京王蔚宋加涛任小波 《一种融合二值边缘特征和灰度特征的人脸识别方法》 致 谢 感谢 附录 原文及译文 翻译原文来自 Thomas David Heseltine BSc Hons The University of York Department of Computer Science For the Qualification of PhD September 2020 《 Face Recognition TwoDimensional and ThreeDimensional Techniques》 4 Twodimensional Face Recognition 41 Feature Localization Before discussing the methods of paring two facial images we now take a brief look at some at the preliminary processes of facial feature alignment This process typically consists of two stages face detection and eye localisation Depending on the application if the position of the face within the image is known beforehand for a cooperative subject in a door access system for example then the face detection stage can often be skipped as the region of interest is already known Therefore we discuss eye localisation here with a brief discussion of face detection in the literature review section The eye localisation method is used to align the 2D face images of the various test sets used throughout this section However to ensure that all results presented are representative of the face recognition accuracy and not a product of the performance of。