基于labview的人脸检测与识别系统的研究

基于labview的人脸检测与识别系统的研究内容摘要：

金融服务、电子商务、政府部门、公共管理、国家安全、信息安全、智能家居、人机交互等领域显示出其无可比拟的优越性。 另外，人脸识别技术还将推动图像处理、模式识别理论与应用的发展，同时由于人脸模式的特殊性，对人脸识别进行应用研究，对推动认知科学、生理学、心理学等相关学科的研究也有积极的影响。 本文 将 重点研究人脸检测定位及特征提取技术，提出了一个人脸识别系统框架，并细化各模块的功能。 利用 LabVIEW 2020 SP1 与 IMAQ Vision 图像处理软件包，结合 实现了人脸检测与识别系 统， 使 系统操作简单，界面友好，可靠性高。 [3][4][8][10] 人脸识别技术的研究随着电子计算机的诞生和使用开始于上世纪 60 年代。 当时，很多生理学家、心理学家和神经科学家做了大量的基础性研究，从算法的角度来看， 90 年代以前，主要是采用人脸特征部件的几何特征，由于这类特征的极度不稳定性，使当时的识别性能难以得到提高。 人脸识别技术的真正兴起，是在 90 年代， Turk 和 Pentland 等人提出了采用 KL 变换的特征脸方法，使在限定条件下的识别率达到了 90%左右 [5]。 特别是 事件的发生，使人脸识别技术变得更为世人关注。 国外的人脸识别发展的比较早，最早关于人脸识别的研究可以追溯到 19 世纪末 Nature 杂志发表 Sir Francis Galton 在人脸侧面轮廓图像的研究。 因此相对来说国外在人脸识别方面的研究和应用比国内要成熟。 从 1993 年开始，美国国防高级研究项目组 (DARPA)和美国军方研究实验室(ARL)开展了 FERET(FaeialReeognitionTechnology)计划，建立了用于测试人脸识别算法的标准人脸数据库 FERET Database，并进行多次测试来比 较各种人脸识别算法。 2020 年，美国国家标准技术局（ NIST）举办了第一届人脸识别开发商测试大会（ FRVT 2020），这是第一次公开的、针对多种商业生物特征识别系统的大规模技术评测，此后，在 2020 年和 2020 年举办了两届， FRVT 的主要目的是评测系统在大规模数据库上的执行性能。 2020 年，人脸识别挑战赛（ Face RecognitionGrand Challenge， FRGC）启动， FRGC 由美国政府资助，针对人脸识别中存在的主要问题征集算法，参加者分析数据、尝试提出新方法去解决问题，然后，聚集到一起进 行讨论与交流。 这一挑战赛的参加者众多，表明人脸识别涉及的知识面广、问题复杂，同时也表明它受到学术界和企业界的广泛关注。 2020青岛科技大学研究生学位论文 3 年 3 月，美国 NIST 报告了 2020 年人脸识别供应商评测 (FRVT2020)结果，对控制光照条件下的极高分辨率正面人脸图像，最小错误接受率为 时，最小错误拒绝率已达到 ，对高分辨率、低分辨率下的正面人脸图像的识别，这个数据也分别达到了 与。 在一定条件，有些技术甚至超过了人类的人脸识别能力。 在人脸识别应用方面，美国威视讯公司的“ Face It”系统可同时 检测一群人的面貌，并将面像从背景中分离出来，自动调整尺寸，光度，表情及姿态造成的误差，然后与数据库中的人脸进行对比识别。 日本 Sony 公司新推出的数码相机里己整合了人脸自动识别功能，在拍照时，相机可自动识别出人脸区域并进行对焦，并且还具有笑脸识别功能，能自动检测笑脸。 国内人脸识别的研究起步虽然比国外晚，但发展速度很快，同时，国家对人脸识别方面的研究也给予了很高的重视。 863 计划、国家科技支撑计划、自然科学基金都拨出专款资助人脸识别的相关研究。 国家“十一五”科技发展规划中也将人脸识别技术的研究与发展列入其中， 明确指出 :“要在生物特征识别技术领域缩小与世界先进水平的差距，开展生物特征识别应用技术研究，开发具有高安全性、低误报率的出入口控制新产品”。 在这种环境下，国内一些科研院所和院校在人脸识别技术方面取得了很大进展 [6]。 2020 年，由中科院计算机所等单位承担的国家 863 计划之一的面像检测与识别核心技术通过专家鉴定。 该系统只需 1/10 秒或 1/20 秒即可自动检测到人脸。 目前，这一成果己经开发出银行安全防范管理系统、会议代表身份认证系统、面像识别考勤等 8 大应用系统，在一些领域得到初步应用。 光照对人脸的识别效果会产 生很大的影响，也是人脸识别技术中的难点。 中科院自动化所的中科奥森进红外人脸识别系统独树一帜，创造出独创的基于近红外图像的人脸识别核心技术和系统。 在不同光线条件下，能够拍摄不受环境光照变化影响的近红外人脸图像，彻底解决了困扰人脸识别领域的环境光照影响问题，识别率达到 %。 在由清华大学苏光大教授主持的二代身份证识别系统，通过以二代身份证内的大小只有 12k 的图像作为人脸的数据库，用摄像头采集人脸，获得了比较好的识别率和识别速度，并且在距离摄像头 2 米左右便可检测出人脸并进行识别。 2020 年，在北京奥运会 及残奥会开闭幕式，使用了由生物识别与安全技术研究中心研制的人脸识别技术进行实名制门票查验。 在奥运会及残奥会开闭幕式中，约 36 万人次经过了人脸识别系统的验证后进入开闭幕式现场。 这是人脸识别技术的一次成功的应用。 基于 LabVIEW 的人脸检测与识别系统 的研究 4 LabVIEW及 IMAQVision 简介 说到 LabVIEW 必然要先提到虚拟仪器技术。 虚拟仪器 (Virtual Instrument)就是在计算机上显示传统仪器面板，将硬件电路完成的信号调理和信号处理功能交由计算机程序来完成。 换言之，虚拟仪器主要以计算机为中心，通过最大限度地利用计算机系统的软 、硬件资源，使计算机在仪器中不但能像在传统程控化仪器中那样，完成过程控制、数据运算和处理工作，而且可以利用强有力的软件去代替传统仪器的某些硬件功能，直接产生出激励信号或实现所需要的各种测试功能。 虚拟仪器贯彻了“软件就是仪器 (Softwareis instrument)”的思想，以软件算法代替硬件电路 [11][12]。 LabVIEW[13][14][15]是实验室虚拟仪器集成环境 （ Laboratory Virtual Instrument Engineering orkbench） 的简称，是美国国家仪器公司 NI （ National Instruments）推出的图形化软件开发集成环境。 利用 LabVIEW 可以构成任意形式的虚拟仪器，如 GPIB、 VXI、 PXI 和嵌入式数据采集系统等，并可以通过互联网与其它数据源连接进行动态数据交换，同时也可以嵌入 ActiveX 控件，从其它开发环境调用LabVIEW 源代码，或用 LabVIEW 以动态链接库形式在 Windows 或其它平台下以分享库的形 式调用现存代码。 IMAQ Vision[58]是 LabVIEW 中的内嵌开发包，它包含了丰富的函数，例如 量化分析、图像增强、灰度、颜色、形 态、斑点分析和模式匹配等， 通过最新的空间校准特性，能够对图像进行校准从而完成精确的尺寸测量，而无需担心摄像机和镜头方面的图像扭曲。 在本文中， 有效地将 IMAQVision 和 Matlab 结合使用，大大 简化了人脸识别软件的开发进程。 其中， 图像采集模块与人脸 检测模块充分利用了 IMAQ Vision 中的各种函数， 加快 并简化 了 人脸的检测 的开发。 本文主要的研究内容及安排 本文以构建一个可用的、实用的基于 LabVIEW 的人脸检测和识别系统为目标，重点研究了人脸检测定位及特征提取技术。 总体说来，基于 LabVIEW 的 人脸识别系统可以简明扼要的表示为如图 11 所示的几个部分。 人 脸 检 测图 像 的 预 处理特 征 提 取 与识 别图 像 获 取 图 11 人脸识别流程 Face recognition process drawing 由图 11 可见，一个完整的人脸识别系统基本包括图像获取、人脸检测、人青岛科技大学研究生学位论文 5 脸图像的预处理、特征提取与识别。 其中 人脸检测是人脸识别的第一步工作，它是指根据一定的算法和先验知识，确定通过图像采集设备采集到的图像中，有没有人脸存在，本文 结合实用化的需求 了 提出一种基于肤色 模型 和模板匹配相结合的方法。 图像预处理是人脸识别过程中非常关键的一步，为了提高人脸识别的精度，在人脸识别之前都需要进行人脸图像的预处理工作。 特征提取与识别用某种表示方式表征可用来区分人脸的某些特征，然后利用人脸特征通过选择适当的分类器来识别人脸。 本文结合主成分分析方法和线性判别分析方法的优点，同时利用最小距离分类器来实现人脸的识别目的。 在本文中将依次对上述各个环节进行详细的阐述并通过 Matlab 进行仿真，并对得到的实验数据和结果进行详细分析，最终在 LabVIEW 和 Matlab 的开发环境下设计 与实现 人脸检测与识别系统 , 使LabVIEW 方便的程序外观和操作控制功能与 Matlab 强大的计算功能结合起来 , 此系统使用方便具有友好界面。 本文上分为五章，结构如下 第一章 绪论。 本章节主要介绍了课题的研究背景和意义以及目前国内外 人脸识别的发展与研究现 ，并对 LabVIEW 及 IMAQ Vision 软件进行简单的介绍。 第二章 基于肤色 模型 与 模板匹配相结合的人脸检测。 在 YCbCr 色彩 空间中利用 高斯概率肤色模型 将 光照补偿后的图像 快速的分离肤色和非肤色区域 ， 利用人脸先验知识 得到人脸检测的候选区域 ， 在候选人脸区域上进行匹配运算， 最终确定并标记出图像中人脸的位置。 通过 仿真实验证明，该算法 提高检测效率， 克服了全局模板匹配计算量大、速度慢的缺点。 第三章 人脸图像预处理。 为了保证人脸图像中人脸大小以及人脸图像质量的一致性，对检测到的人脸图像进行 彩色图像转灰度图像 、 图像 增强 ，图像归一化等处理。 第四章 人脸特征提取与识别。 重点介绍了用于人脸识别的主成分分析方法和线性判别分析方法。 在分析了各自优缺点之后，本文采用两者相结合的方法来提取人脸的特征，用最小距离分类器来实现最终的识别。 第五章 人脸识别系统的设计与实现。 首先简单介绍了系统的硬件与软件开发平台进 行了，并给出了系统的总体框图，然后 利用 LabVIEW 2020 SP1 与 IMAQ Vision 图像处理软件包，结合 实现了人脸检测与识别系统， 该 系统操作简单，界面友好，可靠性高。 第六章 结论 与展望。 总结了本文的工作，指出了其中的不足，提出了有待解决的问题。 基于 LabVIEW 的人脸检测与识别系统 的研究 6 第 2 章 基于肤色模型与模板匹配的人脸检测 人脸检测是人脸识别的基础，它主要是用来检测采集到的图像中是否存在人脸，如果存在，则定位、分割出人脸。 在彩色图像中，颜色是人脸表面最为显著的特征之一，是人脸的重要信息，利用颜色检测人脸是很自然的想法。 对于彩色图像，在确定肤色模型之后，首先可以进行肤色检测。 在检测出肤色像素后，需要根据它们在色度上的相似性和空间上 的相关性分割出可能的人脸区域，同时利用区域的几何特征或灰度特征进行是否是人脸的验证，以排除其它色彩类似肤色的物体。 但由于肤色受人类种族及个体差异、光源的颜色以及光照角度的不同所造成的高光和阴影等诸多因素的影响，并且脸部和人体其它区域肤色相同，所以只用肤色检测人脸的结果很不可靠，仅靠肤色信息不能对人脸进行精确定位，只能作粗略的人脸位置估计 [16][17]。 基于以上考虑，本章提出了一种基于人脸肤色信息和模板匹配相结合的方法来实现人脸检测。 首先采用 YCbCr 色彩肤色模型将图像中的肤色区域和非肤色区域分开 ， 得到人 脸检测的候选区域 ， 再进一步将候选脸与模板脸进行匹配 ， 最终确定并标记出图像中人脸的位置。 根据计算机色彩理论，每一种颜色在计算机内部有不同的表达方式，这样就产生了各种不同的色彩空间。 每一种色彩空间都有其产生背景和应用领域。 RGB、rgb、 YIQ、 HSI、 YUV 、 YCbCr 等是常用的色彩空间 [21]，其中， RGB 是最基本的色彩空间。 RGB 与其它色彩空间可以按一定的关系进行转换。 下面介绍这几种色彩空间。 RGB 色彩空间 RGB 色彩空间是人们常用的颜色空间。 国际照 明委员会（ International Commission on Illumination， CIE）选用红（ Red）、绿（ Green）、蓝（ Blue）三种单色光作为该空间的三基色。 RGB 空间是基于笛卡儿坐标系统的三维空间，如图21 所示。 坐标原点对于黑色；坐标点  1,1,1 )对于白色。 任何颜色都能用三维空间第一象限中的一个点来标识，该点的三维坐标即为其 R、 G、 B 分量的颜色值。 青岛科技大学研究生学位论文 7 图 21 RGB色彩空间 RGB color space。