人臉識別中的圖像處理技術

人臉作為一種高普遍性、可以非接觸式採集的重要生物特徵，正被越來越多地用來進行身份鑑別。下面是YJBYS小編搜索整理的關於人臉識別中的圖像處理技術，歡迎參考閲讀，希望對大家有所幫助!想了解更多相關信息請持續關注我們應屆畢業生培訓網!

人臉識別，特指利用分析比較人臉視覺特徵信息進行身份鑑別的計算機技術。人臉識別技術應用廣泛，可用於安全驗證系統、醫學、檔案管理、銀行和海關的監控系統及自動門禁系統等[1]。與利用指紋、虹膜等其他人體生物特徵進行身份識別的方法相比，人臉識別更加友好、方便和隱蔽。因其巨大的應用前景,以及其無可比擬的優越性，人臉識別越來越成為當前模式識別和人工智能領域的一個熱點。圖像預處理是人臉識別過程中的一個重要環節。輸入圖像由於圖像採集環境的不同，往往存在有噪聲，對比度不夠等缺點。為了保證人臉圖像中人臉大小、位置以及人臉圖像質量的一致性，必須對圖像進行預處理。

　　1、人臉識別的基本內容和過程

人臉識別(Face Recognition)一般可描述為：給定一靜止或動態圖像，利用已有的人臉數據庫來確認圖像中的一個或多個人。從廣義上講，其研究內容包括以下五個方面：

(1)人臉檢測(Face Detection)：即從各種不同的場景中檢測出人臉的存在並確定其位置。這一任務主要受光照、噪聲、頭部傾斜度以及各種遮擋的影響。

(2)人臉表徵(Face Representation)：即確定表示檢測出的人臉和數據庫中的己知人臉的描述方式。通常的表示方法包括幾何特徵(如歐氏距離、曲率、角度等)、代數特徵(如矩陣特徵矢量)、固定特徵模板、特徵臉、雲紋圖等。

(3)人臉鑑別(Face identification)：即通常所説的人臉識別，就是將待識別的人臉與數據庫中的已知人臉比較，得出相關信息。這一過程的核心是選擇適當的人臉表示方式與匹配策略。

(4)表情分析(Facial expression Analysis)：即對待識別人臉的表情進行分析，並對其加以分類。

(5)物理分類(Physical Classification)：即對待識別人臉的物理特徵進行分類，得出其年齡、性別、種族等相關信息。

人臉識別的基本過程和框架如圖1所示。

人臉圖像採集預處理特徵提取識別

預處理模塊主要完成人臉圖像質量的改善，包括提高圖像對比度、消除噪聲等，可視具體應用而選用。特徵提取模塊完成提取人臉特徵，如何提取穩定和有效的特徵是識別系統成敗的關鍵。本文將分析人臉識別中涉及的圖像處理技術。

　　2、人臉識別中的圖像預處理技術

預處理的目的是為了提高圖像質量、加強有用的信息。常用的預處理有姿態矯正、光照補償、尺寸歸一化、去噪、邊界增強、提高對比度等，它是一項基礎性工作，可在人臉特徵提取之前根據需要有選擇地進行適當的預處理操作。本文采用直方圖均衡技術進行人臉圖像的預處理，主要目的是增強對比度，提高圖像質量。

　　1、直方圖均衡技術

　　1.1直方圖定義

直方圖是圖像的一種統計表達。對一幅灰度圖像，其灰度統計直方圖反映了該圖中不同灰度級出現的統計情況[2]。其定義為：

P(sk)=nk/N

其中nk表示圖像的第k級灰度值，N表示像素總數。直方圖能給出該圖像的整體描述，例如圖像的灰度範圍、每個灰度級的頻度和灰度的分佈、整幅圖像的平均明暗和對比度。直方圖又分為直方圖均衡化和直方圖規定化。

　　1.2直方圖均衡技術

直方圖均衡化也叫直方圖均勻化，就是把給定圖像的直方圖分佈改變成均勻分佈的直方圖，它是一種常用的灰度增強方法[3]。本文在MATLAB環境下對採集後的圖像進行了圖像的預處理，見圖2。

圖2(a)較暗，有些細節不夠清晰，反映在直方圖上就是其直方圖所佔據的灰度範圍分佈在較窄的區間，引起圖像細節不清楚。圖2(b)和圖2(c)分別為對原始圖像進行直方圖均衡化得到的結果及其對應的直方圖，由圖2(c)可見均衡化後直方圖佔據了整個灰度值允許的範圍，圖像的灰度間距拉開，灰度分佈均勻，從而增大了反差，使圖像細節清晰，達到了圖像增強的'目的。

　　2.線性平滑濾波

均值濾波也稱為線性濾波，其採用的主要方法為鄰域平均法、超限像素平滑法和加權均值濾波法。這裏以鄰域平均法為例進行説明。鄰域平均法，其基本原理是用均值替代原圖像中的各個像素值，即對待處理的當前像素點 (x,y)選擇一個模板(圖3所示為一均值濾波模板)求模板中所有像素的均值，再把該均值賦予當前像素點 (x,y),作為處理後圖像在該點上的灰度g(x,y)。模板運算的基本步驟為：將模板在圖像中漫遊，並將模板中心與圖像中的某個像素位置重合;將模板上係數與模板下對應的像素相乘;將所有乘積加起來;將和(模板的輸出響應)賦給圖像中對應模板中心位置的像素。圖4所示為在MATLAB中對含噪圖像圖4(a)進行均值濾波的效果圖，從圖4(b)中可以發現達到了去噪效果。

　　3.非線性平滑濾波

非線性平滑濾波的典型方法為中值濾波。中值濾波器的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值，從而可以消除孤立的噪聲點。圖5所示為在MATLAB中採用不同的中值濾波模板對含噪圖像如圖5(a)進行中值濾波的效果圖。對比5圖(b)和(c)可以得到，5*5的模板去噪效果比3*3的模板效果好。

　　4.圖像變換

圖像變換就是把圖像從空間域轉換到變換域(如頻率域)的過程。將圖像轉換到新的空間，顯現出一些新的特性，方便特徵提取，使圖像處理過程更加簡單有效。圖像變換的方法很多，如：離散傅里葉變換、離散餘弦變換、哈達瑪變換、小波變換等。其中傅里葉變換是一種較為典型的頻域變換技術。利用二維離散快速傅里葉變換將人臉圖像從空間域變換到頻率域後，較為複雜的人臉圖像可以簡單地用振幅譜來表徵，人臉圖像在頻率域中，計算簡便，能量相對集中。

在變換域中實現圖像增強的步驟如下：

(1)計算需增強的圖像的傅里葉變換F(u,v);

(2)將其與一個(根據需要設計的)轉移函數H(u,v)相乘;

(3)再將結果G(u,v)傅立葉反變換得到增強的圖像。

以傅里葉變換為例，介紹其在頻域中實現平滑濾波。在MATLAB中實現從空域到變換域的代碼如下：

f=fft2(image);%將image圖像進行快速傅里葉變換

g=fftshift(f);% 將傅里葉變換結果進行移中

由於邊緣和噪聲都對應圖像傅里葉頻譜中的高頻部分，所以通過在頻域中的低通濾波可以除去或消弱噪聲的影響。要實現低通濾波首先需要選擇一個合適的轉移函數H(u，v)。在諸多低通濾波器中，Buterworth低通濾波器“振鈴”現象不明顯，而且能夠提高圖像的細節清晰度，這裏以Buterworth低通濾波器為例對圖像進行平滑濾波。一個階為n，截斷頻率為D0的巴特沃斯低通濾波器的轉移函數為：

H(u,v)=11+[D(u,v)/D0]2n待處理圖像如圖6(a)所示，從該圖中可以看出圖像中有噪聲的干擾，Buterworth低通濾波器設置如下：n=3，截斷頻率為20。圖6(b)所示為低通濾波效果圖。

對比圖6(a)和(b)可以發現，Buterworth低通濾波器對噪聲的濾除效果很好，不過同時也使圖像變得模糊了。

總之，人臉識別具有無可比擬的優越性，近幾十年來得到飛速發展，比如近年來出現了基於近紅外圖像的人臉識別，許多有效實用的人臉識別系統也脱穎而出，並且被廣泛應用於海關、機場、金融機構等安全性要求較高的重要場所。人臉識別有着廣闊的應用前景，不僅是模式識別、計算機視覺和人工智能等領域的一個熱門的研究課題，同時，人臉識別又是一個難度極大的課題，如人臉識別中的光照問題，姿態問題，表情問題等，這也是作者進一步研究的重點。