基于模板匹配搜索的人脸特征点定位

人脸识别技术的应用背景及研究现状

1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较

基于HALCON的模板匹配方法总结.

基于HALCON的模板匹配方法总结 基于HALCON的模板匹配方法总结 HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用 area_center()找到这个矩形的中心；

⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓； ⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数 find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。 ⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数 vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的

人脸识别系统的原理与发展

人脸识别系统的原理与发展 一、引言 人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大； 二、概述 人脸识别系统概述 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。 人脸识别系统功能模块 人脸捕获与跟踪功能：人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。 人脸识别比对：人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 人脸的建模与检索：可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。

模板匹配

halcon模板匹配 * 在一个图片中获取ROI并在此图片中匹配 dev_close_window () dev_open_window (0, 0, 600, 600, 'black', WindowHandle) * 窗口语句 read_image(Image,'L:/Halcon test/mk2.jpg') *read_image(Image,'L:/Halcon test/mk3.jpg') *read_image(Image,'L:/Halcon test/mk4.jpg') * 这里有4张图片，每一张都说明一个小问题，附图分析。 gen_rectangle1 (ROI1, 57.8333, 49.5, 181.167, 342.833) * 画一个矩形选择ROI，矩形在左上角，覆盖一个完整的，无变形规定尺寸的商标，作为模板。 reduce_domain(Image,ROI1,ImageReduced1) * 大图和这个矩形的ROI相减就会得到一个左上角的商标的图案作为模板，命名ImageReduced。 create_shape_model(ImageReduced1,0,0,rad(360),0,'no_pregeneration','use_polarity',40,10,ModelID1) * 创建一个比例不变（1:1）的匹配的轮廓模型。具体参数下个帖子说明，也可见[Halcon算子学习交流区] Halcon模版匹配算子解析。 find_shape_model(Image,ModelID1,0,rad(360),0.7,13,0.5,'interpolation',0,0.9,Row,Column,Angle,Score) * 寻找与模板的大小尺寸必须是一比一匹配的，只是角度的不同而已，若大小发生变化，则不能匹配 get_shape_model_contours(ModelContours1,ModelID1,1) * 在大图中获取匹配。 for i := 0 to |Row|-1 by 1 vector_angle_to_rigid(0,0,0,Row【i】,Column【i】,Angle【i】,HomMat2D) affine_trans_contour_xld(ModelContours2,ContoursAffinTrans,HomMat2D) endfor * 获取匹配。 disp_message (WindowHandle, '总共匹配了' + |Row| + '个商标', 'window', 12, 12, 'red', 'true') * 输出数量统计。 clear_shape_model(ModelID1) stop()

一种快速鲁棒的模板匹配算法

《工业控制计算机》2019年第32卷第3期 图像匹配是计算机视觉领域的众多重要课题之一，而模板匹配是图像匹配的子类之一。在许多涉及视觉领域的实际应用中，通常需要利用多个视觉传感器采集同一物体不同角度或者不同背景下的图像信息，来确定同一物体在不同图像内位置关系。模板匹配应用在很多计算机视觉领域，比如目标识别、跟踪、图像拼接、三维重建等。 模板匹配的核心是在目标图片内确定模板中的感兴趣物体的位置。传统的模板匹配算法通过计算模板和滑动窗口之间的相似性这一方式来确定匹配结果。但是在实际应用场景中，模板图像中包含的感兴趣目标往往会受到外部条件的影响从而发生颜色和特征上的复杂变化，这些条件包括光照、变形等等。除此之外，感兴趣目标本身也容易发生非刚性变形、被障碍物遮挡、角度变换等情况都会使传统的相似性度量方法遭到很大的挑战。传统的模板匹配算法通常都是基于单一的图像像素点的颜色信息，由于颜色信息容易受到外部条件的影响，所以算法鲁棒性较差。另外，这些基础算法一般都采用滑动窗口来确定搜索空间，这样会浪费较多时间，所以速度较慢，效率较低。除这类算法以外，很多匹配算法在模板图像和目标图像间建立一个具体的带有许多参数的形变转换模型。基于参数模型的算法由于参数条件的限制，一般只能处理特定场景的图像对，能够应用的场景非常有限。因为在估计复杂变换时引入了许多参数，算法中包含大量的计算，从而花费了更多时间，效率也不高。 为了提升模板匹配算法的效率和鲁棒性，本文提出了一种基于特征点的模板匹配方法。 1基于特征点的模板匹配 1．1特征点提取并匹配 在图像处理中，特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征，能够标识图像中目标物体，通过特征点的匹配能够有效准确地完成图像的匹配。 基于对特征提取算法的研究，本文采用速度较快的ORB特征提取算法，利用其速度快和特征点多的特点，将模板与被搜索图像之间的特征点进行匹配。ORB算法的基本步骤是首先在尺度空间中用oFAST算法提取局部不变特征点，接着用rBRIEF 算法对提取到的特征点构建特征描述子，最后对这些描述子进行匹配。具体步骤为： 步骤一：粗提取。提取大量的特征点，但是有很大一部分的特征点的质量不高； 步骤二：利用机器学习的方法筛选最优特征点； 步骤三：采用非极大值抑制去除局部较密集特征点； 步骤四：建立金字塔，来实现特征点的多尺度不变性； 步骤五：定义矩方法实现特征点的旋转不变性。 ORB是为了满足实时处理的需要而提出的基于FAST特征检测和BRIEF特征描述的一种局部不变特征算法。两幅图片的特征点提取成功后使用BF算法进行匹配得到两幅图片的特征点对。 1．2剔除错误的匹配点对 通过ORB特征点提取算法和BF算法匹配后得到了两幅图片的特征点对。但是由于ORB特征点的数量巨大，且BF算法只能计算特征向量之间的相似性进行粗略匹配，因此特征点对当中包含大量错误的匹配点对，需要进一步剔除错误的匹配点对。如前文所述，本文算法注重提升运行速度和增强鲁棒性，所以本文采用基于运动统计模型的GMS算法来筛选特征点对。 近两年关于计算机视觉的国际会议中，将平滑度约束引入特征匹配用以实现超强鲁棒匹配的方法屡见不鲜。然而基于这个方法的方案或模型既复杂又缓慢，使得它们难以适用于视频或者实时系统。在CVPR2017会议上，毕业于南开大学现于新加坡科技设计大学担任助理研究员的边佳旺提出了基于网格的运动统计模型GMS，将运动平滑度作为统计量进行局部区域的匹配。由于算法实现了高速并且超稳定的图像匹配效果，对计算机视觉领域的研究产生重要影响。 图像对邀I a，I b妖各自具有邀N，M妖特征点，x＝邀x1，x2，x3，…，x i，…，x N妖表示从I a到I b的相似点对集合，GMS的目的就是将集合内正确点对与错误点对区分开来。假设两幅图像的对应区域a和b各自具有特征点数为邀n，m妖。GMS的统计模型为： S i ＝x i－1 上式中，x i哿x是a和b区域之间特征点对集合中的一个元素，S i表示区域内支持这个点对的度量方法，S i越大，支持这个点对的特征点对越多，表示点对是正确点对的可能性越大；S i越 一种快速鲁棒的模板匹配算法 A Fast and Robust Template Matching Algorithm 王美和陈金波（上海大学机电工程与自动化学院，上海200072） 摘要：模板匹配是计算机视觉领域中一项重要的研究内容。提出了一种基于特征点匹配的快速鲁棒的模板匹配算法。为了 提升匹配速度，该算法提取模板图片与目标图片的特征点进行匹配，而不是采用传统的计算模板匹配与滑动窗口相似性的方法。首先提取出两幅图片的特征点并对这两个特征点集合进行匹配；然后基于运动统计模型移除错误点对；最后利用网格框架 来定位目标图片中的物体。实验结果表明，该算法匹配速度较快、准确度较好，并且在匹配水下声呐图片时有较好的表现。 关键词：模板匹配，特征点，网格框架，快速鲁棒 Abstract:T his paper presents a fast and robust method for template matching based on the feature matches between a target image and the template．It extract two sets of feature points from two images by ORB algorithm and match the key points to get a number of matches,and remove the wrong matches to leverage feature numbers to improve quality．Then,this paper uses a grid framework to locate the target object． Keywords:template matching,key points,grid framework,fast and robust 45

模板匹配详解

模板匹配? 目标? 在这节教程中您将学到: ?使用OpenCV函数matchTemplate在模 板块和输入图像之间寻找匹配,获得匹配结 果图像 ?使用OpenCV函数minMaxLoc在给定的 矩阵中寻找最大和最小值(包括它们的位 置). 原理? 什么是模板匹配?? 模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术. ?我们需要2幅图像: 1. 原图像(I):在这幅图像里,我们希望 找到一块和模板匹配的区域 2. 模板(T):将和原图像比照的图像 块 我们的目标是检测最匹配的区域:

?为了确定匹配区域, 我们不得不滑动模板图像和原图像进行比较: ?通过滑动, 我们的意思是图像块一次移动一个像素(从左往右,从上往下). 在每一个位置, 都进行一次度量计算来表明它是“好” 或“坏” 地与那个位置匹配(或者说块图像和原图像的特定区域有多么相似). ?对于T覆盖在I上的每个位置,你把度量值保存到结果图像矩阵(R)中. 在R 中的每个位置都包含匹配度量值:

上图就是TM_CCORR_NORMED方法 处理后的结果图像R . 最白的位置代表最 高的匹配. 正如您所见, 红色椭圆框住的位 置很可能是结果图像矩阵中的最大数值, 所以这个区域(以这个点为顶点,长宽和模 板图像一样大小的矩阵) 被认为是匹配的. 实际上, 我们使用函数minMaxLoc来定 位在矩阵R中的最大值点(或者最小值, 根据函数输入的匹配参数) . 问得好. OpenCV通过函数matchTemplate实现了模板匹配算法. 可用的方法有6个: 1. 平方差匹配method=CV_TM_SQDIFF 这类方法利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大. b. 标准平方差匹配 method=CV_TM_SQDIFF_NORMED

(完整版)有特点的人脸教案

有特点的人脸 一、教学目标： 1、知识目标：通过观察，认识到人的脸型差异。了解人的脸型特点，学习人物正面比例关系“三停五眼”。 2、技能目标：初步学会中国话用笔墨的技法，进行人物画的个性表现。 3、情感目标：运用线条的表现方法，充分展现每个人有个性的造型表现力，从而喜欢上中国画。 二、教学重点与难点： 重点：了解绘画作品中线的运用以及人脸的基本特征。 难点：墨色的浓淡、有特点的人脸创作。 三、教学过程： 导入新课 1、请大家观察图片说说他们都是谁？ （说出图片中的人物的名字飞人范伟、姚明、赵本山、潘长江、李咏、成龙等） 2、请大家说说他们的脸部特征？（学生从脸形、眼、鼻、耳朵、头发等不同来进行区分） 3、欣赏国画肖像并与照片相对比：阿Q、齐白石、观鱼图。（教材第4页）不是只有漫画可以表现有特点的人脸，中国画的写意手法也可以画出生动的人物，今天我们就来学习国画写意人物。 4、你知道我们国家把头部概括成几个基本形吗？

（1）甲字型（2）申字型（3）由字型、（4）田字型（5）国字型（老师引导学生回答并且板书） 并请同学们说出周围的有特点的同学，从学生的熟悉之处入手，引出话题，激发学生的好奇心和学习兴趣。 出示课题：有特点的人脸 他们的五官都有哪些特点？ 5、教师演示（在学生中选模特） 教同学们观察、研究人物头部的基本形、动态、各部位的位置、比例及形象特征。 在制作的过程中要注意各部位的位置，比例准确，形象特征鲜明“国”“申”“田”“由”“甲”等脸形的特点。 6、用比较的方法分析脸部五官的比例，注意“三停五眼”对五官位置正视情况的定位 7、模仿一下我们人类可以模仿出那些表情。 8、人物绘画的步骤。 9、欣赏采用中国画的方法，描绘的人物形象。

人脸特征的定位和提取

人脸特征的定位和提取 摘要：综述了人脸识别的现状。基于几何特征的识别方法，根据人脸图象的灰度特性用投影图和特征描述相匹配的算法初步确定了人脸各部分的位置。然后利用投影法和模板匹配法准确地确定了瞳孔的位置及其它面部特征。实验表明该方法准确率高，运行速度快。关键词：特征定位特征提取类间方差判断分析法模板匹配 人脸识别的研究近几年受到普遍重视，它与指纹识别、视网膜识别等同属于生物特征识别技术范畴。在公安(犯罪识别等)、安全验证系统、医学、视频会议、交通量控制等方面有着巨大的应用前景，因而成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及表情，但人脸的自动机器识别却是一个难度极大的课题。人脸识别的研究已有20多年的历史，最早它和指纹识别一道作为识别罪犯身份的手段。但人脸的结构比指纹要复杂得多，并且受很多因素的干扰：人脸表情的多样性、成象过程的光照、图像的尺寸、旋转及姿势的变化等。即使同一个人，在不同的环境下拍摄得到的人脸图像也可能不同。所以至今人脸识别尚未能取得象指纹识别那样令人满意的结果。还没有通用成熟的人脸自动识别系统出现。1 人脸识别的理论研究及发展现状人脸识别的输入图象通常有正面、倾斜和侧面三种，由于实际情况的要求，对人脸正面模式的研究最多，它的发展可分为三个阶段。第一阶段以Bertillon、Allen 和 Parke 为代表，主要研究人脸识别所需的面部特征。这一阶段工作的特点是识别过程全部依赖于操作人员。第二阶段是人机交互识别阶段。代表有Goldstion、Harmon 和Lesk。他们用几何特征参数来表示人脸正面图象。采用21维特征矢量表示人脸特征，并设计了基于特征表示法的识别系统。第三个阶段是向实用化发展的自动识别阶段。随着高速度高性能计算机的发展，人脸模式的识别方法有了较大改进。目前国内外研究用于人脸识别的方法层出不穷。但根据人脸表征方式的不同，总体上可分为以下三种：基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。 (1)基于几何特征的人脸正面图象识别方法，将人脸用一组几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别的目的。这要求选取的几何特征矢量有一定的独特性，能够消除时间跨度和光照的影响。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，Govindaraju等首先利用模板技术成功地检测出报刊图片的人脸轮廓，Huang 和Chen 利用动态模板技术检测出人脸的各种面部特征。(2)基于代数特征的人脸正面自动识别方法，将人脸用代数特征矢量来表示。代数特征是由Hong等首先提出的,由图象本身的灰度分布确定的，它描述了图象的内在信息，它是通过对图象灰度进行各种代数变换和矩阵分解提取出的。杨静宇等对代数特征的提取进行了较深入地研究。这种方法将人脸看作一个二维的灰度变化的模板，从整体上捕捉和描述人脸的特征，所运用的主要是一些标准的数理统计的技巧，运算比较复杂。(3)基于连接机制的人脸正面自动识别方法，将人脸直接用灰度图(二维矩阵)表征，利用了神经网络的学习能力及分类能力。这种方法的优势在于保存了人脸图象的材质信息和形状信息，同时避免了较为复杂的特征提取工作。但是普遍存在的问题是识别准确率低，过程复杂。本文从构造实际应用系统的角度，采用基于几何特征的识别方法。具体过程是先根据人脸图象的灰度特性用投影图和特征描述相匹配的方法确定人脸各部分的位置。然后利用投影法和模板匹配方法定位了瞳孔的位置，较准确的提取出眼睛的特征。2 算法描述特征选取应保证最有代表性、信息量大、冗余量小，而且要求在一定的干扰下，也能保持一定的不变性和适应性。基于这种要求，借鉴前人研究成果，融合本文的实验，将眉眼距、眼鼻距、眼嘴巴距、嘴巴下巴距、两内眦距、鼻孔距、嘴巴长度、眼睛处的脸颊宽度、鼻子处的脸颊宽度及嘴巴处的脸颊宽度作为人脸识别的主要特征，并且将这10个特征分别与瞳孔距之比形成的特征矢量存入数据库中。对这些特征矢量作矢量归一化处理后，可以有效的避免头部偏转引起的偏差。2.1 预处理与特征定位实验采用400×600×8bit的灰度图

超全的最新的人脸识别特征点定位方法

1.2 人脸特征点定位方法综述 目前为止，国内外学者们已经提出了人脸特征点定位的方法[3]，依据定位所需要的基本信息的类型，人脸特征点定位的方法可以大致分为以下六类：(1)灰度信息的方法；(2)先验规则的方法；(3)几何形状的方法；(4)统计模型的方法；(5)小波的方法；(6)3D 方法。 1.2.1 基于灰度信息的方法 几何投影法：几何投影方法是利用人脸特征灰度与其他部分的差异，先统计出不同方向上的灰度值和，根据和的变化找出特定的变化点，然后利用投影灰度值基于统计的方法将不同方向上的变化点位置相结合，找到人脸特征点的位置。投影的方法计算量较低，但当姿态变化较大或者背景较复杂时容易失效。 谷分析：图像中亮度比周围像点暗的区域就称作谷，通过亮度比较的方法，就可以对人脸的各个关键部位如眼睛、眉毛、鼻子、嘴巴等相对较暗的区域进行定位。虽然其受光照影响比较大，但考虑到计算量低的优势也在定位方法中常见。 1.2.1 先验规则的方法 根据人脸特征的一般特点总结出一些经验规则就称作基于先验规则的方法。人脸图像有一些明显的基本特征，比如人脸的长度比例，满足“三庭五眼” ，脸部区域的双眼、鼻子和嘴巴等脸部特征处的亮度一般低于其周边区域；两眼间的对称以及眼睛与鼻子的三角分布规律，都是人脸识别的重要根据。此方法虽然简单，但是远远不能满足复杂的人脸结构的正确定位，于是该方法一般只用于粗定位，精定位还要结合其他的方法来实现。 镶嵌图法：我们可以用一组相同大小的方格去划分图像，每个方格的灰度取格中各像素灰度的均值，根据一定的规则确定哪些可能是人脸的方格区域，将确定的可能存在人脸的方格的变长减半，重新构建镶嵌图，重复第一步的工作，找到眼睛，鼻子，嘴巴等脸部特征所在的位置，然后对这两次得到的脸部区域二值化，利用边缘检测最终精确定位各个特征的位置。

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

人脸定位

第一章绪论 (3) 1.1人脸识别的研究内容及其应用 (3) 1.2人脸识别技术的研究意义 (4) 1.3人脸识别方法的研究 (5) 1.3.1基于特征的人脸识别方法 (5) 1.3.2基于模板匹配的人脸识别方法 (7) 1.3.3其他方法 (8) 第二章图像处理编程语言环境 (12) 2.1 MATLAB7.0的基本功能简介 (12) 2.1.1图像采集与导出 (13) 2.1.2图像分析与增强 (13) 2.1.3图像处理 (13) 2.2基于MATLAB7.0的图形用户界面GUI (14) 2.2.1控件对象及属性 (14) 2.2.2控件对象的描述 (14) 2.2.3控件对象的属性 (15) 2.3 GUI开发环境 (16) 2.4 GUI程序设计 (18) 第三章系统的整体设计 (21) 3.1系统的整体分析与设计 (21) 3.2系统的运行流程图 (21) 3.3系统的详细图像处理功能 (22) 3.3.1读取图片功能 (22) 3.3.2进行增加对比度的功能实现 (23) 3.3.3进行减小对比度的功能实现 (25) 3.3.4对图像进行灰度化处理 (26) 3.3.5二值化处理 (28) 3.3.6图像直方图的显示 (30) 3.3.7进行均衡化处理 (32)

3.3.8恢复原始图像的功能 (34) 3.3.9退出程序功能： (36) 第四章人脸定位功能的设计与实现 (37) 4.1人脸定位功能的设计 (37) 4.2检测算法的流程图 (37) 4.3人脸定位功能的实现 (38) 4.4结论与展望 (45) 致谢 ................................................... 错误！未定义书签。参考文献 ................................................ 错误！未定义书签。附录1：主要英文参考资料及译文........................... 错误！未定义书签。

人脸特征提取与识别参考

本科生毕业设计（论文）文献综述题目：人脸特征提取与识别 姓名： 学号： 学院： 专业： 年级：

指导教师：（签名）系主任（或教研室主任）：（签章）

目录 1 前言 (1) 2 人脸特征提取与识别方法 (1) 2.1 基于几何特征的方法 (1) 2.2 基于特征脸的方法 (2) 2.3 局部特征分析LFA方法 (3) 2.4 基于弹性模型的方法 (4) 2.5 神经网络方法 (4) 2.6 其他方法 (5) 3 总结 (5) 致谢： (6) 参考文献： (6)

人脸特征提取与识别 1前言 近年来，Internet和多媒体技术飞速发展，多媒体（包括图像、视频等）数据规模急剧膨胀。为了快速、准确地找到感兴趣的图像或视频，人们提出了基于内容的图像检索(content-based image retrieval，简称CBIR)技术，研究让计算机对图像进行分类和检索的算法。CBIR涉及图像内容表示、相似性度量、高维索引技术等方面。[1]图像内容的表示是需要首先解决的问题。为了实现对图像内容的存取、访问和检索，MPEG-7提出了图像内容描述子的概念，例如颜色描述子、纹理描述子、形状描述子等。 图像颜色内容通常用颜色直方图来表示，纹理特征以纹理模式区分图像，形状特征用于包含特定形状对象的图像检索。颜色直方图（或称为颜色谱）因其简单、有效的性能而在大多数CBIR系统中得到应用，但是颜色直方图对纹理图像的检索效果不好。不同的纹理图像可能有非常相似的颜色直方图。 所谓图像纹理，它反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点灰度级或者颜色的某种变化，而且这种变化是空间统计相关的，它由纹理基元和基元的排列两个要素构成。纹理分析方法有统计方法、结构方法和基于模型的方法。 2人脸特征提取与识别方法 人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难体现在：(1)人脸塑性变形(如表情等)的不确定性；(2)人脸模式的多样性(如胡须、发型、眼镜、化妆等)；(3)图像获取过程中的不确定性(如光照的强度、光源方向等)。识别人脸主要依靠人脸上的特征。也就是说依据那些在不同个体上存在的较大差异而对同一个人则比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变化的影响而提高识别率。 2.1 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸干差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首

基于图像灰度的模板匹配方法

基于图像灰度的模板匹配方法 图像匹配技术是数字图像信息处理和计算机视觉领域中 的—个基本问题，并在卫星遥感、空间飞行器的自动导航、武器 投射系统的末制导和寻的、光学和雷达的图像目标跟踪、地球 资源分析与检测、气象预报、医疗诊断、文字读取以及景物分析 中的变化检测等许多领域中得到广泛应用㈣。 一般来说，由于图像在不同时间、不同传感器、不同视角获得的成像条件不同，因此即使是对同一物体，在图像中所表现出来的几何特性、光学特性、空间位置都会有很大的不同，如果考虑到噪声、干扰等影响会使图像发生很大差异， 图像匹配就是通过这些不同之处找到它们的相同点。 图像匹配算法主要分为两类口：一类是基于灰度匹配的方 法；另一类是基于特征匹配的方法。前者主要用空间的一维或 二维滑动模板进行图像匹配，不同算法的区别主要在模板及相 关准则的选择方面，这类方法一般匹配率高，但计算量大，速度 较慢；后者则通过在原始图像中提取点、线、区域等显著特征作 为匹配基元，进而用于特征匹配，一般匹配速度较陕，但匹配精 度不一定高。 1.概念解释： ①数字图像:数字图像是由被称做像素的小块区域组成的二维像素矩阵。一般把图像分成3种形式：单色图像，灰度图像和彩色图像。 ②像素：表示图像颜色的最小单位 ③灰度图像：灰度图是指只含亮度信息，不含色彩信息的图像，就像平时看到的黑白照片：亮度由暗到明，变化是连续的。灰度图的每个像素的亮度用一个数值来表示，通常数值范围在0—255之间，即可用一个字节来表示，0表示黑，255表示白，而其他表示灰度。 ④点阵图:显示器的屏幕由可以发光的像素点组成. 并且从几何位置看, 所用这 些像素点构成一个矩形的阵列.利用计算机控制各像素点按我们指定的要求发光,

基于几何特征的人脸识别

基于几何特征的人脸识别 学号：姓名： (上海大学机电工程与自动化学院，200072) 摘要：人脸识别技术作为多学科领域的、具有挑战性的课题，它覆盖了数字图像处理、模式识别、神经网络、数学等诸多学科的内容，同时也具有十分广泛的应用价值。在人脸识别领域，基于几何特征的人脸识别算法因其计算简单、使用有效等特性，引起了人们的广泛注意，并已成为人脸图像特征提取和识别的主流方法之一。本文定位人脸器官，通过人脸面部拓扑结构几何关系的先验知识，利用基于灰度投影的方法在知识的层次上提取人脸面部主要器官特征，将人脸特征用一组几何特征向量表示，识别归结为特征向量之间的匹配。本文工作包括： (1)对灰度积分投影理论进行了详细的介绍和分析。这种方法是目前定位人脸轮廓的主要方法。在此基础上对一种新的在竖直方向上定位人脸左右轮廓的灰度差投影法进行了改进。投影法本质上是一种基于统计的方法，在具体应用时又结合了人脸特征分布的先验知识。这种方法不需要对积分投影图做任何平滑处理等操作，因而算法简单，准确率高，速度很快。 (2)提出了一种精确定位眼睛的方法，该算法将眼区灰度总体分布特点与眼部灰度变化特点相结合，将传统的积分投影法与灰度差累加值投影法相结合，通过大量试验选取合适的参数。试验结果表明，该算法对光照变化不敏感，定位准确率高。运用灰度积分投影结合人脸特征的先验知识定位鼻子，这种定位方法得到的准确率也是比较高的。嘴巴的定位则利用投影法求得。 (3)本文根据定位出来的人脸器官选出七个特征点，即四个眼角点、鼻尖点和两个嘴角点。利用它们构造了十个特征向量，并对其进行归一化运算。图像识别的最后一个过程就是分类，本文采取根据模式相似性的最近距离分类器进行分类。用加权比值函数来计算特征相似度，更适用于人脸图像的识别和计算。如何选择出合适的识别门限是个很复杂的问题，还有待于进一步研究。 关键词：人脸识别；灰度投影；几何特征；特征提取 The Research of Face Recognition Algorithm Based on Geometric Features Student number:15721637 Name:Zhao Pei-pei (Institute of electrical and mechanical engineering and automation, Shanghai University, Shanghai 200072, China) Abstract:the technology of human face recognition as a multi-disciplinary field and challenging psubject which contains digital image processing，pattern recognition，computer vision，neural network，psychology，physiology，mathematics and a good many subjects．In the meantime，it also has widely used．In the field of face recognition，the method of human face recognition based on geometric features has been paid great attention for its simple calculation and availability．At

人脸识别技术的几个主要研究方向

人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大

几种图像的检测和模板匹配方法

几种图像的检测和模板匹配方法 图象的分割与检测（识别）实际上是一项非常困难的工作。很难说清楚为什么图象应该分割成这样而不是那样。人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以从很复杂的景物中分开并识别每个物体，甚至可以毫不费力的跟上每秒好几十帧变化的图象。举两个例子来说明一下人类视觉系统的优越性： 图1是单词THE，这一点很容易看出来，但仔细观察一下，就会发现，图中少了很多线条。在我们人类看来很简单的一件事，让计算机来做就很困难了。 图2中尽管没有任何线条，但我们还是可以很容易的看出中间存在着一个白色三角形。计算机却很难发现。 由于人类在观察图象中应用了大量的知识，所以没有任何一台计算机在分割和检测真实图象时，能达到人类视觉系统的水平。正因为如此，对于大部分图象应用来说，自动分割与检测还是一个将来时，目前只有少数的几个领域（如印刷体识别OCR）自动识别达到了实用的水平。假想在一场足球比赛的录象中，我们希望可以输入命令，由计算机自动搜索出所有射门的镜头并显示在屏幕上，但目前，我们能从一幅图象中获得的信息只是每个像素的颜色或灰度值，除此以外别无其它，完成上述功能实在是太困难了。所以说解决图象分割和检测最根本的方法是在编码（成像）时就给予考虑。这也正是MPEG4及未来的视频压缩编码标准的主要工作。 针对上述困难，现在提出了三种算法：投影法，差影法和模板匹配。 1、投影法 怎样从华盛顿纪念碑图中自动检测到水平方向上纪念碑的位置。 仔细观察，不难发现，纪念碑上像素的灰度都差不多而且与众不同，如果我们选取合适的阈值，做削波处理（这里选175到220），将该图二值化，如下图所示： 图1. 削波处理，将图二值化图2. 图4做竖直方向投影