基于Matlab的人脸识别登录系统

冷不防 2022-09-09 09:50 219阅读 0赞

**摘 要：**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，是当今比较热门的一项安全认证技术。它涉及人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等功能技术。本系统基于Matlab进行开发,可以通过摄像头实时采集视频数据，从环境中中找出人脸,并对其进行分析，以达到人脸识别的目的,并可以自由设定参照的人脸。

**关键词：**视频采集；人脸定位；人脸特征处理

**1 引言**

脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。由于人脸具有不可复制特性、采集方便、不需要被拍者的配合而深受欢迎。人脸识别系统具有广泛的应用：人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来防登记等等。

人脸识别技术的基本原理是是基于人的脸部特征，对输入的人脸图象或者视频流 . 首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

通过学习和查阅资料，我们总结出的人脸识别算法主要有：  
(1)、基于模板匹配的方法：模板分为二维模板和三维模板，核心思想是利用人的脸部特征规律建立一个立体可调的模型框架，在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位，解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。  
(2)、基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。  
(3)、子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。  
(4)、其他方法：弹性匹配方法、特征脸法(基于K-L变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法等。

由于本学期的数字图像处理教材中出现了关于K-L变换和特征脸提取的相关知识，通过自学已基本掌握，所以本程序的人脸处理部分采用基于K-L变换的特征脸算法来实现。

虽然名为人脸识别登录系统，但本程序的重点在人脸识别部分，因此关于安全加密的部分做了简化，本程序旨在更好地理解人脸识别的全过程，将所学知识用于实践。

**2 程序的设计与实现**

**2.1 程序架构简述**

根据人脸识别技术所需要的人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等功能，我们将程序分成了摄像头调用和图像捕获模块、人脸区域检测模块、样本人脸预存储模块、人脸分析模块和人脸识别对比模块。

程序的设计流程如图1所示。

![v2-bc2ea09309e2e7c69f349962dbbaa2df\_b.jpg][v2-bc2ea09309e2e7c69f349962dbbaa2df_b.jpg]

将程序模块化设计，尤其是对那些程序中需要多次用到的功能模块化（如本程序中的人脸区域检测），对代码的简化和可维护性都有极大的好处。

**2.2 各模块的设计思路与实现**

**管理员人脸样本储存**

要进行人脸识别登录，首先应该对管理员的人脸进行预设置，即储存一定数量的人脸样本。当密码验证正确后，程序调用之前的人脸检测裁剪模块进行人脸的检测，再将检测得到的人脸储存在硬盘上。为了确保样本的准确性，保证后面识别的成功率，我们把样本数量定在了十张。如果对截取的人脸不满意，可以手动跳过当前将要保存的人脸，直到存满10张样本后程序会自动退出。

密码验证部分使用了简单的字符串比较作为简化：

*disp('Please enter the Password:');*

*ss=input('','s');*

*TF = strcmp(ss, '1234') ;%密码1234*

*if TF~=1*

*disp('Password Error');*

*delete(vid);*

*return*

*end*

样本保存部分的代码及注释：

*i=1;*

*while(i<11)*

*a=getsnapshot (vid);%捕获图像*

*flushdata(vid);%刷新缓冲区*

*b=getface(a);*

*imshow(b);*

*drawnow;%刷新屏幕*

*s=input('','s');*

*switch s*

*case 'a'%跳过当前样本*

*continue;*

*case ''%保存当前样本*

*str=strcat(int2str(i),'.bmp');*

*eval('imwrite(b,str)');*

*i=i+1;*

*end*

最后在程序路径下将保存1.bmp到10.bmp十张管理员人脸样本。这部分比较简单，不再赘述。

**基于K-L变换的管理员人脸样本分析**

K-L变换又称霍特林变换和主成分分析。有时也称为特征值变换。这一变换的目的在于寻找任意统计分布的数据集合之主要分量的子集。相应的基向量组满足正交性且由它定义的子空间最有地考虑了数据相关性。将原始数据集合变换到主分量空间使单一数据样本的互相关性降到最低点。

首先将所有的图像集中在一个矩阵中,此矩阵大小为10000\*10,所用代码如下:

for i=1:M

str=strcat('',int2str(i),'.bmp');

eval('img=imread(str);');

\[irow icol\]=size(img);

temp=reshape(img',irow\*icol,1);

S=\[S temp\];

end

然后对s进行规范化,以尽量消除光照等因素的影响,代码如下:

for i=1:size(S,2)

temp=double(S(:,i));

m=mean(temp);

st=std(temp);

S(:,i)=(temp-m)\*ustd/st+um;

end

由K-L变换可知,直接求S的协方差矩阵C的特征向量和特征值是很困难的。这是因为C是N^2\*N^2维矩阵，尽管图像的大小N不是很大，但是N^2确实很大的数据。这样求其特征向量和特征值速度较慢。但如果图像个数M不太多，可以先计算出M\*M维矩阵L=A\*A'的特征向量vk和特征值uk。然后Uk=A’ vk就是矩阵C的特征向量。

dbx=\[\]; % A matrix

for i=1:M

temp=double(S(:,i));

dbx=\[dbx temp\];

end

A=dbx';

L=A\*A';

% vv 是 L的特征向量

% dd 是 L=dbx'\*dbx and C=dbx\*dbx'的特征值;

\[vv dd\]=eig(L);

%排序并去掉0

for i=1:size(vv,2)

if(dd(i,i)>1e-4)

v=\[v vv(:,i)\];

d=\[d dd(i,i)\];

end

d=dtemp;

v=vtemp;

%对特征向量进行规范化

for i=1:size(v,2)

kk=v(:,i);

temp=sqrt(sum(kk.^2));

v(:,i)=v(:,i)./temp;

end

%得到C的特征向量矩阵

u=\[\];

for i=1:size(v,2)

temp=sqrt(d(i));

u=\[u (dbx\*v(:,i))./temp\];

end

%对特征向量矩阵进行规范化

for i=1:size(u,2)

kk=u(:,i);

temp=sqrt(sum(kk.^2));

u(:,i)=u(:,i)./temp;

end

**人脸特征处理**

原理：基于K-L变换的人脸特征量计算

过程：

人脸数据库中记录了10幅管理员的图像，将这十幅图像按照一定的平均值和方差进行规范化后再存储。

然后采用K-L变换，找出样本人脸图像的特征向量，这样每一幅人脸图像都可以投影到特征向量组成的子空间中，构成特征脸。

找出样本中每张脸的权重，存入数组。

计算从摄像头处获得的人脸的权重。

依次计算该人脸与各个样本人脸的Euclidean距离，并通过分析这些距离判断身份是否正确。所用阈值经试验测得。

所用距离为MaximumValue<1.3500e+004

或者MinimumValue<1.1800e+004;

当最大值小于1.3500e+004时，则说明此人脸与样本人脸都很接近，当最小值小于1.1800e+004时，说明此人脸与样本的某张人脸很接近，这两种情况均说明人脸匹配。

关于这个阈值的选定，是由实验测得的，具体如下：

先由10幅图像构造一个人脸特征空间，将一幅不是管理员的图像输入，计算它与10幅样本人脸的Euclidean距离，截图如下：

![v2-b75a3a16a021fea8a83da9587f89223e\_b.jpg][v2-b75a3a16a021fea8a83da9587f89223e_b.jpg]

图1,十幅人脸训练集

![v2-4b6064e0ffe67d3790f8a1268b1171bb\_b.jpg][v2-4b6064e0ffe67d3790f8a1268b1171bb_b.jpg]

![v2-711e70c822cd27ab83b881d8cde68f88\_b.jpg][v2-711e70c822cd27ab83b881d8cde68f88_b.jpg]

图2，非管理员人脸 图3，与十幅人脸训练集的Eucledian距离

MaximumValue =1.4654e+004

MinimumValue =1.4243e+004

![v2-8031b457d7928b9e116da7e4ad41e7c3\_b.jpg][v2-8031b457d7928b9e116da7e4ad41e7c3_b.jpg]

![v2-2191ea121224db4ed65d28bbc0afb948\_b.jpg][v2-2191ea121224db4ed65d28bbc0afb948_b.jpg]

图4，管理员人脸 图5，与十幅人脸训练集的Eucledian距离

MaximumValue =1.3236e+004

MinimumValue =1.2260e+004

由上面的实验经过多次验证，得出判定阈值。

[v2-bc2ea09309e2e7c69f349962dbbaa2df_b.jpg]: /images/20220829/8d7503aa118a424c819f362c4882f846.png
[v2-b75a3a16a021fea8a83da9587f89223e_b.jpg]: /images/20220829/decf39b471dd4edc97da8399ba18684f.png
[v2-4b6064e0ffe67d3790f8a1268b1171bb_b.jpg]: /images/20220829/51d730ef108b41f9ab14f2b9f159fc96.png
[v2-711e70c822cd27ab83b881d8cde68f88_b.jpg]: /images/20220829/8dc9f16cd53e433a91e46d4dc9fab5be.png
[v2-8031b457d7928b9e116da7e4ad41e7c3_b.jpg]: /images/20220829/a91f5785a6d3481494ae4f313fa2a13c.png
[v2-2191ea121224db4ed65d28bbc0afb948_b.jpg]: /images/20220829/64792bdf4af444f3b46df367dce981a6.png