摘 要

随着科技经济的进步人们的生活水平越来越高。作为诞生不久的新兴高科技技术，面部识别的研讨和发展这些来受到了人们的高度重视。随着人工智能，大数据，云技术和深度学习算法的不断成熟，人们对于人脸识别技术在不同的环境中的识别精度要求越来越高，并且对于整个系统的识别快慢要求越来越严格。而近邻法是研究人此项技术中的热点问题。本论文以最近邻插值法(Nearest_Neighbor，简称最近邻法)和K最近邻分类算法(K-Nearest Neighbor, 简称KNN)为基础，并辅以主成分分析法(Principal Component Analysis，简称PCA)和局部二值模式(Local binary patterns，简称LBP)，形成四种不同的人脸识别策略和方法。本文通过仿真实验证明了四种识别策略的有效性，并自建了OWN人脸库，改进了识别策略，相对于标准库来说，OWN人脸库的识别率也高达97.5%，满足日常生活中的绝大多数应用场合。总体来讲，整篇论文研究了基于近邻法的四种人脸识别算法策略，并且自建人脸库，提出了最优识别策略，通过MATLAB实现了算法仿真设计。

关键词：人脸识别；K最近邻法；PCA；MATLAB

Abstract

This paper uses MATLAB to implement a universal face image preprocessing simulation system with a variety of preprocessing methods. The system is used as an image preprocessing module embedded in the face recognition system and compared with the histogram of the gray image. To achieve the function of face recognition.

The dissertation focuses on the process of building the face recognition framework, using MATLAB to transform the image, and solve the problem of a series of mismatches to achieve the correct face recognition function.

The research results show that using the MATLAB to build the face image preprocessing simulation system can better recognize face facial features and corresponding identities in the database to achieve face recognition.

The characteristics of this article: In MATLAB similar image conversion, a variety of functions are combined to draw a gray image histogram for multi-dimensional comparison, reduce the recognition error caused by the single-dimensional contrast, improve the accuracy of face recognition.

Key Words：Face recognition；MATLAB；Grayscale image

目 录

摘要 Ⅰ

Abstract Ⅱ

第一章 绪论 1

1.1 课题研究背景及意义 1

1.2 人脸识别发展概述 1

1.2.1 国内外人脸识别发展现状 1

1.2.2 研究应用范围 2

1.3 论文主要内容及结构安排 2

第二章 人脸识别算法概述 4

2.1 人脸识别的研究范围 4

2.2 人脸识别过程 4

2.3 人脸识别算法的性能评价 5

2.3.1 识别率 5

2.3.2 识别时间 5

2.3.3 数据存储量 5

2.4 基于PCA的特征提取算法 5

2.4.1 PCA原理 5

2.4.2 PCA在本课题相关领域的应用 6

2.5 基于LBP的特征提取算法 6

2.5.1 LBP算子描述 6

2.5.2 统一模式的LBP算子 7

2.5.3 LBP算子的应用 7

2.6 人脸图像分类识别算法 7

2.6.1 基本原理 7

2.6.2 基于K近邻的分类算法 8

2.7 本章小结 8

第三章 人脸识别算法MATLAB仿真 9

3.1 人脸识别算法设计 9

3.2 读入人脸库建立人脸特征空间 10

3.2.1 实验设备简介 10

3.2.2 计算K-L变换的生成矩阵 11

3.3 特征向量选取 12

3.4 图像分类识别 12

3.5 GUI界面设计 13

3.6 可分析的识别结果 14

3.7 本章小结 14

第四章 数据分析及算法优化 15

4.1 人脸识别系统仿真 15

4.2 训练样本数与识别率 15

4.3 非标准人脸库仿真 17

4.3.1 非标准人脸库介绍 17

4.3.2 OWN人脸库仿真实验结果 18

4.4 本章小结 18

第五章 结论 19

第六章 致谢 20

参考文献 21

附录A MATLAB参考程序 23

绪论

课题研究背景及意义

当今社会科学技术喷薄发展，依赖大数据与云技术的迅猛进步，人们在日常生活中享受到了很多便利，但与此同时也催生出了许多不利因素。例如最近的Facebook隐私泄露事件，让人们意识到了保障自己信息安全的重要性，又比如2016年以来欧美地区连续发生的恐怖袭击，都暴露了最先进的安全系统的严重弱点。如今各个政府机构都在改进自身安全数据系统，他们把传统的密码系统变更为更为复杂的安全系统即通常为生物识别系统。一般而言，生物识别系统通过处理原始数据将其转换为可以保存在计算机中的数字信息，它包括了指纹识别，虹膜识别以及人脸识别等方式，指纹识别是现在最常用的生物识别方式，几乎主流的智能手机都会附带这个功能，但是根据大量使用者的反馈，指纹识别的精准性受手指的湿度以及粗糙度影响较大，在寒冷和炎热的环境中精准定会大幅降低。虹膜识别的精确度十分优异，但设备造价相对昂贵，并且许多人们并不认同。相比之下，人脸识别在识别的精准性和造价之间取得了一个良好的平衡，并逐渐成为生物识别的热门项目。

人脸识别发展概述

面部识别的起源可以追溯到1960年，在最初的20年碍于图像采集手段和研究分析设备的落后发展的十分慢，基本停留于理论层面的研究。80年代之后受到计算机和网络技术迅速发展的影响，人脸识别技术逐渐迈入大众的视野并且作为商业项目开始受到各大企业和研究所的投入。21世纪以来由于图像采集和计算机运算能力的快速发展，对面部识别方面的研究也迎来了井喷的时代，各国学者分别发表相关的论文并推动了此项技术的商业化和平民化。

国内外人脸识别发展现状

面部识别技术萌生于第三次科技革命的浪潮之中，国外学者于1960年就开始涉足此领域。从1973年至1982年的十年间，以Kanada为代表的研究学者提出了人脸识别技术的主流方法是利用数学原理进行特征提取，这也标志着人脸识别从最初的理论层面落实到了实际的研究应用中。在1991年，Turk与Pentland首次发表了特征脸法的相关论证观点，他们认为面部识别最有效的途径是利用图像处理和高等数学相关知识，以计算机作为计算工具，提取原始图像并组建特征脸，而特征脸法也是目前主流研究中发展最为深入，实体应用最为广泛的方法。进入21世纪后，随着科技与经济的蓬勃发展，人脸识别技术开始向别的分支蔓延，包括了基于高等数学模型和概率论基础的贝叶斯估计人脸识别方法，以及更加高端适用于复杂环境的三维人脸识别模型方法，这些研究结论的诞生与发展也标志着未来生物面部识别的主体趋势。

国内学者虽然在此领域内涉足时间较短，但随着研发投入的增大和高科技人才的涌入，在人脸识别行业目前已经颇有建树。首先在高校级的科研方面，国内的许多顶尖学府都已建成独立的面部识别实验室并把此落实到了具体的研究课题上。与此同时在商业应用上，国内的相关企业也投入了大量资金并获得很大进步。在手机消费市场，锤子科技2017年发布的产品坚果PRO2中首次加入了面部识别解锁，而就在最近小米发布的全面屏手机MIX2中也成功展示了人脸识别技术的成熟运用。在日常生活中，国内一些火车站例如南京南站和长沙南站已经开始试点人脸识别检票进站，此项措施不仅能够降低人工成本提高检验效率而且可以提高识别的正确率从而保障了乘客们的生命财产安全。

研究应用范围

某一项科学技术的快速发展往往是基于社会需求的持续增长，由于人们日益增长的对个人隐私信息安全的保护意识，面部识别作为成本适中，辨识度高，安全可靠的生物辨识方式越来越受到用户地欢迎。人脸识别在日常生活中有许多应用之处，例如苹果公司最新手机iPhone X搭载的人脸识别系统完美应用于日常解锁以及支付环节，它不仅能够以微秒级的速度分辨出人脸，还能随着时间的推移自发学习人脸的变化；住宅大门采用人脸识别系统不仅可以免除携带钥匙之苦也能增加安全系数；酒店入住以及公共场合的人脸识别监控系统的布控能够对不法分子产生警示作用从而降低犯罪率。所以人脸识别研究的价值范围无处不在，市场前景巨大。

论文主要内容及结构安排

本论文主要研究对象是以近邻法为基础的人脸识别系统，借助两种性状提取模式和两种分类模式，研究人脸图像的匹配与识别，借助Matlab，通过用户操作界面，组合得到四种人脸识别方法，得到不同方法下的不同实验结果，并建立一套完整的人脸图像特征提取与匹配识别系统，通过对四种人脸识别方法的实验数据分析，预计最佳方法识别率达到95%及其以上。

第一章 绪论，根据时间顺序阐述了面部识别技术的起源、发展和产生需求状况，突出了本课题的重要性。

第二章 人脸识别算法，该章节整体概括了面部识别技术应用的具体过程以及图像的特征提取和匹配辨识的常用方法，通过对两种特征提取算法以及两种分类算法的原理剖析，简要阐述了使用的算法的优缺点，为下一章的算法仿真做铺垫。

第三章 人脸识别系统MATLAB仿真，其分别介绍了如何使用PCA、LBP特征提取算法与最近邻分类算法结合，依据两种不同的识别策略，在MATLAB平台进行多次试验仿真取得了较为理想的效果。

第四章 数据分析及算法优化，该章节主要将上一章节的最近邻法更换为K-近邻法，同时与PCA和LBP特征提取算子相结合，使用MATLAB软件进行多次仿真，获得更快，识别率更高的实验效果。

第五章 结论，该章节主要通过MATLAB实验数据，分析了前两章提出的四种方法的优缺点，从识别速度、准确度、冗余度等角度，提出最优算法。并对本论文进行总结归纳其商业价值，工程价值和科学价值，同时也提出了进一步的研究工作。

第六章 致谢，该章节主要表达了对学校，老师，同学的感谢。总结了这一阶段遇到的许多困难，以及在老师同学帮助下最终全部解决。回顾了在武汉理工大学四年学习生活中的种种收获以及对自己未来工作生活中的成长历程进行了规划与希冀。

人脸识别算法概述

人脸识别的研究范围

经历了接近60年的发展，人脸识别已经成为了一门较为复杂的学科，研究范围也从最初粗糙的简单识别发展到现在集图像处理、高等数学、计算机网络技术于一体的综合应用学科。

人脸识别过程

通过阅读参考文献和比较国内外学者的研究方案，本论文中把人脸识别的过程分为了如图2.1所示的四个步骤：

步骤一：面部图像获取，即依靠相机或其他拍摄设备捕获到人脸图像。获取人脸图像是进行精准识别的首要环节，并且图像质量的高低直接影响到了之后的几个处理步骤。图像的品质包括像素，噪声点以及遮挡物的干扰程度。所以选取良好的图像捕捉设备以及初步的图像处理过程十分重要。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：