要，人臉視覺關(guān)系是指人眼之間一個(gè)相對(duì)比較常見的而結(jié)構(gòu)較其復(fù)雜且多樣的人類基本行為視覺模式,人臉信息所能夠直接地反映著人類的行為各種行為視覺信息關(guān)系在間接影響了人們相互間正常的生理人際情感交往及行為模式中也同種復(fù)雜智能人臉特征信號(hào)進(jìn)行的智能識(shí)別處理預(yù)測系統(tǒng)和圖像智能識(shí)別分析系終端以及建筑智能化和人機(jī)智能化雙向數(shù)據(jù)交互智能信息挖掘處理應(yīng)用等在各安防領(lǐng)域都同樣也有著很深廣泛而深入廣泛地的商業(yè)開發(fā)應(yīng)用推廣前景。人臉信號(hào)圖像的特征識(shí)別檢測處理圖像檢測處理和人臉特征估計(jì)分析相關(guān)和動(dòng)態(tài)人臉表情特征的識(shí)別和處理技術(shù)等,其中動(dòng)態(tài)人字臉信息的識(shí)別檢測處理識(shí)別處理是動(dòng)態(tài)所有人字臉特征信息的檢測及處理等領(lǐng)域技術(shù)中一項(xiàng)較為系統(tǒng)關(guān)鍵與復(fù)雜重要的研究工作和第一步,近年來它也逐步成為人臉圖像模式特征識(shí)別分析處理和人臉圖像計(jì)算機(jī)視覺領(lǐng)域系統(tǒng)研究內(nèi)的另外又一個(gè)已受到當(dāng)今國研究該領(lǐng)域成為十分重要前沿和活躍前沿的科學(xué)課(1)國外研究歷史與現(xiàn)狀部高級(jí)研究項(xiàng)目署(AdvancedResearchProjectsAgency)和美國陸軍研究實(shí)驗(yàn)室(ArmyResearchLaboratory)成立了Feret(FaceRecognitionTechnology)ofReading))和公司(Visionics公司Facelt人臉識(shí)別系統(tǒng)、Viiage的FaceFINDER身份驗(yàn)證系統(tǒng)、LauTech公司Hunter系統(tǒng)、德國的BioID系統(tǒng)等)的工程研究工作也主要放在公安、刑事方面，在考試驗(yàn)證系統(tǒng)的實(shí)現(xiàn)方面深入研究并不多。(2)國內(nèi)研究歷史與現(xiàn)狀求分析檔案管理、視頻會(huì)議、人機(jī)交互、系統(tǒng)公安(犯罪識(shí)別等)等方面有著巨大的應(yīng)人臉分割:經(jīng)過光線補(bǔ)償和消除噪聲處理后對(duì)圖像進(jìn)行提取邊界處理，確定(1)硬件環(huán)境硬件配置原則:具有可靠性，可用性和安全性，具有完善的技術(shù)支持。能夠和設(shè)計(jì)需要。(2)軟件環(huán)境安全性的要求。系統(tǒng)軟件配置方案:配置有持續(xù)工作能力、高穩(wěn)定性、高度可集成的開放是標(biāo)準(zhǔn)的CMatlab2018b、OpenCV4.0.0。io選擇MATLAB款以數(shù)學(xué)計(jì)算為主的高級(jí)編程軟件，提供了各種強(qiáng)大的數(shù)組運(yùn)算功處理。矩陣和數(shù)組是MATLAB數(shù)據(jù)處理的核心，因MATLAB用數(shù)組來表示和存儲(chǔ)的。雖然MATLAB是面向矩 方面的很多通用算法。第三章系統(tǒng)總體設(shè)計(jì)光線補(bǔ)償:由于光線原因，所照的圖像可能會(huì)存在光線不平衡的情況而造成值，然后將其他像素點(diǎn)按照這個(gè)比例依次調(diào)整。消除噪聲處理:在圖像的采集過程中,由于各種因素的影響,圖像中往往會(huì)出二值化:經(jīng)過光線補(bǔ)償和消除噪聲處理的圖像，通過公式計(jì)算，是人臉區(qū)域直方圖:使用該模塊的目的是直觀的顯示膚色像素點(diǎn)在灰度級(jí)中所占比例的Abstrcat:標(biāo)記特征區(qū)域:確定人臉的位置之后，首先根據(jù)臉部上灰度級(jí)較大的區(qū)域，的成輸入進(jìn)來的圖像進(jìn)行檢測，識(shí)別圖像中是否有人臉并給出人臉區(qū)域,進(jìn)行人臉檢T像的二值化(BINARIZATION)。圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值但是直方圖均衡化存在著兩個(gè)缺點(diǎn):(1)變換后圖像的灰度級(jí)減少，某些細(xì)節(jié)消失;(2)某些圖像，如直方圖有高峰，經(jīng)處理后對(duì)比度不自然的過分增強(qiáng)(5)Abstrcat得到識(shí)別率比直接采用直方圖均衡化好。(6)圖像幾何歸一化。變姿態(tài)引起的人臉相對(duì)偏移的問題。(3)翻轉(zhuǎn)主要是通過翻轉(zhuǎn)圖片的方法糾正圖片，這是因?yàn)橛行﹫D像可能由于設(shè)備的原因使圖像出現(xiàn)上下顛倒的問題，通過糾正保持人臉的正確姿態(tài)。特征信息，如人體上半身、頭發(fā)、耳朵等因素。(7)彩色圖像灰度化組成，并且具有相等的分量，即第四章系統(tǒng)詳細(xì)設(shè)計(jì)計(jì)中所要完成的主要功能如下所述:該模塊主要是將處理后的圖片進(jìn)行人臉定位、人臉切割，對(duì)人臉區(qū)域進(jìn)行標(biāo)記。(1)RGB格式(紅、綠、藍(lán)三基色模型)(2)HIS格式(色度、飽和度、亮度模型)利用中，這種格式的優(yōu)點(diǎn)在于它將亮度(I)與反應(yīng)色彩本質(zhì)的特性的兩個(gè)參數(shù)—B亮度灰度范圍內(nèi)的兩端區(qū)域進(jìn)行壓縮―,降低過亮和過暗區(qū)域的對(duì)比度;再用對(duì)為最大的255。整幅圖像的其他像素點(diǎn)的色彩值也都按這一調(diào)整尺度進(jìn)行變換。(2)非線性分段色彩變換(NonlinearColorTransformation)2、YCbCr色彩格式被廣泛地應(yīng)用在電視顯示等領(lǐng)域中，也是許多視頻壓縮4、相比HIS等其他一些色彩格式，YCbCr色彩格式的計(jì)算過程和空間坐標(biāo)表示形式比較簡單。5、試驗(yàn)結(jié)果表明在YCbCr色彩空間中膚色的聚類特性比較好。YCbCrRG線性變域也是隨亮度分量的不同而呈現(xiàn)非線性變化的趨勢(shì)。在二維的Cb-Cr子平面中尋求膚色的聚類區(qū)域是不可行的―，必須考慮Y之不同造成的影響，從而對(duì)YCbCr色彩格式進(jìn)行非線性分段色彩變換。用4個(gè)邊界來限制膚色聚類區(qū)域可以很好地適應(yīng)亮度過明或過暗的區(qū)，而使膚色模型的魯棒性大大提高。經(jīng)過了非線性分段色彩變換得到的色彩空間我們cbCr′來表示。YCbCr坐標(biāo)空間到Y(jié)CCr′坐標(biāo)空間的變換過程推導(dǎo)如下。其中,K·和K為常量,即非線性分段色彩變換的分段域值惇,分別為:Ki=125,KCYWCY數(shù)，其表達(dá)式為:常數(shù)他們分別為:(1)基于相似度的方法圖，PCATurk和Pentlad提出來的，它的基礎(chǔ)就是Karhunen-Loeve變KL。下面我們首先對(duì)K-L變換作一個(gè)簡式中:α是加權(quán)系數(shù)，φ是基向量，此式還可以用矩陣的形式表示:ii步驟二求出自相關(guān)矩陣或協(xié)方差矩陣R的本征值和本征向量，CAnm,按列相連就構(gòu)成N=n*m維矢量，可視為N維空是平均人臉,是平均人臉,M訓(xùn)練人臉數(shù)，協(xié)方差矩陣C是A一個(gè)N*N的矩陣,N是x的維數(shù)。i為了方便計(jì)算特征值和特征向量，一般選用第2個(gè)公式。根據(jù)K-L變換原小矩陣C的特征值和正交歸一特征向量是很困難的,根據(jù)奇異值分解原理(見A段落1.2.5和1.2.6)，可以通過求解AT·A的特征值和特征向量來獲得AT·A的特特征向量。在計(jì)算得到C的所有非零特征值A(chǔ)M)及其對(duì)應(yīng)的單位正交特征向量(從大到小排序，1≤在計(jì)算得到C的所有非零特征值A(chǔ)M)及其對(duì)應(yīng)的單位正交特征向量X也可以理解為X在空間U中的坐標(biāo))：利用公式(2)，首先把所有訓(xùn)練圖片進(jìn)行投影，然后對(duì)于測試圖片也進(jìn)行同樣CA設(shè)d維樣本x，x，…,x，以及一個(gè)d維基w，那么標(biāo)量：y=wTxy=wTxii是相當(dāng)于xi在基上的坐標(biāo)值。如果w=1,y就是把ix向方向?yàn)閣的直線進(jìn)i行投影的結(jié)果，可以從圖可以從圖4.1看到。推廣之，如果有一組基(m個(gè))組成的空間，那么可以得到x在空間W上的坐標(biāo)為：。iCA?去除原始數(shù)據(jù)相關(guān)性YXYXY=1XYX與AAATA量是非相關(guān)(1)基底的非相關(guān)性(2)投影系數(shù)的非相關(guān)性根,m是平均人臉。x據(jù)公式(2)可以把A映射到特征空間上，得到：B=UT*A，其中B是?統(tǒng)計(jì)參數(shù)(均值及方差)均值即m--平均人臉。x命題2隨機(jī)變量方差越大，包含的信息越多，當(dāng)一個(gè)變量方差為0時(shí)，該變量為常數(shù)，不含任何信息。用PCA計(jì)算主分量，就是尋找一組向量，使得原始數(shù)對(duì)應(yīng)的向量就是第一主成份，以后遞推就是iim)協(xié)方差矩陣的特征向量，由公式(3)可知，x是A在u上的投影值，其中P的方差就u對(duì)應(yīng)的特征值λiii，可以理解為：命題3所有原始數(shù)據(jù)在主分量u上的投影值方差為λ。ii來判斷特征向量的重要性。由ORL到的特征值呈圖4.2分布，可知特征向量重要性呈空間稱為特征臉子空間，需要注意對(duì)于正交基的選擇的不值的特征向量(正交基)也稱主分量，用于表示人臉的大于較小特征值的特征向量則用于描述人臉的具體細(xì)節(jié)，或者從iiiii部分(源碼見’EigenFace.m’)。05070XX特征空間上，得到系數(shù)兩張圖片來自訓(xùn)練樣本，第3張來自測試樣本，可以看到tt50t=100t=150t=1995.奇異值分解(SVD)設(shè)A是秩為r的m*n(m>>n)維矩陣，則存在兩個(gè)正交矩陣和一個(gè)對(duì)角陣：iv后，可由推論知AATi所以要對(duì)一組圖片中的一張X進(jìn)行歸一化(標(biāo)準(zhǔn)化)，只需要減去均值，除i以方差就可以了。均值，方差為PCA特征臉提取結(jié)果注意，注意，協(xié)方差矩陣的特征值為：λ2/M。i量x小矩陣和特征顯然,C=AAT的特征向量是A?v(注意沒有單位化)，亦為其特x