人脸作为一种高普遍性、可以非接触式采集的重要生物特征，正被越来越多地用来进行身份鉴别。下面是YJBYS小编搜索整理的关于人脸识别中的图像处理技术，欢迎参考阅读，希望对大家有所帮助!想了解更多相关信息请持续关注我们应届毕业生培训网!

　　人脸识别，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别技术应用广泛，可用于安全验证系统、医学、档案管理、银行和海关的监控系统及自动门禁系统等[1]。与利用指纹、虹膜等其他人体生物特征进行身份识别的方法相比，人脸识别更加友好、方便和隐蔽。因其巨大的应用前景,以及其无可比拟的优越性，人脸识别越来越成为当前模式识别和人工智能领域的一个热点。图像预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，往往存在有噪声，对比度不够等缺点。为了保证人脸图像中人脸大小、位置以及人脸图像质量的一致性，必须对图像进行预处理。

　　1、人脸识别的基本内容和过程

　　人脸识别(Face Recognition)一般可描述为：给定一静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。从广义上讲，其研究内容包括以下五个方面：

　　(1)人脸检测(Face Detection)：即从各种不同的场景中检测出人脸的存在并确定其位置。这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。

　　(2)人脸表征(Face Representation)：即确定表示检测出的人脸和数据库中的己知人脸的描述方式。通常的表示方法包括几何特征(如欧氏距离、曲率、角度等)、代数特征(如矩阵特征矢量)、固定特征模板、特征脸、云纹图等。

　　(3)人脸鉴别(Face identification)：即通常所说的人脸识别，就是将待识别的人脸与数据库中的已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式与匹配策略。

　　(4)表情分析(Facial expression Analysis)：即对待识别人脸的表情进行分析，并对其加以分类。

　　(5)物理分类(Physical Classification)：即对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。

　　人脸识别的基本过程和框架如图1所示。

　　人脸图像采集预处理特征提取识别

　　预处理模块主要完成人脸图像质量的改善，包括提高图像对比度、消除噪声等，可视具体应用而选用。特征提取模块完成提取人脸特征，如何提取稳定和有效的特征是识别系统成败的关键。本文将分析人脸识别中涉及的图像处理技术。

　　2、人脸识别中的图像预处理技术

　　预处理的目的是为了提高图像质量、加强有用的信息。常用的预处理有姿态矫正、光照补偿、尺寸归一化、去噪、边界增强、提高对比度等，它是一项基础性工作，可在人脸特征提取之前根据需要有选择地进行适当的预处理操作。本文采用直方图均衡技术进行人脸图像的预处理，主要目的是增强对比度，提高图像质量。

　　1、直方图均衡技术

　　1.1直方图定义

　　直方图是图像的一种统计表达。对一幅灰度图像，其灰度统计直方图反映了该图中不同灰度级出现的统计情况[2]。其定义为：

　　P(sk)=nk/N

　　其中nk表示图像的第k级灰度值，N表示像素总数。直方图能给出该图像的整体描述，例如图像的灰度范围、每个灰度级的频度和灰度的分布、整幅图像的平均明暗和对比度。直方图又分为直方图均衡化和直方图规定化。

　　1.2直方图均衡技术

　　直方图均衡化也叫直方图均匀化，就是把给定图像的直方图分布改变成均匀分布的直方图，它是一种常用的灰度增强方法[3]。本文在MATLAB环境下对采集后的图像进行了图像的预处理，见图2。

　　图2(a)较暗，有些细节不够清晰，反映在直方图上就是其直方图所占据的灰度范围分布在较窄的区间，引起图像细节不清楚。图2(b)和图2(c)分别为对原始图像进行直方图均衡化得到的结果及其对应的直方图，由图2(c)可见均衡化后直方图占据了整个灰度值允许的范围，图像的灰度间距拉开，灰度分布均匀，从而增大了反差，使图像细节清晰，达到了图像增强的目的。

　　2.线性平滑滤波

　　均值滤波也称为线性滤波，其采用的主要方法为邻域平均法、超限像素平滑法和加权均值滤波法。这里以邻域平均法为例进行说明。邻域平均法，其基本原理是用均值替代原图像中的各个像素值，即对待处理的当前像素点 (x,y)选择一个模板(图3所示为一均值滤波模板)求模板中所有像素的均值，再把该均值赋予当前像素点 (x,y),作为处理后图像在该点上的灰度g(x,y)。模板运算的基本步骤为：将模板在图像中漫游，并将模板中心与图像中的某个像素位置重合;将模板上系数与模板下对应的像素相乘;将所有乘积加起来;将和(模板的输出响应)赋给图像中对应模板中心位置的像素。图4所示为在MATLAB中对含噪图像图4(a)进行均值滤波的效果图，从图4(b)中可以发现达到了去噪效果。

　　3.非线性平滑滤波

　　非线性平滑滤波的典型方法为中值滤波。中值滤波器的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点。图5所示为在MATLAB中采用不同的中值滤波模板对含噪图像如图5(a)进行中值滤波的效果图。对比5图(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.图像变换

　　图像变换就是把图像从空间域转换到变换域(如频率域)的过程。将图像转换到新的空间，显现出一些新的特性，方便特征提取，使图像处理过程更加简单有效。图像变换的方法很多，如：离散傅里叶变换、离散余弦变换、哈达玛变换、小波变换等。其中傅里叶变换是一种较为典型的频域变换技术。利用二维离散快速傅里叶变换将人脸图像从空间域变换到频率域后，较为复杂的人脸图像可以简单地用振幅谱来表征，人脸图像在频率域中，计算简便，能量相对集中。

　　在变换域中实现图像增强的步骤如下：

　　(1)计算需增强的图像的傅里叶变换F(u,v);

　　(2)将其与一个(根据需要设计的)转移函数H(u,v)相乘;

　　(3)再将结果G(u,v)傅立叶反变换得到增强的图像。

　　以傅里叶变换为例，介绍其在频域中实现平滑滤波。在MATLAB中实现从空域到变换域的代码如下：

　　f=fft2(image);%将image图像进行快速傅里叶变换

　　g=fftshift(f);% 将傅里叶变换结果进行移中

　　由于边缘和噪声都对应图像傅里叶频谱中的高频部分，所以通过在频域中的低通滤波可以除去或消弱噪声的影响。要实现低通滤波首先需要选择一个合适的转移函数H(u，v)。在诸多低通滤波器中，Buterworth低通滤波器“振铃”现象不明显，而且能够提高图像的细节清晰度，这里以Buterworth低通滤波器为例对图像进行平滑滤波。一个阶为n，截断频率为D0的巴特沃斯低通滤波器的转移函数为：

　　H(u,v)=11+[D(u,v)/D0]2n待处理图像如图6(a)所示，从该图中可以看出图像中有噪声的干扰，Buterworth低通滤波器设置如下：n=3，截断频率为20。图6(b)所示为低通滤波效果图。

　　对比图6(a)和(b)可以发现，Buterworth低通滤波器对噪声的滤除效果很好，不过同时也使图像变得模糊了。

　　总之，人脸识别具有无可比拟的优越性，近几十年来得到飞速发展，比如近年来出现了基于近红外图像的人脸识别，许多有效实用的人脸识别系统也脱颖而出，并且被广泛应用于海关、机场、金融机构等安全性要求较高的重要场所。人脸识别有着广阔的应用前景，不仅是模式识别、计算机视觉和人工智能等领域的一个热门的研究课题，同时，人脸识别又是一个难度极大的课题，如人脸识别中的光照问题，姿态问题，表情问题等，这也是作者进一步研究的重点。