大学生创新创业训练项目结题报告项目名称立项类别项目负责人联系电话负责人所在学院指导老师一．设计方案1.1选题背景及意义随着当前社会的电子技术与生物技术的快速发展，基于生物特征的模式识别技术得到广泛应用，例如广受欢迎的刷脸支付。

生物特征识别技术主要是指通过人体生物特征进行身份认证的一种技术。

其中指纹识别、虹膜识别、人脸识别等都属于这项技术的研究方向。

人脸识别是通过提取脸部特征来进行识别的生物识别技术，采集含有人脸的图像或视频流,并在图像中检测和追踪人脸,然后采用一系列相关技术对检测到的人脸进行分析和处理的技术，目前该技术在许多行业均得到广泛运用，是目前的一个研究热点。

作为生物特征的一种，人脸具有不易伪造、不会遗失等优点，并且人脸图像更易获取，人脸识别系统也更加直接、友好。

随着近年来人脸识别的的不断发展，提高人脸识别技术的识别率和识别速度是人脸识别中需要进一步研究的问题。

脸型是人脸中最为直接的一个特征，根据长宽比和额头宽度，颧骨宽度，下颌宽度三者比例不同可大致分为六种：圆形脸，正方形脸，长形脸，菱形脸，正三角型脸和倒三角型脸（瓜子脸）。

我国传统审美对人面部的形状特别重视，早在古代，就有针对不同脸型做出的分类，并对脸型赋予了人格的内容。

现代关于脸型分类的的方法更是非常多，美容学，医学，生物学等都有不同的脸型分类方法。

并且，脸型信息较为稳定，且分类方法较为简单，因此，本文基于现有的人脸分类方法，利用matlab编程实现基于人脸识别技术进行脸型分类，可用于提高人脸识别的识别率和识别速率，在人脸识别的基础上对其应用最有潜力的一个就是基于人脸识别的智能配镜。

1.2国内外研究现状人脸识别技术诞生于二二十世界六十年代,但主要局限于收集和分析人脸面部特征(双眼距离，脸颊宽度等)。

七十至八十年代，有了进一步研究。

但都是基于小型的图像样本集(人脸的唯一-性、婴儿感知人脸、识别倒转人脸图像、人脑在人脸感知中的作用)。

进入九十年代后，人脸识别得到了巨大的发展(特征脸(Eigenfaces)、Fisher 脸(Fisherfaces) 以及弹性图匹配(EGM)等人脸识别算法: Facelt, Visage system, TrueFace 等人险识别软件。

FERET 项目是本阶段一个重要的事件，在1994年，1995 年和1996年的3次人脸识别评测，极大的促进了这些算法的改进和实用化)M近十年以来,人脸识别已经发展成为最热门的生物特征识别技术(基于几何特征的人脸识别、基于子空间的人脸识别、基于弹性图匹配的人脸识别:Geroghiades等人提出的基于光照锥模型的多姿态、多光照条件人脸识别方法，应用于以支持向量机为代表的统计学习理论)。

目前，很多国家展开了有关人脸识别的研究，主要有美因(美国的卡耐基梅隆大学(CMU)机器人研究所、麻省理工学院(MTT) 媒体实验室和人工智能实验室)、欧洲(英国的Surey大学视觉语音和信号处理研究中心、法国的NRIA研究所,芬兰的赫尔辛基大学CIS研究所、瑞士IDIAP研究所)、日本(ART研究所)等。

另外，基于AdaBoost的人脸识别算法、基于彩色信息的方法、基于形状分析的方法以及多模态信息融合方法也有大量研究与实验。

国内于二十世纪九十年代开始对人脸识别进行研究(中国科学院自动化所李子青一近红外的人脸识别: 中国科学院计算所高文教投研究小组:消华大学自动化系张长水教授，电子系苏光大教授，丁晓青教授等;南京理工大学杨靖字教授研究小组;中山大学冯国灿教授、赖建煌教授;浙江大学吴朝辉教授研究小组;南京大学周志华教授研究小组等)。

近十年来，人脸识别已经发展成为-一种最热门的生物特征识别技术。

在FERET工程的基础上，美国因防部每隔两年都要对大量的人脸识别算法和系统进行测试。

到目前为止已经完成了FRVT2000、FRVT2002、FRGC和FRVT2006共四次测试，对人脸识别技术的发展成熟起到了极大的推动作用。

为了提高人脸识别系统的鲁棒性,研究者们在改进已有人脸识别算法性能的同时提出了新的基于三维(3D) 模型的人脸识别方法，进一步扩大了人脸识别的研究范围。

1.3 本文的主要研究内容1.3.1利用人脸识别进行脸型判断的研究人脸识别是通过提取脸部特征来进行识别的生物识别技术，目前该技术在许多行业均得到广泛运用，是目前的一个研究热点。

脸型是人脸中最为直接的特征，它的信息较为稳定，且分类方法较为简单，在人脸识别中加入脸型分类可用于提高人脸识别的识别率和识别速度。

基于现有的人脸分类方法，本课题利用matlab 编程实现基于人脸识别技术进行脸型分类，在matlab里打开摄像头截取保存图片，对人脸图像进行预处理，利用肤色概率模型等方法确定人脸区域，使用ASM 算法提取关键特征点，对于所取不合适的特征点可手动更改，并确定区分脸型的形态面指数和颧下颌宽指数所需数据，以此自动识别出用户脸型。

1.3.2根据脸型智能配镜的研究利用matlab编程实现基于人脸识别技术进行脸型分类，对人脸图像进行预处理，利用肤色概率模型等方法确定人脸区域，使用ASM算法提取关键特征点，并确定区分脸型的形态面指数和颧下颌宽指数所需数据，以此自动识别出用户脸型。

依据脸型分类可以用来智能配镜，可以帮挑选眼镜的顾客挑选适合哪种类型的镜框。

二．设计方案2.1.具体方案（1）人脸检测是指判断一张输入图片中是否包含人脸; 如果包含人脸,给出人脸所在的位置。

（2）人脸关键点定位,是要获取人脸关键点的位置;然后利用这些关键点的位置,通过相似变换, 对齐到标准人脸关键点,达到对人脸归一化的目的。

（3）人脸特征提取的前提是训练卷积神经网络,就是利用训练好的卷积神经网络,对归一化好的人脸图像提取特征,作为一张人脸图像的特征向量表示。

通过大量样本的训练,卷积神经网络能够学习到刻画人脸本质特性的高层语义特征,更加有利于分类。

（4）脸型分类及智能配镜：根据提取眼睛、下巴和嘴等关键点，计算出面部指数，根据相关知识将其分类，然后根据脸型与眼镜的适配关系确定与之相对应的眼镜，进行图片叠加。

2.2设计方案特色技术该方法具有明显优势：分类特征的提取方法先进。

采用 ASM 算法，能够较好的定位正面人脸的关键特征点，很好的获得人脸的形状信息。

ASM 算法各种改进版本的出现势必会提高人脸定位的效果和对光照和姿态等的鲁棒性。

分类方法较为先进合理。

该方法充分利用了正面人脸形状信息，比只利用人脸一般部分形状的曲率信息的方法更全面。

直观上理解脸型不仅与脸的轮廓有关，与五官的相对位置也有一定的联系。

分类结果合乎人的直观理解。

虽然实验中只有四个分类，实际上可以有更多的分类或者相近脸型的亚类，为大型人脸库分类提供更多选择。

因此该方法可以用于人脸分类和识别，有效地提高人脸识别率和识别速度，尤其对大库人脸识别问题，具有重要意义。

2.3实验方案2.3.1 基于肤色概率模型检测人脸在进行人脸特征点提取之前需要对图像进行预处理,可以用直方图对图像进行比较或者分割,其作用是直方图是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同的数量的像素点，使直方图趋于平衡。

直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像（即输出的直方图是平的）;用中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像;用人脸归一化人脸其包括两个方面的内容：一是几何归一化，二是灰度归一化。

几何归一化也称为位置校准，它将有助于矫正因成像距离和人脸姿势变化造成的尺寸差异和角度倾斜。

它的目的在于解决人脸尺度变化和人脸旋转问题。

具体包括人脸尺度归一化，平面人脸旋转矫正（歪头），深度人脸旋转矫正（扭脸）三个环节。

严格的深度人脸旋转矫正需要利用人脸的3D模型。

灰度归一化用来对不同光强，光源方向下得到的人脸图像进行补偿，以减弱单纯由于光照变化造成的图像信号的变化。

在对所得的图片进行处理后需要对图片中的人脸进行识别，人脸识别的方法有以下几种：基于几个特征的人脸检测方法、基于统计理论的人脸检测方法、基于肤色模型的人脸检测方法，其中基于几个特征的人脸检测方法方法包括以下3种典型算法:基于先验知识的方法。

基于特征不变性的方法,基于模板的方法；基于统计理论的典型算法主要包括子空间方法，支持向量机方法，神经网络方法以及AdaBost方法。

本文采用的是基于肤色模型的人脸检测方法，具体过程如下：在彩色图像中，人脸肤色是面部一个最重要的特征，根据肤色特性检测人脸也是一种有效的人脸检测方法。

专家学者们在研究了不同地域，不同对象的肤色后,认为人类的肤色在颜色空间中聚成单独的一类 .而直接引起肤色值发生变化的主要因素是亮度变化。

因此他们普遍利用RGB颜色空间，在去除亮度值的图像中通过对比每个像素点的r.g值与肤色范围来确定该像素点及其邻域是否属于人脸区域。

除了RGB空间之外,还可以充分利用象HSI,Luv ,GLHS等其他色彩空间。

该方法针对彩色图像面言,算法简单,容易实现，适用于对检测实时性要求较高的人脸识别与跟踪,但光照因素的影响会加大人脸检测错误率,并且在复杂背景中类肤色区域的存在提高了预警率。

目前，可以将基于肤色信息的方法应用到人脸检测的三个环节中：(1)单纯地利用肤色信息来检测人脸。

通过区域分割的方式找到图像中的肤色区域，然后经过处理将肤色区域作为人脸。

这种应用方式易于实现、速度快，但准确率较低。

(2)利用肤色信息衡量前期人脸检测方法的效果。

将肤色信息作为检测效果的验证，可以有效提高人脸检测算法的准确率[5]。

(3)将肤色检测作为人脸检测的粗略检测。

虽然不能认为肤色区域一定是人脸区域，但相比于其他人脸检测方法，判断是否为肤色区域的过程具有速度快的特点，可以缩小搜索范围，提高检测效率。

文中将肤色应用到此步骤中，进行人脸的粗定位，方便之后的精确定位与检测。

以下采取环节（1）的方法进行详细阐述：a. 色彩空间的选取不同肤色的人脸区域，其亮度差别较大，而色度差别较小。

RGB色彩空间在图像处理的研究中常被使用，但是RGB色彩空间受光线强度的影响较大，而肤色在YCbCr色彩空间中的聚类性较好，人脸肤色和非肤色的分布范围在YCbCr中交叉重叠的区域较小，而且肤色部分在YCbCr中能够用一种较好的模型来表达[6-7]。

YCbCr是由YUV派生而来，Y表示色彩的亮度，Cb、Cr表示色彩的色度。

YCbCr色彩空间可以由RGB色彩空间进行转换得到，公式如下：（2.1）b. 建立肤色高斯模型肤色模型，是利用数学的方法来反映所给图像中的属于肤色的像素点。

在肤色高斯模型中表示肤色信息，是利用肤色高斯模型计算出所有像素点是否为肤色的概率值，肤色似然图就是由这些概率值得到的。