以8个方向和8个尺度的图像为例，这样就有64个Gabor滤波器，采 个方向和8个尺度的图像为例，这样就有64个Gabor滤波器， 64 滤波器 用线性相关准则来度量滤波器之间的冗余时， 用线性相关准则来度量滤波器之间的冗余时，可以先固定方向集合 U={μ：0<=μ<=7},然后调整尺度集合从V1={v： 4<=v<=3}到V5={v： 然后调整尺度集合从V1={v U={μ：0<=μ<=7},然后调整尺度集合从V1={v：-4<=v<=3}到V5={v： 0<=v<=7
累计分布函数
累计分布函数(CDF ，cumulative distribution function)就能满足上 累计分布函数 就能满足上 述两个条件，并且通过该函数可以完成将原图像f的分布转换成 的分布转换成g的均匀分 述两个条件，并且通过该函数可以完成将原图像 的分布转换成 的均匀分 此时的直方图均衡化映射函数为: 布。此时的直方图均衡化映射函数为 gk = EQ(fk) = (ni/n) = pf(fi) ， (k=0，1，2，……，L-1) ， ， ， ， 上式的求和区间为0到 ， 上式的求和区间为 到k，根据该方程可以由源图像的各像素灰度值直 接得到直方图均衡化后各像素的灰度值。在实际处理变换时， 接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原 始图像的灰度情况进行统计分析，并计算出原始直方图分布， 始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计 算出的累计直方图分布求出fk到 的灰度映射关系 的灰度映射关系。 算出的累计直方图分布求出 到gk的灰度映射关系。在重复上述步骤得到 源图像所有灰度级到目标图像灰度级的映射关系后， 源图像所有灰度级到目标图像灰度级的映射关系后，按照这个映射关系对 源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。 源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。
前景展望
随着社会信息化，网络化得不断发展，个人身份趋于数字化， 随着社会信息化，网络化得不断发展，个人身份趋于数字化， 隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。 隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。 生物识别技术与传统的钥匙，登录密码等相比， 生物识别技术与传统的钥匙，登录密码等相比，与其独有的优点 越来越受到人们的亲睐。 越来越受到人们的亲睐。 近些年来，图形图像，微电子等方面所取得的一系列进展， 近些年来，图形图像，微电子等方面所取得的一系列进展， 使得实现高性能自动识别技术的代价越来越低， 使得实现高性能自动识别技术的代价越来越低，达到了人们可以 接受的程度。而人脸识别， 接受的程度。而人脸识别，作为生物识别方法中应用比较广泛的 技术，基于人脸固有的生物特征信息， 技术，基于人脸固有的生物特征信息，利用模式识别和图行图像 处理技术来对个人身份进行鉴定，在国家安全，计算机交互， 处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家 庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率， 庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率， 防止社会犯罪等，具有重大的经济和社会意义。 防止社会犯罪等，具有重大的经济和社会意义。
如图： 如图：
由于虚部得到相同的结果，所以与滤波器的实部为例来分析， 由于虚部得到相同的结果，所以与滤波器的实部为例来分析，先将滤波器 这样2个滤波器 的实部 按行或列连接成一个矢量 ，这样 个滤波器 和 的 线 性 相关定义为： 相关定义为：
全部64个滤波器的相关系数就组成了一个 的对称矩阵， 全部 个滤波器的相关系数就组成了一个64*64的对称矩阵，对角线上的 个滤波器的相关系数就组成了一个 的对称矩阵 元素为1。由于相关系数的范围为[-1,1],取其绝对值并且将其绝对值区间即 元素为 。由于相关系数的范围为 取其绝对值并且将其绝对值区间即 [0,1]映射到灰度尺度区间 映射到灰度尺度区间[0,255],这样矩阵的特性就可以用图示的方式来 映射到灰度尺度区间 这样矩阵的特性就可以用图示的方式来 表示了。 表示了。
（下面以基于二维Gabor小波矩阵表征人脸的识别方法 为例，详细阐述）
基于二维Gabor小波矩阵表征人脸的识别方法
Gabor核函数的定义 核函数的定义
其中 ， 的方向和尺度因子； 的方向和尺度因子； 分别是 基于相关准则选取Gabor滤波器集合 基于相关准则选取Gabor滤波器集合 Gabor
,µ和v分别代表滤波器 和 分别代表滤波器 滤波器的参数
人脸识别
定义： 定义：
广义的人脸识别实际包括构建人脸识别系统的一系列相关 技术，包括人脸图像采集、人脸定位、人脸识别预处理、 技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确 认以及身份查找等； 认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确 认或者身份查找的技术或系统。 认或者身份查找的技术或系统。 人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 人脸识别是一项热门的计算机技术研究领域， 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。 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。生物 特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、 特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、 声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字） ）、体形 声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等， 相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、 相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜 识别、语音识别（用语音识别可以进行身份识别， 识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的 识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、 ）、体形识别 识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签 字识别等。 字识别等。
图像的预处理技术
光线补偿 灰度变化 高斯平滑处理 对比度增强 直方图均衡
程序设计与实验
（以直方图均衡 为例） 直方图均衡化处理的主要思想是把原始图像的灰度直方图从某个比 较集中的灰度区间映射到全部灰度范围内的均匀分布。简单来说， 较集中的灰度区间映射到全部灰度范围内的均匀分布。简单来说，直方 图均衡化就是将图像非线性拉伸，重新分配图像像素值， 图均衡化就是将图像非线性拉伸，重新分配图像像素值，使得一定灰度 范围内的像素数量基本相同。 范围内的像素数量基本相同。 f为原始图像在 为原始图像在(x，y)处的灰度 g为改变后的灰度 处的灰度， 为改变后的灰度， 设f为原始图像在(x，y)处的灰度，g为改变后的灰度，那么直方图均衡可 表述为将在(x， 处的灰度 映射为g。在处理灰度直方图均衡化中， 处的灰度f映射为 表述为将在 ，y)处的灰度 映射为 。在处理灰度直方图均衡化中，可以这么 定义图像的映射函数: 定义图像的映射函数 g = EQ (f)， ， 该映射函数EQ(f)必须满足两个条件 必须满足两个条件: 该映射函数 必须满足两个条件 (1)EQ(f)在0≤f≤L-1(其中 为图像的灰度级数 范围内是一个单调递增函数（保 其中L为图像的灰度级数 范围内是一个单调递增函数（ 在 其中 为图像的灰度级数)范围内是一个单调递增函数 证图像处理后不会打乱原始图像的灰度排列次序）。 证图像处理后不会打乱原始图像的灰度排列次序）。 (2)对于每一个 对于每一个0≤f≤L-1必有 必有0≤g≤L-1（保证了变换前后灰度值动态范围的一致 对于每一个 必有 （ 性）。
课题：
人脸识别技术综述
导 师： 周 欣 答辩人： 陶 健 专 业： 计算机科学与技术
论文框架
研究背景及前景展望 人脸识别
地球上六七十亿人，几乎每一个人的脸都是由眉毛、眼睛、鼻子、 地球上六七十亿人，几乎每一个人的脸都是由眉毛、眼睛、鼻子、嘴巴 等部分组成，这些器官的大体位置基本是固定的， 等部分组成，这些器官的大体位置基本是固定的，并且每张脸的大小面积也 相差不是很大。然而，我们不得不承认这么一个事实---这个世界上几乎找不 相差不是很大。然而，我们不得不承认这么一个事实--这个世界上几乎找不 出两张完全相同的人脸！ 出两张完全相同的人脸！ 那么区别这么多的不同人脸的“特征”应该是什么？ 那么区别这么多的不同人脸的“特征”应该是什么？我们可不可以设计 出具有和我们人类一样的具有人脸识别能力的软件或自动机器？ 出具有和我们人类一样的具有人脸识别能力的软件或自动机器？这些软件或 自动机器的人脸识别能力能不能够超越我们人类本身？毫无疑问， 自动机器的人脸识别能力能不能够超越我们人类本身？毫无疑问，分析和解 答这些问题具有重要的理论价值和应用价值，而这一切， 答这些问题具有重要的理论价值和应用价值，而这一切，正是那么多从事人 脸识别研究的人员所面临的难题和挑战。 脸识别研究的人员所面临的难题和挑战。 但是，回答这些问题并没有想象中的那么容易。 但是，回答这些问题并没有想象中的那么容易。虽然很多研究人员从事 过计算机视觉、模式识别、神经计算、生理学等领域的研究， 过计算机视觉、模式识别、神经计算、生理学等领域的研究，然而始终有一 些很基础的科学问题困惑着他们。比如， 些很基础的科学问题困惑着他们。比如，我们每天都可以依据人脸区分着亲 同事、朋友等， 人、同事、朋友等，但是我们中大多数人却很难讲出是如何区分他们的更有 甚者描述不出自己熟悉的人的一些具体特征。 甚者描述不出自己熟悉的人的一些具体特征。这就得意味着我们要在仿生学 人脸识别研究路线以外找到解决方法来回答上述的基本科学问题。 人脸识别研究路线以外找到解决方法来回答上述的基本科学问题。
常用的人脸检测方法
基于肤色特征的检测方法 基于启发式模型的方法 基于特征空间的方法 基于统计模型的方法
人脸识别常用的算法
基于二维Gabor小波矩阵表征人脸的识别方法 基于二维Gabor小波矩阵表征人脸的识别方法 Gabor 基于多特征融合和Boosting RBF神经网络的人 基于多特征融合和Boosting RBF神经网络的人 脸识别方法 基于模型匹配人脸识别方法 基于分块小波变换与奇异值阈值压缩的人脸特 征提取与识别算法