【畢業(yè)論文】基于matlab的人臉識別系統(tǒng)設(shè)計與仿真

1、<p><b>　　目錄</b></p><p><b>　　第一章 緒論2</b></p><p>　　1.1 研究背景2</p><p>　　1.2 人臉圖像識別的應(yīng)用前景3</p><p>　　1.3 本文研究的問題4</p><p>　　1.4 識別

2、系統(tǒng)構(gòu)成4</p><p>　　1.5 論文的內(nèi)容及組織6</p><p>　　第二章 圖像處理的Matlab實現(xiàn)7</p><p>　　2.1 Matlab簡介7</p><p>　　2.2 數(shù)字圖像處理及過程7</p><p>　　2.2.1圖像處理的基本操作7</p><p>

3、　　2.2.2圖像類型的轉(zhuǎn)換8</p><p>　　2.2.3圖像增強(qiáng)8</p><p>　　2.2.4邊緣檢測9</p><p>　　2.3圖像處理功能的Matlab實現(xiàn)實例9</p><p>　　2.4 本章小結(jié)13</p><p>　　第三章 人臉圖像識別計算機(jī)系統(tǒng)14</p><

4、p><b>　　3.1 引言14</b></p><p>　　3.2系統(tǒng)基本機(jī)構(gòu)15</p><p>　　3.3 人臉檢測定位算法15</p><p>　　3.4 人臉圖像的預(yù)處理22</p><p>　　3.4.1 仿真系統(tǒng)中實現(xiàn)的人臉圖像預(yù)處理方法23</p><p>　　第四

5、章 基于直方圖的人臉識別實現(xiàn)26</p><p>　　4.1識別理論26</p><p>　　4.2 人臉識別的matlab實現(xiàn)26</p><p>　　4.3 本章小結(jié)27</p><p><b>　　第五章 總結(jié)28</b></p><p><b>　　致謝29</

6、b></p><p><b>　　參考文獻(xiàn)30</b></p><p><b>　　附錄32</b></p><p><b>　　第一章 緒論</b></p><p>　　本章提出了本文的研究背景及應(yīng)用前景。首先闡述了人臉圖像識別意義；然后介紹了人臉圖像識別研究中存在

7、的問題；接著介紹了自動人臉識別系統(tǒng)的一般框架構(gòu)成；最后簡要地介紹了本文的主要工作和章節(jié)結(jié)構(gòu)。</p><p><b>　　1.1 研究背景</b></p><p>　　自70年代以來.隨著人工智能技術(shù)的興起.以及人類視覺研究的進(jìn)展.人們逐漸對人臉圖像的機(jī)器識別投入很大的熱情，并形成了一個人臉圖像識別研究領(lǐng)域，.這一領(lǐng)域除了它的重大理論價值外，也極具實用價值。</

8、p><p>　　在進(jìn)行人工智能的研究中，人們一直想做的事情就是讓機(jī)器具有像人類一樣的思考能力，以及識別事物、處理事物的能力，因此從解剖學(xué)、心理學(xué)、行為感知學(xué)等各個角度來探求人類的思維機(jī)制、以及感知事物、處理事物的機(jī)制，并努力將這些機(jī)制用于實踐，如各種智能機(jī)器人的研制。人臉圖像的機(jī)器識別研究就是在這種背景下興起的，因為人們發(fā)現(xiàn)許多對于人類而言可以輕易做到的事情，而讓機(jī)器來實現(xiàn)卻很難，如人臉圖像的識別，語音識別，自然語言

9、理解等。如果能夠開發(fā)出具有像人類一樣的機(jī)器識別機(jī)制，就能夠逐步地了解人類是如何存儲信息，并進(jìn)行處理的，從而最終了解人類的思維機(jī)制。</p><p>　　同時，進(jìn)行人臉圖像識別研究也具有很大的使用價依。如同人的指紋一樣，人臉也具有唯一性，也可用來鑒別一個人的身份?，F(xiàn)在己有實用的計算機(jī)自動指紋識別系統(tǒng)面世，并在安檢等部門得到應(yīng)用，但還沒有通用成熟的人臉自動識別系統(tǒng)出現(xiàn)。人臉圖像的自動識別系統(tǒng)較之指紋識別系統(tǒng)、DNA鑒

10、定等更具方便性，因為它取樣方便，可以不接觸目標(biāo)就進(jìn)行識別，從而開發(fā)研究的實際意義更大。并且與指紋圖像不同的是，人臉圖像受很多因素的干擾:人臉表情的多樣性;以及外在的成像過程中的光照，圖像尺寸，旋轉(zhuǎn)，姿勢變化等。使得同一個人，在不同的環(huán)境下拍攝所得到的人臉圖像不同，有時更會有很大的差別，給識別帶來很大難度。因此在各種干擾條件下實現(xiàn)人臉圖像的識別，也就更具有挑戰(zhàn)性。</p><p>　　國外對于人臉圖像識別的研究較早

11、，現(xiàn)己有實用系統(tǒng)面世，只是對于成像條件要求較苛刻，應(yīng)用范圍也就較窄，國內(nèi)也有許多科研機(jī)構(gòu)從事這方而的研究，并己取得許多成果。</p><p>　　1.2 人臉圖像識別的應(yīng)用前景</p><p>　　人臉圖像識別除了具有重大的理論價值以及極富挑戰(zhàn)性外，還其有許多潛在的應(yīng)用前景，利用人臉圖像來進(jìn)行身份驗證，可以不與目標(biāo)相接觸就取得樣本圖像，而其它的身份驗證手段，如指紋、眼睛虹膜等必須通過與目標(biāo)

12、接觸或相當(dāng)接近來取得樣木，在某些場合，這些識別手段就會有不便之處。</p><p>　　就從目前和將來來看，可以預(yù)測到人臉圖像識別將具有廣闊的應(yīng)用前景，如表1-1中所列舉就是其中已經(jīng)實現(xiàn)或逐步完善的應(yīng)用。</p><p>　　表1-1 人臉識別的應(yīng)用</p><p>　　1.3 本文研究的問題</p><p>　　本文介紹了人臉圖像識別中所應(yīng)

13、用MATLAB對圖像進(jìn)行預(yù)處理，應(yīng)用該工具箱對圖像進(jìn)行經(jīng)典圖像處理,通過實例來應(yīng)用matlab圖像處理功能，對某一特定的人臉圖像處理，進(jìn)而應(yīng)用到人臉識別系統(tǒng)。本文在總結(jié)分析人臉識別系統(tǒng)中幾種常用的圖像預(yù)處理方法基礎(chǔ)上，利用MATLAB實現(xiàn)了一個集多種預(yù)處理方法于一體的通用的人臉圖像預(yù)處理仿真系統(tǒng)，將該系統(tǒng)作為圖像預(yù)處理模塊可嵌入在人臉識別系統(tǒng)中，并利用灰度圖像的直方圖比對來實現(xiàn)人臉圖像的識別判定。</p><p>

14、;　　其中涉及到圖像的選取，臉部定位，特征提取，圖像處理和識別幾個過程。</p><p>　　1.4 識別系統(tǒng)構(gòu)成</p><p>　　人類似乎具有“與生俱來”的人臉識別能力，賦予計算機(jī)同樣的能力是人類的夢想之一，這就是所謂的“人臉識別”系統(tǒng)。假設(shè)我們把照相機(jī)、攝像頭、掃描儀等看作計算機(jī)的“眼睛”，數(shù)字圖像可以看作計算機(jī)觀察到的“影像”，那么AFR賦予計算機(jī)根據(jù)其所“看到”的人臉圖片來判斷

15、人物身份的能力。</p><p>　　廣義的講，自動人臉識別系統(tǒng)具有如圖1.1所示的一般框架并完成相應(yīng)功能的任務(wù)。</p><p>　　圖1.1 人臉識別系統(tǒng)一般框架</p><p>　　(1)人臉圖像的獲取</p><p>　　一般來說，圖像的獲取都是通過攝像頭攝取，但攝取的圖像可以是真人，也可以是人臉的圖片或者為了相對簡單，可以不考慮通過

16、攝像頭來攝取頭像，而是直接給定要識別的圖像。</p><p><b>　　(2)人臉的檢測</b></p><p>　　人臉檢測的任務(wù)是判斷靜態(tài)圖像中是否存在人臉。若存在人臉，給出其在圖像中的坐標(biāo)位置、人臉區(qū)域大小等信息。而人臉跟蹤則需要進(jìn)一步輸出所檢測到的人臉位置、大小等狀態(tài)隨時間的連續(xù)變化情況。</p><p><b>　　(3)

17、特征提取</b></p><p>　　通過人臉特征點的檢測與標(biāo)定可以確定人臉圖像中顯著特征點的位置（如眼睛、眉毛、鼻子、嘴巴等器官），同時還可以得到這些器官及其面部輪廓的形狀信息的描述。</p><p>　　根據(jù)人臉特征點檢測與標(biāo)定的結(jié)果，通過某些運算得到人臉特征的描述（這些特征包括：全局特征和局部特征，顯式特征和統(tǒng)計特征等）。</p><p>　　(4

18、)基于人臉圖像比對的身份識別</p><p>　　即人臉識別(Face Identification)問題。通過將輸入人臉圖像與人臉數(shù)據(jù)庫中的所有已知原型人臉圖像計算相似度并對其排序來給出輸入人臉的身份信息。這包括兩類識別問題：一類是閉集(Close Set)人臉識別問題，即假定輸入的人臉一定是人臉庫中的某個個體；另一類是開集(Open Set)識別，即首先要對輸入人臉是否在已知人臉庫中做出判斷，如果是，則給出其

19、身份。</p><p>　　(5)基于人臉圖像比對的身份驗證</p><p>　　即人臉確認(rèn)(Face Verification)問題。系統(tǒng)在輸入人臉圖像的同時輸入一個用戶宣稱的該人臉的身份信息，系統(tǒng)要對該輸入人臉圖像的身份與宣稱的身份是否相符作出判斷。</p><p>　　1.5 論文的內(nèi)容及組織</p><p>　　第二章主要介紹人臉識別

20、系統(tǒng)中所用到的仿真軟件Matlab，介紹了在人臉圖像識別過程中所需要的圖像處理技術(shù)，包括：一些基本操作、格式轉(zhuǎn)換、圖像增強(qiáng)等。并做了一個Matlab圖像處理功能的實例</p><p>　　第三章主要始涉三個方面：首先是對人臉識別系統(tǒng)的構(gòu)成做詳細(xì)論述；其次就是對人臉識別過程中的關(guān)鍵環(huán)節(jié)人臉檢測、特征提取和圖像預(yù)處理做詳細(xì)介紹；最后就是Matlab在人臉識別系統(tǒng)中的具體應(yīng)用，即人臉圖像識別的具體技術(shù)，并用Matlab

21、進(jìn)行仿真試驗并得到結(jié)果。</p><p>　　第四章是對人臉圖像識別體系構(gòu)架的設(shè)計，并給出了人臉識別用到的理論知識即直方圖差異對比，并編寫matlab代碼實現(xiàn)人臉圖像識別。</p><p>　　第五章總結(jié)了全文的工作并對以后的需要進(jìn)一步研究的問題進(jìn)行了展望。</p><p>　　第二章 圖像處理的Matlab實現(xiàn)</p><p>　　2.1

22、Matlab簡介</p><p>　　由Math Work公司開發(fā)的Matlab語言語法限制不嚴(yán)格,程序設(shè)計自由度大,程序的可移植性好。Matlab還推出了功能強(qiáng)大的適應(yīng)于圖像分析和處理的工具箱,常用的有圖像處理工具箱、小波分析工具箱及數(shù)字信號處理工具箱。利用這些工具箱,我們可以很方便的從各個方面對圖像的性質(zhì)進(jìn)行深入的研究。Matlab圖像處理工具箱支持索引圖像、RGB圖像、灰度圖像、二進(jìn)制圖像并能操作.bmp、

23、.jpg、.tif等多種圖像格式文件。</p><p>　　2.2 數(shù)字圖像處理及過程</p><p>　　圖像是人類獲取信息、表達(dá)信息和傳遞信息的重要手段。利用計算機(jī)對圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等的理論、方法和技術(shù)稱為數(shù)字圖像處理。數(shù)字圖像處理技術(shù)已經(jīng)成為信息科學(xué)、計算機(jī)科學(xué)、工程科學(xué)、地球科學(xué)等諸多方面的學(xué)者研究圖像的有效工具。數(shù)字圖像處理主要包括圖像變換、圖像增強(qiáng)、

24、圖像編碼、圖像復(fù)原、圖像重建、圖像識別以及圖像理解等內(nèi)容。</p><p>　　2.2.1圖像處理的基本操作</p><p>　　讀取和顯示圖像可以通過imread()和imshow()來實現(xiàn);圖像的輸出用imwrite()函數(shù)就可以很方便的把圖像輸出到硬盤上;另外還可以用imcrop()、imrisize()、imrotate()等來實現(xiàn)圖像的裁剪、縮放和旋轉(zhuǎn)等功能。</p>

25、<p>　　2.2.2圖像類型的轉(zhuǎn)換</p><p>　　Matlab支持多種圖像類型,但在某些圖像操作中,對圖像的類型有要求,所以要涉及到對圖像類型進(jìn)行轉(zhuǎn)換。Matlab7.0圖像處理工具箱為我們提供了不同圖像類型相互轉(zhuǎn)換的大量函數(shù),如mat2gray()函數(shù)可以將矩陣轉(zhuǎn)換為灰度圖像,rgb2gray()轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像。在類型轉(zhuǎn)換的時候,我們還經(jīng)常遇到數(shù)據(jù)類型不匹配的情況,針

26、對這種情況,Matlab7.0工具箱中,也給我們提供了各種數(shù)據(jù)類型之間的轉(zhuǎn)換函數(shù),如double()就是把數(shù)據(jù)轉(zhuǎn)換為雙精度類型的函數(shù)。</p><p><b>　　2.2.3圖像增強(qiáng)</b></p><p>　　圖像增強(qiáng)的目的是為了改善圖像的視覺效果,提高圖像的清晰度和工藝的適應(yīng)性,以及便于人與計算機(jī)的分析和處理,以滿足圖像復(fù)制或再現(xiàn)的要求。圖像增強(qiáng)的方法分為空域法和

27、頻域法兩大類,空域法主要是對圖像中的各個像素點進(jìn)行操作;而頻域法是在圖像的某個變換域內(nèi)對整個圖像進(jìn)行操作,并修改變換后的系數(shù),如傅立葉變換、DCT變換等的系數(shù),然后再進(jìn)行反變換,便可得到處理后的圖像。下面以空域增強(qiáng)法的幾種方法加以說明。</p><p>　　(1).灰度變換增強(qiáng)</p><p>　　有多種方法可以實現(xiàn)圖像的灰度變換,其中最常用的就是直方圖變換的方法,即直方圖的均衡化。這種方

28、法是一種使輸出圖像直方圖近似服從均勻分布的變換算法。Matlab7.0圖像處理工具箱中提供了圖像直方圖均衡化的具體函數(shù)histeq(),同時我們可以用函數(shù)imhist()函數(shù)來計算和顯示圖像的直方圖。</p><p>　　(2).空域濾波增強(qiáng)</p><p>　　空域濾波按照空域濾波器的功能又可分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實現(xiàn),目的在于模糊圖像或消除噪聲;銳化濾波器

29、是用高通濾波來實現(xiàn),目的在于強(qiáng)調(diào)圖像被模糊的細(xì)節(jié)。在Matlab中,各種濾波方法都是在空間域中通過不同的濾波算子實現(xiàn),可用fspecial()函數(shù)來創(chuàng)建預(yù)定義的濾波算子,然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對圖像進(jìn)行濾波。</p><p><b>　　2.2.4邊緣檢測</b></p><p>　　數(shù)字圖像的邊緣檢測是圖像分割、目

30、標(biāo)區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ),也是圖像識別中提取圖像特征的一個重要屬性。邊緣檢測算子可以檢查每個像素的鄰域并對灰度變化率進(jìn)行量化,也包括對方向的確定,其中大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供的edge()函數(shù)可以進(jìn)行邊緣檢測,在其參數(shù)里面,可以根據(jù)需要選擇合適的算子及其參數(shù)。</p><

31、;p>　　2.3圖像處理功能的Matlab實現(xiàn)實例</p><p>　　本文通過運用圖像處理工具箱的有關(guān)函數(shù)對一人臉的彩色圖像進(jìn)行處理。</p><p><b>　　1)圖像類型的轉(zhuǎn)換</b></p><p>　　因后面的圖像增強(qiáng),邊緣檢測都是針對灰度圖像進(jìn)行的,而我們的原圖是RGB圖像,所以首先我們要對原圖類型進(jìn)行轉(zhuǎn)換。實現(xiàn)過程代碼如下

32、:</p><p>　　i=imread('f:\face1.jpg');j=rgb2gray(i);</p><p>　　imshow(j);imwrite(j,'f:\face1.tif')</p><p><b>　　效果圖2.1</b></p><p><b>　　圖2.

33、1</b></p><p><b>　　2)圖像增強(qiáng)</b></p><p>　　(1)灰度圖像直方圖均衡化</p><p>　　通過比較原圖和直方圖均衡化后的圖像可見,圖像變得更清晰,而且均衡化后的直方圖比原直方圖的形狀更理想。該部分的程序代碼如下:</p><p>　　i=imread('f:\f

34、ace1.tif');</p><p>　　j=histeq(i);imshow(j);</p><p>　　figure,subplot(1,2,1),imhist(i);</p><p>　　subplot(1,2,2),imhist(j)</p><p>　　執(zhí)行后的效果圖如圖2.2和圖2.3:</p><p

35、>　　圖2.2均衡化后的灰度圖像 圖2.3均衡化前后的直方圖對比圖</p><p>　　(2)灰度圖像平滑與銳化處理</p><p>　　平滑濾波器的目的在于模糊圖像或消除噪聲,Matlab7.0圖像處理工具箱提供了medfilter2()函數(shù)用于實現(xiàn)中值濾波,wiener2()實現(xiàn)對圖像噪聲的自適應(yīng)濾波。在本文實例中,為了使濾波效果更明顯,我們事先為圖像認(rèn)為

36、增加濾波,然后用自適應(yīng)濾波方法對圖像進(jìn)行濾波。銳化處理的目的在于強(qiáng)調(diào)圖像被模糊的細(xì)節(jié),在本實例中采用了預(yù)定義高斯濾波器的方法對圖像進(jìn)行銳化濾波。功能實現(xiàn)的代碼如下:</p><p>　　i=imread('f:\fae1.tif');</p><p>　　j=imnoise(i,'guassian',0,0.02);</p><p>

37、　　subplot(1,2,1),imshow(j);</p><p>　　j1=wiener2(j);subplot(1,2,2),imshow(j1);</p><p>　　h=fspecial('gaussian',2,0.05);j2=imfilter(i,h);figure,subplot(1,2,1),imshow(i)</p><p>

38、　　subplot(1,2,2),imshow(j2)</p><p>　　得到的效果圖如圖2.4和圖2.5:</p><p>　　加入噪聲的圖像 濾波后的圖像</p><p>　　圖2.4 平滑濾波效果</p><p>　　原灰度圖像 銳化后

39、的圖像</p><p>　　圖2.5 銳化濾波效果圖</p><p><b>　　3)邊緣檢測</b></p><p>　　Matlab7.0圖像處理工具箱提供了edge()函數(shù)實現(xiàn)邊緣檢測,還</p><p>　　有各種方法算子供選擇,在本實例中采用了canny算子來進(jìn)行邊緣檢</p><p>

40、<b>　　測,</b></p><p><b>　　程序代碼如下:</b></p><p>　　i=imread('f:face.tif');</p><p>　　j=edge(i,'canny',[0.04,0.25],1.5);</p><p><b>

41、;　　imshow(j)</b></p><p><b>　　效果圖如圖2.6:</b></p><p>　　原灰度圖像 邊緣檢測后的圖像</p><p>　　圖2.6 邊緣檢測效果圖</p><p><b>　　2.4 本章小結(jié)</b>&

42、lt;/p><p>　　以上實例只是對Matlab圖像處理工具箱函數(shù)的一小部分運用,從這些功能的運用可以看出,Matlab語言簡潔,可讀性強(qiáng)。作為人臉識別系統(tǒng)中圖像預(yù)處理工具，有非常好的處理功能。</p><p>　　第三章 人臉圖像識別計算機(jī)系統(tǒng)</p><p><b>　　3.1 引言</b></p><p>　　計算機(jī)

43、人臉識別是一個非?；钴S的研究領(lǐng)域，因其在公安刑偵破案、銀行密碼系統(tǒng)、計算機(jī)安全系統(tǒng)以及動態(tài)監(jiān)視系統(tǒng)等方面都有廣泛應(yīng)用，已成為當(dāng)前模式識別、計算機(jī)視覺領(lǐng)域的研究熱點。人臉識別系統(tǒng)一般包括人臉檢測與定位、人臉圖像預(yù)處理、特征提取和匹配識別四個組成部分。其中，人臉圖像預(yù)處理，作為特征提取和識別的前提步驟，是計算機(jī)人臉識別系統(tǒng)中的必要環(huán)節(jié)。其目的是在去除噪聲，加強(qiáng)有用信息，對輸入設(shè)備或其他因素造成的退化現(xiàn)像進(jìn)行復(fù)原，為后續(xù)的特征提取和識別作準(zhǔn)備

44、。</p><p>　　不同的人臉識別系統(tǒng)根據(jù)其采用的圖像來源和識別算法需要不同，采用的預(yù)處理方法也不同。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強(qiáng)度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的

45、。</p><p>　　鑒于此，作者在總結(jié)分析了灰度變換、濾波去噪、邊緣檢測三種廣泛應(yīng)用于不同人臉識別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計了一個通用的人臉圖像預(yù)處理仿真系統(tǒng)。該系統(tǒng)可對不同條件下的原始圖像進(jìn)行相應(yīng)的預(yù)處理。如，用戶可根據(jù)需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測算子檢測人臉邊緣、選擇不同的灰度變換算法實現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時還實現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法

46、。</p><p><b>　　3.2系統(tǒng)基本機(jī)構(gòu)</b></p><p>　　人臉識別是一個復(fù)雜的過程，一個計算機(jī)人臉識別的流程如圖3-1所示。它包括幾個步驟：對采集到的圖像，首先進(jìn)行人臉檢測（在輸入圖像中尋找人臉），給出人臉有無的結(jié)果；然后進(jìn)行人臉定位，確定人臉的位置并提取出來。對人臉的定位在輸入是圖像序列時一般也稱之為人臉跟蹤。通常檢測和定位結(jié)合進(jìn)行。對提取出來

47、的人臉借助人臉描述就可以進(jìn)行（狹義的）人臉識別，即通過提取特征來確定其身份。</p><p>　　圖3.1 基本框架圖</p><p>　　3.3 人臉檢測定位算法</p><p>　　人臉檢測定位算法大致可分為兩大類：基于顯式特征的方法和基于隱式特征的方法。</p><p>　　所謂顯式特征是指對人類肉眼來說直觀可見的特征，如膚色、臉部輪

48、廓、臉部結(jié)構(gòu)等?；陲@式特征的方法是指由人通過肉眼觀察，總結(jié)出人臉區(qū)別于“非人臉”區(qū)域的特征，然后根據(jù)被檢測區(qū)域是否滿足這些“人臉特征”，來判定該區(qū)域是否包含人臉。根據(jù)所選擇的“人臉特征”，基于顯式特征的方法分以下三類：基于膚色模型的方法、模板匹配的方法、基于先驗知識的方法。</p><p>　　在彩色圖像中，顏色是人臉表面最為顯著的特征之一，利用顏色檢測人臉是很自然的想法。Yang等在考察了不同種族、不同個體的

49、膚色后，認(rèn)為人類的膚色能在顏色空間中聚成單獨的一類，而影響膚色值變化的最主要因素是亮度變化。因此他們采用廣泛使用的RGB顏色空間，在濾去亮度值的圖像中通過比較像素點的ｒ、ｇ值與膚色范圍來推斷該像素點及其鄰域是否屬于人臉區(qū)域。除了RGB顏色空間，還有諸如HIS，LUV，GLHS等其它顏色空間被使用。尋找到膚色區(qū)域后，必須進(jìn)行驗證，排除類膚色區(qū)域。Yoo等利用膚色像素的連通性分割出區(qū)域，使用橢圓擬合各個區(qū)域，根據(jù)橢圓長短軸的比率判斷是否為人

50、臉。</p><p>　　模板匹配的方法一般是人為地先定義一個標(biāo)準(zhǔn)人臉模板，計算輸入圖像與模板的似然度；然后，確定一個似然度閾值，用以判斷該輸入圖像中是否包含人臉。標(biāo)準(zhǔn)人臉模板可以是固定的樣板，也可以是帶參變量的曲線函數(shù)。</p><p>　　基于先驗知識的方法則采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖（mosaic image）模型，并在分析了足夠多的人臉圖像樣本的基礎(chǔ)上，針對人臉的灰度、邊

51、緣、紋理等信息，建立一種關(guān)于人臉的知識庫。在檢測中，首先抽取這些灰度、邊緣等信息，然后檢驗它是否符合知識庫中關(guān)于人臉的先驗知識。</p><p>　　以上三種方法的優(yōu)缺點比較見表3-1。</p><p>　　表3-1 基于顯示特征方法的特點</p><p>　　基于隱式特征的方法將人臉區(qū)域看成一類模式，使用大量“人臉”、“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖像中

52、所有可能區(qū)域是否屬于“人臉模式”的方法來實現(xiàn)人臉檢測。這類方法有：特征臉法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法；積分圖像法。</p><p>　　特征臉法（eigenface）把單個圖像看成一維向量，眾多的一維向量形成了人臉圖像特征空間，再將其變換到一個新的相對簡單的特征空間，通過計算矩陣的特征值和特征向量，利用圖像的代數(shù)特征信息，尋找“人臉”、“非人臉”兩種模式在該特征空間中的分布規(guī)律。</p><

53、;p>　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的方法是通過訓(xùn)練一個網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計特性隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)之中?；谌斯ど窠?jīng)網(wǎng)絡(luò)的方法對于復(fù)雜的、難以顯式描述的模式，具有獨特的優(yōu)勢。</p><p>　　支撐向量機(jī)（Support Vector Machine，SVM）法是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展出的一種新的模式識別方法，它基于結(jié)構(gòu)風(fēng)險最小化的原理，較之于基

54、于經(jīng)驗風(fēng)險最小化的人工神經(jīng)網(wǎng)絡(luò)，一些難以逾越的問題，如：模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等都得到了很大程度上的解決。但是直接使用SVM方法進(jìn)行人臉識別有兩方面的困難：第一，訓(xùn)練時需要求解二次規(guī)劃問題計算復(fù)雜度高，內(nèi)存需求量巨大；第二，在非人臉樣本不受限制時，需要極大規(guī)模的訓(xùn)練集合，得到的支持向量會很多，使得分類器的計算量過高。</p><p>　　基于積分圖像（Integral Imag

55、e）特征的人臉檢測方法是Viola等新近提出的一種算法，它綜合使用了積分圖像描述方法、Adaboost學(xué)習(xí)算法及訓(xùn)練方法、級聯(lián)弱分類器。</p><p>　　以上四種方法的優(yōu)缺點比較見表3-2</p><p>　　表3-2 基于隱式特征方法的特征</p><p>　　運用matlab仿真進(jìn)行人臉檢測定位實例：</p><p><b>

56、;　　人臉檢測定位程序：</b></p><p>　　%%%%% Reading of a RGB image</p><p>　　i=imread('face1.jpg');</p><p>　　I=rgb2gray(i);</p><p>　　BW=im2bw(I);</p><p>　

57、　figure,imshow(BW)</p><p>　　%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　%%%%% minimisation of background portion</p><p>　　[n1 n2]=size(BW);</p><p>　

58、　r=floor(n1/10);</p><p>　　c=floor(n2/10);</p><p>　　x1=1;x2=r;</p><p><b>　　s=r*c;</b></p><p>　　for i=1:10</p><p>　　y1=1;y2=c;</p><p&g

59、t;　　for j=1:10</p><p>　　if (y2<=c | y2>=9*c) | (x1==1 | x2==r*10)</p><p>　　loc=find(BW(x1:x2, y1:y2)==0);</p><p>　　[o p]=size(loc);</p><p>　　pr=o*100/s;</p>

60、<p>　　if pr<=100</p><p>　　BW(x1:x2, y1:y2)=0;</p><p>　　r1=x1;r2=x2;s1=y1;s2=y2;</p><p><b>　　pr1=0;</b></p><p><b>　　end</b></p>

61、<p>　　imshow(BW);</p><p><b>　　end</b></p><p><b>　　y1=y1+c;</b></p><p><b>　　y2=y2+c;</b></p><p><b>　　end</b></p&g

62、t;<p><b>　　x1=x1+r;</b></p><p><b>　　x2=x2+r;</b></p><p><b>　　end</b></p><p>　　figure,imshow(BW)</p><p>　　%%%%%%%%%%%%%%%%%%%%

63、%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　%%%%% detection of face object</p><p>　　L = bwlabel(BW,8);</p><p>　　BB = regionprops(L, 'BoundingBox');</p><p>　　BB1=stru

64、ct2cell(BB);</p><p>　　BB2=cell2mat(BB1);</p><p>　　[s1 s2]=size(BB2);</p><p><b>　　mx=0;</b></p><p>　　for k=3:4:s2-1</p><p>　　p=BB2(1,k)*BB2(1,k+

65、1);</p><p>　　if p>mx & (BB2(1,k)/BB2(1,k+1))<1.8</p><p><b>　　mx=p;</b></p><p><b>　　j=k;</b></p><p><b>　　end</b></p>

66、<p><b>　　end</b></p><p>　　figure,imshow(I);</p><p><b>　　hold on;</b></p><p>　　rectangle('Position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],

67、'EdgeColor','r' )</p><p>　　原始圖片 灰度圖片</p><p>　　均衡化灰度圖片 人臉定位</p><p>　　3.4 人臉圖像的預(yù)處理</p><p>　　不同的人臉識別系統(tǒng)根據(jù)

68、其采用的圖像來源和識別算法需要不同，采用的預(yù)處理方法也不同。常用的人臉圖像預(yù)處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)量發(fā)生較大變化（如人臉大小、光照強(qiáng)度、拍攝條件、成像系統(tǒng)等方面變化），原有的預(yù)處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。鑒于此，作者在總結(jié)分析了濾波去噪、邊緣檢測、灰度變換三種廣泛應(yīng)用于不

69、同人臉識別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計了一個通用的人臉圖像預(yù)處理仿真系統(tǒng)。該系統(tǒng)可對不同條件下的原始圖像進(jìn)行相應(yīng)的預(yù)處理。如，用戶可根據(jù)需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測算子檢測人臉邊緣、選擇不同的灰度變換算法實現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時還實現(xiàn)了尺寸歸一化、二值化等其他常用的圖像預(yù)處理算法。</p><p>　　3.4.1 仿真系統(tǒng)中實現(xiàn)的人臉圖像預(yù)處理方法</p>

70、<p>　　根據(jù)所查閱文獻(xiàn)資料，常應(yīng)用于人臉圖像的預(yù)處理方法有：圖像類型轉(zhuǎn)換、濾波去噪、灰度變換、邊緣檢測及二值化、尺寸歸一化、灰度歸一化等。作為通用人臉圖像預(yù)處理模塊，要能夠充分適應(yīng)不同人臉庫中圖像在人臉大小、光照強(qiáng)度、成像系統(tǒng)等方面的任意性和差異性，不能單獨采用某種單一的濾波、灰度變換和邊緣檢測方法。所以，在本仿真系統(tǒng)中，對上述的每種預(yù)處理方法全部加以實現(xiàn)的同時，還對三種最常用預(yù)處理方法：濾波去噪、灰度變換、邊緣檢測，提

71、供了多種不同的具體算法供用戶比較、選擇之用。</p><p><b>　　1)濾波去噪</b></p><p>　　由于噪聲給圖像帶來的失真和降質(zhì)，在特征提取之前采用濾波的方式來去除噪聲是實際人臉識別系統(tǒng)中所必須的步驟。濾波的方法有很多，如各種平滑濾波、各種銳化濾波等，關(guān)于各種濾波方法的原理和分類可參考文獻(xiàn)[2]。下面對本文實現(xiàn)的濾波方法及其選擇依據(jù)加以說明。在人臉圖

72、像預(yù)處理中使用較多的濾波是平滑濾波，方法可分為以下三類：線性濾波、中值濾波、自適應(yīng)濾波。</p><p>　?。?）線性濾波最典型的線性濾波方法如，采用鄰域平均法的均值濾波器、采用鄰域加權(quán)平均的高斯濾波和維納濾波。對圖像進(jìn)行線性濾波可以去除圖像中某些特定類型的噪聲，如圖像中的顆粒噪聲，高斯噪聲、椒鹽噪聲等。對掃描得到的人臉圖像根據(jù)其噪聲類型一般采用此種濾波方法?？紤]濾波模板大小對濾波效果影響較大，仿真系統(tǒng)選擇算法

73、時對同種濾波算法提供了不同模板大小的情況。</p><p>　?。?）中值濾波法中值濾波法是一種非線性濾波方法，它把像素及其鄰域中的像素按灰度級進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。中值濾波方法的最大優(yōu)點是抑制噪聲效果明顯且能保護(hù)邊界。對于使用基于整體的人臉識別算法的系統(tǒng)中，由于失掉小區(qū)域的細(xì)節(jié)對特征提取影響較小，所以這種濾波方法最受歡迎。</p><p>　?。?）自適應(yīng)濾波自適

74、應(yīng)濾波能夠根據(jù)圖像的局部方差來調(diào)整濾波器的輸出，其濾波效果要優(yōu)于線性濾波，同時可以更好地保存圖像的邊緣和高頻細(xì)節(jié)信息。</p><p><b>　　2)灰度變換</b></p><p>　　灰度變換是圖像增強(qiáng)技術(shù)中的一種。通過灰度變換，可對原始圖像中的光照不均進(jìn)行補(bǔ)償，使得待識別人臉圖像遵循同一或相似的灰度分布。只有這樣，不同圖像在特征提取和識別時才具有可比性。這一過

75、程，也被稱作灰度歸一化。常用在人臉識別系統(tǒng)中的灰度變換方法主要有：基于圖像統(tǒng)計特征的直方圖均衡化、直方圖規(guī)定化和灰度均值方差標(biāo)準(zhǔn)化三種方法。直方圖均衡化和直方圖規(guī)定化的灰度變換原理和實現(xiàn)方法可由matlab仿真來實現(xiàn)。</p><p>　　三種灰度變換方法，均能在一定程度上消除由于光照條件不同而對人臉識別帶來的影響。故在仿真系統(tǒng)中提供了三種灰度變換效果比較及選擇界面，用戶可根據(jù)需要選用。</p>&

76、lt;p><b>　　3)邊緣檢測</b></p><p>　　對輸入人臉圖像進(jìn)行邊緣檢測是很多人臉識別系統(tǒng)在人臉粗定位及人臉主要器官（眼睛、鼻子、嘴巴）定位時采用的預(yù)處理方法。邊緣檢測的方法有很多，主要有：微分算子法、Sobel算子法、拉普拉斯算子法、canny算子法等。每種算子對不同方向邊緣的檢測能力和抑制噪聲的能力都不同。所以，和灰度變換及濾波去噪部分的設(shè)計思路相同，在仿真系統(tǒng)中

77、，筆者給出了canny、sobel、log、prewitt四種算子在不同灰度閾值下、不同方向的邊緣檢測算法，使用者可從檢測結(jié)果中加以比較、選擇合適的算法。圖像類型轉(zhuǎn)換、圖像二值化、尺寸歸一化也是一些人臉識別系統(tǒng)中經(jīng)常使用的預(yù)處理方法。為了在不修改其他算法的基礎(chǔ)上，擴(kuò)大系統(tǒng)處理圖像的類型和范圍，將輸入圖像首先轉(zhuǎn)換為統(tǒng)一的類型，是多數(shù)人臉圖像預(yù)處理中的第一步。在本仿真系統(tǒng)中通過調(diào)用MATLAB中提供的各種圖像類型轉(zhuǎn)換函數(shù)來實現(xiàn)TIF、JPG

78、轉(zhuǎn)換為BMP格式及彩色到灰度圖像的轉(zhuǎn)換；對圖像二值化，采用了graythresh()函數(shù)來自動選擇閾值的二值化方法[1]；尺寸歸一化采用的算法是對人臉圖像進(jìn)行剪裁和尺寸縮放，實現(xiàn)去除大部分頭發(fā)、服飾和背景的干擾并將人臉圖像大小統(tǒng)一。</p><p>　　第四章 基于直方圖的人臉識別實現(xiàn)</p><p><b>　　4.1識別理論</b></p><

79、p>　　用灰度直方圖增強(qiáng)圖像對比度是基于圖像灰度值統(tǒng)計的一種重要方法,它以概率論為基礎(chǔ)的,常用的實現(xiàn)算法主要是直方圖均衡化和直方圖規(guī)定化。</p><p>　　直方圖均衡化主要用于增強(qiáng)動態(tài)范圍較小的圖像的反差,基本思想是把原始圖的直方圖變換為均勻分布的形式,這樣就增強(qiáng)了像素灰度值的動態(tài)范圍,從而達(dá)到增強(qiáng)圖像整體對比度的效果。直方圖均衡化的優(yōu)點是能自動地增強(qiáng)整個圖像的對比度,但它的具體的增強(qiáng)效果不好控制,處理

80、的結(jié)果總是得到全局均衡化的直方圖。實際中有時需要變換直方圖使之成為某個需要的形狀,從而有選擇地增強(qiáng)某個灰度值范圍內(nèi)的對比度或使圖像灰度值的分布滿足特定的要求,這時可以采用比較靈活的直方圖規(guī)定化方法。</p><p>　　4.2 人臉識別的matlab實現(xiàn)</p><p>　　實現(xiàn)結(jié)果如圖4.1和4.2</p><p>　　圖4.1 用戶界面

81、 圖4.2 實現(xiàn)結(jié)果</p><p><b>　　4.3 本章小結(jié)</b></p><p>　　在過去十年中基于直方圖方法證其明簡單性和有用性。 最初這種想法基于顏色直方圖。 此算法提供我們的建議技術(shù)名為"直方圖處理人臉識別"的第一部分。同時使用灰度圖像。 第一，每個灰度級的頻率是計算并存儲在媒介作進(jìn)一步處理。 第二，平均從存

82、儲載體的連續(xù)九個頻率的計算，并存儲在另一個載體，供以后使用，在測試階段。 此均值向量用于計算平均值的曾受訓(xùn)練的圖像和測試圖像絕對差異。 最后確定最小差異的圖像與測試圖像匹配， 識別的準(zhǔn)確性是 99.75%</p><p><b>　　第五章 結(jié)語</b></p><p>　　基于matlab數(shù)字圖像處理與識別系統(tǒng)其實是一個范圍很大的應(yīng)用系統(tǒng)，作者在此只是有針對性

83、、有選擇地進(jìn)行了一些開發(fā)和實現(xiàn)。</p><p>　　該系統(tǒng)的主要功能模塊共有二個：（1）數(shù)字圖像處理的基本方法；（2）人臉識別。</p><p>　　在“數(shù)字圖像處理的基本方法”這一部分，用到的一些基本方法和一些最常用的處理方法來實現(xiàn)圖像預(yù)處理，如格式轉(zhuǎn)換，灰度變化和濾波銳化。僅就這一部分而言，就有很多可以繼續(xù)完成的工作，可將其它一些數(shù)字圖像處理方法進(jìn)一步加以實現(xiàn)，如圖像的平滑，圖像矩陣

84、的變換（K-L變換、Fourier變換、小波變換等），圖像的膨脹腐蝕、圖像的幾何變換（平移、旋轉(zhuǎn)、縮放等），以及各種編碼圖像的讀寫與顯示。僅這一部分即可形成一個專用的圖像處理平臺。</p><p>　　關(guān)于“人臉識別”，在了解了人臉識別的各種方法后，選擇了圖像直方圖差值比較進(jìn)行了實現(xiàn)。該方法能較好地實現(xiàn)人臉的分類，但對人臉圖像的要求較高，目前僅是采用Orl的標(biāo)準(zhǔn)人臉庫中的圖像來進(jìn)行測試，因此能獲得較高的識別率。而

85、在現(xiàn)實生活中采集到的人臉圖像則會受到很多因素的影響，識別率就未必能達(dá)到要求了。若要進(jìn)一步提高識別率和適用范圍，則還需要結(jié)合其它算法，如PCA、神經(jīng)網(wǎng)絡(luò)等。</p><p><b>　　致謝</b></p><p>　　在××大學(xué)的學(xué)習(xí)生活即將結(jié)束，在做畢業(yè)設(shè)計的這段時間里，我的老師、同學(xué)、朋友和家人給予了我無微不至的關(guān)心，毫無保留的指導(dǎo)和耐心細(xì)致的

86、幫助，借此畢業(yè)論文完成之際，謹(jǐn)向他們致以我最真誠的感謝！</p><p>　　首先，我衷心感謝我的導(dǎo)師林森老師。林老師學(xué)識淵博、治學(xué)嚴(yán)謹(jǐn)、平易近人，他以其寬廣的視野、敏銳的洞察力、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度在學(xué)術(shù)上給了我悉心的指導(dǎo)。論文進(jìn)展并不順利時，是林老師以長者的仁愛胸懷對我表示了理解，不僅幫我指正了論文的方向，而且為我提供了大量的參考文獻(xiàn)和網(wǎng)頁論壇，導(dǎo)師勤勉的敬業(yè)精神和一絲不茍的工作態(tài)度使我深深感動，這將是我一生工作和

87、學(xué)習(xí)的好榜樣。</p><p>　　其次，我還要特別感謝我的同學(xué)范紅杰以及杜鋒，他們不僅為我提供了部分MATLAB編程代碼，還細(xì)心的給我講解了代碼的含義，讓我對我的課題有了更加深入的了解。</p><p>　　最后，我要感謝我的父母和家人，他們這么多年來一直給我以無私的關(guān)愛和支持，濃濃的親情和期盼都是我學(xué)習(xí)的動力和源泉。</p><p>　　再次真心的感謝所有關(guān)心愛

88、護(hù)我的良師益友和親人們</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 祝磊，朱善安.人臉識別的一種新的特征提取方法[J].計算機(jī)學(xué)報，2007，34（6）：122-1251 </p><p>　　[2] 何東風(fēng)，凌捷.人臉識別技術(shù)綜述[J].計算機(jī)學(xué)報，2003，13（12）75-78</p>&l

89、t;p>　　[3] ,Younus Fazl-e-Basit Javed和Usman Qayyum”,采用直方圖的人臉識別和處理”,第三階段僅相關(guān)新興技術(shù)研報告。</p><p>　　[4] 何國輝，甘俊英.PCA-LDA算法在性別鑒別中的應(yīng)用[J].中國圖像圖形學(xué)報，2006，32（19）：208-211.</p><p>　　[5] 王聃，賈云偉，林福嚴(yán).人臉識別系統(tǒng)中的特

90、征提取[J].自動化學(xué)報，2005，21（7-3）.</p><p>　　[6] 張儉鴿，王世卿，盛光磊.基于小波和DFB-PCA的人臉識別算法研究[J].自動化學(xué)報，2007，23（2-1）.</p><p>　　[7] 曹林，王東峰，劉小軍，鄒謀炎.基于二維Gabor小波的人臉識別算法[J].電子學(xué)報，2006，28（3）490-494</p><p>　　[

91、8] 焦峰，山世光，崔國勤，高文，李錦濤.基于局部特征分析的人臉識別方法[J].自動化學(xué)報，2003，15（1）：53-58</p><p>　　[9] Wangmeng Zuo，Kuanquan Wang，David Zhang，Hongzhi Zhang. Combination of two novel LDA-based methods for face recognition[C].Proceedin

92、gs of the IEEE，2007：735-742</p><p>　　[10] 徐倩，鄧偉.一種融合兩種主成分分析的人臉識別方法[J].計算機(jī)學(xué)報，2007，43（25）：195-197</p><p>　　[11] 劉貴喜，楊萬海.基于小波分解的圖像融和方法及性能評價[J].自動化學(xué)報，2002，28（6）：927-934</p><p>　　[12]

93、周嬪，馬少平，蘇中.多分類器合成方法綜獻(xiàn)[J].自動化學(xué)報，2000，28（1）：122-124 </p><p>　　[13] 王蘊(yùn)紅，范偉，譚鐵牛.融合全局與局部特征的子空間人臉識別算法[J].電子學(xué)報，2005，28（10）：1657-1662</p><p>　　[14] 莊哲民，張阿妞，李芬蘭.基于優(yōu)化的LDA算法人臉識別研究[J].中國圖像圖形學(xué)報，2007，29（9）：2

94、047-2049 </p><p>　　[15] 鐘向陽.基于Gabor小波的人臉識別系統(tǒng)的實現(xiàn)[J].中國圖像圖形學(xué)報，2005，23（3）</p><p>　　[16] 張燕昆，劉重慶.一種新穎的基于LDA的人臉識別方法[J].自動化學(xué)報，2003，22（5）：327-330</p><p>　　附錄 人臉識別matlab程序</p>&

95、lt;p>　　function varargout = FR_Processed_histogram(varargin)</p><p>　　%這種算法是基于直方圖處理的方法</p><p>　　%The histogram of image is calculated and then bin formation is done on the</p><p>

96、;　　%basis of mean of successive graylevels frequencies. The training is done on odd images of 40 subjects (200 images out of 400 images) </p><p>　　%The results of the implemented algorithm is 99.75 (recognit

97、ion fails on image number 4 of subject 17)</p><p>　　gui_Singleton = 1;</p><p>　　gui_State = struct('gui_Name', mfilename, ...</p><p>　　'gui_Singleton', gui_Si

98、ngleton, ...</p><p>　　'gui_OpeningFcn', @FR_Processed_histogram_OpeningFcn, ...</p><p>　　'gui_OutputFcn', @FR_Processed_histogram_OutputFcn, ...</p><p>　　'gui_L

99、ayoutFcn', [] , ...</p><p>　　'gui_Callback', []);</p><p>　　if nargin && ischar(varargin{1})</p><p>　　gui_State.gui_Callback = str2func(varargin{1});</p>

100、<p><b>　　end</b></p><p>　　if nargout</p><p>　　[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});</p><p><b>　　else</b></p><p>　

101、　gui_mainfcn(gui_State, varargin{:});</p><p><b>　　end</b></p><p>　　% End initialization code - DO NOT EDIT</p><p>　　%----------------------------------------------------

102、----------------------</p><p>　　% --- Executes just before FR_Processed_histogram is made visible.</p><p>　　function FR_Processed_histogram_OpeningFcn(hObject, eventdata, handles, varargin)</

103、p><p>　　% This function has no output args, see OutputFcn.</p><p>　　% hObject handle to figure</p><p>　　% eventdata reserved - to be defined in a future version of MATLAB</p>

104、<p>　　% handles structure with handles and user data (see GUIDATA)</p><p>　　% varargin command line arguments to FR_Processed_histogram (see VARARGIN)</p><p>　　% Choose default comma

105、nd line output for FR_Processed_histogram</p><p>　　handles.output = hObject;</p><p>　　% Update handles structure</p><p>　　guidata(hObject, handles);</p><p>　　% UIWAIT m

106、akes FR_Processed_histogram wait for user response (see UIRESUME)</p><p>　　% uiwait(handles.figure1);</p><p>　　global total_sub train_img sub_img max_hist_level bin_num form_bin_num;</p>

107、<p>　　total_sub = 40;</p><p>　　train_img = 200;</p><p>　　sub_img = 10;</p><p>　　max_hist_level = 256;</p><p>　　bin_num = 9;</p><p>　　form_bin_num = 29

108、;</p><p>　　%--------------------------------------------------------------------------</p><p>　　% --- Outputs from this function are returned to the command line.</p><p>　　function

109、varargout = FR_Processed_histogram_OutputFcn(hObject, eventdata, handles) </p><p>　　% varargout cell array for returning output args (see VARARGOUT);</p><p>　　% hObject handle to figure</

110、p><p>　　% eventdata reserved - to be defined in a future version of MATLAB</p><p>　　% handles structure with handles and user data (see GUIDATA)</p><p>　　% Get default command line

111、 output from handles structure</p><p>　　varargout{1} = handles.output;</p><p>　　%--------------------------------------------------------------------------</p><p>　　% --- Executes o

112、n button press in train_button. </p><p>　　function train_button_Callback(hObject, eventdata, handles)</p><p>　　% hObject handle to train_button (see GCBO)</p><p>　　% eventdata

113、reserved - to be defined in a future version of MATLAB</p><p>　　% handles structure with handles and user data (see GUIDATA)</p><p>　　global train_processed_bin;</p><p>　　global

114、total_sub train_img sub_img max_hist_level bin_num form_bin_num;</p><p>　　train_processed_bin(form_bin_num,train_img) = 0;</p><p><b>　　K = 1;</b></p><p>　　train_hist_img