目录
一．项目目标
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。而人脸识别则是特征识别一大应用。
本项目，将设计并实现基于Matlab的人脸识别算法，通过对人脸的颜色集训练得到一组人脸特征，再从一张新的图片中识别出人脸。最后还将测验在不同情况下的效果，以及将功能扩展到识别某个人脸或某种其他物体。
二．项目原理
1.特征提取
特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。
2.颜色直方图法
由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，本项目采取基于颜色特征的颜色直方图算法。
颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。
3.颜色量化计
算颜色直方图需要将颜色空间划分成若干个小的颜色区间，每个小区间成为直方图的一个bin。这个过程称为颜色量化（color quantization）。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色量化有许多方法，例如向量量化、聚类方法或者神经网络方法。最为常用的做法是将颜色空间的各个分量（维度）均匀地进行划分。相比之下，聚类算法则会考虑到图像颜色特征在整个空间中的分布情况，从而避免出现某些bin中的像素数量非常稀疏的情况，使量化更为有效。
上述的颜色量化方法会产生一定的问题。设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果我们采用L1距离或者欧拉距离计算两者的相似度，会得到很小的相似度值。为了克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度。一种方法是采用二次式距离。另一种方法是对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献。这样，相似但不相同颜色之间的相似度对直方图的相似度也有所贡献。
选择合适的颜色小区间（即直方图的bin）数目和颜色量化方法与具体应用的性能和效率要求有关。一般来说，颜色小区间的数目越多，直方图对颜色的分辨能力就越强。然而，bin的数目很大的颜色直方图不但会增加计算负担，也不利于在大型图像库中建立索引。而且对于某些应用来说，使用非常精细的颜色空间划分方法不一定能够提高检索效果，特别是对于不能容忍对相关图像错漏的那些应用。
4.项目方法
本实验针对图片集Faces目录下的28张人脸，试以此作为样本训练人脸标准v。再对图像中的所有像素点的颜色，计算其中各个颜色出现的频率，得到特征u。
训练人脸标准v：在将图像量化分块之后，建立拥有不同长度（即颜色个数的位数L）的特征向量v，而L将分别取3、4、5、6得到四个不同的v。当適取3/4/5/6时，意味着对于每个uint8只选取其前3/4/5/6位作为特征。故而L越大，v中每个元素包含的信息量越大，而L越小，v中每个点对应的颜色数目就越多。例如：L为3的v中每个元素（即该颜色的概率密度）对应于L为4 的v中，RGB前3位相同的颜色的概率密度之和。对于L为5同理。获取每个分块的对应的颜色直方图（即分布情况），计算颜色分布概率，经过33次训练后取平均值，最后得到标准v。
获取颜色特征u:输人图像并对图像做分块处理(类似于JPEG编码)。对于每块图像块R,计算其特征u®，计算u®与v的度量系数，与阈值判定该块是否为人脸将相邻的人脸块统一并进行标识(用方框围住)。最后在图像上用多个小方框框出人脸，实现人脸识别。
三．设计思路
设计算法步骤如下：
1 根据训练集训练出特征标准v;
2.输人图像并对图像做分块处理(类似于JPEG编码)；
3.对于每块图像块R,计算其特征u®;
4.计算u®与v的度量系数，与阈值判定该块是否为人脸;
5.将相邻的人脸块统一并进行标识(用方框围住)；
四．具体实现
以下进行该算法的实现与结果测试：
1.训练特征标准
观察Faces中的训练样本，每张图片基本都是人脸，仅有少数的其它干扰，故我们可以认为训练集中的图片仅由人脸构成。故而我们定义函数feature_extract()来对单张图片进行特征提取，编写train.m脚本实现训练，并将得到 的标准特征v存入文件face_standard.mat中。
feature_extract()的关键代码如下：
pic = double(reshape(pic,size(pic,1)*size(pic,2),1,3));
%新数组pic的维数大小为长*宽*3（有RGB三组值）
v = zeros(2^(3*L),1);%建立特征向量的数组，维数是2的3*L次幂
basic = 2^(8-L);
%初始化
for i = 1:size(pic,1)
a = [pic(i,1,1),pic(i,1,2),pic(i,1,3)]; %取出像素，
index = sum(floor(a/basic).*(2.^(2*L:-L:0)))+1;
%计算该颜色对应的下标
v(index) = v(index) + 1; %次数+1
end
v = v/size(pic,1);
%循环统计每个颜色出现的次数并求出频率
流程图如下：
train.m关键代码如下：
for i = 1:num
v{L-2} = v{L-2} + feature_extract('Faces/',strcat(num2str(i),'.bmp'),L); end
v{L-2} = v{L-2}/num;%进行num次提取特征训练，再取平均值end
%得到v数组流程图如下：
得到的结果v如图(L=3):
2.输入图像并对其分块处理
不妨尝试取block」长的正方形大小的图像块进行处理(16<=block_l<=50,依图像不同而有变化)，取图像块顺序为逐行取，
但有一点，此处若每行最后一块大小不足block_l*block_l大小，并不进行补全， 而是直接取剩下的即可。此块代码较简单，且类似于JPEG编码中的分块，不在此赘述。详见face_detect()函数。
3.计算图像块特征u
与训练特征标准中的对单张图片求槪正的方法一致。不再费述。
4.计算度量系数，从而进行检测
代码如下：
u = feature_extract(block,L);%获取该图像的特征u
cor = sqrt(u)'*sqrt(v);%计算系数
if cor >= threshold%如果大于阈值
identify(i,j) = 1;%则是人脸
rectangle('Position',...);%将该图像用红色小方框框出
end 流程图如下：
但是在此处阈值需要设定的较好，方可有较好的识别效果。为此写了 一个脚本来对不同阈值的效果进行对比(即效果图全部显示)，随后用手工的方法挑最佳阈值。效果图如下：
5.将相邻的方块统一并进行标识
此处只需相邻的方块进随并，忽略单独的小方块即可。合招戈码可顧文件face_detect.m 修改后效果图如下（好看多了）：
6.测试
我们再选择一张合照进行测试：
可以看出，虽然检测出人脸，但是方框过多，将人脸以及其他皮肤也识别了出来，这是由于颜色直方图是根据颜色特征进行是别的，而裸露的身体和人脸颜色特征相似，故也可以被识别出来。
解决方法有两种，一种是将识别定义为对人体裸露皮肤的识别，一种是考虑其他方法比如颜色集颜色距等等。但是总的来说L=6的情况似乎较好一些。
五．扩展研究
1.对变换后效果
对图像分别进行如下变换：
(a)顺时针旋转90度
(b)保持高度不变，宽度拉伸为原来的2倍(imresize)
©适当改麵5色(imadjust)再通过算法得到结果：
代码如下：
img = imread('test.jpg');
[y,num,identify] = face_detect(img,L,thresholds(L-2));
%原图
img2 = rot90(img);
%将原图翻转90度
[y,num,identify] = face_detect(img2,L,thresholds(L-2));
img3 = imresize(img,[size(img,1) 2*size(img,2)],'nearest');
%将原图宽扩大2倍
[y,num,identify] = face_detect(img3,L,thresholds(L-2));
img4 = imadjust(img,[.2 .3 0; .6 .7 1],[]);
%改变颜色对比度和颜色种类，即改变颜色[y,num,identify] = face_detect(img4,L,thresholds(L-2));结果如下：
可以看出，对图像旋转、更改大小后，对于检测没有什么影响。但是对于颜色做出修改后，无法检测出人脸，原因就在于算法是基于训练出的颜色的，若将颜色多，则无法有效地进行识别。而颜色与旋转、改变大小等操作无关，所以结果基本一致。
2. 功能扩展
可以通过增加训练集数量，来达到对某个人种或某张人脸的识别。还可以考虑对某种动物比如猫进行识别，以及对某个其他物体进行识别，从而不局限于人脸识别。
六．参考文献
颜色特征提取 https://blog.csdn.net/u012507022/article/details/51614851通过计算机视觉进行人脸识别 https://ww2.mathworks.cn/discovery/face-recognition.html基于MATLAB的人脸识别算法的研究https://blog.csdn.net/baidu_34971492/article/details/78713367图像特征提取feature extractionhttps://blog.csdn.net/sinat_39372048/article/details/81461636《数字图像处理》作者: [美]冈萨雷斯 出版社: 电子工业出版社
