快捷導(dǎo)航

Matlab控制電腦攝像實(shí)現(xiàn)實(shí)時人臉檢測和識別詳解

更新時間：2022年10月08日 08:14:34 作者：fpga和matlab

人臉識別過程主要由四個階段組成：人臉檢測、圖像預(yù)處理、面部特征提取和特征識別。這篇文章主要介紹了如何使用MATLAB控制筆記本電腦的攝像頭，并進(jìn)行實(shí)時人臉檢測和識別，需要的可以參考一下

一、理論基礎(chǔ)

人臉識別過程主要由四個階段組成：人臉檢測、圖像預(yù)處理、面部特征提取和特征識別。首先系統(tǒng)從視頻或者相機(jī)中捕獲圖像，檢測并分割出其中的人臉區(qū)域；接下來通過歸一化、對齊、濾波等方法改善圖像的質(zhì)量，這里的質(zhì)量主要由最終的人臉識別率決定；特征提取（降維）環(huán)節(jié)尤為重要，其初衷是減少數(shù)據(jù)量從而減輕計算負(fù)擔(dān)，但良好的特征選取可以降低噪音和不相關(guān)數(shù)據(jù)在識別中的貢獻(xiàn)度，從而提高識別精度；特征識別階段需要根據(jù)提取的特征訓(xùn)練一個分類器，對于給定的測試樣本，根據(jù)訓(xùn)練器對其進(jìn)行分類。

當(dāng)定位好人臉的時候，我們進(jìn)行識別，識別的主要原理如下：

GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)是非線性核回歸分析，非獨(dú)立變量y相對于獨(dú)立變量x的回歸分析實(shí)際上是計算具有最大概率值的y。設(shè)隨機(jī)變量x和y的聯(lián)合概率密度函數(shù)為f (x ,y)，已知x的觀測值為X，則y相對于X的回歸，即條件均值為：

對于未知的概率密度函數(shù)f (x, y)，可由x和y的觀測樣本經(jīng)非參數(shù)估計得：

GRNN通常被用來進(jìn)行函數(shù)逼近。它具有一個徑向基隱含層和一個特殊的線性層。第一層和第二層的神經(jīng)元數(shù)目都與輸入的樣本向量對的數(shù)目相等。GRNN結(jié)構(gòu)如圖2-3所示，整個網(wǎng)絡(luò)包括四層神經(jīng)元：輸入層、模式層、求和層與輸出層。

GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行映射學(xué)習(xí)達(dá)到了很好的效果.這些流形的方法都建立在一個假設(shè)上:同一個人不同姿態(tài)的圖像是高維空間中的一個低維流形.基于這個假設(shè),不同人在姿態(tài)變化下可以獲得較好的識別效果。

在matlab中，通過如下的驅(qū)動程序控制筆記本電腦的攝像頭：

%Set up video object. Note: to change to a different camera (or camera setup) change the following line:
vid = videoinput('winvideo',1,'YUY2_640x480');
%Set the video object to always return rgb images:
set(vid, 'ReturnedColorSpace', 'rgb');
triggerconfig(vid,'manual');
start(vid)
%Initialize frame Frm and fps variable
Frm     = 0;
fps     = 0;
%Set the total runtime in seconds 
runtime = 100;
h       = figure(1);
tic;
timeTracker = toc;

通過程序vid = videoinput('winvideo',1,'YUY2_640x480');完成攝像頭圖像的采集。

二、核心程序

clc;
clear;
close all;
warning off;
addpath 'func\'
addpath 'facebase\'
 
 
delete(imaqfind);
%Set up video object. Note: to change to a different camera (or camera setup) change the following line:
vid = videoinput('winvideo',1,'YUY2_640x480');
%Set the video object to always return rgb images:
set(vid, 'ReturnedColorSpace', 'rgb');
triggerconfig(vid,'manual');
start(vid)
%Initialize frame Frm and fps variable
Frm     = 0;
fps     = 0;
%Set the total runtime in seconds 
runtime = 100;
h       = figure(1);
tic;
timeTracker = toc;
 
 
load grnns.mat
while toc < runtime 
      toc
      Frm = Frm + 1;
      %獲得攝像頭圖像
      I   = getsnapshot(vid);
 
 
      %人臉跟蹤
      [segment,f,R0,R1] = func_face_track(I);
      %獲得人臉區(qū)域
      figure(1);
      subplot(221);
      imshow(uint8(I));
      title('攝像頭視頻獲取');
      subplot(222);
      imshow(f);
      subplot(223);
      imshow(R1);
      title('臉部定位');
      
      %人臉識別（測試前需要加入自己所要測試的人臉的相關(guān)庫。比如你要測試你自己的臉，那么需要加入你的臉道庫中）
       
      R0re    = imresize(R0,[220,160]);
      Ttest   = func_yuchuli(R0re);%讀入數(shù)字
      wordsss = sim(net,Ttest');
      [V,I]   = max(wordsss);
    
      %顯示識別結(jié)論
      Icheck  = imread(['facebase\',num2str(I-1),'.jpg']);
      
      subplot(224);
      imshow(Icheck);
      title('識別結(jié)論');
      pause(0.5);
end
stop(vid)
 
 
 
clc;
clear;
close all;
warning off;
addpath 'func\'
addpath 'facebase\'
I = imread('1.jpg');
 
%%
%人臉跟蹤
[segment,f,R0,R1] = func_face_track(I);
%獲得人臉區(qū)域
figure
subplot(221);
imshow(I);
subplot(222);
imshow(f);
subplot(223);
imshow(R1);
title('臉部定位');
 
%%
%人臉識別（測試前需要加入自己所要測試的人臉的相關(guān)庫。比如你要測試你自己的臉，那么需要加入你的臉道庫中）
%人臉庫的離線訓(xùn)練
R0re    = imresize(R0,[220,160]);
Ttest   = func_yuchuli(R0re);%讀入數(shù)字
 
load grnns.mat
wordsss = sim(net,Ttest');
[V,I]   = max(wordsss);
%顯示識別結(jié)論
Icheck  = imread(['facebase\',num2str(I-1),'.jpg']);
subplot(224);
imshow(Icheck);
title('識別結(jié)論');

三、仿真測試結(jié)果

由此可以看出，當(dāng)選擇出學(xué)習(xí)樣本之后，GRNN網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值都是完全確定的，因而訓(xùn)練GRNN網(wǎng)絡(luò)要比訓(xùn)練BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)便捷得多。