一、理论基础
人脸识别过程主要由四个阶段组成：人脸检测、图像预处理、面部特征提取和特征识别。首先系统从视频或者相机中捕获图像，检测并分割出其中的人脸区域；接下来通过归一化、对齐、滤波等方法改善图像的质量，这里的质量主要由最终的人脸识别率决定；特征提取（降维）环节尤为重要，其初衷是减少数据量从而减轻计算负担，但良好的特征选取可以降低噪音和不相关数据在识别中的贡献度，从而提高识别精度；特征识别阶段需要根据提取的特征训练一个分类器，对于给定的测试样本，根据训练器对其进行分类。
当定位好人脸的时候，我们进行识别，识别的主要原理如下：
GRNN广义回归神经网络的理论基础是非线性核回归分析，非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y。设随机变量x和y的联合概率密度函数为f (x ,y)，已知x的观测值为X，则y相对于X的回归，即条件均值为：
对于未知的概率密度函数f (x, y)，可由x和y的观测样本经非参数估计得：
GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图2-3所示，整个网络包括四层神经元：输入层、模式层、求和层与输出层。
GRNN广义回归神经网络进行映射学习达到了很好的效果.这些流形的方法都建立在一个假设上:同一个人不同姿态的图像是高维空间中的一个低维流形.基于这个假设,不同人在姿态变化下可以获得较好的识别效果。
在matlab中，通过如下的驱动程序控制笔记本电脑的摄像头：
%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;
通过程序vid = videoinput('winvideo',1,'YUY2_640x480');完成摄像头图像的采集。
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;
%获得摄像头图像
I = getsnapshot(vid);
%人脸跟踪
[segment,f,R0,R1] = func_face_track(I);
%获得人脸区域
figure(1);
subplot(221);
imshow(uint8(I));
title('摄像头视频获取');
subplot(222);
imshow(f);
subplot(223);
imshow(R1);
title('脸部定位');
%人脸识别（测试前需要加入自己所要测试的人脸的相关库。比如你要测试你自己的脸，那么需要加入你的脸道库中）
R0re = imresize(R0,[220,160]);
Ttest = func_yuchuli(R0re);%读入数字
wordsss = sim(net,Ttest');
[V,I] = max(wordsss);
%显示识别结论
Icheck = imread(['facebase\',num2str(I-1),'.jpg']);
subplot(224);
imshow(Icheck);
title('识别结论');
pause(0.5);
end
stop(vid)
clc;
clear;
close all;
warning off;
addpath 'func\'
addpath 'facebase\'
I = imread('1.jpg');
%%
%人脸跟踪
[segment,f,R0,R1] = func_face_track(I);
%获得人脸区域
figure
subplot(221);
imshow(I);
subplot(222);
imshow(f);
subplot(223);
imshow(R1);
title('脸部定位');
%%
%人脸识别（测试前需要加入自己所要测试的人脸的相关库。比如你要测试你自己的脸，那么需要加入你的脸道库中）
%人脸库的离线训练
R0re = imresize(R0,[220,160]);
Ttest = func_yuchuli(R0re);%读入数字
load grnns.mat
wordsss = sim(net,Ttest');
[V,I] = max(wordsss);
%显示识别结论
Icheck = imread(['facebase\',num2str(I-1),'.jpg']);
subplot(224);
imshow(Icheck);
title('识别结论');
三、仿真测试结果
由此可以看出，当选择出学习样本之后，GRNN网络的结构与权值都是完全确定的，因而训练GRNN网络要比训练BP网络和RBF网络便捷得多。
到此这篇关于Matlab控制电脑摄像实现实时人脸检测和识别详解的文章就介绍到这了,更多相关Matlab人脸检测识别内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
