公证处探索人脸识别防欺诈

公证处探索人脸识别防欺诈第一篇：公证处探索人脸识别防欺诈公证处探索人脸识别防欺诈北京日报讯（实习记者王维维）昨天是我国《公证法》颁布实施六周年。记者从周末召开的首都公证事业发展论坛上获悉，为应对日益增加的骗取公证书谋取利益案件，避免欺诈公证的风险，有公证处准备探索引入人脸识别系统帮助识别身份。据北京市方圆公证处副主任吴凤友介绍，随着《公证法》的颁布实施，公众办理公证的意识逐年提高，目前全市公证机构年办理60余万件公证事项。其中，民事公证增长最快。目前，首都公证事业已走过了六十年，公证机构也由原来的行政机关变成了一个独立执业的、具有民事主体地位的法人单位，在执业过程当中所产生的 责任 安全质量包保责任状安全管理目标责任状8安全事故责任追究制幼儿园安全责任状占有损害赔偿请求权 也要独立承担。尤其是在房产等迅速升值的同时，巨大的财产利益考验着社会诚信系统，欺诈公证、骗取公证书谋取利益的情况层出不穷，成了公证机构最大的困扰。记者了解到，在婚姻法司法解释（三）正式实施后，夫妻间婚前婚后公证房产的案件也有所增加，导致欺诈公证、骗取公证书谋取利益的案件也有所增多。如在办理银行的抵押贷款时，房产可能属于夫妻一方，也可能是共同财产，这时，公证机构在审查婚姻状况时要求配偶进行表态，就会遭遇通过造假结婚证，雇人客串配偶等欺诈公证。甚至有些不法分子公然就在公证处的门前，当场培训如何作假对付公证人员的技巧。据介绍，市司法局和市公安局已经联合发文，对于在办理公证过程中提供假证件或者是身份造假骗取公证书的行为，要予以严厉的制裁和打击。目前为防假，公证机构都安装了二代身份证识别系统，实时录像刻录系统，对于办理财产公证，当事人必须现场拍照。但是，公安系统的个人相关信息，比如身份证件的核对，公证部门都必须付费才能查询。这在某种程度上，延长了公证办理的时间，也使得公证的程序将安全防范欺诈当成第一要求，快速服务则退居其次。吴凤友副主任说，目前全市公证机构都设置了现场录音、拍照系统，并借鉴法院的庭审刻录系统，全程对公证过程进行同步录制。虽然不能杜绝不法人员欺诈公证的欲望，但至少可以用声画影像证明公证过程和认定事实，一定程度上规避被欺诈的风险。他透露，作为本市成立最早、规模最大的公证机构，方圆公证处正准备探索引入人脸识别系统，改变以往只靠肉眼对照身份证进行识别的不足。据悉，市司法局和市公证协会举办的首都公证事业六十年成果巡回展也正式拉开帷幕，真实记录、反映首都公证工作60年来发展情况的展览将在全市25家公证处巡展。此外，从昨日起，全市25家公证机构也根据市司法局的统一部署，深入各企业、社区、村庄，以组织专题讲座、发放宣传材料、现场解答群众咨询等形式，开展公证法律咨询和宣传活动，讲解、宣传公证法律知识，解答群众关心的婚姻、继承、房产转让等法律问题。第二篇：银行用人脸识别银行人脸识别运用银行是国家货币流通的主要场所，业务中涉及大量现金、有价证券及贵重物品，因而银行的安全一直以来都是国家安全防范的重点。近年来，金融行业市场发展迅猛，随着营业网点、ATM机、银行资金流动等的增多，银行安防系统所面临的挑战越来越大。为加强对银行、储蓄所、金库、贵重物品集中场所的安全防范，银行越来越重视技防的作用，作为防止犯罪发生的有效途径，双门互锁门禁系统也应运而生。目前市场上的双门互锁门禁系统大都采用读卡或者指纹的身份验证方式，由于这两种方式都存在一定的安全隐患或不足，因而人脸识别技术的应用受到用户关注。双门互锁系统是指两道门具有互锁联动的功能，即当一道门被打开时，另一道门则打不开，只有当两道门都关上时，才能打开其中的任一道门。根据《银行营业场所风险等级和防护级别的规定》等相关银行安全管理规范，储蓄网点等现金柜台的进出口必需设置两道门，而且员工在进入第一道门后必需要按照规范锁好第一道门才能进入第二道门，如进入第一道门后没有按要求关好此道门，员工将不能进入第二道门，从而更好地防止犯罪分子尾随作案。目前，市场上的双门互锁门禁系统大都采用读卡或者指纹的身份验证方式，但是这两种身份验证方式均存在一定的安全隐患。例如：磁卡和智能IC卡均容易被复制，窃取，丢失，它们作为验证模式已经不能满足日益增长的安全需要。而指纹门禁虽然成本低，但是对某类人群的适应性很差，例如指纹不清晰，有磨损等，同时在指纹上有油渍，水渍，蜕皮等情况下，指纹识别的误差也是很大的。另外，由于多年来指纹一直被当成辨识犯罪的工具，部分人会因为指纹被采集而在心理上产生抵触情绪。而人脸识别利用人的面部特征进行身份辨识，友好，直观，不需要人的刻意配合，是目前所有生物识别技术中对使用者影响最小的，准确性也高。更为可贵的是，有人脸识别门禁摄像头采集的人脸图像，也可为事后调查提供最直观的证据，因此，用人脸识别技术取代双门互锁系统中的读卡或者指纹的验证方式，是实现银行营业厅出入控制的一种最佳的选择。人脸识别安全性更高人脸识别技术上划分为1：1比对和1：N比对，对于银行可采用智能卡与人脸识别1：1比对方式相结合，其优势是双重的验证机制。首先需要智能IC卡或者ID卡验证，验证通过之后，进行人脸识别验证，人脸识别验证通过之后，才能开门。与单纯的采用智能卡的门禁系统相比，安全性更高，适合银行这样的高安全性场所使用。根据目前银行营业厅等重要场所的实际情况，可以设计安全通道门，由两道带人脸识别装备的防盗门、一台两门联动控制器等组成。其工作原理是：首先在管理系统中注册人员，注册时每人分配一张IC卡或者ID卡，将人员的注册信息和人员图像注册到联动控制器中。以从公共区进入安全区为例，正常使用时，当人脸在门1的人脸识别上验证时，首先联动控制器查询门2是否闭合，如果门2处于开启状态，则拒绝在门1处进行验证，只有当门2闭合，才允许启动验证。验证时，先刷卡，同时人脸识别摄像头会捕获一张图像，将卡号信息和图像传输至联动控制器中，控制器根据卡号信息找到注册时的图像，与捕获的图像进行比对识别，比对通过则控制器控制电锁开启，关上门1，在门2处重复上述的验证步骤。在一些特殊情况下，比如卡丢失，员工需要进行挂失，重新补卡才能使用该系统；如果是有入侵者胁迫开门的情况，员工会使用胁迫开门功能，同时向后台管理系统报警，监控中心的人员在管理系统的实时监控中获取警情，可以采取相关报警动作;如果是多人脸识别，系统允许一定时间内，多人相继验证通过，系统才会开门。智能化管理通过管理电脑对进出人员的权限，进出时间以及进入方式进行管理。并同时存储相应数据，以备事后查询。多人脸识别开门功能在重要的区域，系统可以设置同时多个人脸识别（两人以上）才能开门的方式，即打开一道门要有多人同时在规定时间内通过人脸识别验证后，门才能打开。优势综上所述，使用本 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 有以下几个方面的优点。第一，使安全防范级别得到有效提升。在原有智能卡门禁系统上融入人脸识别技术，可有效防止盗取他人智能卡或者监守自盗现象的发生，是原有出入控制系统安全防范级别的有效提升。第二，能与CCTV系统无缝结合。随着人们安防要求的逐渐提高，CCTV系统早已成为银行安防系统中的重要环节。本系统无须另添加任何其它设备即可与银行原有的CCTV系统无缝结合。本方案所述的人脸识别门禁系统还设计有一些通讯接口，可以和视频监控系统进行通讯。比如，在发生胁迫报警时，可以通知视频监控系统，使其调整监控画面，更方便观看现场的情况等。第三，灵活的事件处理和报警联动。本系统可以与其它报警系统联动，对各种异常事件，如非法读卡，开门超时，门锁损坏，强行进入等，可根据用户实际需求设定相应的报警处理和提示，以确保安全防范区域的安全可靠，并对犯罪分子具有极大的威慑作用。结语近些年来，人脸识别技术虽然取得了很大的发展，但是用户担心识别精度还是会受到光照、姿态、表情、伪装等因素的影响，正缘于此，他们在选用人脸识别产品上会有一些担心与顾虑，可喜的是，人脸识别技术的算法已越来越具鲁棒性（鲁棒性，在此指人脸识别算法的健壮性，减弱外界的光照，姿态，表情等因素对人脸识别的影响），再采用红外成像等手段，可以提升识别精度，使得人脸识别产品真正应用起来。出入口控制作为安全防范系统中的重要环节，直接影响着整个系统内部的安全。目前，较为成熟的门禁解决方案是卡片或者卡片加密码的模式，但一旦卡片丢失或者密码遗失，对整个系统的安全就构成很大威胁或者对用户的使用造成不便。而人脸识别门禁系统用人脸作为“钥匙”来开门明显安全性更高，并且具有受场地环境影响小、识别准确率高、识别速度快、结果直观等优点，已经越来越受到广大客户的重视。第三篇：二进制人脸表情识别1、我觉得团队介绍的时候应该介绍一下老师，毕竟我们的基础还是比较薄弱的吧~~~老师的介绍（从申请表中摘录的）：发表十几篇科研 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 ，并且取得很好的成果，获得苏州大学本科生毕业设计优秀指导教师。2、下面是我找到的素材，我觉得可能会让人感兴趣，你看一下能串到你的稿子里么？（1）心理学家梅尔贝因给出了一个公式：感情表露=7%的言词+38%的声音+55%的面部表情，通过研究人脸表情，我们可以大致了解一个人的内心情感。（2）6种基本情感类别：惊奇、恐惧、厌恶、高兴、愤怒、悲伤（3）目前存在的缺陷：特征提取的方法存在一些缺陷；某些表情易于识别，某些表情不易识别，心理学方面的研究认为，最容易辨认的是快乐、痛苦，较难辨认的是恐惧、悲哀，更难辨认的是怀疑、怜悯（4）应用前景：①安全领域：表情识别可用于核电站的管理和长途汽车司机等着重强调安全的工作岗位。在岗者一旦出现疲劳、瞌睡的征兆，识别系统及时发出警报避免险情发生。②医疗领域：表情识别还可用于机器人手术操作和电子护士的护理。可根据患者面部表情变化及时发现其身体状况的变化，避免悲剧发生。③电脑游戏：如果游戏可以根据游戏者的喜、怒、衷、乐来做出实时的反应，那么这样的游戏肯定比那些传统规定好规则的游戏更加吸引人。第四篇：人脸识别技术是什么原理人脸识别技术是什么原理1面像识别原理2、1、1面像识别技术概述面像识别是近年来随着计算机技术、图象处理技术、模式识别技术等技术的快速进步而出现的一种崭新的生物特征识别技术。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术，如同人的指纹、掌纹、眼虹膜、DNA以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、无法复制一样，不易失窃或被遗忘。由于每个人的这些特征都不相同，因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。随着计算机技术的迅速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹（视网膜）识别等多种生物识别技术，目前许多技术都己经成熟并得以应用。而面像识别技术则是生物识别技术的新秀，与其他识别技术相比较，面像识别具有简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、出入口控制等多个方面。面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像，面像跟踪指对被检测到的面像进行动态目标跟踪，面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过阀值来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断测试样本是否包含人脸；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器；肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。上述方法在实际系统中也可综合采用。面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟踪也不失为一种简单有效的手段。面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量；面纹模板法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结合的方法。面像识别技术的最新进展是可以通过摄象机来搜索捕捉识别活动的人像，而不仅仅识别照片。例如，最近由美国新泽西州Visionics公司开发的面像局部特征 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 法识别系统，仅用一部摄象机和一台计算机，即可在人群中识别出某个人来。该系统利用摄象机扫描拍摄的某一区域，搜索有可能是人脸的形状。然后在存储器中搜索已事先存入的与之类似的面部特征。为了确认扫描到的眼睛、鼻子和嘴等特征就是一个活人而不是人体模型或图片，系统还对眨眼或其他可以提供信息的面部动作进行搜索。然后系统对组成面部图像的像素进行分析。它将每个像素点的明暗度与相邻点进行比较，查找明暗度向周围呈放射突变的区域。在眉骨、眼睛、或者其他突起的特征，比如颧骨和鼻子等处，都会出现这种突变。系统将勾勒出每一个这种像素点的位置，这些点称为“参照点”然后在点之间连线，形成一个由三角形构成的网络。系统将测量每个三角形的角度，生成由672个1和0组成的数来描述一张面孔。之后程序尝试从它的数据库中找出与该数据相匹配的类似记录。这种匹配不可能绝对理想，因此软件会将相似程度分为不同的等级。软件是根据骨络结构描绘参考点的，因此胡须、化妆和眼睛等伪装都不可能骗过它。用于扑捉面部图像的除了为标准视频外，近来的发展趋势是热成像技术。热成像技术通过分析由面部的毛细血管的血液产生的热线来形成面部图像，与视频摄像头不同，热成像技术并不需要在较好的光源条件下，因此即使在黑暗情况下也可以使用。并可更好地排除胡须、头发以及化妆引起的面部变化的干扰。2、1、2面像识别过程1．建立面像档案:可以从摄像头采集面像文件或取照片文件，生成面纹(Faceprint)编码；2．获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹；3．将当前面像的面纹编码与档案中的面纹编码进行检索比对。“面纹”编码方式是根据脸部的本质特征和开头来工作的，它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。上述整个过程都自动、连续、实时地完成，而且系统只需要普通的处理设备。几乎所有的生物测量过程对人们来说都是一种干扰。指纹和掌纹的测定需要人们将手放在玻璃表面。虹膜扫描需要用激光照射你的眼睛。面部识别最大的优越性在于它的方便性,快速性，而且是非侵扰的。面部识别无需干扰人们行为而达到识别效果，无需为是否愿意将手放在指纹采集设备上，或对着麦克风讲话，或是将他们的眼睛对准激光扫描装置而进行争辩。你只要很快从一架摄像机前走过，你就已经被快速的检验。2、1、3面像识别技术应用范围面像识别技术作为生物识别技术体系的后起之秀，将有着十分广泛的应用前景。可应用于诸多领域，如出入口控制、银行金融系统、公安追辑嫌疑犯、反恐怖斗争以及互联网中等等。在我国开展的“追逃”斗争，如果能利用面像识别技术，则可大大提高工作效率，并能对犯罪分子产生极大的威慑力量。使用面像识别系统只要在重要的车站、码头、机场、海关出入口附近架设摄像机，系统即可在无人职守的状态下，自动捕捉进、出上述场所的人员的头像，并通过计算机网络将面像特征数据传送到计算机中心数据库，自动与面像数据库中的逃犯面像比较，迅速准确地作出身份判断。一旦发现吻合的头像，可以自动报警并记录。我国银行金融系统对安全控制有着极高的要求，如电子商务信息系统、金库的安全设施、保险柜、自动柜员机的使用等。由于近年来金融诈骗、抢劫发生率有所增高，对传统安全措施提出了新的挑战。面像识别技术不需要携带任何电子、机械“钥匙”，可以杜绝丢失钥匙、密码的现象，如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。同时，在ATM自动取款机上应用面像识别技术，可以免除用户忘记密码的苦恼，还可以有效防止冒领、盗取的事件发生。目前，在我国，面部识别技术的研究和应用还刚刚开始，但在欧美等发达国家这一技术已被应用在许多场所。特别是“9.11”恐怖事件之后，美国警方率先在冰岛国际机场、美国波士顿机场、美国奥克兰机场、美国亚特兰大机场、美国休斯敦机场等开始应用这一先进技术，借助闭路监视系统监控扫描人群自动搜寻警方所需要的恐怖分子目标。蒋遂平:人脸识别技术及应用简介人脸识别的分类1.1鉴别、验证和监控(1)鉴别(identification)：鉴别回答“这是谁？”将给定的人脸图象与计算机中存储的N个人的图象逐个比较，输出M幅图象，这些按与给定图象的相似度从大到小排列，再由人来确定这是谁。通常，一个人在计算机中只存储一幅正面图象。(2)验证(verification)：验证回答“这是否为某人？”将给定的人脸图象与与计算机中存储的某人的图象比较，回答给定的图象是否为某人的图象。通常，一个人在计算机中存储多幅不同角度的图象。(3)监控(watchlist)：监控同时具有鉴别和验证，回?quot;这是否为要找的人？"(Areyoulookingforme?)。将未知身份的人的图象输入计算机，计算机决定这个人是否在监控名单中，如果在，还必须确定这个人的身份。1.2人脸识别和人头识别(1)人脸识别：输入给计算机识别的人脸图象，只包括人的脸部部分，没有背景、头发、衣服等。这时，计算机在进行真正的人脸识别。(2)人头识别：输入给计算机识别的人脸图象，除了包括人的脸部有皮肤的部分外，还有部分背景、头发、衣服。这时，人脸的五官特征是次要的，头发、背景、人脸轮廓等是主要特征，一旦头发、背景等变化，识别率下降。1.3自动与半自动人脸识别(1)自动人脸识别：输入到计算机的图象可以是包含人脸的图象，由计算机自动检测人脸部分进行分割后，进行识别。最初人们认为人脸检测是件容易的事，后来发现人脸检测可能比人脸识别更困难（特别是在灰度图象情况下，这时没有运动信息和肤色信息可利用），人脸检测已经是一个独立的研究课题。(2)半自动人脸识别：采用人工确定人脸图象中两眼各自的中心位置，计算机根据这两个位置分割人脸图象，进行识别。常用于人脸鉴别。人脸识别的性能2.1主要性能指标测量人脸识别的主要性能指标有：（1）误识率(FalseAcceptRate,FAR)：这是将其他人误作指定人员的概率；（2）拒识率(FalseRejectRate,FRR)：这是将指定人员误作其它人员的概率。计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR随阈值的增大（放宽条件）而增大，拒识率FRR随阈值的增大而减小。因此，可以采用错误率（EqualErrorRate,ERR）作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR或FRR。2.2影响人脸识别性能的因素及解决方法(1)背景和头发：消除背景和头发，只识别脸部图象部分。(2)人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。(3)人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。(4)光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmtericshapefromshading)技术，可以得到一个与光源位置无关的图象。(5)年龄的变化：建立人脸图象的老化模型。(6)表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。(7)附着物（眼镜、胡须）的影响。(8)照相机的变化：同一人使用不同的照相机拍摄的图象是不同的。应用情况在无数影视或新闻中出现过这样的场景：警方利用人脸识别技术抓住了罪犯。然而，在现实生活中，人脸识别技术的效果并不令人满意。美国陆军实验室在13周时间内，用270人的图象测试一个人脸识别系统，发现识别率只有51%。这套系统在机场中进行测试时，存储了250人的图象，其中的15人在1个月内通过摄影机958次，只有455次被正确辨认，识别率只有47%。在美国一个机场开展的一项为期8周的公开测试中，使用一家公司的人脸识别系统，在4个星期出错率为53%。在另一个机场开展的一项为期90天的测试中，人脸识别系统发出的错误警报也太多。人脸识别技术效果不尽如人意的原因：真人的电视图像与存储在数据库中的照片在布光和角度方面有差别。目前的人脸识别技术在人处于静止状态或一小群人通过检测点时有效，因此不适合在交通流量大的机场和街道拐角处使用。人脸识别要得到广泛采用，还很有待时日。第五篇：人脸识别MATLAB代码1.色彩空间转换function[r,g]=rgb_RGB(Ori_Face)R=Ori_Face(:,:,1);G=Ori_Face(:,:,2);B=Ori_Face(:,:,3);R1=im2double(R);%将uint8型转换成double型G1=im2double(G);B1=im2double(B);RGB=R1+G1+B1;row=size(Ori_Face,1);%行像素column=size(Ori_Face,2);%列像素fori=1:rowforj=1:columnrr(i,j)=R1(i,j)/RGB(i,j);gg(i,j)=G1(i,j)/RGB(i,j);endendrrr=mean(rr);r=mean(rrr);ggg=mean(gg);g=mean(ggg);2.均值和协方差t1=imread('D:matlab皮肤库1.jpg');[r1,g1]=rgb_RGB(t1);t2=imread('D:matlab皮肤库2.jpg');[r2,g2]=rgb_RGB(t2);t3=imread('D:matlab皮肤库3.jpg');[r3,g3]=rgb_RGB(t3);t4=imread('D:matlab皮肤库4.jpg');[r4,g4]=rgb_RGB(t4);t5=imread('D:matlab皮肤库5.jpg');[r5,g5]=rgb_RGB(t5);t6=imread('D:matlab皮肤库6.jpg');[r6,g6]=rgb_RGB(t6);t7=imread('D:matlab皮肤库7.jpg');[r7,g7]=rgb_RGB(t7);t8=imread('D:matlab皮肤库8.jpg');[r8,g8]=rgb_RGB(t8);t9=imread('D:matlab皮肤库9.jpg');[r9,g9]=rgb_RGB(t9);t10=imread('D:matlab皮肤库10.jpg');[r10,g10]=rgb_RGB(t10);t11=imread('D:matlab皮肤库11.jpg');[r11,g11]=rgb_RGB(t11);t12=imread('D:matlab皮肤库12.jpg');[r12,g12]=rgb_RGB(t12);t13=imread('D:matlab皮肤库13.jpg');[r13,g13]=rgb_RGB(t13);t14=imread('D:matlab皮肤库14.jpg');[r14,g14]=rgb_RGB(t14);t15=imread('D:matlab皮肤库15.jpg');[r15,g15]=rgb_RGB(t15);t16=imread('D:matlab皮肤库16.jpg');[r16,g16]=rgb_RGB(t16);t17=imread('D:matlab皮肤库17.jpg');[r17,g17]=rgb_RGB(t17);t18=imread('D:matlab皮肤库18.jpg');[r18,g18]=rgb_RGB(t18);t19=imread('D:matlab皮肤库19.jpg');[r19,g19]=rgb_RGB(t19);t20XXmread('D:matlab皮肤库20XXpg');[r20XX20XXrgb_RGB(t20XXt21=imread('D:matlab皮肤库21.jpg');[r21,g21]=rgb_RGB(t21);t22=imread('D:matlab皮肤库22.jpg');[r22,g22]=rgb_RGB(t22);t23=imread('D:matlab皮肤库23.jpg');[r23,g23]=rgb_RGB(t23);t24=imread('D:matlab皮肤库24.jpg');[r24,g24]=rgb_RGB(t24);t25=imread('D:matlab皮肤库25.jpg');[r25,g25]=rgb_RGB(t25);t26=imread('D:matlab皮肤库26.jpg');[r26,g26]=rgb_RGB(t26);t27=imread('D:matlab皮肤库27.jpg');[r27,g27]=rgb_RGB(t27);r=cat(1,r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12,r13,r14,r15,r16,r17,r18,r19,r20XX21,r22,r23,r24,r25,r26,r27);g=cat(1,g1,g2,g3,g4,g5,g6,g7,g8,g9,g10,g11,g12,g13,g14,g15,g16,g17,g18,g19,g20XX21,g22,g23,g24,g25,g26,g27);m=mean([r,g])n=cov([r,g])3.求质心function[xmean,ymean]=center(bw)bw=bwfill(bw,'holes');area=bwarea(bw);[mn]=size(bw);bw=double(bw);xmean=0;ymean=0;fori=1:m,forj=1:n，xmean=xmean+j*bw(i,j);ymean=ymean+i*bw(i,j);end;end;if(area==0)xmean=0;ymean=0;elsexmean=xmean/area;ymean=ymean/area;xmean=round(xmean);ymean=round(ymean);end4.求偏转角度function[theta]=orient(bw,xmean,ymean)[mn]=size(bw);bw=double(bw);a=0;b=0;c=0;fori=1:m,forj=1:n，a=a+(jxmean)*(iymean)^2*bw(i,j);end;end;b=2*b;theta=atan(b/(a-c))/2;theta=theta*(180/pi);%从幅度转换到角度5.找区域边界function[left,right,up,down]=bianjie(A)[mn]=size(A);left=-1;right=-1;up=-1;down=-1;forj=1:n,fori=1:m,if(A(i,j)~=0)left=j;break;end;end;if(left~=-1)break;end;end;forj=n:-1:1,fori=1:m,if(A(i,j)~=0)right=j;break;end;end;if(right~=-1)break;end;end;fori=1:m,forj=1:n，if(A(i,j)~=0)up=i;break;end;end;if(up~=-1)break;end;end;fori=m:-1:1,forj=1:n,if(A(i,j)~=0)down=i;break;end;end;if(down~=-1)break;end;end;6.求起始坐标functionnewcoord=checklimit(coord,maxval)newcoord=coord;if(newcoord<1)newcoord=1;end;if(newcoord>maxval)newcoord=maxval;end;7.模板匹配function[ccorr,mfit,RectCoord]=mobanpipei(mult,frontalmodel,ly,wx,cx,cy,angle)frontalmodel=rgb2gray(frontalmodel);model_rot=imresize(frontalmodel,[lywx],'bilinear');%调整模板大小model_rot=imrotate(model_rot,angle,'bilinear');%旋转模板[l,r,u,d]=bianjie(model_rot);%求边界坐标bwmodel_rot=imcrop(model_rot,[lu(r-l)(d-u)]);%选择模板人脸区域[modx,mody]=center(bwmodel_rot);%求质心[morig,norig]=size(bwmodel_rot);%产生一个覆盖了人脸模板的灰度图像mfit=zeros(size(mult));mfitbw=zeros(size(mult));[limy,limx]=size(mfit);%计算原图像中人脸模板的坐标startx=cx-modx;starty=cy-mody;endx=startx+norig-1;endy=starty+morig-1;startx=checklimit(startx,limx);starty=checklimit(starty,limy);endx=checklimit(endx,limx);endy=checklimit(endy,limy);fori=starty:endy,forj=startx:endx，mfit(i,j)=model_rot(i-starty+1,j-startx+1);end;end;ccorr=corr2(mfit,mult)%计算相关度[l,r,u,d]=bianjie(bwmodel_rot);sx=startx+l;sy=starty+u;RectCoord=[sxsy(r-1)(d-u)];%产生矩形坐标8.主程序clear;[fname,pname]=uigetfile({'*.jpg';'*.bmp';'*.tif';'*.gif'},'Pleasechooseacolorpicture...');%返回打开的图片名与图片路径名[u,v]=size(fname);y=fname(v);%图片格式代表值switchycase0errordlg('YouShouldLoadImageFileFirst...','Warning...');case{'g';'G';'p';'P';'f';'F'};%图片格式若是JPG/jpg、BMP/bmp、TIF/tif或者GIF/gif，才打开I=cat(2,pname,fname);Ori_Face=imread(I);subplot(2,3,1),imshow(Ori_Face);otherwiseerrordlg('YouShouldLoadImageFileFirst...','Warning...');endR=Ori_Face(:,:,1);G=Ori_Face(:,:,2);B=Ori_Face(:,:,3);R1=im2double(R);%将uint8型转换成double型处理G1=im2double(G);B1=im2double(B);RGB=R1+G1+B1;m=[0.4144,0.3174];%均值n=[0.0031,-0.0004;-0.0004,0.0003];%方差row=size(Ori_Face,1);%行像素数column=size(Ori_Face,2);%列像素数fori=1:rowforj=1:columnifRGB(i,j)==0rr(i,j)=0;gg(i,j)=0;elserr(i,j)=R1(i,j)/RGB(i,j);gg(i,j)=G1(i,j)/RGB(i,j);x=[rr(i,j),gg(i,j)];p(i,j)=exp((-0.5)*(x-m)*inv(n)*(x-m)');endendendsubplot(2,3,2);imshow(p);low_pass=1/9*ones(3);image_low=filter2(low_pass,p);subplot(2,3,3);imshow(image_low);%自适应阀值程序previousSkin2=zeros(i,j);changelist=[];forthreshold=0.55:-0.1:0.05two_value=zeros(i,j);two_value(find(image_low>threshold))=1;change=sum(sum(two_valuel+1);%宽度ly=(d-u+1);%高度wratio=ly/wx%高宽比if((0.8<=wratio)&(wratio<=2))%如果目标区域的高度/宽度比例大于0.8且小于2.0，则将其选出进行下一步运算S=ly*wx;%计算包含此区域矩形的面积A=bwarea(bwsegment);%计算此区域面积if(A/S>0.35)[ccorr,mfit,RectCoord]=mobanpipei(justface,frontalmodel,ly,wx,cx,cy,angle);endif(ccorr>=0.6)mfitbw=(mfit>=1);invbw=xor(mfitbw,ones(size(mfitbw)));source_with_hole=uint8(double(invbw).*double(imsourcegray));final_image=uint8(double(source_with_hole)+double(mfit));subplot(2,3,5);imshow(final_image);%显示覆盖了模板脸的灰度图像imsourcegray=final_image;subplot(2,3,6);imshow(Ori_Face);%显示检测效果图end;if(RectCoord~=-1)FaceCoord=[FaceCoord;RectCoord];endendendend%在认为是人脸的区域画矩形[numfacesx]=size(FaceCoord);fori=1:numfaces，hd=rectangle('Position',FaceCoord(i,:));set(hd,'edgecolor','y');end人脸检测是人脸识别、人机交互、智能视觉监控等工作的前提。近年来,在模式识别与计算机视觉领域,人脸检测己经成为一个受到普遍重视、研究十分活跃的方向。本文针对复杂背景下的彩色正面人脸图像,将肤色分割、模板匹配与候选人脸图像块筛选结合起来,构建了人脸检测实验系统,并用自制的人脸图像数据库在该系统下进行了一系列的实验统计。本文首先介绍了人脸检测技术研究的背景和现状,阐明人脸检测技术发展的重要意义,对目前常用的一些检测算法进行了总结,然后着重阐述了基于肤色分割和模板匹配验证的人脸检测算法。肤色是人脸重要特征,在通过肤色采样统计和聚类分析后,确立一种在YCbCr空间下的基于高斯模型的肤色分割方法。在YCbCr色彩空间中建立肤色分布的高斯模型,得到肤色概率似然图像,在最佳动态阈值选取算法下完成肤色区域的分割。采用数学形态学和一些先验知识对所得到的肤色区域进行人脸特征筛选,进一步剔除非人脸肤色区域,减少候选人脸数量,简化后续检测过程的处理。本文使用平均模板匹配方法对候选人脸进行确认,并针对图像中的人脸通常有一定角度旋转和尺寸大小不确定的问题,通过计算候选人脸图像块的偏转角度和面积,并以此调整模板,优化模板配准,提高模板匹配的准确性,同时避免使用多尺度模板进行多次匹配运算,提高算法效率。提出利用候选人脸图像区域和模板质心作为配准的原点,抑制人脸图像噪声的干扰。最后构建了基于肤色分割和模板验证的人脸检测试验系统,并对该系统采用自制人脸图像数据库进行测试。实验结果表明,系统算法是有效的,具有较高的检测性能和低的误判率。对于图象的线性变化,各公司基本都是以如下步骤来解决的(可能各公司的具体算法各异,但基本思路一致)1,先对图象进行一个直方图分析.质量好的图象,在直方图上,一定是有两个“高峰”.一个是峰是图象中较明的部分,一个峰是图象中较暗的部分.2,在图象发生线性变化的时候,这两个峰会发生平移:图象整体变亮,两峰一起向右移;图象整体变暗,两峰一起向左移.3,根据两峰,来取阀值.通常取峰高度的20XX30%(当然,这个值是可设置的).由这个峰高度的20XX对应的灰度值,就是系统自行找出的新阀值.这个方法已经相当可靠,可以对付图象的线性变化.所以,目前可公司(注意,指的是作实际应用系统的公司,而不是指提供软件包的公司),几乎都采取这个方法来进行测量与检测.上面这位朋友一再提到的BLOB的算法,各公司(提供软件包的公司)的在自己的BLOB分析控件中,设下的hardthresould以外其他选项,其实都是来对付图象明暗线线变化的手段.