使用MATLAB控制笔记本电脑的摄像头，并进行实时人脸检测和识别

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。

A10-26