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 |
您所在的位置：网站首页 › 笔记本摄像头不支持人脸识别 › 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 |
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
|
FPGA教程目录 MATLAB教程目录 ----------------------------------------------------------------------- 目录 一、理论基础 1.1 本系统概述 1.2 MATLAB控制摄像头介绍 1.3 基于GRNN神经网络的人脸识别理论概述 二、核心程序 三、仿真测试结果 一、理论基础 1.1 本系统概述使用MATLAB控制笔记本电脑的摄像头，并进行实时人脸检测和识别，需要利用计算机视觉和机器学习的技术。这个过程通常包括两个主要步骤：人脸检测（确定图像中是否有人脸，如果有，它们在哪里）和人脸识别（确定检测到的脸属于谁）。在MATLAB中实现这些算法需要使用到MATLAB的Image Processing Toolbox和Computer Vision Toolbox等工具箱。具体实现时，可能需要编写一些代码来读取和处理图像数据，以及对神经网络进行训练和预测等。具体的实现方式可以参考MATLAB的官方文档和相关的教程。 1.2 MATLAB控制摄像头介绍MATLAB可以通过使用Image Acquisition Toolbox来控制笔记本电脑的摄像头并进行实时人脸检测和识别。你需要确定你的摄像头是否支持MATLAB的VideoReader类。 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; 1.3 基于GRNN神经网络的人脸识别理论概述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 |
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |