Java实现了人脸的动画。照片是存储在数组中还是图像对象中？人脸提取了哪些特征？人脸处理常用的特征有哪些？

随着计算机网络和通信技术的发展，信息安全、知识产权保护和身份认证已经成为一个重要而迫切的研究课题。身份认证是保证系统安全的必要前提，许多不同的安全领域都需要准确的身份认证。身份证、智能卡、密码等传统身份认证方式存在携带不便、易丢失、密码不可读或易被破解等诸多问题。与传统方法相比，基于人脸识别技术的身份认证方法具有更好的安全性、可靠性和有效性，因此越来越受到人们的重视，并逐渐进入社会生活的各个领域。

人脸识别技术有着广阔的应用前景，可以应用于许多不同的安全领域。由于其独特性、唯一性和相对稳定性，逐渐成为一个非常热门的研究课题。很多典型的人脸识别算法和应用系统都是针对标准的或特定的人脸数据库，通过对数据库中的人脸进行训练，在同一个数据库中实现人脸识别。然而，在软件保护、计算机安全等特殊应用中，身份认证只针对单一对象进行人脸识别，现有的人脸识别方法无法胜任此类识别任务。因此，本文根据单目标人脸识别的特点，探讨了单目标人脸检测和识别的关键技术，并在此基础上提出了一种单目标人脸识别算法。实验结果证明了该方法的有效性。

2单对象人脸识别的特点

与典型的人脸识别相比，单对象人脸识别有以下四个特点:

应用领域人脸识别有着广泛的应用，如刑事侦查、证件验证、安全监控等，而单对象人脸识别主要应用于软件保护、计算机安全锁、特定对象跟踪等领域。

识别系统的目标单目标人脸识别的最终目标是系统必须具有较高的安全性和可靠性，即识别错误率趋于零。虽然同时会降低识别错误率，但是可以通过提示用户调整姿势(比如盯着摄像头)来改善。

肤色模型由于单目标人脸识别只是针对特定的对象，人脸检测的肤色模型可以通过自适应的方法调整肤色范围。

分类方法单物体人脸识别没有人脸库，常用的最小距离分类方法不能正确识别特定物体，只能用阈值作为判别标准。因此，阈值的选择非常重要。如果门槛过大，容易导致误判和安全隐患。但如果阈值过小，会影响识别效率。

3人脸检测和归一化

人脸检测是人脸识别的前提。对于给定的图像，人脸检测的目的是判断图像中是否有人脸，如果有，返回其位置和空间分布。基于肤色和面部特征，人脸检测分为两个阶段:外部人脸检测和内部人脸定位。外部人脸检测主要利用人脸肤色检测初始人脸区域，分割肤色区域；内层人脸检测是利用人脸的几何特征在外层人脸区域进行验证和定位。

3.1外部人脸检测

外部人脸检测的任务是找出图像中可能被检测的人脸区域，并对其进行标记。步骤如下:

(1)根据颜色空间中人体肤色的区域特征，检测出可能是人脸的像素。为了更好地利用肤色特征，采用HSI和YcbCr两个颜色空间对图像进行二值化。肤色范围限定为H ∈ [0，46]，S ∈ [0.10，0.72]，CB ∈ [98，130]和Cr。符合条件的像素标记为肤色像素，其余为非肤色像素。

(2)去噪。以每个肤色点为中心，统计5×5邻域内的肤色像素个数。如果超过一半，中心点保持为肤色，否则视为非肤色。

(3)将二值图像中的肤色块合并成区域，分析目标区域的比例和结构，过滤掉不可能的人脸区域。目标区域的高宽比限制在0.8 ~ 2.0。

3.2内部人脸检测和定位

包含眼睛、眉毛、鼻子和嘴巴的区域称为内面部区域。内人脸区域能够很好的代表人的面部特征，并且不易受到背景、头发等因素的干扰，所以内人脸区域的检测和定位对于后续的特征提取和识别非常重要。

在外面部区域的上半部分，水平和垂直投影二值图像，并且将包含黑点的两个矩形区域确定为眼睛的近似区域。在确定的两个区域中，通过扩展黑点可以得到眼睛的基本轮廓和左石的拐角，取黑点坐标的平均值作为瞳孔的位置。

设左右瞳孔的坐标分别为(Lx，Ly)和(Rx，Ry)，两瞳孔之间的距离为d，根据人脸的几何特征，我们定义内脸面积为:宽度=-d×1.6，高度=-d×1.8，左上角坐标为(Lx-d×0.3。实验表明，这个区域能够很好地表达人的面部特征。

3.3内面部区域的标准化

因为每幅图像中的人脸大小非常随机，所以有必要对内部人脸区域进行归一化。人脸归一化是指对人脸内侧区域的图像进行缩放变换，以获得大小一致的标准图像。在实验中，我们将标准图像的大小指定为128×128。归一化保证了人脸大小的一致性，体现了人脸在图像平面上的大小不变性。

对于归一化的人脸图像，使用小波变换和DCT提取人脸特征。首先对人脸图像进行三层小波分解，将低频子图像LL3作为人脸特征提取的对象，得到每个训练样本或测试样本的低频子图像。然后，对低频子图像进行离散余弦变换，DCT系数的个数等于子图像的大小(即256)。由于图像的DCT变换，能量集中在低频部分，所以只取136个低频系数作为特征向量。

5人脸识别

完成训练过程，获得待测样本的特征后，就可以进行人脸识别了。本文采用欧氏距离进行分类。

5.1计算样本和平均人脸之间的欧几里德距离

如果m和x表示平均脸和样本的特征向量，则样本和平均脸之间的欧几里德距离是:

其中mk表示平均人脸的第k个特征向量，xk表示待测样本的第k个特征向量。在身份认证中，计算待测样本与平均人脸之间的欧氏距离，并与特定对象的自适应阈值进行比较，将小于阈值的样本判定为该对象的人脸，即认证通过。

5.2自适应阈值的选择

与典型的人脸识别方法不同，单目标人脸识别没有人脸数据库，因此不能以最小距离为判据，只能以阈值为判据。阈值的选择应考虑识别率和准确率。在实验中，我们取训练样本与平均人脸之间的平均欧氏距离作为分类阈值，即:

其中n是训练样本的数量，不能太小；Di是第I个样本与平均人脸之间的欧氏距离。

Most科技有限公司提供模式识别主板和解决方案。

望采纳