1. 项目概述
这个基于肤色分割与特征脸的人脸识别门禁管理系统，是我在研究生期间完成的一个实际项目。当时为了解决实验室门禁卡容易丢失、容易被冒用的问题，我花了三个月时间开发了这个系统。现在回想起来，虽然市面上已经有了更先进的人脸识别方案，但这个基于传统图像处理方法的系统依然有其独特的教学和实践价值。
系统主要包含两个核心技术：肤色分割和特征脸识别。肤色分割用于快速定位人脸区域，这在当时是一个很实用的技巧，特别是在光照条件不理想的情况下；特征脸则是基于PCA（主成分分析）的经典人脸识别方法。这两个技术结合起来，在小规模人员管理场景下表现相当不错。
2. 系统设计思路
2.1 整体架构
系统采用模块化设计，主要分为五个功能模块：
- 图像采集模块：负责获取摄像头输入的实时图像
- 预处理模块：包括图像增强、噪声去除等操作
- 人脸检测模块：基于肤色分割定位人脸区域
- 特征提取模块：使用PCA方法提取特征脸
- 识别控制模块：完成身份识别并控制门禁
这种分层设计的好处是各模块相对独立，便于调试和优化。比如当我想尝试不同的人脸检测算法时，只需要修改第三个模块，不会影响其他部分的运行。
2.2 技术选型考量
选择MATLAB作为开发平台有几个考虑：
- 图像处理工具箱丰富，算法实现快速
- 便于GUI开发，可以快速搭建演示界面
- 适合科研场景，方便算法验证和调整
虽然MATLAB在实时性上不如C++等语言，但对于实验室这种小规模应用场景已经足够。而且MATLAB的矩阵运算效率很高，特别适合PCA这类需要大量矩阵运算的算法。
3. 核心算法实现
3.1 肤色分割算法
肤色分割是人脸检测的第一步，我采用的是YCbCr色彩空间的方法。相比RGB空间，YCbCr能更好地区分肤色和非肤色区域。
具体实现步骤：
- 将RGB图像转换到YCbCr空间
- 根据经验设定Cb和Cr的阈值范围（Cb: 77-127, Cr: 133-173）
- 对满足条件的像素标记为肤色
- 使用中值滤波去除小噪声点
- 进行形态学闭运算填充空洞
这里有个实用技巧：不同光照条件下肤色范围会变化，所以我在系统中加入了自适应阈值调整功能，可以根据环境光自动微调阈值参数。
3.2 特征脸算法
特征脸算法是基于PCA的人脸识别方法，核心思想是将人脸图像投影到一个低维的特征空间。实现过程如下：
- 准备训练集：收集多个人的人脸图像，建议每人10-20张不同角度和表情
- 计算平均脸：求所有训练图像的均值
- 计算协方差矩阵：反映不同人脸之间的差异
- 特征值分解：得到特征向量（即特征脸）
- 降维投影：选择前k个最大特征值对应的特征向量作为基
在实际应用中，k值的选择很关键。太大计算量大，太小识别率低。我的经验是对于50人左右的数据库，k取20-30效果比较好。
4. 系统实现细节
4.1 GUI界面设计
MATLAB的GUIDE工具可以快速搭建GUI界面。我的系统主界面包含以下区域：
- 实时视频显示区
- 人脸检测结果显示区
- 识别结果显示区
- 控制按钮区（注册、识别、设置等）
一个实用建议：在GUI开发中，一定要处理好回调函数的执行顺序和耗时操作，否则界面容易卡死。我的做法是将耗时操作放在单独的timer回调中执行。
4.2 数据库管理
系统使用MATLAB的.mat文件存储人脸特征数据。每个注册用户对应一个特征向量和标签。为了提高安全性，我还加入了简单的加密措施。
数据库结构示例：
matlab复制userDB = struct('name', {}, 'feature', {}, 'timestamp', {});
4.3 门禁控制接口
通过MATLAB的串口通信工具箱，可以连接实际的电子门锁。我使用的是常见的继电器控制方式，MATLAB发送特定指令控制继电器开关。
5. 性能优化技巧
5.1 实时性优化
人脸识别系统对实时性要求较高，我采用了以下优化措施：
- 缩小处理图像尺寸（建议320x240）
- 使用积分图像加速肤色区域计算
- 对PCA投影矩阵进行预计算
- 采用多线程处理（MATLAB的parfor）
5.2 识别率提升
提高识别率的方法：
- 增加训练样本多样性（不同光照、角度）
- 对输入图像进行直方图均衡化
- 加入人脸对齐预处理
- 设置合理的识别阈值
6. 常见问题与解决方案
6.1 光照影响问题
问题表现：在强光或弱光环境下识别率下降明显。
解决方案：
- 加入自动曝光补偿
- 使用Retinex算法进行光照归一化
- 在训练集中加入不同光照条件下的样本
6.2 姿态变化问题
问题表现：当人脸偏转角度较大时无法识别。
解决方案：
- 使用多角度训练样本
- 加入3D人脸建模（计算量较大）
- 提示用户正对摄像头
6.3 遮挡问题
问题表现：戴口罩、眼镜等情况下识别失败。
解决方案：
- 训练时加入遮挡样本
- 采用局部特征匹配方法
- 结合其他生物特征（如虹膜）
7. 系统扩展方向
这个基础系统可以进一步扩展：
- 加入活体检测功能，防止照片攻击
- 实现多人同时识别
- 与考勤系统集成
- 增加网络通信功能，支持多终端管理
我在后续研究中尝试了结合深度学习的改进方案，识别率有了显著提升，但计算资源需求也大大增加。对于大多数实验室场景，这个传统方案已经足够使用。