【正文】 1 緒論 問題的提出及研究背景 人臉檢測(cè) （ face detection） 最初來源于人臉識(shí)別 （ face recognition）。 人臉識(shí)別的研究可以追溯到二十世紀(jì)六十年代 ， 由于早期的人臉識(shí)別研究主要針對(duì)背景簡(jiǎn)單的 、 靜態(tài)的人的面部圖像 ， 通常這些人臉的方位都很輕松可以捕捉到 ， 所以人臉檢測(cè)沒有 得到應(yīng)有的關(guān)注與研究 。 進(jìn)入二十一世紀(jì)以來 ， 電子商務(wù)應(yīng)用得到大力蓬勃的的發(fā)展 ， 最具有代表性的識(shí)別驗(yàn)證生物身份的手段 — 人臉檢測(cè) ， 在這種應(yīng)用背景要求下得到了廣大研究人員的關(guān)注 ， 成為人臉信息識(shí)別 、 處理中的一種非常重要的手段 。 近幾年來 ， 各領(lǐng)域?qū)ι矧?yàn)證的迫切要求 ， 以及計(jì)算機(jī)視覺的快速發(fā)展，人臉檢測(cè)逐漸開始作為一項(xiàng)單獨(dú)的項(xiàng)目進(jìn)行研究開發(fā)，引起了國(guó)內(nèi)外廣大的學(xué)者、技術(shù)科學(xué)人員的高度重視 。 人臉檢測(cè)方法和人臉識(shí)別技術(shù)是兩個(gè)不同的概念 ， 后者包括前者 ， 人臉檢測(cè)是人臉識(shí)別其中的一個(gè)分支 。 兩者的側(cè)重點(diǎn)和解決的手段都不相同 。 從本質(zhì)上 說，人臉檢測(cè)是一個(gè) 2 類的分類問題 。 它的基本思路是先用統(tǒng)計(jì)或知識(shí)的方法對(duì)人臉建模 ， 然后 將 所有可能 需要 檢測(cè) 的 區(qū)域與己 經(jīng)建立 好 模型的 進(jìn)行 相似 程 度 的匹配 ， 從檢測(cè)結(jié)果中 得到 是 人臉 特征的 區(qū)域 。與人臉檢測(cè)相對(duì)的是人臉識(shí)別 ，它 是 n 類的分類問題 (n 不是人臉的個(gè)數(shù) ，而是 代表 圖像數(shù)據(jù)庫(kù)中人的個(gè)數(shù) ）。人臉識(shí)別 最終 的 目 的 是從 大量 數(shù)據(jù)庫(kù)中搜索出檢測(cè)到的對(duì)應(yīng)的人臉 ， 看是否在人臉數(shù)據(jù)庫(kù)中 ， 具體是那個(gè)人 。 現(xiàn)在，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇 ， 在基于內(nèi)容的檢索 、 數(shù)字視頻處理、視頻監(jiān)測(cè)等方面有著重要的應(yīng)用價(jià)值 [1]。 國(guó)內(nèi)外人臉檢測(cè)的研究現(xiàn)狀 直到二十世紀(jì)末 ， 人們才把對(duì)人臉圖像的研究從人臉識(shí)別領(lǐng)域轉(zhuǎn)移到人臉檢測(cè)的領(lǐng)域上來 。到 目前 為止， 國(guó) 內(nèi) 外對(duì)人臉檢測(cè)問題的研究 有 很多 ，外國(guó) 比較著名的有 MIT， CMU 等 ；在國(guó)內(nèi)，清華大學(xué) 、 北京工業(yè)大學(xué)、中科院計(jì)算所和自動(dòng)化所等都有 研究者 從事人臉檢測(cè)相關(guān)的研究 [2]。而且 ， 標(biāo)準(zhǔn)組織 MPEG7 已經(jīng) 成立 了人臉識(shí)別草案小組 ， 人臉檢測(cè)算法也是 其中 一項(xiàng)征集的內(nèi)容 。隨著人臉檢測(cè)研究的深入 ， 國(guó)際上發(fā)表的有關(guān)論文數(shù)量也大幅度增長(zhǎng) ， 如 IEEE 的 FG、 ICIP\CVPR等重要國(guó)際會(huì)議上每年都有大量關(guān)于人臉檢 測(cè)的論文 ， 占有關(guān)人臉研究論文的 1/3 之多 。 由此可以看到世界對(duì)人臉檢測(cè)技術(shù)的重視 [3]。 早期人臉檢測(cè)方法往往針對(duì)簡(jiǎn)單無變化背景下的正面人臉檢測(cè)，所以使這些方法在很大程度上顯得很有局限性。 直到 二十世紀(jì)九十 年代 ， 隨著實(shí)際的人臉識(shí)別和視頻編碼系統(tǒng)開始成為現(xiàn)實(shí) ， 這種情況才有所改變 。 在過去的十多年里，研究者提出了多種檢測(cè)方法，特別是那些利用運(yùn)動(dòng)、膚色、示例學(xué)習(xí)、統(tǒng)計(jì)模型、形狀分析和一般信息的方法統(tǒng)計(jì)和神經(jīng)網(wǎng)絡(luò)方法的使用也使在復(fù)雜背景和多分辨浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT 率中的人臉檢測(cè)成為可能 。 近期人臉檢測(cè)的研究主要集中在基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)方法 ， 如統(tǒng)計(jì)模型方法 ， 彩色信息 ， 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法 ， 支持向量機(jī) 、 多模態(tài)信息融合新分類方法的應(yīng)用 [4]等。 目前，國(guó)內(nèi)外對(duì)人臉檢測(cè)的研究很多，每年都有大批的研究論文出現(xiàn)，但是由于人臉的復(fù)雜多樣，而生物科學(xué)上對(duì)人類視覺理解的研究還不夠透徹，至今仍然沒有徹底的解決這個(gè)問題。 本文研究的目的與意義 人臉檢測(cè)的目的是確定圖像中是否有人臉 ， 如果有人臉 ， 則返回人臉在圖像中的位置和范圍 。 人臉檢測(cè)是人臉識(shí)別的基礎(chǔ) ， 我們只有檢測(cè)出圖像中人臉的位置和大小 ， 才能對(duì)其進(jìn)行近一步的識(shí)別 。 隨著人機(jī)交互和人工智能技術(shù)不斷的發(fā)展 ， 各個(gè) 領(lǐng)域?qū)?shí)時(shí)迅速自動(dòng)驗(yàn)證身份的要求愈來愈強(qiáng)烈 。 尤其是 視頻會(huì)議 、 人機(jī)交互 、 門禁控制 、 家庭娛樂以及信息安全等場(chǎng)合 。 人臉作為最關(guān)鍵的生物象征 ， 成為了驗(yàn)證身份最權(quán)威的參考依據(jù) 。 當(dāng)今社會(huì)有很多生物識(shí)別技術(shù) ， 比如 視網(wǎng)膜識(shí)別 ， 虹膜識(shí)別，步態(tài)識(shí)別，聲音識(shí)別，人臉識(shí)別，指紋識(shí)別等等 ， 而人臉識(shí)別更形象，更迅速，更直接有效，其中人臉檢測(cè)是人臉識(shí)別的先決條件，所以必須加以重視，需要投入更多的人力，財(cái)力加以研究開發(fā) 。 本文研究的主要內(nèi)容與組織結(jié)構(gòu) 主要內(nèi)容 本論文研究的是基于 AdaBoost 算法，在 windows 平臺(tái)下，利用 Intel 開發(fā)的 OpenCV 圖像處理軟件結(jié)合 VC 中的 MFC 實(shí)現(xiàn)的人臉檢測(cè)方法，第一步利先訓(xùn)練出大考量的簡(jiǎn)單的分類器，接著根據(jù)一定規(guī)則，選取有用的分類器，疊加起來組成一個(gè)能力更強(qiáng)的強(qiáng)分類器，最后通過把幾個(gè)強(qiáng)分類器組成一個(gè)終極分類器 ， 完成對(duì)圖像的搜索和檢測(cè)。此研究過程中采用 OpenCV 庫(kù)編寫程序?qū)崿F(xiàn)人臉檢測(cè)的算法 。 本文作者創(chuàng)新點(diǎn)是用 VC 結(jié)合 MFC 和 OpenCV 對(duì)圖像進(jìn)行處理 ， 用于檢測(cè)人臉。詳細(xì)介紹了 Adaboost 人臉檢測(cè)算法的原理及訓(xùn)練流程 .利用 OpenCV 圖像處理軟件與 Adaboost 人臉 檢測(cè)算法的結(jié)合模塊 ,選取擴(kuò)展的 Haar 特征 ,實(shí)現(xiàn)了人臉檢測(cè)并給出了檢測(cè)結(jié)果，并對(duì)結(jié)果進(jìn)行了分析。 組織結(jié)構(gòu) 本論文的內(nèi)容一共分為六個(gè)章節(jié)，具體內(nèi)容安排如下： 第一章是緒論部分，首先介紹了選題背景，然后分析了人臉檢測(cè)國(guó)內(nèi)外研究的的現(xiàn)狀。接著總結(jié)了本文研究人臉檢測(cè)的目的、意義、主要內(nèi)容和本文的組織結(jié)構(gòu)。 第二章是介紹人臉檢測(cè)的方法。 第三章是介紹 Adaboost 算法在人臉檢測(cè)中的應(yīng)用。 The genral stf(1mpoyidvc,uh)0jb。5wT2 第四章是 OpenCV 圖像處理軟件的介紹，包括 OpenCV的基本概念、應(yīng)用領(lǐng)域、優(yōu)勢(shì)及項(xiàng)目歷史和 OpenCV 在 下的安裝與配置。 第五章是人臉檢測(cè)系統(tǒng)的實(shí)現(xiàn)，展示了功能實(shí)現(xiàn)后的具體式樣（附圖片）以及對(duì)研究結(jié)果的分析。 第六章是結(jié)論 。 最后是參考文獻(xiàn) ， 包括相關(guān)參考文獻(xiàn)列表及對(duì)老師和同學(xué)的衷心感謝等相關(guān)內(nèi)容 。 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT3 2 人臉檢測(cè)方法與分析 本文對(duì)人臉檢測(cè)的方法進(jìn)行了整理和歸納 ， 大致分為三類 ： 基于特征的方法 ， 模板匹配方法和基于統(tǒng)計(jì)的方法 ， 并對(duì)這些方法做了簡(jiǎn)單的分析 。 圖 21 人臉檢測(cè)方法分類 圖 基于特征 的人臉檢測(cè)方法 這里所說的基于特征的人臉檢測(cè)方法是指人眼可以看見的特征 ， 這些特征都是顯而易見的 ，比如說頭發(fā)、皮膚顏色、臉型、輪廓、眼睛、鼻子、嘴巴、耳朵等器官特征等 。 利用這些最具代表性的結(jié)構(gòu)特征對(duì)人臉進(jìn)行檢測(cè) 。 輪廓規(guī)則法 人的面部輪廓好像一顆鵝蛋，也可看成幾何圖形中的橢圓，所以檢測(cè)算法可以通過尋找一個(gè)橢圓形來進(jìn)行人臉檢測(cè)。 Govindaraju 等人根據(jù)臉部輪廓特征，抽象的把人臉簡(jiǎn)單分為三個(gè)部分 :第一部分，頭頂及額頭，算第一層輪廓線，以鼻子為分界線，將左臉和又臉分別分為第二層和第三層輪廓線。我 們隨便給出的任何一幅圖像，第一步對(duì)圖片進(jìn)行預(yù)處理，首先是邊緣檢測(cè)，細(xì)化后，提取得到面部曲線的特征，接著用提取的曲線特征與封裝好的函數(shù)進(jìn)行匹配，檢測(cè)人臉。 人臉檢測(cè)方法 基于特征的方法 模板匹配法 基于統(tǒng)計(jì)的方法 輪廓規(guī)則法 器官分步法 顏色紋理法 對(duì)稱性規(guī)則 運(yùn)動(dòng)規(guī)則法 鑲嵌圖法 預(yù)定義模板法 變形模板法 ANN法 特征空間法 支持向量機(jī)法 概率模型法 積分圖像法 The genral stf(1mpoyidvc,uh)0jb。5wT4 器官分布法 每個(gè)人都是獨(dú)立的個(gè)體，即使是雙胞胎，細(xì)細(xì)觀察也總存在不同之處。而且人的五官分布結(jié)構(gòu)遵循了一定的幾何規(guī)則。這種方法采用的規(guī)則有兩種：第一種是“從上到下”， 在這種規(guī)則中 Yang 等人提出的 Mosaic 方法是最為簡(jiǎn)單和有效的，它給出了基于人臉區(qū)域灰度分布的規(guī)則，根據(jù)這些規(guī)則，按照低分辨率到高分辨率對(duì)這些圖片進(jìn)行一一篩選，如果樣本在一定程 度上滿足了這些規(guī)則，則可以判斷為人臉。第二種方法則是“從下到上”，第一步直接對(duì)幾個(gè)器官可能分布的位置進(jìn)行檢測(cè)，接著分別組合組合這些檢測(cè)到的位置點(diǎn)，再根據(jù)已有的器官幾何分布規(guī)則逐個(gè)對(duì)其進(jìn)行挑選，剔除非人臉，篩選出有可能是人臉的樣本。 顏色紋理法 人臉面部皮膚顏色信息跟大部分背景顏色在很大程度上有所不同，可以根據(jù)這個(gè)差別將人聯(lián)合非人臉進(jìn)行區(qū)別。基于膚色模型算法有很多優(yōu)點(diǎn)：比如算法相對(duì)比較簡(jiǎn)單、計(jì)算量小、易于實(shí)現(xiàn)、檢測(cè)時(shí)間短等。由于只要考慮色度，所以不需要考慮人的面部表情、姿態(tài)等，只要根據(jù)膚色因素， 不需要把其他方面考慮在內(nèi)，很大程度上簡(jiǎn)化了檢測(cè)過程。此方法比較有名的代表人物有Dai 和 Saber，前者利用了 SGLD（ 空間灰度共生矩陣 ） 紋理圖信息作為特征 [5]，可以對(duì)低分辨率的圖像進(jìn)行人臉檢測(cè)。而 Saber 則是綜合形狀、顏色等因素 ， 對(duì)人臉進(jìn)行檢測(cè) ， 顯然后者考慮的因素更全面 。 對(duì)稱性規(guī)則 人的臉部結(jié)構(gòu)具有一定的幾何特點(diǎn)即軸對(duì)稱性，以鼻子為分界線，兩只眼睛、耳朵、左右臉頰等器官也是對(duì)稱的。所以很多研究者利用人臉的這個(gè)特點(diǎn)，成功檢測(cè)出了人臉。這里比較著名的有盧春雨和 Zabrodsky 等人，盧春雨在 各個(gè)不同方向上對(duì)人臉考察對(duì)稱性，我們稱之為定義方向上的對(duì)稱變換，這種方法既可以找到最強(qiáng)的對(duì)稱點(diǎn)，又可以描述出對(duì)稱性強(qiáng)的物體的有關(guān)形狀信息，這種方法對(duì)人臉器官定位更為有效和準(zhǔn)確。 Zabrodsky 提出的方法叫做連續(xù)對(duì)稱性法，在一個(gè)圓形區(qū)域內(nèi)的對(duì)圖片進(jìn)行對(duì)稱性的檢測(cè)，根據(jù)檢測(cè)結(jié)果判斷是否為人臉。 運(yùn)動(dòng)規(guī)則法 我們可以利用相對(duì)運(yùn)動(dòng)法來檢測(cè)人臉 。 如果加載的圖像是動(dòng)態(tài)的序列，人臉相對(duì)于背景是運(yùn)動(dòng)的，我們可以根據(jù)這種方法來對(duì)人臉進(jìn)行檢測(cè)，比如我們可以根據(jù)眨眼或嘴唇等動(dòng)作來將背景和人臉的區(qū)分開來。 Marques 基于動(dòng)態(tài)圖像序列，分別使用分割投影和連接算子方將人臉和背景分割開來，并取得了令人滿意的檢測(cè)結(jié)果。上述的這些方法都是利用到已經(jīng)存在的的人臉特征信息，然后根據(jù)規(guī)則找到每一個(gè)分布特征之間的相互的聯(lián)系，最后進(jìn)行人臉特征的的提取。 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT 模板匹配人臉檢測(cè)方法 這種方法需要大量的人臉特征作為數(shù)據(jù)庫(kù)，首先在計(jì)算機(jī)中存儲(chǔ)大量的人臉模板，包括正面人臉和五官等比如眼睛、鼻子、嘴唇、耳朵等。然后輸入待測(cè)圖像，根據(jù)算法將待測(cè)圖與標(biāo)準(zhǔn)模板進(jìn)行的相似程匹配，達(dá)到一定相似度以上及判斷為人臉，否則為非人臉，這種方法需要的數(shù)據(jù)量比較 大，需要大量存儲(chǔ)人臉和非人臉模型，對(duì)數(shù)據(jù)庫(kù)要求比較高。 鑲嵌圖法 此方法是將待測(cè)圖像分割成方格圖，每個(gè)方格大小要一樣，每一個(gè)方格的灰度值為格中各個(gè)像素的平均值。每個(gè)格子的值應(yīng)該滿足的一定的約束規(guī)則。以 Yang 為代表的一些研究者把五官區(qū)分割成小方格塊，然后利用一組規(guī)則進(jìn)行人臉檢驗(yàn)，接著使用邊緣特征進(jìn)行再次驗(yàn)證。盧春雨等人改善了鑲嵌圖法，在檢測(cè)中自動(dòng)調(diào)整各方格塊的大小，使用一組基于各方格塊的灰度和梯度，對(duì)人臉特征進(jìn)行統(tǒng)計(jì)，判斷待測(cè)圖像是否為人臉，實(shí)驗(yàn)結(jié)果相當(dāng)令人滿意。 預(yù)定模板匹配法 這種方法是用已有的知識(shí)知識(shí)確定出人臉輪廓模板和每一個(gè)器官特征的子模板，第一步通過計(jì)算分析待測(cè)圖像，選定區(qū)域和人臉輪廓模板，用相關(guān)值匹配方法來來對(duì)人臉候進(jìn)行候選區(qū)域檢測(cè) ， 第二步用已有的五官特征子模板來對(duì)前面檢測(cè)出來的候選人臉區(qū)域進(jìn)行檢測(cè)，檢測(cè)待測(cè)圖像是否包含人臉。這種方法比較著名的有“雙眼一人臉”法，將人的眼睛從模板中裁剪出來，過濾波形時(shí)首先先使用雙眼模板規(guī)則，然后再采用人臉匹配模板，這樣使匹配速度大大的提高，而且檢測(cè)性能也非常高。另一種思路是先得到人臉輪廓 ， 接著與人臉庫(kù)進(jìn)行相關(guān)值匹配 ， 找到合適的人臉模板 。 變形模板法 這種方法是結(jié)合模板和函數(shù)來對(duì)人臉進(jìn)行檢測(cè)的，利用一個(gè)非線性方法，找到最優(yōu)的，函數(shù)方法最簡(jiǎn)單的參數(shù)作為模板，這個(gè)人模板就被當(dāng)做是人臉特征。著名的 Yullie 則根據(jù)此方法，使用彈性模板的方法對(duì)人臉進(jìn)行檢測(cè)。使用這種方法，可以隨意的調(diào)整參數(shù)，當(dāng)找到一個(gè)關(guān)于此函數(shù)的最小值的情況下，根據(jù)人臉位置和調(diào)整模板參數(shù)，使模板中的人臉與待測(cè)圖像中的人臉最大程度的匹配，從而實(shí)現(xiàn)人臉特征的檢測(cè)。 基于統(tǒng)計(jì)的人臉檢測(cè)方法 所謂統(tǒng)計(jì)，就是從大量的人臉特征中尋找一些特定的規(guī)律，不是單單從單一的器官出 發(fā)，而是著眼于整個(gè)人臉特征。然后利用這些規(guī)律使用到檢測(cè)人臉中。此方法的核心是訓(xùn)練一個(gè)訓(xùn)練集，然后建立一個(gè)分類器，訓(xùn)練集是從大量的非人臉與人臉圖像得到的，然后根據(jù)這些樣本建立一個(gè)正確率較高的分類器。這種方法的好處是不需要人為的對(duì)人臉分析，也不需要對(duì)圖片進(jìn)行處理，