【正文】 2． 4本章小結(jié) 本章首先介紹了當(dāng)前人臉檢測與人臉識(shí)別的主流方法，并對(duì)其優(yōu)缺點(diǎn)進(jìn)行了 論述，在比較其優(yōu)缺點(diǎn)后引入了本文所采用的 Adaboost 人臉檢測與 Eigenface人臉 識(shí)別方法，詳細(xì)介紹了這兩種算法的理論基礎(chǔ)，算法原理以及實(shí)現(xiàn)步驟。 本文設(shè)計(jì)的人臉跟蹤識(shí)別系統(tǒng)采用了 OpenCV 函數(shù)庫中的一些函數(shù)比如圖像函數(shù) Ipllmage，矩形坐標(biāo)函數(shù) evReet等，因此先概要對(duì) OpCV函數(shù)庫進(jìn)行介紹，再對(duì)其在本系統(tǒng)中的使用方法進(jìn)行介紹，因?yàn)楸鞠到y(tǒng)采用 C++Builder環(huán)境進(jìn)行編程實(shí)現(xiàn)，所以要能夠在 C++Builder中靈活使用 OpenCV函數(shù)庫。 OpenCV是在 IPL基礎(chǔ)上發(fā)展起來的，主要用于圖像處理、計(jì)算機(jī)視覺、模式識(shí)別、物體識(shí)別以及運(yùn)動(dòng)跟蹤方面。不依賴于其它外部庫，但也可以使用某些外部庫。當(dāng)建立一個(gè)想要使用 OpenCV 函數(shù)庫的工程時(shí)，在 memu中選擇 Project 下的 Addto project，添加新轉(zhuǎn)換的 library 文件；然后 Project下的 Options，在里面找到 Directories／ Conditionals 這個(gè)標(biāo)簽， 在 Include path加入下面五個(gè)路徑： CAProgram Files＼ OpenCV＼ cv、 dnclude CAProgram Files＼ OpenCV＼ cxcore＼ include CAPmgram Files＼ OpenCV＼ onlerlibs＼ highgui C： kProgram Files＼ OpenCV＼ cVaux＼ include C： WrogramFiles＼ 0penCⅥ otllerlibs＼ cVc鋤＼ hlclude 最后在． cpp文件頭部加上頭文件 include“ CV． h”和 include” highgui． h168。 由于有了以上特點(diǎn)， OpenCV函數(shù)庫強(qiáng)大的功能，以及簡單易用，移植方便， 成為廣大學(xué)生和科研人員進(jìn)行數(shù)字圖像處理方面學(xué)習(xí)和研究的好工具。 OpenCV 的設(shè)計(jì)簡單易用，其中大部分類及庫函數(shù)的設(shè)計(jì)都有其特定在實(shí)際應(yīng)用中的背景，因此整個(gè)庫的體系結(jié)構(gòu)非常簡單明了提供了一些諸如MATLAB、 VC、 C++Builder 等其它語言或環(huán)境的接口，最大的特點(diǎn)是具有開放性。它由一系列 C函數(shù)和少量 C抖類構(gòu)成， 實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法，可以在商業(yè)和研究領(lǐng)域免費(fèi)使用。 Eigenface 人臉識(shí)別方法，主要采用了 PCA降維 技術(shù)，可以減少計(jì)算量，提高識(shí)別 速度，在本章 2． 2． 2 小節(jié)中給出了相關(guān)的理論也給出了流程框圖，并將每一步的結(jié) 果用圖片的形式詳細(xì)展現(xiàn)出來，其識(shí)別效果在第四章中會(huì)與本文新提出的人臉主 特征塊采用 PCA的方法進(jìn)行比較說明，新提出的方法主要是在不影響識(shí)別率的情 況下進(jìn)一步提高識(shí)別速度。 支持向量機(jī)法 (SVM) 支持向量機(jī) (SupportVectorMachines， SVM)是 Vapnik等提出的基于結(jié)構(gòu)風(fēng)險(xiǎn) 最小化原理 (Structural Ri． sk Minimization Principle， SRM)統(tǒng)計(jì)學(xué)習(xí)理論 ml，用于分類與回歸問題。偽二維 HMM(P2． DHMM)模型是一維 HMM模型的一種推廣。 隱馬爾科夫模型 (HMM) 隱馬爾科夫模霎 j． t431(Hidden MarkovModel， HMM)是用于描述信號(hào)統(tǒng)計(jì)特性的一組統(tǒng)計(jì)模型。這種人臉識(shí)別方法在1996年美國 DAPAR組織的 FERET人臉測試中是效果最好的方法之一。 Moghaddamt40】等提出了貝葉斯人臉識(shí)別方法。 Turk 和Pentland[37】進(jìn)一步提出了“特征臉”方法，該方法以訓(xùn)練樣本集的總體散布矩陣為產(chǎn)生矩陣得到的一組特征矢量，稱作“特征臉”，這樣就可產(chǎn)生了一個(gè)由“特征臉”矢量組成的子空間，每一幅人臉圖像其投影都可以獲得一組坐標(biāo)系數(shù)，這組坐標(biāo)系數(shù)表明了人臉在子空間的位置，實(shí)驗(yàn)表明該方法具有較強(qiáng)的穩(wěn)定性，可以作為人臉識(shí)別的依據(jù)。由于彈性匹配對(duì)每個(gè)存儲(chǔ)的人臉需計(jì)算其模型圖，計(jì)算量大，存儲(chǔ)量大， Lee【 35】等提出了一種基于彈性圖動(dòng)態(tài)鏈接模型的方法，既取得較高的識(shí)別速度，也獲得了較理想的識(shí)別率，在一定程度上克服了以往方法總是在速度與識(shí)別率之間進(jìn)行折中的缺點(diǎn)。如此幾十個(gè)節(jié)點(diǎn)，其分離能力是不同的，并且前向、半側(cè)、側(cè)面人臉分離能力較好的節(jié)點(diǎn)分布范圍也不一樣， g_,ugert33】深入研究了這一問題，他給每個(gè)節(jié)點(diǎn)不同的權(quán)重，與該節(jié)點(diǎn)的分離能力成正比。下面介紹一下目前常用的人臉識(shí)別方法： 2． 2． 1幾種常用識(shí)別方法 目前人臉識(shí)別的方法有很多種，本節(jié)介紹四種常用的人臉識(shí)別方法，并對(duì)其 稍作論述。動(dòng)態(tài)人臉識(shí)別具有更大的難度。 根據(jù)圖像來源的不同，人臉識(shí)別技術(shù)可 分為兩大類：靜態(tài)人臉識(shí)別和動(dòng)態(tài)人 臉識(shí)別。其算法各有優(yōu)缺點(diǎn)：基于幾何特征的識(shí)別其困難在于沒有形成一個(gè)特征提取標(biāo)準(zhǔn)，不過由于各種優(yōu)秀的特征提取算法 (如：彈性圖匹配 )的提出，使得人臉的幾何特征描述越來越充分；基于代數(shù)特征的識(shí)別法由于代數(shù)矢量具有一定的穩(wěn)定性，識(shí)別系統(tǒng)對(duì)不同人之間的傾斜度、表情有一定的魯棒性，但對(duì)表情的描述不夠充分，難以用于表情分析；基于連接機(jī)制的識(shí)別法采用了神經(jīng)網(wǎng)絡(luò)，在編碼壓縮與信息處理方式等方面具有一定優(yōu)勢，但神經(jīng)元數(shù)目多，訓(xùn)練時(shí)間很長 ，完全基于神經(jīng)網(wǎng)絡(luò)的識(shí)別法在現(xiàn)有的計(jì)算機(jī)系統(tǒng)上也有其內(nèi)在的局限性。依據(jù)這一基本思想， Freund和 Schapire[30J首先給出了 Adaboost算法的具體形式。在 Adaboost 方法中，每個(gè)訓(xùn)練樣本都被賦予了一個(gè)權(quán)值，表明它能否被當(dāng)前弱分類器 (簡單而分類性能相對(duì)差的分類器，例如簡單的感知機(jī)就可以作為一個(gè)弱分類器 )正確分類。 2． 1． 3本文采用的人臉檢測方法一 Adaboost 基于特征分析的方法中人臉檢測時(shí)只是用到了人臉中的某個(gè)或某幾個(gè)特征的 組合來匹配地進(jìn)行人臉的檢測，這類方法 容易引起漏檢和誤檢，相較而言基于統(tǒng)計(jì)的人臉檢測方法在檢測率方面的效果較好，但是考慮到計(jì)算的復(fù)雜性和速度問題本文選用 Adaboost 方法用于跟蹤與識(shí)別前的人臉檢測定位。 SVM 的訓(xùn)練樣本包括有限“人臉 樣本和用“自舉 方法收集的“非人臉”樣本。 基于支持向量機(jī)的人臉檢測方法 支持向量機(jī) (SupportVectorMachine， SVM)是 Vapnik等人提出的基于結(jié)構(gòu)風(fēng) 險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)理論。 基于神經(jīng)網(wǎng)絡(luò)的人臉檢測方法 神經(jīng)網(wǎng)絡(luò) 128】具有記憶功能，當(dāng)訓(xùn)練樣本比較全面時(shí)，神經(jīng)網(wǎng)絡(luò)可以處理比較 復(fù)雜的檢測問題，所以許多檢測算法采用神經(jīng)網(wǎng)絡(luò)方法。將頭部圖像按照這五個(gè)區(qū)域劃分為互有重疊的條塊，對(duì)各塊進(jìn)行 KL 變換，選取前若干個(gè)變換系數(shù)作為觀測向量訓(xùn)練。 Schneiderman 等還將概率估計(jì)的方法用于檢測正面旋轉(zhuǎn)人臉和側(cè)面人 臉，同時(shí)使用多分辨率信息復(fù)用和由粗到精搜索的策略提高檢測的速度。 2． 1． 2基于統(tǒng)計(jì)的人臉檢測方法 基于統(tǒng)計(jì)的人臉檢測方法有基于概率模型的人臉檢測方法、基于神經(jīng)網(wǎng)絡(luò)的 人臉檢測方法和基于支持向量機(jī)的人臉檢測方法，對(duì)這幾種方法也做以下概述。當(dāng)能量函數(shù)達(dá)到最小值時(shí)，根據(jù)其位置和參數(shù)決定的可變形模板形狀應(yīng)該達(dá)到與人臉的最佳擬合，這樣就檢測到～幅人臉。 可變形模板是為了改進(jìn)固定模板匹配方法的缺點(diǎn)而提出的。這種固定的模板匹配的方法比較容易實(shí)現(xiàn)，但也存在著一些缺點(diǎn)，比如傳統(tǒng)的邊緣描述往往很難獲 得較高可靠度的連續(xù)邊緣，尤其是眼睛和嘴巴與周圍皮膚的對(duì)比度較低，有些地方甚至連邊緣都檢測不到，即使獲得了可靠度高的邊緣，也很難從