【正文】 2． 4本章小結 本章首先介紹了當前人臉檢測與人臉識別的主流方法，并對其優(yōu)缺點進行了 論述，在比較其優(yōu)缺點后引入了本文所采用的 Adaboost 人臉檢測與 Eigenface人臉 識別方法，詳細介紹了這兩種算法的理論基礎，算法原理以及實現步驟。 本文設計的人臉跟蹤識別系統(tǒng)采用了 OpenCV 函數庫中的一些函數比如圖像函數 Ipllmage，矩形坐標函數 evReet等，因此先概要對 OpCV函數庫進行介紹，再對其在本系統(tǒng)中的使用方法進行介紹，因為本系統(tǒng)采用 C++Builder環(huán)境進行編程實現，所以要能夠在 C++Builder中靈活使用 OpenCV函數庫。 OpenCV是在 IPL基礎上發(fā)展起來的，主要用于圖像處理、計算機視覺、模式識別、物體識別以及運動跟蹤方面。不依賴于其它外部庫，但也可以使用某些外部庫。當建立一個想要使用 OpenCV 函數庫的工程時，在 memu中選擇 Project 下的 Addto project，添加新轉換的 library 文件；然后 Project下的 Options，在里面找到 Directories／ Conditionals 這個標簽， 在 Include path加入下面五個路徑： 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， OpenCV函數庫強大的功能，以及簡單易用，移植方便， 成為廣大學生和科研人員進行數字圖像處理方面學習和研究的好工具。 OpenCV 的設計簡單易用，其中大部分類及庫函數的設計都有其特定在實際應用中的背景，因此整個庫的體系結構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，最大的特點是具有開放性。它由一系列 C函數和少量 C抖類構成， 實現了圖像處理和計算機視覺方面的很多通用算法，可以在商業(yè)和研究領域免費使用。 Eigenface 人臉識別方法，主要采用了 PCA降維 技術，可以減少計算量，提高識別 速度，在本章 2． 2． 2 小節(jié)中給出了相關的理論也給出了流程框圖，并將每一步的結 果用圖片的形式詳細展現出來，其識別效果在第四章中會與本文新提出的人臉主 特征塊采用 PCA的方法進行比較說明，新提出的方法主要是在不影響識別率的情 況下進一步提高識別速度。 支持向量機法 (SVM) 支持向量機 (SupportVectorMachines， SVM)是 Vapnik等提出的基于結構風險 最小化原理 (Structural Ri． sk Minimization Principle， SRM)統(tǒng)計學習理論 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)是用于描述信號統(tǒng)計特性的一組統(tǒng)計模型。這種人臉識別方法在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別方法。 Turk 和Pentland[37】進一步提出了“特征臉”方法，該方法以訓練樣本集的總體散布矩陣為產生矩陣得到的一組特征矢量，稱作“特征臉”，這樣就可產生了一個由“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系數，這組坐標系數表明了人臉在子空間的位置，實驗表明該方法具有較強的穩(wěn)定性，可以作為人臉識別的依據。由于彈性匹配對每個存儲的人臉需計算其模型圖，計算量大，存儲量大， Lee【 35】等提出了一種基于彈性圖動態(tài)鏈接模型的方法，既取得較高的識別速度，也獲得了較理想的識別率，在一定程度上克服了以往方法總是在速度與識別率之間進行折中的缺點。如此幾十個節(jié)點，其分離能力是不同的，并且前向、半側、側面人臉分離能力較好的節(jié)點分布范圍也不一樣， g_,ugert33】深入研究了這一問題，他給每個節(jié)點不同的權重，與該節(jié)點的分離能力成正比。下面介紹一下目前常用的人臉識別方法： 2． 2． 1幾種常用識別方法 目前人臉識別的方法有很多種，本節(jié)介紹四種常用的人臉識別方法，并對其 稍作論述。動態(tài)人臉識別具有更大的難度。 根據圖像來源的不同，人臉識別技術可 分為兩大類：靜態(tài)人臉識別和動態(tài)人 臉識別。其算法各有優(yōu)缺點：基于幾何特征的識別其困難在于沒有形成一個特征提取標準，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；基于代數特征的識別法由于代數矢量具有一定的穩(wěn)定性，識別系統(tǒng)對不同人之間的傾斜度、表情有一定的魯棒性，但對表情的描述不夠充分，難以用于表情分析；基于連接機制的識別法采用了神經網絡，在編碼壓縮與信息處理方式等方面具有一定優(yōu)勢，但神經元數目多，訓練時間很長 ，完全基于神經網絡的識別法在現有的計算機系統(tǒng)上也有其內在的局限性。依據這一基本思想， Freund和 Schapire[30J首先給出了 Adaboost算法的具體形式。在 Adaboost 方法中，每個訓練樣本都被賦予了一個權值，表明它能否被當前弱分類器 (簡單而分類性能相對差的分類器，例如簡單的感知機就可以作為一個弱分類器 )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只是用到了人臉中的某個或某幾個特征的 組合來匹配地進行人臉的檢測，這類方法 容易引起漏檢和誤檢，相較而言基于統(tǒng)計的人臉檢測方法在檢測率方面的效果較好，但是考慮到計算的復雜性和速度問題本文選用 Adaboost 方法用于跟蹤與識別前的人臉檢測定位。 SVM 的訓練樣本包括有限“人臉 樣本和用“自舉 方法收集的“非人臉”樣本。 基于支持向量機的人臉檢測方法 支持向量機 (SupportVectorMachine， SVM)是 Vapnik等人提出的基于結構風 險最小化原理的統(tǒng)計學理論。 基于神經網絡的人臉檢測方法 神經網絡 128】具有記憶功能，當訓練樣本比較全面時，神經網絡可以處理比較 復雜的檢測問題，所以許多檢測算法采用神經網絡方法。將頭部圖像按照這五個區(qū)域劃分為互有重疊的條塊，對各塊進行 KL 變換，選取前若干個變換系數作為觀測向量訓練。 Schneiderman 等還將概率估計的方法用于檢測正面旋轉人臉和側面人 臉，同時使用多分辨率信息復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)計的人臉檢測方法 基于統(tǒng)計的人臉檢測方法有基于概率模型的人臉檢測方法、基于神經網絡的 人臉檢測方法和基于支持向量機的人臉檢測方法，對這幾種方法也做以下概述。當能量函數達到最小值時，根據其位置和參數決定的可變形模板形狀應該達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固定模板匹配方法的缺點而提出的。這種固定的模板匹配的方法比較容易實現，但也存在著一些缺點，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