【正文】 () 其中 s(x,y)表示為列積分，其意義表示的是圖像點(diǎn) (x,y)及其在 y 方向上所有圖像點(diǎn)的灰度值之和。 其中在這些假定下，有兩種運(yùn)算： （ 1） 計(jì)算任意矩形的積分圖像 圖 積分圖計(jì)算 如圖 所示，像素點(diǎn) 1 的積分圖像 c1 的值為矩形圖像區(qū)域內(nèi)的所有像數(shù)灰度值之和。如圖 所示，根據(jù)特征值的計(jì)算公式可得，特征模型 B 的特征值為： 根據(jù)公式 ()有以下等式： () () 然后把這兩個(gè)等式帶入到公式 ，可以得到特征原型 B 的特征值為： 。在計(jì)算矩形特征矩形圖時(shí)，可以遍歷整個(gè)圖像區(qū)域，計(jì)算出每個(gè)像素點(diǎn)的積分圖，并保存，然后使用保存的像素點(diǎn)積分圖可以在常數(shù)的時(shí)間內(nèi)計(jì)算出特征矩陣的特征值，這樣能夠非常節(jié)省計(jì)算開(kāi)銷。 AdaBoost 算法是計(jì)算學(xué)習(xí)領(lǐng)域算法。 Valiant 于 1984 年首先提出來(lái)的PAC(ProbablyApproximatelyCorrect)模型是計(jì)算學(xué)習(xí)理論中比較常用的模型，該模型的出現(xiàn)發(fā)展了計(jì)算學(xué)習(xí)理論 [19]。其中 hT(xt) 定義為 T 在分類集合 V 上的指示函數(shù)，其結(jié)果表示 L 對(duì) xt 作出的分類。 弱學(xué)習(xí)與強(qiáng)學(xué)習(xí) 機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)主要問(wèn)題是如何能夠在眾多的觀測(cè)數(shù)據(jù)中得到一 個(gè)非常精確的假設(shè)。一個(gè)弱學(xué)習(xí)算法定義為一個(gè)有比隨機(jī)猜測(cè)高的正確率的假設(shè)，而得到這個(gè)算法的過(guò)程稱為弱學(xué)習(xí)。 Keams 和 Valiant證明 [21]：在有充分足夠的數(shù)據(jù)的情況下，通過(guò)集成弱學(xué)習(xí)算法，能夠得到任意精度的假設(shè)，最終可以生成一個(gè)強(qiáng)學(xué)習(xí)算法。 在訓(xùn)練初始階段，每個(gè)樣本被賦予一個(gè)權(quán)重，權(quán)重的大小表明了樣本被分量分類器選中的概率。然后輸入新的樣本集合，再次進(jìn)行訓(xùn)練，將得到 另一個(gè)基本分類器 h2(x)及其權(quán)重。 AdaBoost 算法的流程的描述如下 [23]： 給定樣本圖像集合 (x1,y1)， (x2,y2)， … ， (xn,yn)，其中 x 表示所取樣本的空間，而y 表示每個(gè)樣本所對(duì)應(yīng)值， n 表示樣本的個(gè)數(shù)。 （ 2）設(shè)置循環(huán)迭代次數(shù) T。 （ 4）最終將輸出強(qiáng)分類器，其公式為 ()： { ， ∑ ∑ ，其他 () （ 5） AdaBoost算法的流程圖如圖 。 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 20 頁(yè) 圖 AdaBoost 算法流程圖 弱分類器 弱分類器對(duì)于區(qū)分候選正樣本和負(fù)樣本至關(guān)重要，為了保證最終的強(qiáng)分類器能夠收斂，弱分類器對(duì)正負(fù)樣本分類的準(zhǔn)確率必須大于 1/2，這樣訓(xùn)練算法最終才會(huì)收斂。而方向指示符 p 用以改變不等號(hào)，其取值為 1 或 1。在非人臉樣本上也有這個(gè)情況發(fā)生，但是由于非人臉樣本像素點(diǎn)可能不一定是上述所講素隨機(jī)分布的理想情況，因此對(duì)于特征值的判斷上會(huì)存在較大的差異。不管是對(duì)于人臉樣本與非人臉樣本的平均分布曲線差別很小，當(dāng)特征值大于或者小于某個(gè)值后，兩者的分布曲線出現(xiàn)了一定的差別，這就表明了對(duì)于檢測(cè)器的絕大部分特征對(duì)于用來(lái)識(shí)別人臉和非人臉意義不是很大的，這些特征很難對(duì)人臉和非人臉進(jìn)行分類。 這說(shuō)明對(duì)于選 A矩形特征用于人臉和非人臉的檢測(cè)幾乎沒(méi)有分辨能力。對(duì)于一個(gè)弱學(xué)習(xí)器或是選取的一個(gè)特征用來(lái)區(qū)分人臉和非人臉圖像，它的要求的是僅僅能夠以稍低于 50%的錯(cuò)誤率就可以了，因此上面討論對(duì)特征 A， B的選取，只能在某個(gè)概率范圍內(nèi)準(zhǔn)確地進(jìn)行區(qū)分就足夠了。 弱。對(duì)于固定的訓(xùn)練樣 本集而言，幾乎所有的矩形特征都能滿足要求。 ② 閾值 q、 方向指示符 p 由上述對(duì)選取適當(dāng)?shù)木匦翁卣鞯姆治觯瑢?duì)于選取閾值 q的含義就明晰了。 本文從 78460 個(gè)矩形特征中隨機(jī)抽取了兩個(gè)特征 A 和 B，并且將這兩個(gè)特征遍歷了 4381 個(gè)非人臉樣本和 2706 個(gè)人臉樣本，計(jì)算了每張圖像對(duì)應(yīng)的特征值，并將特征值進(jìn)行了從小到大的排序。 顯示了 20 20 子窗口里面的全部 78460 個(gè)矩形特征，包含有 4381個(gè)非人臉樣本和 2706 個(gè)人臉樣本的特征值平均數(shù)的分布圖。在訓(xùn)練的時(shí)候選擇的訓(xùn)練樣本集的尺寸等于檢測(cè)子窗口的尺寸，檢測(cè)子窗口的尺寸決定了矩形特征的數(shù)量，所以對(duì)于訓(xùn)練樣本集的每一個(gè)樣本的矩形特征相同且數(shù)量相同，且一個(gè)固定的特征值對(duì)應(yīng)一個(gè)樣本。公式中 f(x)表示的是矩形特征的值，在進(jìn)行訓(xùn)練樣本時(shí)所選的樣本集的尺寸與檢測(cè)窗口尺寸一樣大，所以對(duì)于訓(xùn)練樣本中每個(gè)樣本都具有相同的特征值與相同的數(shù)量的特征值。 AdaBoost 在訓(xùn)練的過(guò)程中根據(jù)具體的情況自動(dòng)的為當(dāng)前弱學(xué)習(xí)分類形成一個(gè)權(quán)值。并把計(jì)算其評(píng)價(jià)誤差，即該分 類器對(duì)樣本進(jìn)行正確分類與錯(cuò)誤分類加權(quán)和，其公式如下： () c) 然后從其中選擇出具有最小加權(quán)分類誤差的分類器 ht，其對(duì)應(yīng)的加 權(quán)分類誤差為 εt。 （ 1）初始化 m個(gè)正樣本以及 l個(gè)負(fù)樣本的權(quán)重。每次循環(huán)得到一個(gè)基本分類器和對(duì)應(yīng)的權(quán)重值，最終將得到 T 個(gè)基本分類器和 T 個(gè)相對(duì)應(yīng)的權(quán)重值。然后對(duì)h1(x)分類錯(cuò)誤的樣本，按照一定的比率增加其權(quán)重，使得其在下一個(gè)訓(xùn)練樣本集時(shí)，被選中的概率增加；而對(duì)于正確分類的樣本，則降低其權(quán)重，即降低了該樣本被下一個(gè)訓(xùn)練集選中的概率。 AdaBoost全稱為AdaptiveBoosting，該算法是 Boosting 法（增強(qiáng)法）的一種變形。 在實(shí)際應(yīng)用中，一個(gè)弱學(xué)習(xí)算法是很容易得到的，而要獲得一個(gè)強(qiáng)學(xué)習(xí)算法則比較困難。 根據(jù)概率論的相關(guān)知識(shí)，對(duì)于一個(gè) 0 或 1 的問(wèn)題做隨機(jī)判斷時(shí)，將會(huì)有 50%的幾率做出 1 的判斷。所以需要預(yù)設(shè)一個(gè)閾值用來(lái)指示是否可行。 PAC 模型的數(shù)學(xué)描述如下： 定義 X 為樣本空間，該樣本空間是用于訓(xùn)練學(xué)習(xí)的樣本集合； 定義 C 為概念空間，該概念空間是可用于選定的目標(biāo)概念； 定義 V 為分類集合，該分類集合的值為目標(biāo)概念的所有分類； 定義 H 為假設(shè)空間，該空間包含了所有輸出假設(shè) Hm(T,x)； 定 義自動(dòng)學(xué)習(xí)器 L，該自動(dòng)學(xué)習(xí)器 L 的最終目的是找到一個(gè)假設(shè) H，使的該假設(shè)H 能夠?qū)颖究臻g X 中的每一個(gè)樣本進(jìn)行分類。 PAC 學(xué)習(xí)模型 可學(xué)習(xí)理論主要分為計(jì)算學(xué)習(xí)理論以及統(tǒng)計(jì)學(xué)習(xí)理論 [18]。該方法在檢測(cè)人臉時(shí)實(shí)時(shí)性比較強(qiáng)，檢測(cè)率也比較高。實(shí)際上，通過(guò)計(jì)算所有原型的特征值，也能得到這個(gè)結(jié)論。 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 16 頁(yè) 與像素點(diǎn) 1 的積分相同，像素點(diǎn) 像素點(diǎn) 像素點(diǎn) 4 的積分圖像分別為： ； () ； () ； () 從而，通過(guò)以上幾個(gè)等式恒定變換可以得到區(qū)域 D 的積分圖即： () 由公式 ()可知矩形區(qū)域 D 內(nèi)的所有像素點(diǎn)灰度值之和（即矩形特征值）可以通過(guò)矩形區(qū)域的各個(gè)頂點(diǎn)的積分表示出來(lái)。所以不管特征矩陣的位置如何，計(jì)算特征值的時(shí)間復(fù)雜度都是 O(1)。,y39。在計(jì)算積分圖時(shí)，所使用的像素值為圖像點(diǎn)的灰度值，如果圖像為彩色圖像，則需要對(duì)彩色圖像進(jìn)行灰度轉(zhuǎn)換。于是 Viola 等人提出了積分圖的概念，加快了特征值的計(jì)算速度。單個(gè)矩形特征的計(jì)算是非常簡(jiǎn)單與快速的 [16]。矩形特征值定義為兩個(gè)不同的矩形區(qū)域像素和之差。由于采用了積分圖，在進(jìn)行計(jì)算時(shí)，能夠在常量時(shí)間范圍內(nèi)計(jì)算出每一個(gè)特征值，這大大的提高了人臉檢測(cè)速度。接著需要考慮使用何種分類算法來(lái)將特征分開(kāi)并訓(xùn)練分類器。 視 頻 流 或 圖 像 圖 像 預(yù) 處 理 特 征 提 取檢 測(cè) 結(jié) 果 分 類 器 分 類 圖 目標(biāo)檢測(cè)過(guò)程圖 在上面的過(guò)程中，特征提取和分類器是整個(gè)檢測(cè)過(guò)程的核心部分。本文采用支持向量機(jī) LBP直方圖匹配 實(shí)現(xiàn)人臉識(shí)別系統(tǒng)，在后面將會(huì)詳細(xì)介紹 [14]。它通過(guò)構(gòu)造最優(yōu)超平面，使得對(duì)未知樣本分類具有最優(yōu)的推廣能力。神經(jīng)網(wǎng)絡(luò)在非線性特征提取和分類方面具有良好的分類效果。神經(jīng)網(wǎng)絡(luò)可以用于人臉特征提取，也可以用來(lái)設(shè)計(jì)分類器?！疤卣髂槨狈治龇ㄓ址Q為主分量分析法。 Turk和 Pentland首先提出了“特征臉”方法。這種方法比較簡(jiǎn)單，特征存儲(chǔ)量比較小，但是從人臉圖像提取穩(wěn)定的個(gè)性化特征相對(duì)比較困難，而且特征受表情和姿態(tài)變化的影響很大。人臉識(shí)別包括人臉驗(yàn)證和人臉辨別。提取出的特征向量設(shè)為隨機(jī)變量 x，分類條件函數(shù) p(x|faces)和 p(x|nonface)用于把隨機(jī)變量 x 判別為人臉或非人臉。在眾多基于表象的方法中，一般都是采用統(tǒng)計(jì)分析等方法來(lái)自動(dòng)的尋找相關(guān)的人臉信息。其主要原因在于該方法模板的定義，若模板定義的不夠準(zhǔn)確，則進(jìn)行檢測(cè)時(shí)會(huì)有很大的漏檢率。 （ 2）計(jì)算輸入的圖像與預(yù)定義的模板的相似性，在圖 的標(biāo)準(zhǔn)模板中，把人臉定義成了 16 個(gè)區(qū)域，并定義了這 16 個(gè)區(qū)域間的相互關(guān)系，其中主要有 23 種關(guān)系。該方法的主要思想是將預(yù)定義的模板圖像與輸入圖像進(jìn)行對(duì)比，尋找匹配度最大的目標(biāo)區(qū)域。 很多算法都是通過(guò)不同的方法去尋找這種內(nèi)在屬性或特征，然后利用尋找的特征去匹配輸入的圖像，并進(jìn)行人臉判斷。與基于知識(shí)的方法恰好相反，該方法是自下而上的，其主要思想是通過(guò)一定的算法提取出人臉不變的特征進(jìn)行人臉檢測(cè)。在 Android 系統(tǒng)中提供的是基于該方法的人臉檢測(cè)功能。通過(guò)使用這種對(duì)稱性的規(guī)則來(lái)進(jìn) 行人臉檢測(cè)。 人臉知識(shí)相關(guān)的規(guī)則 [7]： （ 1）輪廓規(guī)則：該規(guī)則是最簡(jiǎn)單的一個(gè)，其主要思想是把人臉看成一個(gè)橢圓形，然后進(jìn)行邊緣性檢測(cè)，提取出相關(guān)的人臉特征曲線，并對(duì)各曲線進(jìn)行組合，評(píng)估組合成人臉的概率，最后通過(guò)該概率來(lái)判斷是否存在人臉。人們把所獲取到的先驗(yàn)知識(shí)進(jìn)行編碼，然后按照某種算法形成檢驗(yàn)規(guī)則，最后通過(guò)這些編碼形成的規(guī)則來(lái)檢驗(yàn)圖像中是否包含有人臉信息。該方法的主要缺點(diǎn)是需要預(yù)定一個(gè)標(biāo)準(zhǔn)人臉，由于定義的標(biāo)準(zhǔn)人臉不同，可能結(jié)果大相徑庭。 目前，流行的人臉檢測(cè)的主要方法有以下四種 [6]： （ 1）基于知識(shí)的方法，該方法主要使用規(guī)則來(lái)檢測(cè)人臉，通過(guò)人們總結(jié)的規(guī)則來(lái)檢驗(yàn)人臉。隨著人臉識(shí)別的應(yīng)用領(lǐng)域越來(lái)越大，以及各行業(yè)對(duì)人臉識(shí)別領(lǐng)域的要求在不斷提高。 （ 4）特征提取：檢測(cè)到人臉后，關(guān)鍵的一步是人臉特征的 提取，特征的提的好壞對(duì)于后續(xù)人臉檢測(cè)有著至關(guān)重要的作用，如果特征提取的不夠精確，這將降低人臉識(shí)別率，不同的特征提取方法也對(duì)人臉識(shí)別有比較大的影響。圖像處理的主要目的是為了后續(xù)檢測(cè)算法。在眾多的識(shí)別技術(shù)中，人臉具有很強(qiáng)的個(gè)體性差異以及不變性，該生物特征成為了自動(dòng)身份驗(yàn)證的理想依據(jù)。人臉檢測(cè)是人臉識(shí)別系統(tǒng)的首要環(huán)節(jié)，直接影響人臉識(shí)別系統(tǒng)的準(zhǔn)確性。 本章小結(jié) 本章第一節(jié)系統(tǒng)說(shuō)明了本論文的研究背景和意義，在第二節(jié)里較為全面的介紹了國(guó)內(nèi)外的研究 現(xiàn)狀以及先進(jìn)的研究成果，第三節(jié)系統(tǒng)的介紹了本文的研究?jī)?nèi)容 。 Android NDK 是一個(gè)工具集，集成了 Android 交叉編譯環(huán)境，并提供了一套比較方便的 Makeffle，可以幫助開(kāi)發(fā)者快速開(kāi)發(fā) C／ C++的共享庫(kù)。 （ 2） AdaBoost人臉檢測(cè)算法和 LBP直方圖匹配人臉識(shí)別算法的原理： AdaBoost算法是基于人臉特征的一種自動(dòng)學(xué)習(xí)的算法其主要思想是通過(guò)大量的人臉樣本訓(xùn)練獲得一個(gè)強(qiáng)分類器， 然后再通過(guò)獲取到的強(qiáng)分類進(jìn)行人臉檢測(cè)。本文主要研究工作包括： Android平臺(tái)架構(gòu)的研究，多種人臉檢測(cè) 和人臉識(shí)別 算法的研究， AdaBoost人臉檢測(cè)算法 和 LBP人臉識(shí)別算法 的原理， Android平臺(tái)開(kāi)發(fā)環(huán)境的搭建和人臉識(shí)別軟件實(shí)現(xiàn) 。程永清，莊永明等對(duì)同類圖像的平均灰度圖進(jìn)行 SVD 分解得到特征臉空間，每一幅圖像在特征臉空間上的投影作為其代數(shù)特征，然后利用層次判別進(jìn)行分類。他同時(shí)也嘗試了“穩(wěn)定視點(diǎn)”特征提取方法，即為使識(shí)別系統(tǒng)中包含 3D 信息，他對(duì)人臉側(cè)面剪影識(shí)別做了一定的研究，并實(shí)現(xiàn)了正，側(cè)面互相參照的識(shí)別系統(tǒng)。 在人臉識(shí)別的領(lǐng)域中，國(guó)際上逐步形成了以下幾個(gè)研究方向： ① 基于幾何特征的人臉識(shí)別方法，主要代表是 MIT 的 Brunelli 和 Poggio 小組，他們采用改進(jìn)的積分投影法提取出用歐氏距離表征的 35 維人臉特征矢量用于模式分類； ② 基于模板匹配的人臉識(shí)別方法，主要代表是 Harvard 大學(xué) SmithKettlewell 眼睛研究中心的 Yuille，他采用彈性模板來(lái)提取眼睛和嘴巴的輪廓， Chen 和 Huang則進(jìn)一步提出用活動(dòng)輪廓模板提取眉毛、下巴和鼻孔等不確定形狀； ③ 基于 KL 變換的特征臉的方法，主要研究者是 MIT 媒體實(shí)驗(yàn)室的 Pentlan