【正文】 () 其中 s(x,y)表示為列積分，其意義表示的是圖像點 (x,y)及其在 y 方向上所有圖像點的灰度值之和。 其中在這些假定下，有兩種運算： （ 1） 計算任意矩形的積分圖像 圖 積分圖計算 如圖 所示，像素點 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： () () 然后把這兩個等式帶入到公式 ，可以得到特征原型 B 的特征值為： 。在計算矩形特征矩形圖時，可以遍歷整個圖像區(qū)域，計算出每個像素點的積分圖，并保存，然后使用保存的像素點積分圖可以在常數(shù)的時間內(nèi)計算出特征矩陣的特征值，這樣能夠非常節(jié)省計算開銷。 AdaBoost 算法是計算學(xué)習(xí)領(lǐng)域算法。 Valiant 于 1984 年首先提出來的PAC(ProbablyApproximatelyCorrect)模型是計算學(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 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)域中的一個主要問題是如何能夠在眾多的觀測數(shù)據(jù)中得到一 個非常精確的假設(shè)。一個弱學(xué)習(xí)算法定義為一個有比隨機(jī)猜測高的正確率的假設(shè)，而得到這個算法的過程稱為弱學(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)，最終可以生成一個強(qiáng)學(xué)習(xí)算法。 在訓(xùn)練初始階段，每個樣本被賦予一個權(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 表示每個樣本所對應(yīng)值， n 表示樣本的個數(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)計報告紙 共 61 頁 第 20 頁 圖 AdaBoost 算法流程圖 弱分類器 弱分類器對于區(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)練算法最終才會收斂。而方向指示符 p 用以改變不等號，其取值為 1 或 1。在非人臉樣本上也有這個情況發(fā)生，但是由于非人臉樣本像素點可能不一定是上述所講素隨機(jī)分布的理想情況，因此對于特征值的判斷上會存在較大的差異。不管是對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值后，兩者的分布曲線出現(xiàn)了一定的差別，這就表明了對于檢測器的絕大部分特征對于用來識別人臉和非人臉意義不是很大的，這些特征很難對人臉和非人臉進(jìn)行分類。 這說明對于選 A矩形特征用于人臉和非人臉的檢測幾乎沒有分辨能力。對于一個弱學(xué)習(xí)器或是選取的一個特征用來區(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%的錯誤率就可以了，因此上面討論對特征 A， B的選取，只能在某個概率范圍內(nèi)準(zhǔn)確地進(jìn)行區(qū)分就足夠了。 弱。對于固定的訓(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 由上述對選取適當(dāng)?shù)木匦翁卣鞯姆治觯瑢τ谶x取閾值 q的含義就明晰了。 本文從 78460 個矩形特征中隨機(jī)抽取了兩個特征 A 和 B，并且將這兩個特征遍歷了 4381 個非人臉樣本和 2706 個人臉樣本，計算了每張圖像對應(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 個矩形特征，包含有 4381個非人臉樣本和 2706 個人臉樣本的特征值平均數(shù)的分布圖。在訓(xùn)練的時候選擇的訓(xùn)練樣本集的尺寸等于檢測子窗口的尺寸，檢測子窗口的尺寸決定了矩形特征的數(shù)量，所以對于訓(xùn)練樣本集的每一個樣本的矩形特征相同且數(shù)量相同，且一個固定的特征值對應(yīng)一個樣本。公式中 f(x)表示的是矩形特征的值，在進(jìn)行訓(xùn)練樣本時所選的樣本集的尺寸與檢測窗口尺寸一樣大，所以對于訓(xùn)練樣本中每個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)練的過程中根據(jù)具體的情況自動的為當(dāng)前弱學(xué)習(xí)分類形成一個權(quán)值。并把計算其評價誤差，即該分 類器對樣本進(jìn)行正確分類與錯誤分類加權(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，其對應(yīng)的加 權(quán)分類誤差為 εt。 （ 1）初始化 m個正樣本以及 l個負(fù)樣本的權(quán)重。每次循環(huán)得到一個基本分類器和對應(yīng)的權(quán)重值，最終將得到 T 個基本分類器和 T 個相對應(yīng)的權(quán)重值。然后對h1(x)分類錯誤的樣本，按照一定的比率增加其權(quán)重，使得其在下一個訓(xùn)練樣本集時，被選中的概率增加；而對于正確分類的樣本，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。 在實際應(yīng)用中，一個弱學(xué)習(xí)算法是很容易得到的，而要獲得一個強(qiáng)學(xué)習(xí)算法則比較困難。 根據(jù)概率論的相關(guān)知識，對于一個 0 或 1 的問題做隨機(jī)判斷時，將會有 50%的幾率做出 1 的判斷。所以需要預(yù)設(shè)一個閾值用來指示是否可行。 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 義自動學(xué)習(xí)器 L，該自動學(xué)習(xí)器 L 的最終目的是找到一個假設(shè) H，使的該假設(shè)H 能夠?qū)颖究臻g X 中的每一個樣本進(jìn)行分類。 PAC 學(xué)習(xí)模型 可學(xué)習(xí)理論主要分為計算學(xué)習(xí)理論以及統(tǒng)計學(xué)習(xí)理論 [18]。該方法在檢測人臉時實時性比較強(qiáng)，檢測率也比較高。實際上，通過計算所有原型的特征值，也能得到這個結(jié)論。 畢業(yè)設(shè)計報告紙 共 61 頁 第 16 頁 與像素點 1 的積分相同，像素點 像素點 像素點 4 的積分圖像分別為： ； () ； () ； () 從而，通過以上幾個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)的所有像素點灰度值之和（即矩形特征值）可以通過矩形區(qū)域的各個頂點的積分表示出來。所以不管特征矩陣的位置如何，計算特征值的時間復(fù)雜度都是 O(1)。,y39。在計算積分圖時，所使用的像素值為圖像點的灰度值，如果圖像為彩色圖像，則需要對彩色圖像進(jìn)行灰度轉(zhuǎn)換。于是 Viola 等人提出了積分圖的概念，加快了特征值的計算速度。單個矩形特征的計算是非常簡單與快速的 [16]。矩形特征值定義為兩個不同的矩形區(qū)域像素和之差。由于采用了積分圖，在進(jìn)行計算時，能夠在常量時間范圍內(nèi)計算出每一個特征值，這大大的提高了人臉檢測速度。接著需要考慮使用何種分類算法來將特征分開并訓(xùn)練分類器。 視 頻 流 或 圖 像 圖 像 預(yù) 處 理 特 征 提 取檢 測 結(jié) 果 分 類 器 分 類 圖 目標(biāo)檢測過程圖 在上面的過程中，特征提取和分類器是整個檢測過程的核心部分。本文采用支持向量機(jī) LBP直方圖匹配 實現(xiàn)人臉識別系統(tǒng)，在后面將會詳細(xì)介紹 [14]。它通過構(gòu)造最優(yōu)超平面，使得對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，也可以用來設(shè)計分類器。“特征臉”分析法又稱為主分量分析法。 Turk和 Pentland首先提出了“特征臉”方法。這種方法比較簡單，特征存儲量比較小，但是從人臉圖像提取穩(wěn)定的個性化特征相對比較困難，而且特征受表情和姿態(tài)變化的影響很大。人臉識別包括人臉驗證和人臉辨別。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)計分析等方法來自動的尋找相關(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)行檢測時會有很大的漏檢率。 （ 2）計算輸入的圖像與預(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 個區(qū)域，并定義了這 16 個區(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)行對比，尋找匹配度最大的目標(biāo)區(qū)域。 很多算法都是通過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。與基于知識的方法恰好相反，該方法是自下而上的，其主要思想是通過一定的算法提取出人臉不變的特征進(jìn)行人臉檢測。在 Android 系統(tǒng)中提供的是基于該方法的人臉檢測功能。通過使用這種對稱性的規(guī)則來進(jìn) 行人臉檢測。 人臉知識相關(guān)的規(guī)則 [7]： （ 1）輪廓規(guī)則：該規(guī)則是最簡單的一個，其主要思想是把人臉看成一個橢圓形，然后進(jìn)行邊緣性檢測，提取出相關(guān)的人臉特征曲線，并對各曲線進(jìn)行組合，評估組合成人臉的概率，最后通過該概率來判斷是否存在人臉。人們把所獲取到的先驗知識進(jìn)行編碼，然后按照某種算法形成檢驗規(guī)則，最后通過這些編碼形成的規(guī)則來檢驗圖像中是否包含有人臉信息。該方法的主要缺點是需要預(yù)定一個標(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，流行的人臉檢測的主要方法有以下四種 [6]： （ 1）基于知識的方法，該方法主要使用規(guī)則來檢測人臉，通過人們總結(jié)的規(guī)則來檢驗人臉。隨著人臉識別的應(yīng)用領(lǐng)域越來越大，以及各行業(yè)對人臉識別領(lǐng)域的要求在不斷提高。 （ 4）特征提?。簷z測到人臉后，關(guān)鍵的一步是人臉特征的 提取，特征的提的好壞對于后續(xù)人臉檢測有著至關(guān)重要的作用，如果特征提取的不夠精確，這將降低人臉識別率，不同的特征提取方法也對人臉識別有比較大的影響。圖像處理的主要目的是為了后續(xù)檢測算法。在眾多的識別技術(shù)中，人臉具有很強(qiáng)的個體性差異以及不變性，該生物特征成為了自動身份驗證的理想依據(jù)。人臉檢測是人臉識別系統(tǒng)的首要環(huán)節(jié)，直接影響人臉識別系統(tǒng)的準(zhǔn)確性。 本章小結(jié) 本章第一節(jié)系統(tǒng)說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內(nèi)容 。 Android NDK 是一個工具集，集成了 Android 交叉編譯環(huán)境，并提供了一套比較方便的 Makeffle，可以幫助開發(fā)者快速開發(fā) C／ C++的共享庫。 （ 2） AdaBoost人臉檢測算法和 LBP直方圖匹配人臉識別算法的原理： AdaBoost算法是基于人臉特征的一種自動學(xué)習(xí)的算法其主要思想是通過大量的人臉樣本訓(xùn)練獲得一個強(qiáng)分類器， 然后再通過獲取到的強(qiáng)分類進(jìn)行人臉檢測。本文主要研究工作包括： Android平臺架構(gòu)的研究，多種人臉檢測 和人臉識別 算法的研究， AdaBoost人臉檢測算法 和 LBP人臉識別算法 的原理， Android平臺開發(fā)環(huán)境的搭建和人臉識別軟件實現(xiàn) 。程永清，莊永明等對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。他同時也嘗試了“穩(wěn)定視點”特征提取方法，即為使識別系統(tǒng)中包含 3D 信息，他對人臉側(cè)面剪影識別做了一定的研究，并實現(xiàn)了正，側(cè)面互相參照的識別系統(tǒng)。 在人臉識別的領(lǐng)域中，國際上逐步形成了以下幾個研究方向： ① 基于幾何特征的人臉識別方法，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，他采用彈性模板來提取眼睛和嘴巴的輪廓， Chen 和 Huang則進(jìn)一步提出用活動輪廓模板提取眉毛、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 媒體實驗室的 Pentlan