【正文】 [12] 梁路宏、艾海舟、徐光佑、張錢：《人臉檢測(cè)研究綜述》，計(jì)算機(jī)學(xué)報(bào)，2002年。[4] 武勃艾海舟等：《人臉的性別分類》，計(jì)算機(jī)研究與發(fā)展，2003年11月。但計(jì)算機(jī)識(shí)別人臉也由一些獨(dú)特的優(yōu)點(diǎn)：首先計(jì)算機(jī)對(duì)人臉細(xì)節(jié)的辨別能力更強(qiáng)，例如在對(duì)雙胞胎的識(shí)別中，人眼感覺雙胞胎的相貌“差不多”，而計(jì)算機(jī)的判斷結(jié)果是“差很多”。設(shè)想未來如果計(jì)算機(jī)具備了像人類一樣的視覺，它將代替人們完成更多智能化的工作，極大地減輕人們的負(fù)擔(dān)，提高人們的生活質(zhì)量，造福于人類。使用二維隱馬爾可夫模型實(shí)現(xiàn)了對(duì)人臉的精確建模，在達(dá)到對(duì)各種人臉圖像精確識(shí)別的同時(shí)，也使系統(tǒng)對(duì)各類復(fù)雜條件下的人臉識(shí)別有了較強(qiáng)的魯棒性。在人臉檢測(cè)方面對(duì)影響檢測(cè)精度的每一個(gè)環(huán)節(jié)都展開了細(xì)致的討論，在人臉識(shí)別方面重點(diǎn)研究了如何在保證人臉識(shí)別速度的前提下，提高人臉建模的精度和人臉識(shí)別的魯棒性。各功能模塊如圖16所示。實(shí)現(xiàn)人臉訓(xùn)練的程序流程圖如圖15所示。該部分是程序與用戶交互的部分，用戶點(diǎn)擊界面按鈕向程序發(fā)出命令，通過此段程序系統(tǒng)辨別是在多人模式還是單人模式下的訓(xùn)練，從而調(diào)用相應(yīng)的函數(shù)實(shí)現(xiàn)訓(xùn)練功能。 （3）識(shí)別人臉，識(shí)別靜態(tài)人臉或攝像頭中的視頻人臉信息。OpenCV致力于成為這樣的標(biāo)準(zhǔn)API。 另外，完成最后一步：Symbian\\Series60_v21_C\Series60Tools\appwizard\”目錄下的””和””文件拷貝到:”\Program Files\Microsoft Visual Studio\Common\MSDev98\Template\”目錄下,使得VC工程文件中會(huì)出現(xiàn)項(xiàng)目向?qū)?跟MFC一樣)。}得到一個(gè)強(qiáng)分類器，其閾值為，檢測(cè)率和誤檢率滿足和。{挑選一個(gè)矩形特征做為弱分類器，使得該分類器的分類錯(cuò)誤相對(duì)于其它矩形特征的分類錯(cuò)誤為最小。當(dāng)=1時(shí), N。第三次迭代代表的直線是最優(yōu)的弱分類器，此時(shí)= =。 （4） 對(duì)所有樣本的權(quán)重進(jìn)行更新： （11）其中表示被正確地分類，表示被錯(cuò)誤地分類。因?yàn)槊總€(gè)新特征矩形數(shù)目要比(3,3)特征第矩形數(shù)目少4個(gè)矩形，所以可以用如下方法計(jì)算其特征數(shù)目： （8）換個(gè)說法，我們把這種形式看作是(3,3)特征中把下面2格的矩形看作是一個(gè)整體，而不是把它們分開，這樣更容易實(shí)現(xiàn)和理解。由于開始構(gòu)建這種特征時(shí)，就是把前人的兩種特征混合使用，所以在計(jì)算這種特征的特征值時(shí)，就可以先分別求出構(gòu)建它的兩種基本特征的特征值，然后把兩個(gè)特征值做和，最后得到新特征的特征值。它們包含的人臉基本特征比較少，雖然特征構(gòu)建比較簡(jiǎn)單，但這種特征在人臉檢測(cè)上需要多次檢測(cè)確認(rèn)，而且檢測(cè)率也沒有達(dá)到人們預(yù)計(jì)的那么好。圖5 Haar特征的幾種主要特征圖5中1的a、b、c、d為邊緣特征。如圖4。分類器中的“級(jí)聯(lián)”是指最終的分類器是由幾個(gè)簡(jiǎn)單分類器級(jí)聯(lián)組成。下面用文字形式陳述一下AdaBoost算法。這使得其后產(chǎn)生的學(xué)習(xí)機(jī)更加專注于處理對(duì)已有學(xué)習(xí)機(jī)來說較為困難的樣本區(qū)分問題。二、AdaBoost算法相關(guān)知識(shí)概述（一）Boosting算法簡(jiǎn)介Boosting是機(jī)器學(xué)習(xí)(ML)中的一個(gè)概念，Boosting方法源于PAC(Probably Approximately Correct，概率近似正確)學(xué)習(xí)模型的理論分析。其中，Y是亮度信號(hào)，CrCb是色度或彩度信號(hào)。這種方法一般是先對(duì)人臉的器官或器官的組合建立模板，然后檢測(cè)圖像中幾個(gè)器官可能分布的位置，對(duì)這些位置點(diǎn)分別組合，用器官分布的知識(shí)規(guī)則進(jìn)行篩選，從而找到可能存在的人臉。這種方法充分考慮到人臉是變形體的特點(diǎn)，穩(wěn)定可靠，而且與姿態(tài)和光照無關(guān)，但仍然存在能量函數(shù)的系數(shù)難以適應(yīng)一般情況和計(jì)算量巨大的問題。2．基于范本匹配的方法早期的基于范本匹配的方法是這樣做的：首先建立一個(gè)標(biāo)準(zhǔn)的人臉模板，由包含局部人臉特征的子模板構(gòu)成，然后對(duì)一幅輸入圖像進(jìn)行全局搜索，對(duì)應(yīng)不同尺度大小的圖像窗口，計(jì)算與標(biāo)準(zhǔn)人臉模板中不同部分的相關(guān)系數(shù)，通過預(yù)先設(shè)置的閾值來判斷該圖像窗口中是否包含人臉。由于HMM是一個(gè)稀有統(tǒng)計(jì)模型，對(duì)于同一特征序列，可能會(huì)對(duì)應(yīng)于許多序列，特征序列與狀態(tài)序列之間的對(duì)應(yīng)關(guān)系是非確定的。所以支持向量機(jī)在有限樣本的條件下的推廣能力很好。ANN輸出1到1區(qū)間的值表示這個(gè)區(qū)域是否為人臉。他們工作的共同之處是都采用了自調(diào)整(bootstrap)的學(xué)習(xí)原理，對(duì)分類器一邊訓(xùn)練，一邊測(cè)試，并把在測(cè)試過程 中的錯(cuò)誤分類結(jié)果作為反倒樣本加入學(xué)習(xí)過程，從而減少了樣本集的規(guī)模，并表叔的提高了神經(jīng)網(wǎng)絡(luò)的分類性能。若有，則給出人臉?biāo)诘奈恢?。生物特征識(shí)別技術(shù)給這一切帶來可能。在處理人——機(jī)關(guān)系時(shí)，根據(jù)“人為中心”的思想，應(yīng)當(dāng)康健老虎人的因素。對(duì)人臉及其特征檢測(cè)的研究有益于相似特征提取及目標(biāo)檢測(cè)和識(shí)別問題的研究。 目前對(duì)人臉檢測(cè)研究的成果是：不但能對(duì)靜態(tài)圖像中的人臉進(jìn)行單個(gè)人臉、多個(gè)人臉、人臉的多態(tài)檢測(cè)，而且能夠?qū)?dòng)態(tài)（視頻文件或錄像）圖像的人臉進(jìn)行檢測(cè)和跟蹤。來自身份、光照、觀察角度等的變化，以及裝飾物和部分遮擋等影響，有時(shí)使人臉與背景區(qū)別不大，給檢測(cè)帶來一定的難度。 本文論述了人臉檢測(cè)技術(shù)的基本概念，分析和探討了多種人臉檢測(cè)方法的基本理論，對(duì)人臉檢測(cè)方法進(jìn)行了深入的研究和討論，實(shí)驗(yàn)表明本文研究的人臉檢測(cè)方法是合理的，具有一定的理論價(jià)值與實(shí)用價(jià)值。本文的研究工作主要包括:基于AdaBoost學(xué)習(xí)算法，從一個(gè)較大的特征集中選擇少量關(guān)鍵的haarlike特征，產(chǎn)生一個(gè)高效的強(qiáng)分類器。因此，如果能夠找到解決這些問題的方法，成功構(gòu)造出人臉的檢測(cè)系統(tǒng)，將會(huì)為其它具有類似特征和模式的檢測(cè)問題提供重要的提示。但對(duì)動(dòng)態(tài)檢測(cè)還是初級(jí)階段，還有很多問題有待解決。人臉檢測(cè)任務(wù)的完成涉及從復(fù)雜的背景中分割、抽取、驗(yàn)證人臉區(qū)域和可能乃至的人臉特征(如眼睛、唇色等)。因此，智能接口系統(tǒng)要解決的首要問題是計(jì)算機(jī)如何感知使用者的存在，這是人機(jī)交互的前提。生物特征識(shí)別技術(shù)是通過利用個(gè)體我有的生理和行為特征來達(dá)到身份識(shí)別和個(gè)體驗(yàn)證目的的一門科學(xué)。 采用這種檢測(cè)模式的理論依據(jù)是：人臉具有統(tǒng)一的結(jié)構(gòu)模式(都是由眉毛，眼睛，鼻子和嘴唇等人臉器官構(gòu)成)，如果把所有的圖像集看作一個(gè)高維線性空間，那么整個(gè)人臉圖像集僅對(duì)應(yīng)于其中的某個(gè)子空間。 特別值得一提的是CMU的Rowley等的工作，他們使用了多個(gè)ANN檢測(cè)多姿態(tài)的人臉，算法的框架如圖1所示。Rowley等使用相同的“人臉”樣本和不同“自舉”過程收集的“非人臉”多個(gè)正面人臉檢測(cè)ANN，對(duì)它們的檢測(cè)結(jié)果進(jìn)行仲裁，以進(jìn)一步減少錯(cuò)誤報(bào)警。支持向量機(jī)通過構(gòu)造風(fēng)險(xiǎn)最小的分類面來解決一個(gè)二類問題，這相當(dāng)于使訓(xùn)練集中的最靠近分類的點(diǎn)距離分類面最遠(yuǎn)。這種模型對(duì)于狀態(tài)序列來說是隱的。Poggio利用基于模板的方法來定位眼睛的位置，他們把標(biāo)準(zhǔn)的眼睛模板調(diào)整為5個(gè)不同的尺寸，然后在輸入圖像中找尋眼睛。由于基于模板的方法比較成熟，因此其實(shí)現(xiàn)起來比較簡(jiǎn)單，但是這個(gè)方法對(duì)于人臉檢測(cè)來說，效率并不高。（2）基于顏色紋理的方法主要利用人臉皮膚表面顏色和紋理具有一定的穩(wěn)定特性（不依賴于面部的細(xì)節(jié)特征，對(duì)于旋轉(zhuǎn)、表情等的變化情況都能保持不變）來進(jìn)行人臉檢測(cè)。利用膚色特征檢測(cè)出的人臉區(qū)域可能不夠準(zhǔn)確，但如果在整個(gè)系統(tǒng)實(shí)現(xiàn)中作為人臉檢測(cè)的粗定位環(huán)節(jié)，它具有直觀、實(shí)現(xiàn)簡(jiǎn)單、快速等特點(diǎn)，可以為后面進(jìn)一步進(jìn)行精確定位創(chuàng)造良好的條件，以達(dá)到最優(yōu)的系統(tǒng)性能。它是由Valiant于1984年首先提出來的。Boosting方法可以增強(qiáng)給定算法的泛化能力，但是還存在兩個(gè)缺點(diǎn)：該方法需要知道弱學(xué)習(xí)機(jī)學(xué)習(xí)正確率的下限，而這在實(shí)際問題中是很難做到的；其次，這一方法可能導(dǎo)致后來的學(xué)習(xí)機(jī)過分集中于少數(shù)特別困難的樣本，導(dǎo)致表現(xiàn)不穩(wěn)定。首先，利用樣本(大約幾百幅樣本圖片)的Haar特征進(jìn)行分類器訓(xùn)練，得到一個(gè)級(jí)聯(lián)的Boosted分類器。在圖像檢測(cè)中，被檢窗口依次通過每一級(jí)分類器，這樣在前面幾層的檢測(cè)中大部分的候選區(qū)域就被排除了，全部通過每一級(jí)分類器檢測(cè)的區(qū)域即為目標(biāo)區(qū)域。圖4 （2）和（3）是（1）與給定矩形特征的匹配Haar特征是Viola等提出的一種簡(jiǎn)單矩形特征，因類似于Haar小波而得名。2的a、b、c、d為線形正面特征，e、f、g、h為多態(tài)特征。為了更好的解決這種特征的不足，這里我提出一種新的特征，這種特征是上面某些特征的組合形式，如下的2種：圖6 提出的新特征這種特征主要是根據(jù)人臉的特征分布，比如人臉的眼睛，鼻子和嘴的特征分布。雖然新特征在組織上要比以前的特征復(fù)雜，但是更接近人臉器官特征的分布。圖10 計(jì)算6種特征的數(shù)目下面列出了在不同子窗口大小內(nèi)，特征的總數(shù)量：表2 不同子窗口大小內(nèi)，特征值的數(shù)量窗口大小特征數(shù)量8168263952871628987902232946 從表2可以看出窗口大小分的越大，生成的特征數(shù)量也就越多，這以去掉某些特征，例如，完全不必考慮用這樣的特征計(jì)算特征值大值樣就會(huì)帶來耗時(shí)的問題。 令：； （5） 最后的強(qiáng)分類器為： （12） 其中以上訓(xùn)練的物理意義可以表述為:當(dāng)已經(jīng)提取的分類器對(duì)于某些樣本分類正確,那么減小這些樣本的權(quán)重。該弱分類器在經(jīng)過三次訓(xùn)練后輸出強(qiáng)分類。其中m為樣本的總個(gè)數(shù)。弱分類器的分類錯(cuò)誤計(jì)算公式為 （13）對(duì)于每個(gè)人臉樣本計(jì)算。五、系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（一）VC++環(huán)境的安裝與配置1．步驟 （1） 安裝VC++，并升級(jí)到