【正文】 置循環(huán)迭代次數(shù) T。然后輸入新的樣本集合，再次進行訓練，將得到 另一個基本分類器 h2(x)及其權(quán)重。 Keams 和 Valiant證明 [21]：在有充分足夠的數(shù)據(jù)的情況下，通過集成弱學習算法，能夠得到任意精度的假設(shè)，最終可以生成一個強學習算法。 弱學習與強學習 機器學習領(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)。 Valiant 于 1984 年首先提出來的PAC(ProbablyApproximatelyCorrect)模型是計算學習理論中比較常用的模型，該模型的出現(xiàn)發(fā)展了計算學習理論 [19]。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。 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。,y39。假設(shè) W， H 分別為圖像窗口的寬度和高度， X=[W/w]， Y=[H/h]，那么對于矩形特征原型，其特征數(shù)量的計算如下： () 在人臉檢測過程中，一個 2424的圖像窗口內(nèi)的特征總數(shù)達到 110000多個。矩形特征的定義是對輸入圖像使用矩形進行提取特征。預處理為了進行特征提取而做的準備，其主要工作是把獲取到的圖片信息進行整理并歸一化。支持向量機已經(jīng)成為近年來的研究熱點。徑向基函數(shù) （ RBF） 神經(jīng)網(wǎng)絡(luò)具有逼近性好和訓練速度快等特點，在人臉識別方面發(fā)揮重要作用。而“特征臉”其實就是這個所有子空間的正交基。 目前，人臉識別的常用方法有： 基于幾何特征的識別方法 這種方法是基于人臉面部結(jié)構(gòu)的幾何關(guān)系的先驗知識，提取人臉面部主要器官的幾何特征，用一組幾何特征向量來表示整個人臉。在進行樣本學習時都是一些高維數(shù)據(jù)，所以為了降低計算的復雜度以及提高計算效率，則一般都是需要對 高維特征數(shù)據(jù)進行降維，然后再進行計算。 （ 3）把相關(guān)的計算結(jié)果與預設(shè)的閾值用于比較并確定是否包含有人臉。在后面的章節(jié)將詳細介紹 AdaBoost算法。在用這種方法進行人臉判斷時，主要的難點在于如何有效的對已有人臉的知識進行規(guī)則化，以達到有效檢測的目的。根據(jù)該規(guī)則，可以通過檢測圖像中是否包含有滿足該規(guī)則的圖像信息來進行人臉檢測。在進行人臉檢測時，使用該模型對輸入的圖像進行人臉檢測。從人臉識別流程圖可以看出，人臉檢測是人臉識別的中非常重要的一步。有時候，后續(xù)檢測算法對該預處理有特殊的要求，比如有些算法只能處理某一種格式的圖片等。 隨著社會的進步，許多行業(yè)都需要快速的人臉自動驗證。在 第三章著重介紹了本課題采用的人臉檢測算法 Adaboost算法和人臉識別算法 LBP直方圖 匹配 算法， 介紹他們的原理和功能，第四章介紹了 Android系統(tǒng)的移植和 OpenCV的移植以及軟件開發(fā)環(huán)境的搭建，并介紹了軟件的整體設(shè)計，第五章主要介紹的軟件的實現(xiàn)和測試，相信說明了軟件的實現(xiàn)過程 :建立 UI界面、 JAVA平臺程序的開發(fā)、 JNI層函數(shù)接口和腳本文件的編寫，并對程序進行了測試。人臉識別方法主要有基于幾何特征的識別方法、基于特征臉的識別方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機的方法。 清華大學彭輝、張長水等對特征臉的方法做了進一步的發(fā)展，提出采用類間散布矩陣作為產(chǎn)生矩陣，進一步降低了產(chǎn)生矩陣的維數(shù)，在保持識別率的情況下，大大降低了運算量。國外有許多大學在此方面取得了很大進展，他們研究涉及的領(lǐng)域很廣，其中有從感知和心理學角度探索人類識別人臉機理的，如美國 Texas at Dallas 大學的 Abdi 和 Toole 小組，主要研究人類感知人臉的規(guī)律；由 Stirling 大學的 Bruce 教 授和 Glasgow 大學的 Burton 教授合作領(lǐng)導的小組，主要是研究人類大腦在人臉認知中的作用，并在此基礎(chǔ)上建立了人臉認知的兩大功能模型，他們對熟悉和陌生人臉的識別規(guī)律以及圖像序列的人臉識別規(guī)律也進行了研究； 畢業(yè)設(shè)計報告紙 共 61 頁 第 3頁 也有從視覺機理角度進行研究的，英國 Aberdeen 大學的 Craw 小組，主要研究人臉視覺表征方法，他們對空間頻率在人臉識別中的作用也進行了分析；荷蘭 Groningen大學的 Petkov 小組，主要研究人類視覺系統(tǒng)的神經(jīng)生理學機理并在此基礎(chǔ)上發(fā)展了并行模式識別方法。人臉識別具備穩(wěn)定、自然、方便、友好等特點，非常適合作為一種在移動設(shè)備中使用的身份驗證方式。因此，人臉識別技術(shù)在智能終端上具有非常大的發(fā)展空間。特別是美國 911 事件以后，人臉識別受到了更多的關(guān)注。而安全、有效、便捷的身份驗證方法越來越受到青睞。傳統(tǒng)的密碼認證存在易丟失、易被篡改等缺點，人臉識別不容易模仿、篡改和丟失，因而適 用于手機安全領(lǐng)域中的應用。然而，手機錢包、手機遠程支付等新應用的出現(xiàn)使得手機平臺的安全性亟待加強。因此，這些廣泛使用的傳統(tǒng)的身份驗證方法已經(jīng)面臨著日益嚴峻的挑戰(zhàn)。因此，人臉識別是一項很有潛力的應用技術(shù) （ 2）應用前景廣闊，應用領(lǐng)域眾多，現(xiàn)實意義重大 自從 90 年代后期以來，一些商業(yè)性的人臉識別系統(tǒng)開始進入市場，人臉識別作為一種計算機安全技術(shù)迅速發(fā)展 起來。另外，由于目前的手機終端性能相對于 PC機還有一定的差距，如何使傳統(tǒng)的人臉識別技術(shù)在手機 終端上得到良好的應用也是一個挑戰(zhàn)。而便攜小巧的移動設(shè)備的輸入能力非常有限，一定程度上限制了傳統(tǒng)身份驗證方式的使用。 20 世紀 90年代以來，隨著高速高性能計算機的出現(xiàn)，人臉識別方法有了重大突破，進入了真正的機器自動識別階段。 畢業(yè)設(shè)計報告紙 共 61 頁 第 4頁 中國科技大學楊光正等提出一種基于鑲嵌圖的人臉自動識別方法，采用基于知識的三級金字塔結(jié)構(gòu)對人臉進行基本定位，前兩級建立在不同分辨率的鑲嵌圖基礎(chǔ)上，第三級用一種改進的邊緣檢測方法進一步檢測眼睛和嘴巴。 （ 1）多種人臉檢測和人臉識別算法的研究：目前人臉檢測方法主要有基于知識的方法、特征不變方法、模板匹配方法、基于表象的方法。 （ 4） 人臉識別軟件實現(xiàn)：論文研究的主要是兩個部分，一部分是 Android 程序的 JAVA 平臺的開發(fā)，主要涉及到 UI 界面和程序的邏輯流程；另一部分是 JNI接口的開發(fā)，也就是用來鏈接 JAVA 與 C／ C++的部分 論文結(jié)構(gòu)安排 本文第一章節(jié)為緒論 ,主要探討了人臉識別的 研究背景和意義和國內(nèi)外的研究現(xiàn)狀， 本文從第二章節(jié)開始 逐一介紹了人臉檢測與人臉識別的一些常用 方法 ， 并分析這些方法的優(yōu)點和缺點并選擇 人臉檢測算法 Adaboost算法和人臉識別算法 LBP直方圖匹配算法。人臉存在的外貌、表情、 畢業(yè)設(shè)計報告紙 共 61 頁 第 7頁 膚色等多種變化的特征，以及可能存在的眼鏡、胡須、頭發(fā)、口罩等附屬物，還有光照的影響，都給人臉檢測帶來了很多挑戰(zhàn)。其主要內(nèi)容是去除噪聲、增強相關(guān)的有用信息。在假定正面人臉的情況下，已經(jīng)不能夠滿足實際的應用需求，所以人臉檢測就作為了一項對立的研究方向發(fā)展起來。 （ 4）基于表象的方法，該方法的思想是按照一定的算法從樣本訓練集中進行學習，得到一個學習模型。 （ 2）器官分布規(guī)則：人臉也遵循一些普遍相互對稱的規(guī)則，如人臉的五官存在著規(guī)則的幾何分布。主要是通過定位人眼來判斷是否有人臉。論文所采用的 AdaBoost方法就是基于人臉特征的方法。在計算輸入圖像時，主要是按照這幾個區(qū)域以及區(qū)域之間的關(guān)系來進行計算。把學習而來的特性總結(jié)成分布模型或者判別函數(shù)，再利用這些分布模型或者判別函數(shù)來對輸入圖像進行計算并進行人臉檢測判斷。人臉驗證解決的是“是不是他”的二類問題，人臉辨別解決的是“他是誰”的多類問題。該方法使用 KL 變換將圖像從高維向量轉(zhuǎn)換為低維向量，然后便形成一個低維的線性微量空間 ，人臉在這個空間的投影便是人臉的特征向量，可以用于識別。其中自適應主分量網(wǎng)絡(luò)算法是比較成熟的人臉特征提取算法。 SVM在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。圖像采集一般都是用圖像感官器件獲取原始圖片信息。 矩形特征 在給定有限的數(shù)據(jù)情況下，基于特征的檢測能夠?qū)μ囟▍^(qū)域的狀態(tài)進行編碼。但是在具體的使用過程中，需要各類原型特征模板以多種尺度在圖像區(qū)域內(nèi)的各個位置進行計算，從而導致了特征數(shù)量的總量相當大，這也帶來了非常大的計算量。 畢業(yè)設(shè)計報告紙 共 61 頁 第 15 頁 圖 垂直矩形的積分圖像 矩形的積分圖像的公式定義如下： 其中 I(x39。只要遍歷圖像一 ,就可以求得所有圖像子窗口的特征值。綜上使用圖像積分圖能夠快速的計算出所給定的矩形區(qū)域內(nèi)的所有像素點灰度值之和，也能夠快速的計算出給定的特征矩形的特征值。計算學習理論是概率理論中發(fā)展比較成熟的一個重要分支。在實際使用時，設(shè)置一個假設(shè)錯誤率 ε，如果隨機樣本被錯誤分類的概率小于該錯誤率 ε，則可以認為該假設(shè)是成功的。 Kearns 提出了弱學習算法與強學習算法之間的等價問題 —— 是否能把弱學習算法轉(zhuǎn)化為強學習算法。通過這樣的方法，就能夠使得錯分的樣本突出出來，從而形成一個新的樣本集分布。每個正樣本的權(quán)值在初始都 一樣 = ，每個負樣本的權(quán)重為 = 。在本文的人臉檢測其中主要采用 AdaBoost 方法進行分類。對于理想的隨機分布像素值的圖像來說，對應同一個矩形特征相對不同圖像的矩形特征值的均值應該趨近于 k。 表 A、 B對所有圖像特征值的統(tǒng)計表 特征 特征 A 特征 B 樣本 人臉 非人臉 差值 人臉 非人臉 差值 樣本數(shù)量 2706 4381 2760 4381 總和 330953 137143 486096 4480530 1601750 2878780 平均值 1628 中值 116 17 133 1484 144 1628 范圍差 14133 23503 9370 8763 14760 5997 零點左特征比 % % 5% % % 34% 畢業(yè)設(shè)計報告紙 共 61 頁 第 22 頁 特征 A和特征 B對于人臉樣本和非人臉樣本的分類能力的表現(xiàn)差異很大，特征 A對 人臉和非人臉樣本的特征值為 0的點幾乎處于相同位置，人臉樣本與非人臉樣本的特征差僅有 5%。在算法中每迭代 T次就是選擇 T個最佳弱分類器，所以每輪訓練，將選取當輪中的最佳弱分類器，然后將每輪訓練得到的最佳弱分類器按照加權(quán)方式提升為強分類器，從而獲得強分類器。方向指示符 p用來改變不等號的方向。人臉樣本特征和非人臉特征的值平均值都是分布在 0 前后領(lǐng)域內(nèi)。閾值 θ主要用來表示特征值的正負樣本臨界值。 d) 然后對每個樣本都進行更新權(quán)重的操作，其公式如下： () 參數(shù)的含義為：當樣本 xi被分類器 ht正確分類時，參數(shù) ei=0，而若 其被錯誤分類時， = 。最終使用按照一定的權(quán)值把這 T 個基本分類累加而得到最后的強分類器。它是一種迭代算法，其核心思想通過訓練獲多個弱分類器，然后把弱分類器按照一定的權(quán)重加權(quán)構(gòu)成強分類器。相似的，對于一個是非問題做隨機性判斷，將會得到 50%的正確性 畢業(yè)設(shè)計報告紙 共 61 頁 第 18 頁 判斷。其方法是，首先是按照選取的一個固定概率分布率 p(x)在樣本空間 X 獨立的進行樣本抽取，分別抽取樣本 xl， … ， xm，自動學習器 L 返回 hT(xt)的值。本文主要采用 AdaBoost算法在 Android 系統(tǒng)上實現(xiàn)人臉檢測。 （ 2）特征值計算 根據(jù)定義，矩形特征的特征值是兩個不同的矩形區(qū)域像素和之差，由公式 ()可以計算任意矩形特征的特征值，下面以特征模型 B 為例說明特征值的計算。)處的灰度值。 積分圖 通常訓練樣本有近萬個，隨之而來的是獲取到的矩形特征的數(shù)量非常龐大，于是Viola 等人基礎(chǔ)了積分圖像的概念 [17]，加快了矩形特征的計算速度。本系統(tǒng)主要使用的 3種類型分別為 2矩形特征、 3矩形特征、 4矩形特征，其分別對應如下的 A、 B、 C、 D各圖，如圖 。本章就是按照這個順序，介紹所使用的特征提取方法，接著介紹所使用的分類器。 本章小結(jié) 本章主要介紹了多種人臉檢測 和匹配的 方法 ，并對比了這些方法的優(yōu)缺點， 在Android系