【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(jìn)行訓(xùn)練，將得到 另一個(gè)基本分類(lèi)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(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。 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)。 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]。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(xiāo)。 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。,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(duì)于矩形特征原型，其特征數(shù)量的計(jì)算如下： () 在人臉檢測(cè)過(guò)程中，一個(gè) 2424的圖像窗口內(nèi)的特征總數(shù)達(dá)到 110000多個(gè)。矩形特征的定義是對(duì)輸入圖像使用矩形進(jìn)行提取特征。預(yù)處理為了進(jìn)行特征提取而做的準(zhǔn)備，其主要工作是把獲取到的圖片信息進(jìn)行整理并歸一化。支持向量機(jī)已經(jīng)成為近年來(lái)的研究熱點(diǎn)。徑向基函數(shù) （ RBF） 神經(jīng)網(wǎng)絡(luò)具有逼近性好和訓(xùn)練速度快等特點(diǎn)，在人臉識(shí)別方面發(fā)揮重要作用。而“特征臉”其實(shí)就是這個(gè)所有子空間的正交基。 目前，人臉識(shí)別的常用方法有： 基于幾何特征的識(shí)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(yàn)知識(shí)，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(lái)表示整個(gè)人臉。在進(jìn)行樣本學(xué)習(xí)時(shí)都是一些高維數(shù)據(jù)，所以為了降低計(jì)算的復(fù)雜度以及提高計(jì)算效率，則一般都是需要對(duì) 高維特征數(shù)據(jù)進(jìn)行降維，然后再進(jìn)行計(jì)算。 （ 3）把相關(guān)的計(jì)算結(jié)果與預(yù)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(xì)介紹 AdaBoost算法。在用這種方法進(jìn)行人臉判斷時(shí)，主要的難點(diǎn)在于如何有效的對(duì)已有人臉的知識(shí)進(jìn)行規(guī)則化，以達(dá)到有效檢測(cè)的目的。根據(jù)該規(guī)則，可以通過(guò)檢測(cè)圖像中是否包含有滿(mǎn)足該規(guī)則的圖像信息來(lái)進(jìn)行人臉檢測(cè)。在進(jìn)行人臉檢測(cè)時(shí)，使用該模型對(duì)輸入的圖像進(jìn)行人臉檢測(cè)。從人臉識(shí)別流程圖可以看出，人臉檢測(cè)是人臉識(shí)別的中非常重要的一步。有時(shí)候，后續(xù)檢測(cè)算法對(duì)該預(yù)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(huì)的進(jìn)步，許多行業(yè)都需要快速的人臉自動(dòng)驗(yàn)證。在 第三章著重介紹了本課題采用的人臉檢測(cè)算法 Adaboost算法和人臉識(shí)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(kāi)發(fā)環(huán)境的搭建，并介紹了軟件的整體設(shè)計(jì)，第五章主要介紹的軟件的實(shí)現(xiàn)和測(cè)試，相信說(shuō)明了軟件的實(shí)現(xiàn)過(guò)程 :建立 UI界面、 JAVA平臺(tái)程序的開(kāi)發(fā)、 JNI層函數(shù)接口和腳本文件的編寫(xiě)，并對(duì)程序進(jìn)行了測(cè)試。人臉識(shí)別方法主要有基于幾何特征的識(shí)別方法、基于特征臉的識(shí)別方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機(jī)的方法。 清華大學(xué)彭輝、張長(zhǎng)水等對(duì)特征臉的方法做了進(jìn)一步的發(fā)展，提出采用類(lèi)間散布矩陣作為產(chǎn)生矩陣，進(jìn)一步降低了產(chǎn)生矩陣的維數(shù)，在保持識(shí)別率的情況下，大大降低了運(yùn)算量。國(guó)外有許多大學(xué)在此方面取得了很大進(jìn)展，他們研究涉及的領(lǐng)域很廣，其中有從感知和心理學(xué)角度探索人類(lèi)識(shí)別人臉機(jī)理的，如美國(guó) Texas at Dallas 大學(xué)的 Abdi 和 Toole 小組，主要研究人類(lèi)感知人臉的規(guī)律；由 Stirling 大學(xué)的 Bruce 教 授和 Glasgow 大學(xué)的 Burton 教授合作領(lǐng)導(dǎo)的小組，主要是研究人類(lèi)大腦在人臉認(rèn)知中的作用，并在此基礎(chǔ)上建立了人臉認(rèn)知的兩大功能模型，他們對(duì)熟悉和陌生人臉的識(shí)別規(guī)律以及圖像序列的人臉識(shí)別規(guī)律也進(jìn)行了研究； 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 3頁(yè) 也有從視覺(jué)機(jī)理角度進(jìn)行研究的，英國(guó) Aberdeen 大學(xué)的 Craw 小組，主要研究人臉視覺(jué)表征方法，他們對(duì)空間頻率在人臉識(shí)別中的作用也進(jìn)行了分析；荷蘭 Groningen大學(xué)的 Petkov 小組，主要研究人類(lèi)視覺(jué)系統(tǒng)的神經(jīng)生理學(xué)機(jī)理并在此基礎(chǔ)上發(fā)展了并行模式識(shí)別方法。人臉識(shí)別具備穩(wěn)定、自然、方便、友好等特點(diǎn)，非常適合作為一種在移動(dòng)設(shè)備中使用的身份驗(yàn)證方式。因此，人臉識(shí)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(guó) 911 事件以后，人臉識(shí)別受到了更多的關(guān)注。而安全、有效、便捷的身份驗(yàn)證方法越來(lái)越受到青睞。傳統(tǒng)的密碼認(rèn)證存在易丟失、易被篡改等缺點(diǎn)，人臉識(shí)別不容易模仿、篡改和丟失，因而適 用于手機(jī)安全領(lǐng)域中的應(yīng)用。然而，手機(jī)錢(qián)包、手機(jī)遠(yuǎn)程支付等新應(yīng)用的出現(xiàn)使得手機(jī)平臺(tái)的安全性亟待加強(qiáng)。因此，這些廣泛使用的傳統(tǒng)的身份驗(yàn)證方法已經(jīng)面臨著日益嚴(yán)峻的挑戰(zhàn)。因此，人臉識(shí)別是一項(xiàng)很有潛力的應(yīng)用技術(shù) （ 2）應(yīng)用前景廣闊，應(yīng)用領(lǐng)域眾多，現(xiàn)實(shí)意義重大 自從 90 年代后期以來(lái)，一些商業(yè)性的人臉識(shí)別系統(tǒng)開(kāi)始進(jìn)入市場(chǎng)，人臉識(shí)別作為一種計(jì)算機(jī)安全技術(shù)迅速發(fā)展 起來(lái)。另外，由于目前的手機(jī)終端性能相對(duì)于 PC機(jī)還有一定的差距，如何使傳統(tǒng)的人臉識(shí)別技術(shù)在手機(jī) 終端上得到良好的應(yīng)用也是一個(gè)挑戰(zhàn)。而便攜小巧的移動(dòng)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(yàn)證方式的使用。 20 世紀(jì) 90年代以來(lái)，隨著高速高性能計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別方法有了重大突破，進(jìn)入了真正的機(jī)器自動(dòng)識(shí)別階段。 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 4頁(yè) 中國(guó)科技大學(xué)楊光正等提出一種基于鑲嵌圖的人臉自動(dòng)識(shí)別方法，采用基于知識(shí)的三級(jí)金字塔結(jié)構(gòu)對(duì)人臉進(jìn)行基本定位，前兩級(jí)建立在不同分辨率的鑲嵌圖基礎(chǔ)上，第三級(jí)用一種改進(jìn)的邊緣檢測(cè)方法進(jìn)一步檢測(cè)眼睛和嘴巴。 （ 1）多種人臉檢測(cè)和人臉識(shí)別算法的研究：目前人臉檢測(cè)方法主要有基于知識(shí)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(shí)別軟件實(shí)現(xiàn)：論文研究的主要是兩個(gè)部分，一部分是 Android 程序的 JAVA 平臺(tái)的開(kāi)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(kāi)發(fā)，也就是用來(lái)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(shí)別的 研究背景和意義和國(guó)內(nèi)外的研究現(xiàn)狀， 本文從第二章節(jié)開(kāi)始 逐一介紹了人臉檢測(cè)與人臉識(shí)別的一些常用 方法 ， 并分析這些方法的優(yōu)點(diǎn)和缺點(diǎn)并選擇 人臉檢測(cè)算法 Adaboost算法和人臉識(shí)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(jì)報(bào)告紙 共 61 頁(yè) 第 7頁(yè) 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(cè)帶來(lái)了很多挑戰(zhàn)。其主要內(nèi)容是去除噪聲、增強(qiáng)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(mǎn)足實(shí)際的應(yīng)用需求，所以人臉檢測(cè)就作為了一項(xiàng)對(duì)立的研究方向發(fā)展起來(lái)。 （ 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(xùn)練集中進(jìn)行學(xué)習(xí)，得到一個(gè)學(xué)習(xí)模型。 （ 2）器官分布規(guī)則：人臉也遵循一些普遍相互對(duì)稱(chēng)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(guò)定位人眼來(lái)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(jì)算輸入圖像時(shí)，主要是按照這幾個(gè)區(qū)域以及區(qū)域之間的關(guān)系來(lái)進(jìn)行計(jì)算。把學(xué)習(xí)而來(lái)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(lái)對(duì)輸入圖像進(jìn)行計(jì)算并進(jìn)行人臉檢測(cè)判斷。人臉驗(yàn)證解決的是“是不是他”的二類(lèi)問(wèn)題，人臉辨別解決的是“他是誰(shuí)”的多類(lèi)問(wèn)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(gè)低維的線(xiàn)性微量空間 ，人臉在這個(gè)空間的投影便是人臉的特征向量，可以用于識(shí)別。其中自適應(yīng)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(xiàn)性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。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(cè)能夠?qū)μ囟▍^(qū)域的狀態(tài)進(jìn)行編碼。但是在具體的使用過(guò)程中，需要各類(lèi)原型特征模板以多種尺度在圖像區(qū)域內(nèi)的各個(gè)位置進(jìn)行計(jì)算，從而導(dǎo)致了特征數(shù)量的總量相當(dāng)大，這也帶來(lái)了非常大的計(jì)算量。 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 15 頁(yè) 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(jì)算出所給定的矩形區(qū)域內(nèi)的所有像素點(diǎn)灰度值之和，也能夠快速的計(jì)算出給定的特征矩形的特征值。計(jì)算學(xué)習(xí)理論是概率理論中發(fā)展比較成熟的一個(gè)重要分支。在實(shí)際使用時(shí)，設(shè)置一個(gè)假設(shè)錯(cuò)誤率 ε，如果隨機(jī)樣本被錯(cuò)誤分類(lèi)的概率小于該錯(cuò)誤率 ε，則可以認(rèn)為該假設(shè)是成功的。 Kearns 提出了弱學(xué)習(xí)算法與強(qiáng)學(xué)習(xí)算法之間的等價(jià)問(wèn)題 —— 是否能把弱學(xué)習(xí)算法轉(zhuǎn)化為強(qiáng)學(xué)習(xí)算法。通過(guò)這樣的方法，就能夠使得錯(cuò)分的樣本突出出來(lái)，從而形成一個(gè)新的樣本集分布。每個(gè)正樣本的權(quán)值在初始都 一樣 = ，每個(gè)負(fù)樣本的權(quán)重為 = 。在本文的人臉檢測(cè)其中主要采用 AdaBoost 方法進(jìn)行分類(lèi)。對(duì)于理想的隨機(jī)分布像素值的圖像來(lái)說(shuō)，對(duì)應(yīng)同一個(gè)矩形特征相對(duì)不同圖像的矩形特征值的均值應(yīng)該趨近于 k。 表 A、 B對(duì)所有圖像特征值的統(tǒng)計(jì)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(diǎn)左特征比 % % 5% % % 34% 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 22 頁(yè) 特征 A和特征 B對(duì)于人臉樣本和非人臉樣本的分類(lèi)能力的表現(xiàn)差異很大，特征 A對(duì) 人臉和非人臉樣本的特征值為 0的點(diǎn)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(gè)最佳弱分類(lèi)器，所以每輪訓(xùn)練，將選取當(dāng)輪中的最佳弱分類(lèi)器，然后將每輪訓(xùn)練得到的最佳弱分類(lèi)器按照加權(quán)方式提升為強(qiáng)分類(lèi)器，從而獲得強(qiáng)分類(lèi)器。方向指示符 p用來(lái)改變不等號(hào)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(lái)表示特征值的正負(fù)樣本臨界值。 d) 然后對(duì)每個(gè)樣本都進(jìn)行更新權(quán)重的操作，其公式如下： () 參數(shù)的含義為：當(dāng)樣本 xi被分類(lèi)器 ht正確分類(lèi)時(shí)，參數(shù) ei=0，而若 其被錯(cuò)誤分類(lèi)時(shí)， = 。最終使用按照一定的權(quán)值把這 T 個(gè)基本分類(lèi)累加而得到最后的強(qiáng)分類(lèi)器。它是一種迭代算法，其核心思想通過(guò)訓(xùn)練獲多個(gè)弱分類(lèi)器，然后把弱分類(lèi)器按照一定的權(quán)重加權(quán)構(gòu)成強(qiáng)分類(lèi)器。相似的，對(duì)于一個(gè)是非問(wèn)題做隨機(jī)性判斷，將會(huì)得到 50%的正確性 畢業(yè)設(shè)計(jì)報(bào)告紙 共 61 頁(yè) 第 18 頁(yè) 判斷。其方法是，首先是按照選取的一個(gè)固定概率分布率 p(x)在樣本空間 X 獨(dú)立的進(jìn)行樣本抽取，分別抽取樣本 xl， … ， xm，自動(dòng)學(xué)習(xí)器 L 返回 hT(xt)的值。本文主要采用 AdaBoost算法在 Android 系統(tǒng)上實(shí)現(xiàn)人臉檢測(cè)。 （ 2）特征值計(jì)算 根據(jù)定義，矩形特征的特征值是兩個(gè)不同的矩形區(qū)域像素和之差，由公式 ()可以計(jì)算任意矩形特征的特征值，下面以特征模型 B 為例說(shuō)明特征值的計(jì)算。)處的灰度值。 積分圖 通常訓(xùn)練樣本有近萬(wàn)個(gè)，隨之而來(lái)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(jì)算速度。本系統(tǒng)主要使用的 3種類(lèi)型分別為 2矩形特征、 3矩形特征、 4矩形特征，其分別對(duì)應(yīng)如下的 A、 B、 C、 D各圖，如圖 。本章就是按照這個(gè)順序，介紹所使用的特征提取方法，接著介紹所使用的分類(lèi)器。 本章小結(jié) 本章主要介紹了多種人臉檢測(cè) 和匹配的 方法 ，并對(duì)比了這些方法的優(yōu)缺點(diǎn)， 在Android系