【正文】 SP3以上。（二）OpenCV的介紹安裝和配置OpenCV是Intel公司支持的開源計算機視覺庫。在安裝時選擇“將…\OpenCV\bin加入系統(tǒng)變量“（Add...\OpenCV\bin to the systerm PATH），否則需要在“我的電腦”“屬性”“高級”“環(huán)境變量”中添加上述變量，如：變量：Path，值：C:\OpenCV\bin。從用戶的角度考慮，畫出系統(tǒng)功能用例圖如圖13所示 。 2．單人模式下的訓練函數(shù)部分。圖15 人臉訓練程序流程圖 （五）識別部分設計人臉識別程序主要完成對待識別人臉圖像與人類庫中圖像的匹配識別，在程序的設計過程中，識別程序與用戶的交互同樣通過主消息函數(shù)來完成，我們在MFC的框架類CMainFrame中添加消息消息響應函數(shù)，用戶通過點擊界面上的功能按鈕啟動識別程序，對各變量進行初始化，調用識別核心代碼，并將識別出來的人的信息顯示出來。其他功能模塊攝像頭的管理CCamera類攝像頭的初始化視頻參數(shù)的設置攝像頭的暫停與重啟HMM參數(shù)設置CHMMParams類初始化超狀態(tài)數(shù)設置嵌入狀態(tài)數(shù)設置其他參數(shù)設置CMisuParams類視圖框參數(shù)圖片縮放設置手動劃取矩形框設置獲取圖片CPersonImage類載入圖片保存圖片設定文件名等 圖16 人臉識別模塊其他功能模塊框圖（七）系統(tǒng)截圖 圖17 人臉庫管理圖18 系統(tǒng)界面圖19 人臉提取系統(tǒng)六、結束語（一）工作總結人臉檢測與識別技術的研究具有重要的理論價值和現(xiàn)實意義。具體研究工作與成果包括如下幾方面：1．采用非線性估計閾值選取方法確定顏色空間轉換后膚色區(qū)域的分布邊界，該方法兼顧了亮度對膚色聚類性的影響，為膚色區(qū)域的精確分割奠定了基礎。3．研究并實現(xiàn)了對人臉P2DHMM模型的自動訓練，使得構建任意規(guī)模的人臉庫均可由計算機自動完成。目前對人臉檢測與識別的研究尚出于探索階段。這說明計算機不會像人類一樣受一些視覺心理因素的影響，識別更為精確。[5] 梁路宏、艾海舟，徐光佑，張鈸：《人臉檢測研究綜述》，2004年。[13] Rafael 、Richard ：《數(shù)字圖像處理》，阮秋琦，阮宇智等譯，2004年6月。[11] 應理航：《人臉檢測子空間方學碩士論文》，2002年5月。[3] 張書真：《人臉檢測技術淺析》，中國西部科技(下半月刊)，2005年4月。3．計算機雖然不具有像人一樣強大的視覺系統(tǒng)。這一目標盡管遙遠，但意義非常重大。離散余弦變換在對人臉進行特征提取的同時，有效降低了觀察向量的維度，從而提升了人臉模型訓練的速度。文中采用了基于膚色信息的人臉檢測和基于二維隱馬爾可夫模型的人臉識別方法。其中CCamera類實現(xiàn)對視頻攝像頭的控制，包括攝像頭的初始化、各種視頻參數(shù)的設置等；CHMMParams類完成對系統(tǒng)EHMM參數(shù)的設置，包括超狀態(tài)數(shù)、嵌入式狀態(tài)數(shù)等EHMM模型的關鍵參數(shù)； CPersonImage類則是用來管理具體的人臉圖像，設定圖像的感興趣區(qū)域，從攝像頭中獲取人臉圖像；CMisuParams類，用來設置其他參數(shù)如圖片的縮放比例等。 以上第一部分在MFC的CMainFrame框架類中添加消息映射函數(shù)實現(xiàn)，后面的兩部分則設定在人臉庫類CFaceBace中，人臉訓練核心代碼則在一個專門的類CPerson中實現(xiàn)。 1．主消息函數(shù)部分。 （2）訓練人臉庫圖像，得到EHMM模型數(shù)據(jù)，為識別人臉信息提供依據(jù)。而標準的API將簡化計算機視覺程序和解決方案的開發(fā)。 //一般perl是自動注冊環(huán)境變量的,vc在安裝過程中也有注冊環(huán)境變量的選項,勾選就行,不用自己設置,如果過程中沒有設置,那還要自己手動設置下vc6的環(huán)境變量。對樣本權值進行歸一化處理，使得。設f為當前分類器的誤檢率，初始值為1。樣本表示為，當=1時，P。 圖12 直線最優(yōu)弱分類器第二次迭代代表的直線是最優(yōu)的弱分類器,此時錯誤率= =。計算對應所有特征的弱分類器的加權錯誤率： （10） （3） 從2中確定的弱分類器中,找出一個具有最小的錯誤率的弱分類器。不過可以把它看作(3,3)這種情形。不過這是我做了以下修改，就是把下2層矩陣元素分別看做一個整體處理，這樣應用在卷積方面的知識也可以拿到這里來用。（二）一種組合式新型特征由于以前的研究都提出的特征中包含人臉茍非吾之所有特征的部分比較少，例如圖6中(1)圖就只橫向描繪人臉的眼睛和鼻子特征，(2)圖就只縱向描繪人臉眼睛和鼻子特征。實驗證明：這種特征選取方法的訓練速度雖然不快，但是檢測效率很高。臉部一些特征能夠由矩形特征簡單地描繪，例如，通常眼睛要比臉頰顏色更深；鼻梁兩側要比鼻梁顏色要深；嘴巴要比周圍顏色更深。所以，為了在圖像中檢測未知大小的目標物體，掃描程序通常需要用不同比例大小的搜索窗口對圖片進行幾次掃描。最終系統(tǒng)使用數(shù)千個一維簡單分類器,組合起來達到很好的分類效果。Boosting方法在訓練中先后產(chǎn)生一系列學習機，各個學習機所使用的訓練集都是從總訓練集提出來的一個子集，各個樣本是否出現(xiàn)在該子集中取決于此前產(chǎn)生過的學習機的表現(xiàn)，已有學習機判斷出錯的樣本將以較大的概率出現(xiàn)在新的訓練子集中。研究實踐也表明，這種交叉使用能夠得到更高的檢測效率。其它模型主要有YUV、YIQ,、XYZ、YCbCr等等，其中YCbC是使用最多的一種，YCrCb是YUV模型中的一種，是一個色差模型，利用了人對色度遠沒有對亮度敏感而建立的，更符合人眼的視覺特點。檢測圖像中是否有人臉，即是否存在滿足這些規(guī)則的圖像塊。（2）變形范本法該算法主要思想是定義一個可變形的參數(shù)模板和一個能量函數(shù)來描述特征，通過一個非線性最優(yōu)化方法求得能使能量函數(shù)最小的參數(shù)模板，此模板即被認為是所求特征的描述。檢測區(qū)域中的每個子區(qū)域采用主要的Karhunenloeve變換系數(shù)作為觀察適量，通過BaumWelch算法和Viterbi分割算法獲得HMM的模型參數(shù)，根據(jù)檢測區(qū)域的觀察序列的輸出概率進行判決。在HMM中，節(jié)點表示狀態(tài)，有向邊表示狀態(tài)之間的轉移，一個狀態(tài)可以具有特征空間中的任意特征，對同一特征，不同狀態(tài)表現(xiàn)出這一特征的概率不同。而支持向量機使用結構風險最小代來尋找最優(yōu)類面，在數(shù)學上，證明了這等價于尋找最小真實風險。隱層節(jié)點分為對應不同人臉區(qū)域的若干組，與輸入層部分連接。CMU的研究人員直接以圖像作為神經(jīng)網(wǎng)絡的輸入，設計了一個具有獨特結構的適用于人臉特征的神經(jīng)網(wǎng)絡分類器，并且通過前饋神經(jīng)網(wǎng)絡對檢測結果優(yōu)化。表1 人臉檢測的分類分類依據(jù)類別圖像來源靜態(tài)圖像動態(tài)圖像顏色信息彩色圖像灰色圖像人臉姿態(tài)正面多姿態(tài)人臉個數(shù)單人人臉檢測未知人臉個數(shù)的檢測圖像復雜程度簡單背景人臉檢測復雜背景人臉檢測（四）人臉檢測方法經(jīng)過了幾十年的研究發(fā)展，人們對人臉檢測的學習和研究主要形成以下幾大類的方法： 1．基于統(tǒng)計模型的方法總的來說，這種方法遵循一種統(tǒng)一的模式，即首先通過學習，在大量訓練樣本集的基礎上建立一個能對人臉和非人臉樣本進行正確識別的分類器，然后對被檢測圖像進行全局掃描，用分類器檢測掃描到的圖像窗口中是否包含人臉。因此，人們希望有一種更加可靠的辦法來進行身份鑒定。用戶是人機界面中的主體，計算機作為一種“智能體”參與了人類的通訊活動。而目標檢測的目的是為了目標識別，目標識別的其它應用包括：手寫或印刷體文字的分割和、圖文表混合信息的分類和識別、在躁聲環(huán)境中檢測和識別特定說話人的身份、在航海、航空紅外照片中進行自動目標的識別。但目前最流行的是Viola等提出的基于積分圖像的Adaboost算法，它是目前效率最高的一種算法。人臉檢測問題的難度在于，主要在于圖像或視頻中人臉模式的廣泛差異性：某些局部特征具有隨機性(如眼鏡、胡須、發(fā)型等)，這些都給人臉檢測帶來難度。由于受圖像背景、亮度變化及人的頭部姿勢等因素的影響，使得人臉檢測成為一項復雜的、具有挑戰(zhàn)性的研究課題。再用級聯(lián)方式將單個的強分類器級聯(lián)成為一個更加復雜的級聯(lián)分類器。然而，對于機器來講，人臉又是一個有其艱巨而又困難的問題。本文主要研究靜態(tài)的人臉檢測，若輸入圖像為動態(tài)圖像序列，則可以利用與人臉或人臉的器官相對于背景的運動來檢測人臉，比如利用眨眼或說話等動作的探測來實現(xiàn)人臉與背景的分離。成功的人臉檢測系統(tǒng)應能處理實際存在的光線、人臉方向和距離照相機遠近變化等各種情況。臉部是人類攜帶信息最豐富的部位，是人類的重要特征。盡管人們可能會遺忘或丟失他們卡片或忘記密碼，但是卻不可能遺忘或丟失他們的生物特征如人臉、指紋、虹膜、掌紋等的特征或聲音等。于是可以通過檢驗待測圖像窗口是否落在這個子空間中來是否為人臉。圖中顯示了兩類ANN：一個位姿檢測器用于估計輸入窗口中人臉的位姿、三個檢測器分別檢測正面、半側面和側面的人臉。對于正面旋轉人臉的檢測使用了旋轉角度檢測器及正面人臉檢測ANN，并使用相似的多ANN仲裁方法降低錯誤報警。這些距離分類面最近的點叫做支持向量。外界只能看到各個時刻的輸出值，故稱為隱馬樂科夫模型。這種簡單范本匹配的方法易于實現(xiàn)，但是也存在著缺點：圖像噪聲對檢測結果影響很大，因此需要對輸入圖像做適當?shù)念A處理；標準模板的大小是人為設定的，因此不能動態(tài)檢測眼睛的位置。3．基于特征的方法基于特征的人臉檢測方法是通過檢測出不同的人臉面部特征的位置，然后根據(jù)它們之間的空間幾何關系來定位人臉。人臉的膚色在顏空間中的分布相對比較集中，況且大多數(shù)和背景物體的顏色相區(qū)別利用這個特點可以檢測人臉。各種方法各有優(yōu)、缺點，由于在單通道上的可靠性是有限的，研究者們借助多種方法，交叉使用。Kearns和Valiant提出了強可學習(strong learning)和弱可學習(weaklearning)的概念。目前有很多改進版的Boosting方法，下面一節(jié)就將