【正文】 了 OpenCV 函數(shù)庫中的一些函數(shù)比如圖像函數(shù) Ipllmage，矩形坐標(biāo)函數(shù) evReet等，因此先概要對 OpCV函數(shù)庫進(jìn)行介紹，再對其在本系統(tǒng)中的使用方法進(jìn)行介紹，因為本系統(tǒng)采用 C++Builder環(huán)境進(jìn)行編程實現(xiàn)，所以要能夠在 C++Builder中靈活使用 OpenCV函數(shù)庫。相當(dāng)于將一組一維 HMM模型嵌入另外一組 HMM模型中，因為這種結(jié)構(gòu)并不是真正的二維 HMM模型，因此取名為二 維 HMM模型。這種做法避免了高維統(tǒng)計量計算中的組合爆炸問題，同時，還考慮了高維相關(guān)性。Swets和 Wen9138】提出 PCA的基礎(chǔ)上使用 LDA(Lillear Discriminant Analysis，線性鑒別矢量 )，也稱 Fisher 臉方法【 39】。 Wurtz【 34】研究了多分辨的情況，他假定在兩幅人臉圖中只有一部分節(jié)點有較好的對應(yīng)，一些節(jié)點根本沒有對應(yīng)節(jié)點， 它們將干擾識別。本文研究的人臉識別也是基于靜止圖像的。人臉識別技術(shù)作為模式識別領(lǐng)域的一個研究熱點，每年都有許多相應(yīng)的研究成果發(fā)表，并且涌現(xiàn)出各種各樣的識別方法，可以說信息處理領(lǐng)域的各種新方法的研究和算法的改進(jìn)都在人臉識別中得到應(yīng)用。 在加入某個新的弱分類器的某次迭代中，如果一個訓(xùn)練樣本已經(jīng)被正確分類，其權(quán)值就被下調(diào)，否則，其權(quán)值就要被調(diào)高，以便使下一輪的弱分類器專注于這些被錯誤分類的樣本。長期以來， SVM訓(xùn)練需要求解計算復(fù)雜度極高的二次規(guī)劃問題，從而限制了該方法的應(yīng)用。 神經(jīng)網(wǎng)絡(luò)方法能 夠適應(yīng)較為復(fù)雜的人臉檢測，準(zhǔn)確性也較高，所以使用神經(jīng) 網(wǎng)絡(luò)進(jìn)行人臉檢測的算法比較多。另一種概率模型是用于描述信號統(tǒng)計特性的隱馬爾可夫模型 (Hidden MarkovModels． HMM)，目前也被應(yīng)用于人臉檢測和識別。但其缺點也相當(dāng)明顯，就是檢測前必須根據(jù)待檢測物體的形狀來設(shè)計彈性模板的輪廓，否則會影響收斂 的結(jié)果。很難設(shè)計一種通用的模板方法來表征人臉的共性。 24j兩種。 膚色區(qū)域分割與人臉驗證結(jié)合法 對于彩色圖像的人臉檢測，首先可以建立一個合適的膚色模型 20‘ 21】進(jìn)行膚色檢測。為了描述物體的點對稱性，有學(xué)者提出了廣義對稱變換方法，用檢測局部對稱性強(qiáng)的點來進(jìn)行人臉器官定位。而對于視頻序列中的人臉檢測，研究者們更側(cè)重于檢測速度的提高，以適應(yīng)實時的要求。 人臉檢測問題包含的內(nèi)容十分廣泛，從不同的角度有不同的分類方法?？蛻舳擞袛z像機(jī)，負(fù)責(zé)對進(jìn)入攝像機(jī)視野范的目標(biāo)進(jìn)行人臉檢測，如果有人臉目標(biāo)出現(xiàn)則對其進(jìn)行實時跟蹤；在這個過程 第二章人臉檢測識別方法 人臉檢測問題最初來源于人臉識別。人臉門禁系統(tǒng)是一種基于人臉識別技術(shù)的新型訪問控制系統(tǒng)，將具有訪問權(quán)限的訪問者的人臉信息存放在人臉數(shù)據(jù)庫中，對人臉信息進(jìn)行學(xué)習(xí)訓(xùn)練。例如芝加哥大學(xué)開發(fā)的用于在萬維網(wǎng)上搜索圖像的影像搜索引擎 Webseer，就使用了基于神經(jīng)網(wǎng)絡(luò)的人臉檢測作為搜索引擎的一部分。 1． 3． 2應(yīng)用領(lǐng)域 視頻會議：視頻會議【 1o】是利用通信網(wǎng)以及電視實況方式召開的會議。 計算機(jī)視覺 視覺是人類獲取信息的主要來源，也是適應(yīng)復(fù)雜環(huán)境的感知基礎(chǔ)。在人臉識別中， 如果是個體識別，則每個人是一個模式，預(yù)先存在數(shù)據(jù)庫里的圖像就是樣本；如果是性別識別、種族識別和年齡識別，則不同的性別、種族或年齡分別構(gòu)成一個模式：如果把圖像中的每個子圖都看作一個模式，則面部檢測也是一個模式識別的問題，要求正確地把每個子圖模式歸入到人臉區(qū)域類或非人臉區(qū)域類。目標(biāo)跟蹤識別的實質(zhì)是通過對圖像傳感器拍攝到的視頻序列進(jìn)行分析，計算出目標(biāo)在每幀圖像中的位置、大小和運(yùn)動速度并識別其身份。在國內(nèi)，已有許多高 等院校和研究機(jī)構(gòu)在智能視頻監(jiān)控領(lǐng)域投入了相當(dāng)?shù)难芯烤?，例如，上海交通大學(xué)、清華大學(xué)【 6。同時它也成為眾多國內(nèi)外學(xué)術(shù)會議和專題討論的主題：如 IEEE PAMI2021年 8月期上就有一個關(guān)于視覺監(jiān)控的專題； 2021年 10月 IEEE舉行了第 3代視覺監(jiān)控國際專題討論會；中國科學(xué)院自動化所分別 在 2021 年與 2021 年主辦了全國智能視覺監(jiān)控學(xué)術(shù)會議。同時，序列圖像中運(yùn)動場景的快速分割、人臉面部的非剛性運(yùn)動、人臉自遮擋和目標(biāo)之間互遮擋的處理等也為人臉的跟蹤帶來了一定的挑戰(zhàn)，人臉的檢測與跟蹤技術(shù)涉及到模式識別、圖像處理、計算機(jī)視覺、人工智能等學(xué)科知識。由此可見視覺信息對人類的重要性，而人類獲取視覺信息的主要途徑來自于對圖像的處理。本文著重構(gòu)建一套人臉跟蹤識別系統(tǒng)，致力于精確實時地對彩色視頻中的人臉圖像檢測跟蹤，并可以將跟 蹤到的人臉圖片傳輸?shù)阶R別端進(jìn)行身份識別。服務(wù)器端首先將人臉圖像按其主要特征進(jìn)行分塊，再對分塊圖執(zhí)行Eigenface 算法實現(xiàn)人臉身份的識別。隨著信息技術(shù)的發(fā)展以及應(yīng)用需求的劇增，人臉檢 i9l!}【 l21(Face Detection)作為人臉信息處理中的一項關(guān)鍵技術(shù)，日益成為一個熱門的研究課題。所以，如果能找到上述問題的解決方法，成功構(gòu)造出實時高效的人臉跟蹤與識別系統(tǒng)，將為解決其它類似的復(fù)雜模式的跟蹤與識別提 供重要的啟 示。 DARPA 在 2021 年又資助了重大項目 HID 計劃 (HumanIdentification ataDistance)，研究開發(fā)多模式的監(jiān)控技術(shù)以 實現(xiàn)遠(yuǎn)距離情況下人的檢測、分類和識別，以增強(qiáng)國防、民用等場合的保護(hù)能力，使其免受恐怖襲擊。為了促進(jìn)國內(nèi)智能視頻監(jiān)控的發(fā)展，中國科學(xué)院自動化研究所在 2021 年和 2021 年分別舉辦了第一屆和第二屆全國智能視覺監(jiān)控會議。因此，開發(fā)出能夠從容應(yīng)對復(fù)雜環(huán)境的各種變化，精確、快速和穩(wěn)定地跟蹤識別運(yùn)動目標(biāo)的算法仍然是當(dāng)前急需解決的課題。模糊模式識別：將模糊技術(shù)引入到模式識別中，對特征和分類結(jié)果模糊化， 4基于 OpenCV的人臉跟蹤識別系統(tǒng)研究使得識別過程更能反映事物的本質(zhì)。為此，計算機(jī)需要具有處理、分析和理解圖像的能力。另外，視頻會議系統(tǒng)在遠(yuǎn)程教學(xué)、遠(yuǎn)程醫(yī)療等領(lǐng)域中也有著廣泛的應(yīng)用。傳統(tǒng)的人機(jī)交互是通過計算機(jī)鼠標(biāo)和鍵盤進(jìn)行的。 家庭娛樂：家庭娛樂是指能夠識別主人身份的智能玩具，家政機(jī)器人，具 有真實面像的虛擬游戲玩家等。人臉識別的研究可以追溯到 20 世紀(jì) 60、 70 年代，經(jīng)過幾十年的發(fā)展已漸趨成熟，人臉檢測是人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)，但是早期的人臉識別研究主要針對簡單背景和人臉位置相對固定的情況，因此人臉檢測問題并未受到重視。根據(jù)圖像背景的復(fù)雜程度來分，可以分為簡單背景下的人臉檢測和復(fù)雜背景下的人臉檢測。第二類是指基于整體的方法。 基于局部特征的人臉檢測方法 該方法注重檢測人臉的五官輪廓特征以及它們之間的位置關(guān)系。 在通常情況下，僅根據(jù)膚色像素的聚積特性就可完成區(qū)域的連通分割。下面分別介紹固定模板和可變模板。該方法首先制定 出模板參數(shù)并且定義一個能量函數(shù)，然后根據(jù)檢測區(qū)域的數(shù)據(jù)對參數(shù)進(jìn)行修改直至收斂，此時的能量函數(shù) 為最小化的能量函數(shù)，而此時的模板參數(shù)將被作為器官的幾何特征。 基于概率模型的人臉檢測方法 基于概率模型的方法是計算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁灨怕?，根?jù)此 概率對所有可能的圖像窗口進(jìn)行判別。 Nefian 等還提出了基于嵌入式 HMM 的人臉檢測算法，該方法 同時考慮到人臉由左到右各個特征的自然順序，使用了二維HMM并且采用二維 DCT變換的系數(shù)作為觀察向量。 SVM常用于回歸和分類問題。下面對Adaboost 方法進(jìn)行論述。而針對人臉檢測這個具體的應(yīng)用問題，Ⅵ ola等人提出了一個修改的 Adaboost 算法， Viola 的算法將弱分類器與弱特征 (大 量可選特征中的某一個特征 )等價起來，每個弱分類器僅通過一個特征實現(xiàn)分類，并通過 Adaboost算法組合弱分類器，從而同時實現(xiàn)了弱特征的選擇與組合。靜態(tài)人臉識別，即人臉為穩(wěn)定的二維圖像，如照片。 基于幾何特征識別 彈性圖匹配 (EGM)方法可采用屬性拓?fù)鋱D來表達(dá)人臉，其拓?fù)鋱D的任一頂點均 包含一特征矢量，它記錄了人臉在該頂點位置的分布信息，最初的拓?fù)鋱D是矩形的，并沒有注重節(jié)點的位置。 基于代數(shù)特征識別 主分量分析 (Principal． ComponentAnalysis， PCA)是一種常用的方法。他們提出了一種基于概率的圖像相似度度量方法，將人臉圖像之間的差異分為兩類類間差異 (即不同人的人臉圖像之間的差異 )和類內(nèi)差異 (即同一個人的不同人臉圖像之間的差異 )。 HMM使用馬爾科夫鏈來模擬信號統(tǒng)計特性的變化，而這種變化又是間接地通過觀察序列來描述的，因此，隱馬爾科夫過程是一個雙重的隨機(jī)過程。 SRM使 vc(vapnik Cherovnenkis)維數(shù)的上限最小化。 1999年在俄羅斯設(shè)立的軟件開發(fā)中心“ Software Development Center’’開發(fā)。 要在 C++Builder中使用 OpenC