【正文】 V函數(shù)庫，首先要將 OpenCV安裝文件下的 lib 文件夾中的八個 library文件轉換為 C++Builder可以使用的 library文件，可以使用 CH Builder安裝文件下的 coff20mf． exe進行轉換。它擁有包括 300 多個 C 函數(shù)的夸平臺的中、高層 API。 第三 章 基于 OpenCV的人臉跟蹤識別系統(tǒng)的實現(xiàn) 在 前面章節(jié)中詳細介紹了本系統(tǒng)采用的跟蹤與識別方法。P2． DHMM由一組主狀態(tài)組成，每一個主狀態(tài)又包括了一個一維 HMM。 Yang[4l】等人考慮高階統(tǒng)計量，從而提出了核特征臉 (Kernel Eigenface)應用 KernelPCA將人臉對應的向量映射到高維空間中，然后應用 PCA。特征臉方法使用由各個特征臉擴展的空間來表示人臉，雖然可以有效地表示人臉信息，但是并不能有效地鑒別和區(qū)分人臉。統(tǒng)計表明，眼在前向和半側的人臉中是最重要的分離特征，而鼻尖是側面人臉最重要的分離特征。首先，視頻輸出的圖像質(zhì)量較差；其次，背景較復雜，目前對動態(tài)人臉識別的研究還局限于簡單背景，較少人物的情況，對靜態(tài)人臉識別的研究比較多。因此近些年來很多研究學者采取將多分類器結合的方法來提取較穩(wěn)定、受人臉姿態(tài)變化和光照條件等因素影響小的識別特征，取得了良好的識別效果。 Adaboost 方法通過不斷地加入弱分類器，最終達到某個預定的足夠小的錯誤率。 SVM分類器經(jīng)訓練后，得到最優(yōu)分類超平面，可用于圖像中的人臉檢測。人臉模式、眼睛模式和嘴巴模式等都具有較明顯的特點，因此可以采用神經(jīng)網(wǎng)絡的識別方法。屬于這一類的還有 Webert25J 等提出的視點不變性學習 (ViewpointInvariant Learning)的方法等。利用變形模板進行人臉檢測的優(yōu)點在于：由于模板可調(diào)，能夠檢測不同大小，具有不同旋轉角度的物體。另外，人臉的特征受表情、姿勢、旋轉等因素影響很大，對于每一個模式類，選擇一個好的模板和確定一個恰當?shù)钠ヅ錅蕜t是困難的。模板分固定模板田 1和可變模板瞄。該方法所面臨的問題是，由于圖像噪聲等因素的影響，造成人臉局部特征不 明顯，使得根據(jù)局部特征組合來判斷人臉的算法失效，從而產(chǎn)生誤檢和漏檢。在這類算法中 Zabrodsky 提出了連續(xù)對稱性檢測方法，檢測一個圓形區(qū)域的對稱性，從而確定是否為人臉。對于靜態(tài)圖像中的人臉檢測研究者們 側重于解決當多個人臉同時出現(xiàn)在一副靜態(tài)圖像中時，如何能夠都檢測出來，降低漏檢率。人臉檢測的基本思想是用知識分析或統(tǒng)計的方法對人臉進行建模，比較所有可能的待檢測區(qū)域和人臉模型的匹配度，得到可能存在的人臉。因此本文的研究工作分為客戶端與服務器兩部分，客戶端和服務器的劃分是按照 Socket 通信來劃分的。 門禁控制：門禁控制【 15】是為了有效地控制人員的出入，并且記錄所有進出的詳細情況，實現(xiàn)對出入口的安全管理。 圖像與視頻檢索：在 CBIR(ContentBased ImageRetrieval，基于內(nèi)容的圖 像檢索 )系統(tǒng)中，圖像中的人臉可以作為圖像檢索的條件 ，所以許多 CBIR 系統(tǒng)都將人臉檢測作為系統(tǒng)中的一個重要組成部分。可以說幾乎是自然科學和社會科學的所有學科， 其范圍已遠遠超出了計算機科學的范疇 ，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。數(shù)字圖像的各項內(nèi)容滲透在人臉檢測與跟蹤識別的諸多環(huán)節(jié)中。 1． 3． 1理論基礎 模式識別 模式識別，是通過計算機用數(shù)學方法來研究模式的自動處理。其中，運動目標的跟蹤識別是其中的 核心技術之一 ，它是后續(xù)的各種高級處理，如目標行為分析、行為識別等的 礎， 也是視頻監(jiān)控技術自動化和實時應用的關鍵。日本也開展了用于 共區(qū)域及智能小區(qū)的圖像監(jiān)控的 CDVP(TheCooperative Distributed VisionProject)計劃等。由于視頻監(jiān)控系統(tǒng)具有如此大的應用前景，它引起了許多國家的高度重視，一些國家投入大量資金和科技人員進行了廣泛研究，已開發(fā)了如 CMU的 VASM、 W Pfinder以及 Smart Kiosk系統(tǒng)。人臉是一類具有相當復雜的細節(jié)變化的自然結構目標，人臉器官的形狀、尺寸、 紋理、表情等變化復雜，難以用統(tǒng)一的模式加以描述，而人臉檢測的實 應用環(huán)境也十分復雜，不同的成像條件、不確定的飾物及復雜的背景等均向人臉檢測算法提出了苛刻的要求。據(jù)統(tǒng)計，在人類獲取的信息中，視覺信息約占 60％，聽覺信息約占 20％，其它的如味覺信息、觸覺信息等加起來約占 20％。彩色圖像序列的人臉檢測、跟蹤與識別技術是隨著計算機技術的高速發(fā)展和視頻監(jiān)控等應用的需要在近幾年才逐漸成為一個研究熱點。這套系統(tǒng)完成了對多人臉的跟蹤效果，可廣泛的應用于各種安防系統(tǒng)之中如： ATM 機監(jiān)控系統(tǒng)，門禁系統(tǒng)等 。人臉檢測的目的是自動確定輸入圖像中是否存在人臉，并給出人臉的個數(shù)、位置、大小等參數(shù)。因此，人臉跟 蹤與識別作為相關研究領域的關鍵技術，近年來已成為 機視覺方面的一個重要研究課題及備受關注的前沿方向。在歐洲，歐盟 EULTR(EuropeanUnion LongTermResearch)資助比利時 Katholieke 大學的電子工程系、法國國家計算機科學和控制研究院 INRIA等歐洲著名的大學和研究機構聯(lián)合研究為警察、法庭等司法機關提供基于圖像處理的監(jiān)控系統(tǒng)?！蹲詣踊瘜W報》在 2021 年 5 月出版了一期視覺監(jiān)控專刊。 1． 3相關理論基礎與應用領域 由以上章節(jié)可知當前人臉方面的研究已經(jīng)呈現(xiàn)一片欣欣向榮之勢，對人臉的 研究涵蓋了模式識別、圖像處理、計算機視覺以及人工智能等各方面的知識內(nèi)容。 聚類分析：當沒有樣本來訓練分類器時，要求分類器能根據(jù)樣本間的相似程 度自動分類。計算機視覺【 9】 是一門用計算機來實現(xiàn)人的視覺功能，實現(xiàn)客觀三維世界的識別的學科。人臉的跟蹤識別是視頻會議中的關鍵技術之一。然而人們期望計算機智能化，能夠以自然的方式與人進行交流。隨著電子技術水平的提高，家庭娛樂會得到廣泛的應用，其中關鍵技術之一也是人臉的檢測跟蹤。但隨著開發(fā)實際系統(tǒng)需求的日漸提高，人們要求在復雜背景下實時地進行人臉檢測，這種 假設下的研究不再能滿足需求，由此所面臨的一系列問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視。簡單背景即背景比較單一，和人臉的相似程度較小比較容易區(qū)分。它主要采用了模式識別領域的一些進展，將人臉區(qū)域看作是一類模 式，即模板特征，使用大量的人臉與非人臉樣本訓練構造分類器，通過判別圖像中所有可能區(qū)域屬于哪類模式的方法實現(xiàn)人臉的檢測，實際上人臉檢測問題被轉化為統(tǒng)計模式識別的二分類問題。例如人的兩 個眼睛總是對稱的分布在人臉的上半部分，鼻子和嘴唇中心點的連線基本與兩眼之間的連線垂直等。 Yoo等利用膚色像素 的連通性分割出區(qū)域，使用橢圓擬合各個區(qū)域，根據(jù)橢圓長短軸的比率判斷其是否為人臉。固定模板，這種方法是將人臉用一組獨立的器官模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板以及下巴模板等，通過檢測這些器官模板來定位人臉。能量函數(shù)要根據(jù)圖像的灰度信息，被檢測物體輪廓等先驗知識來設計。 Schneiderman 等提出一種基于后驗概率估計的人臉檢測方法，該方法利用貝葉斯原理將后驗概率估計轉化為一個似然度求解 問題，將難以估計的先驗概率和后驗概率用一個比率參數(shù)代替，作為調(diào)節(jié)檢測器敏感度的參量。此外還有 Meng[2‘ 7】等使用 HMM描述人臉的小波特征中不同級間的相關性等方法。它比基于經(jīng)驗風險最小化的人工神經(jīng)網(wǎng)絡方法具有更好的泛化能力。 Adaboost 是常被應用的人臉檢測算法。針對人臉檢測問題，Viola等人定義了大量矩形特征 (簡化的 Harr特征，可以從 20*20的圖像中提取數(shù)十萬的特征供挑選和組合 )。如果人臉的來源是一段視頻圖像，則人臉識別就屬于動態(tài)人臉識別。后來， Wiskott[32】提出～種基于關鍵點的圖匹配算法，稱為彈性束圖 (elastic bunchgraph)，其節(jié)點一般定位在如眼球、眼角等灰度變化劇烈，信息豐富的地方。它根據(jù)圖像的統(tǒng)計特性進行的正交變換 (K． L 變換 )，以消除原有向量各個分量間的 相關性。他們提出了類間差異和類內(nèi)差異度 量的概率模型和計算方法。用采集的臉像構造觀察向量，觀察向量和人臉的五官特征之間的關系可以用一個一維的隱 Markov模 型 (Hidden Markov Model， HMM)來表示，該模型的參數(shù)能較好地表征具體的人臉模型，在人臉識別領域已取得到了初步成效州。 與其他