【正文】 lementation is carried out using C++ language, pleted the realtime face identity recognition based on video Key word：Face detection； OpenCV； Face recognition； C++； 目 錄摘 要 1Abstract 2目 錄 31. 序言 4. 人臉識別的背景介紹 4. 人臉識別國內(nèi)外發(fā)展?fàn)顩r 4. 人臉識別研究的意義 6. 人臉識別的技術(shù)應(yīng)用 6. 主要章節(jié)內(nèi)容和章節(jié)結(jié)構(gòu) 7. 本章小結(jié) 72. 人臉識別系統(tǒng)的技術(shù)框架和功能模塊 8. OpenCV簡介 8. 人臉識別的功能模塊 8. 人臉識別的技術(shù)框架 9. 本章小結(jié) 113. 人臉識別的方法 11. 人臉識別算法原理 11. 常用人臉識別方法 12. 基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法 12. 本章小結(jié) 144. 人臉檢測核心算法 14. 人臉檢測算法在人臉識別中的作用 14. 人臉檢測算法 15. AdaBoost算法 15. 本章小結(jié) 185. 原型系統(tǒng)實現(xiàn) 19. 系統(tǒng)模塊劃分 19. 模塊實現(xiàn) 19……………………………...………………………….…..19.........................................20..........................................21. 本章小結(jié) 22總結(jié)與展望...............................................24 參考文獻(xiàn).................................................25 1. 序言. 人臉識別的背景介紹近幾年來，已開發(fā)應(yīng)用了聲音識別、簽字識別、指紋識別、掌形識別、眼虹膜識別等人體生物特征識別技術(shù)，與上述識別技術(shù)相比較，而最近開發(fā)的人臉識別技術(shù)則具有簡便、準(zhǔn)確、經(jīng)濟及可擴展性良好等眾多優(yōu)勢，因此可廣泛應(yīng)用于出入口控制、安全驗證、安防監(jiān)控與搜尋罪犯等有關(guān)方面。在國外，人臉識別技術(shù)早已被大量使用在國家重要部門以及軍警等安防部門。按照人臉識別的自動化程度，人臉識別的發(fā)展經(jīng)歷了以下三個階段：第一階段是機械式識別階段：早期的人臉識別，是在已經(jīng)得到一個正面人臉圖像的基礎(chǔ)上進(jìn)行的，以Bertillon、Allen、Parke為代表，主要研究人臉識別所需要的面部特征[10]。代表性工作有Goldstion、Harmon和Lesk等人用幾何特征參數(shù)來表示人臉正面圖像。但是，主流的人臉識別技術(shù)在非約束環(huán)境下(多姿態(tài)、遮擋等多種變化因素)，識別率下降非?？欤荒軡M足實際應(yīng)用。主要介紹人臉識別的背景、國內(nèi)外發(fā)展?fàn)顩r、研究的意義和應(yīng)用前景。本文研究其中最具普遍性，也是最困難的復(fù)雜背景下靜止灰度圖像中的人臉檢測、以及在得到人臉區(qū)域后進(jìn)行識別的問題。Visual C++ 。核實式是對指將捕獲得到的人像或是指定的人像與數(shù)據(jù)庫中已登記的某一對像作比對核實確定其是否為同一人。此項技術(shù)需要使用者作臉部表情的配合動作。對采集到的人臉圖像進(jìn)行統(tǒng)一的處理，將其處理為大小統(tǒng)一，存儲格式一致的灰度圖像。采集人臉圖像人臉圖像匹配識別人臉圖像特征提取人臉圖像預(yù)處理 人臉識別基本過程人臉識別系統(tǒng)在對人臉圖像進(jìn)行識別之前必須首先對需要進(jìn)行識別的合法人員的人臉圖像進(jìn)行訓(xùn)練，訓(xùn)練后的系統(tǒng)才可以用來完成識別的功能。. 常用人臉識別方法人臉識別包括兩個方面：一是人臉檢測和定位，二是人臉識別。. 基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法人工神經(jīng)網(wǎng)絡(luò)是通過模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作機理，構(gòu)建一種類似人腦的計算模型。由于系統(tǒng)每增加一個人，都要對網(wǎng)絡(luò)經(jīng)行重新訓(xùn)練，因此這種系統(tǒng)性能不佳。記輸入層神經(jīng)元數(shù)為I，隱含層神經(jīng)元數(shù)為H，輸出層神經(jīng)元數(shù)為J。H≈K/2即網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)是取為訓(xùn)練樣本數(shù)的一半。如果存在，則返回其位置和各個人臉?biāo)嫉膮^(qū)域。一是基于模版匹配的算法，其核心思想是利用人的臉部特征規(guī)律建立一個立體可調(diào)的模型框架，在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征定位，解決人臉識別過程中的觀察角度、遮擋和表情變化等影響因素。在新的樣本分布下，再次對弱分類器進(jìn)行訓(xùn)練，得到弱分類器 h2 。(5)以非人臉圖片集為輸入，組合強分類器為臨時的級聯(lián)分類器，篩選并補充非人臉樣本。圖像預(yù)處理就是對獲取的圖像進(jìn)行適當(dāng)?shù)奶幚?，使得無用信息被剔除，有用信息被保存并增強效果。接著用矩形標(biāo)出每一個特征。點擊第一個就可以人臉識別與檢測的進(jìn)程了。特征提取與人臉識別在特征標(biāo)注完成后進(jìn)行的，而且是自動的無需手動。此樣本庫中，各樣本尺寸相同，只將正面、正向、無遮擋的人臉圖片歸入人臉圖片訓(xùn)練集。主要介紹了人臉識別的方法、人臉檢測的常見算法。方芳。人臉檢測在國防軍事、防火防盜、制度考勤、身份識別等方面有著重要的應(yīng)用。由于特征數(shù)量過于巨大，所以在訓(xùn)練的時間空間成本都非常巨大。首先檢測圖片中是否有人臉存在（用到了AdaBoost算法），如果沒有那么就提示用戶手動輸入或者是否等待攝像頭讀入。第三個按鈕和第四個按鈕的功能分別是進(jìn)行日志管理和退出系統(tǒng)。（6）識別模塊。該模塊主要是從獲得的圖像中檢測發(fā)現(xiàn)是否有人臉的存在并將人臉區(qū)域用綠色圓圈圈出來。. 本章小結(jié)本章主要講了人臉識別常見算法以及人臉識別算法的原理，有二維人臉識別算法和三維人臉識別算法。 常用的四中haar特征常用的Haar特征有4種。每個Haar特征對應(yīng)看一個弱分類器，但并不是任何一個Haar特征都能較好的描述人臉灰度分布的某一特點，如何從大量的Haar特征中挑選出最優(yōu)的Haar特征并制作成分類器用于人臉檢測，這是AdaBoost算法訓(xùn)練過程所要解決的關(guān)鍵問題。三是主成份分析法，該方法隨著樣本的增加需要不斷的舍棄一些 PC以維持子空間維數(shù)不變，因而該方法精度稍差。是自動人臉識別系統(tǒng)的一個關(guān)鍵環(huán)節(jié)。一般認(rèn)為連接權(quán)值初值可在區(qū)間[，]內(nèi)隨機選取。人臉圖像矢量的維數(shù)N通常比較大，而訓(xùn)練樣本數(shù)K通常比較小，所以設(shè)計用于人臉識別的BP神經(jīng)網(wǎng)絡(luò)分類器比較困難。同時，對每一對人的訓(xùn)練只需這一對人的特征，與其他人無關(guān)，固系統(tǒng)具有良好的模塊化結(jié)構(gòu)，可擴展性能好。它不像其他的方法那樣要用一套由人來確定的規(guī)則，同時也避免了復(fù)雜的特征提取工作，他能根據(jù)有代表性的樣本進(jìn)行學(xué)習(xí)。人臉識別的方法有很多。在實際的應(yīng)用過程中。對預(yù)處理的人臉圖像進(jìn)行人臉特征的提取，通過多次的人臉特征的選擇，最終用選中的人臉特征作為識別時的依據(jù)。 圖像質(zhì)量檢測：圖像質(zhì)量的好壞直接影響到識別的效果，圖像質(zhì)量的檢測功能能對即將進(jìn)行比對的照片進(jìn)行圖像質(zhì)量評估，并給出相應(yīng)的建議值來輔助識別。216。用戶無需通過繁雜的編程操作，即可完成Windows下應(yīng)用程序的編輯、編譯、測試和細(xì)化等工作。OpenCV是一個基于（開源）發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統(tǒng)上。第三章：概述了人臉識別相關(guān)算法，介紹了本文基于OpenCV的視頻人臉識別算法的