【正文】 2． 4本章小結(jié) 本章首先介紹了當前人臉檢測與人臉識別的主流方法，并對其優(yōu)缺點進行了 論述，在比較其優(yōu)缺點后引入了本文所采用的 Adaboost 人臉檢測與 Eigenface人臉 識別方法，詳細介紹了這兩種算法的理論基礎(chǔ)，算法原理以及實現(xiàn)步驟。 OpenCV是在 IPL基礎(chǔ)上發(fā)展起來的，主要用于圖像處理、計算機視覺、模式識別、物體識別以及運動跟蹤方面。當建立一個想要使用 OpenCV 函數(shù)庫的工程時，在 memu中選擇 Project 下的 Addto project，添加新轉(zhuǎn)換的 library 文件；然后 Project下的 Options，在里面找到 Directories／ Conditionals 這個標簽， 在 Include path加入下面五個路徑： CAProgram Files＼ OpenCV＼ cv、 dnclude CAProgram Files＼ OpenCV＼ cxcore＼ include CAPmgram Files＼ OpenCV＼ onlerlibs＼ highgui C： kProgram Files＼ OpenCV＼ cVaux＼ include C： WrogramFiles＼ 0penCⅥ otllerlibs＼ cVc鋤＼ hlclude 最后在． cpp文件頭部加上頭文件 include“ CV． h”和 include” highgui． h168。 OpenCV 的設(shè)計簡單易用，其中大部分類及庫函數(shù)的設(shè)計都有其特定在實際應(yīng)用中的背景，因此整個庫的體系結(jié)構(gòu)非常簡單明了提供了一些諸如MATLAB、 VC、 C++Builder 等其它語言或環(huán)境的接口，最大的特點是具有開放性。 Eigenface 人臉識別方法，主要采用了 PCA降維 技術(shù)，可以減少計算量，提高識別 速度，在本章 2． 2． 2 小節(jié)中給出了相關(guān)的理論也給出了流程框圖，并將每一步的結(jié) 果用圖片的形式詳細展現(xiàn)出來，其識別效果在第四章中會與本文新提出的人臉主 特征塊采用 PCA的方法進行比較說明，新提出的方法主要是在不影響識別率的情 況下進一步提高識別速度。偽二維 HMM(P2． DHMM)模型是一維 HMM模型的一種推廣。這種人臉識別方法在1996年美國 DAPAR組織的 FERET人臉測試中是效果最好的方法之一。 Turk 和Pentland[37】進一步提出了“特征臉”方法，該方法以訓(xùn)練樣本集的總體散布矩陣為產(chǎn)生矩陣得到的一組特征矢量，稱作“特征臉”，這樣就可產(chǎn)生了一個由“特征臉”矢量組成的子空間，每一幅人臉圖像其投影都可以獲得一組坐標系數(shù)，這組坐標系數(shù)表明了人臉在子空間的位置，實驗表明該方法具有較強的穩(wěn)定性，可以作為人臉識別的依據(jù)。如此幾十個節(jié)點，其分離能力是不同的，并且前向、半側(cè)、側(cè)面人臉分離能力較好的節(jié)點分布范圍也不一樣， g_,ugert33】深入研究了這一問題，他給每個節(jié)點不同的權(quán)重，與該節(jié)點的分離能力成正比。動態(tài)人臉識別具有更大的難度。其算法各有優(yōu)缺點：基于幾何特征的識別其困難在于沒有形成一個特征提取標準，不過由于各種優(yōu)秀的特征提取算法 (如：彈性圖匹配 )的提出，使得人臉的幾何特征描述越來越充分；基于代數(shù)特征的識別法由于代數(shù)矢量具有一定的穩(wěn)定性，識別系統(tǒng)對不同人之間的傾斜度、表情有一定的魯棒性，但對表情的描述不夠充分，難以用于表情分析；基于連接機制的識別法采用了神經(jīng)網(wǎng)絡(luò)，在編碼壓縮與信息處理方式等方面具有一定優(yōu)勢，但神經(jīng)元數(shù)目多，訓(xùn)練時間很長 ，完全基于神經(jīng)網(wǎng)絡(luò)的識別法在現(xiàn)有的計算機系統(tǒng)上也有其內(nèi)在的局限性。在 Adaboost 方法中，每個訓(xùn)練樣本都被賦予了一個權(quán)值，表明它能否被當前弱分類器 (簡單而分類性能相對差的分類器，例如簡單的感知機就可以作為一個弱分類器 )正確分類。 SVM 的訓(xùn)練樣本包括有限“人臉 樣本和用“自舉 方法收集的“非人臉”樣本。 基于神經(jīng)網(wǎng)絡(luò)的人臉檢測方法 神經(jīng)網(wǎng)絡(luò) 128】具有記憶功能，當訓(xùn)練樣本比較全面時，神經(jīng)網(wǎng)絡(luò)可以處理比較 復(fù)雜的檢測問題，所以許多檢測算法采用神經(jīng)網(wǎng)絡(luò)方法。 Schneiderman 等還將概率估計的方法用于檢測正面旋轉(zhuǎn)人臉和側(cè)面人 臉，同時使用多分辨率信息復(fù)用和由粗到精搜索的策略提高檢測的速度。當能量函數(shù)達到最小值時，根據(jù)其位置和參數(shù)決定的可變形模板形狀應(yīng)該達到與人臉的最佳擬合，這樣就檢測到～幅人臉。這種固定的模板匹配的方法比較容易實現(xiàn)，但也存在著一些缺點，比如傳統(tǒng)的邊緣描述往往很難獲 得較高可靠度的連續(xù)邊緣，尤其是眼睛和嘴巴與周圍皮膚的對比度較低，有些地方甚至連邊緣都檢測不到，即使獲得了可靠度高的邊緣，也很難從中提取出所需的特征量。 基于模板匹配的人臉檢測方法 模板匹配方法的思想是計算測試樣本與參考模板之間的相似度，以其是否大 于閾值來判斷測試樣本是否為人臉。這些規(guī)則可以表述為人臉局部特征 ll9J 之間的相對距離和位置關(guān)系，當滿足這些規(guī)則的圖像區(qū)域找到后，則認為一幅人臉已經(jīng)被檢測出來，然后可以對候選的人臉區(qū)域進行進一步驗證，以確定候選區(qū)域是否包含人臉。 基于輪廓對稱性的人臉檢測方法 這種方法是利用人臉輪廓的對稱 性【 18】特征來進行人臉檢測的，主要思想是 首先對人臉輪廓或人臉各個器官輪廓進行檢測，然后驗證它們之間是否滿足對稱性關(guān)系。按照圖像的類型來分，可分為靜態(tài)圖像的人臉檢測和視頻序列的人臉檢測。 2． 1人臉檢測方法概述 人臉檢測【 16Ir7】的目的是要在 N圖像上快速準確地將人臉部分分割定位出 來。本文的目標是實現(xiàn)對視頻進行實時的檢測并對檢測到的 人臉目標進行跟蹤，將跟蹤到的人臉目標所在視頻幀通過 Socket 傳到服務(wù)器端，對其進行人臉識別，達到獲取人臉目標身份的目的。實現(xiàn)人機交互這一目標的可能方式之一是使計算機具有識別和理解人的姿勢、動作、手勢等能力，跟蹤識別 是完成這些任務(wù)的關(guān)鍵一步。同時，人臉檢測與跟蹤技術(shù)在自動售貨機、 ATM機、交通管理、公共場所、行人的擁擠狀態(tài)分析及商店中消費者流量統(tǒng)計等監(jiān)控方面也有著相應(yīng)的應(yīng)用。人工智能將涉及到計算機科學(xué)、 心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科。 圖像處理 這是一門用計算機對圖像數(shù)據(jù)進行加工處理的學(xué)科，它主要有以下幾方面的 內(nèi)容：圖像的數(shù)字化、圖像分割、圖像描述、圖像增強、圖像復(fù)原、圖像的壓縮編碼以及運動圖像的處理 f9】等。 下面分別介紹人臉處理中的各種理論基礎(chǔ)和人臉研究成果的各類應(yīng)用。當前的研究主要集中在多攝像機融合、攝像機標定、目標檢測、目標跟蹤、行為識別與描述等關(guān)鍵技術(shù)方面。另外，歐盟 IST(InformationSociety Technologies)的 Frameworks 程序委員會也在 1999 年設(shè)立重大項目ADVISOR(AnnotatedDigital Video or Surveillance and Optimized Retrieval)，旨在開發(fā)一個系統(tǒng)來有效地管理公共交通系統(tǒng) (如地鐵 )，從而緩解城市交通壓力，它覆 蓋了人群和個人的行為模式分析、人機交互等研究。也就是說，隨著信息技術(shù)的不斷發(fā)展，視頻監(jiān)控系統(tǒng)在商業(yè)、國防安全和軍事應(yīng)用領(lǐng)域中的需求將日益增加。人臉識別【 5】 (Face Recognition)是在人臉檢測的基礎(chǔ)上分析人臉的圖像 特征，進而確定人臉的身份特征。 1． 1選題背景 1. 視覺是人類從大自然中獲取信息的主要手段。 安徽工業(yè) 大 工