【正文】 通過大量的實驗表明，采用AdaBoost算法構(gòu)造的級聯(lián)分類器檢測性能較好。由于眼球的灰度特征比較明顯，對眼球的檢測正確率能夠達到100%，從而也保證了眼睛位置的準確率。本文基于VC++，由于分類器的訓練缺乏專業(yè)的人臉數(shù)據(jù)庫，且太過復雜，故采用了比較成熟的OpenCV中所提供的級聯(lián)分類器：。（5）在實際應用中范圍有限。其中Y與YUV 中的Y含義一致,Cb,Cr同樣都指色彩，只是在表示方法上不同而已。人臉識別技術應用背景十分廣泛，可用于公安系統(tǒng)刑偵破案的罪犯身份識別、身份證及駕駛執(zhí)照等證件驗證、銀行及海關的監(jiān)控、自動門衛(wèi)系統(tǒng)、視頻會議、機器人的智能化研究以及醫(yī)學等方面。（2） 有一定的抗傾斜的能力。依次類推，經(jīng)過 T 次循環(huán)，得到 T 個弱分類器，把這 T 個弱分類器按一定的權重疊加（boost）起來，得到最終想要的強分類器。 由于眉毛與眼睛挨得比較近，在檢測眼睛位置的時候有可能會受到眉毛的影響而產(chǎn)生偏差。(2)基于AdaBoost的人臉定位算法本文研究了AdaBaoost人臉定位算法的基本原理，從一個較大的特征集中選擇了較少量的人臉的關鍵特征，從而產(chǎn)生一個高效的強分類器。通過對圖像的處理，以及對投影直方圖的積分操作，定位出人眼的位置，然后通過人臉正面圖像的比例模型，定位出臉頰的位置，最終定位出人臉。由于能大致確定臉頰的位置以及直線參數(shù)的范圍，這種本來比較繁瑣的方法在此顯得簡單而有效。 基于特征提取的人臉定位方法 人臉的結(jié)構(gòu)非常復雜，故人臉圖像的特征也非常豐富。AdaBoost算法是第一個實時的人臉定位算法，該方法從本質(zhì)根除了定位的速度問題，同時擁有較好的定位結(jié)果。YCbCr 有許多取樣格式，如4：4：4，4：2：2,4：1：1 和4：2：0。它涉及到模式識別、圖像處理、計算機圖形學等諸多學科的知識，并與基于其它生物特征的身份鑒別方法有密切聯(lián)系。通過比較，本文采用的膚色模型如下，即通過閾值方法對膚色進行判決，對圖片中的每一個像素（i, j） （式21）這樣將圖像轉(zhuǎn)變成一個二值圖像，白色的區(qū)域就是人臉候選區(qū)域。 Adaboost 算法中不同的訓練集是通過調(diào)整每個樣本對應的權重來實現(xiàn)的。效果如圖25： 圖25 原圖像與進行區(qū)分后的圖片F(xiàn)ig 25 The original image and the image after the distinction 建立樣本直方圖為了實現(xiàn)對臉部的定位，需要對樣本圖像建立相對應特征點的直方圖，這里，我們對上一部區(qū)分出來的臉部和頭發(fā)部位進行建立直方圖的操作，具體效果如下： 圖26 臉部直方圖 Fig 26 The face of histogram 圖27 頭發(fā)直方圖 Fig 27 Hair histogram建立好直方圖后，我們首先通過直方圖匹配法來確定眼睛的位置，在二值圖像中，設點（x，y）處的灰度值為g(x,y),二次微分的表達式為： If d(x,y)D, d(x,y)=255 else d(x,y)=0 （式22） 其中D是預先設定好的門限值。文章以模式識別的理論為基礎，認真分析和總結(jié)了現(xiàn)有的定位方法，對人臉定位算法進行了深入而廣泛的研究和討論。 Binarization。不斷改變wid和x的值并求出相應的Eedge的值，當Eedge取最小值時候的wid、x我們所要求的臉頰直線的參數(shù)。利用這些特征或者特征的組合，可以有效地表征一幅人臉。文中采用的AdaBoost算法采用的是HaarLike特征。（3）對檢測到的膚色區(qū)域進行形態(tài)學處理。人臉定位