【正文】 調，能夠檢測不同大小，具有不同旋轉角度的物體。人臉模式、眼睛模式和嘴巴模式等都具有較明顯的特點，因此可以采用神經網絡的識別方法。 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。首先，視頻輸出的圖像質量較差；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。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。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。它擁有包括 300 多個 C 函數的夸平臺的中、高層 API。 1999年在俄羅斯設立的軟件開發(fā)中心“ Software Development Center’’開發(fā)。 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過程。 基于代數特征識別 主分量分析 (Principal． ComponentAnalysis， PCA)是一種常用的方法。靜態(tài)人臉識別，即人臉為穩(wěn)定的二維圖像，如照片。下面對Adaboost 方法進行論述。 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變換的系數作為觀察向量。該方法首先制定 出模板參數并且定義一個能量函數，然后根據檢測區(qū)域的數據對參數進行修改直至收斂，此時的能量函數 為最小化的能量函數，而此時的模板參數將被作為器官的幾何特征。 在通常情況下，僅根據膚色像素的聚積特性就可完成區(qū)域的連通分割。第二類是指基于整體的方法。人臉識別的研究可以追溯到 20 世紀 60、 70 年代，經過幾十年的發(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。傳統(tǒng)的人機交互是通過計算機鼠標和鍵盤進行的。為此，計算機需要具有處理、分析和理解圖像的能力。因此，開發(fā)出能夠從容應對復雜環(huán)境的各種變化，精確、快速和穩(wěn)定地跟蹤識別運動目標的算法仍然是當前急需解決的課題。 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)控技術以 實現遠距離情況下人的檢測、分類和識別，以增強國防、民用等場合的保護能力，使其免受恐怖襲擊。隨著信息技術的發(fā)展以及應用需求的劇增，人臉檢 i9l!}【 l21(Face Detection)作為人臉信息處理中的一項關鍵技術，日益成為一個熱門的研究課題。本文著重構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到識別端進行身份識別。同時，序列圖像中運動場景的快速分割、人臉面部的非剛性運動、人臉自遮擋和目標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涉及到模式識別、圖像處理、計算機視覺、人工智能等學科知識。在國內，已有許多高 等院校和研究機構在智能視頻監(jiān)控領域投入了相當的研究精力，例如，上海交通大學、清華大學【 6。在人臉識別中， 如果是個體識別，則每個人是一個模式，預先存在數據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。 1． 3． 2應用領域 視頻會議：視頻會議【 1o】是利用通信網以及電視實況方式召開的會議。人臉門禁系統(tǒng)是一種基于人臉識別技術的新型訪問控制系統(tǒng)，將具有訪問權限的訪問者的人臉信息存放在人臉數據庫中，對人臉信息進行學習訓練。 人臉檢測問題包含的內容十分廣泛，從不同的角度有不同的分類方法。為了描述物體的點對稱性，有學者提出了廣義對稱變換方法，用檢測局部對稱性強的點來進行人臉器官定位。 24j兩種。但其缺點也相當明顯，就是檢測前必須根據待檢測物體的形狀來設計彈性模板的輪廓，否則會影響收斂 的結果。 神經網絡方法能 夠適應較為復雜的人臉檢測，準確性也較高，所以使用神經 網絡進行人臉檢測的算法比較多。 在加入某個新的弱分類器的某次迭代中，如果一個訓練樣本已經被正確分類，其權值就被下調，否則，其權值就要被調高，以便使下一輪的弱分類器專注于這些被錯誤分類的樣本。本文研究的人臉識別也是基于靜止圖像的。Swets和 Wen9138】提出 PCA的基礎上使用 LDA(Lillear Discriminant Analysis，線性鑒別矢量 )，也稱 Fisher 臉方法【 39】。相當于將一組一維 HMM模型嵌入另外一組 HMM模型中，因為這種結構并不是真正的二維 HMM模型，因此取名為二 維 HMM模型。不依賴于其它外部庫，但也可以使用某些外部庫。它由一系列 C函數和少量 C抖類構成， 實現了圖像處理和計算機視覺方面的很多通用算法，可以在商業(yè)和研究領域免費使用。 隱馬爾科夫模型 (HMM) 隱馬爾科夫模霎 j． t431(Hidden MarkovModel， HMM)是用于描述信號統(tǒng)計特性的一組統(tǒng)計模型。由于彈性匹配對每個存儲的人臉需計算其模型圖，計算量大，存儲量大， Lee【 35】等提出了一種基于彈性圖動態(tài)鏈接模型的方法，既取得較高的識別速度，也獲得了較理想的識別率，在一定程度上克服了以往方法總是在速度與識別率之間進行折中的缺點。 根據圖像來源的不同，人臉識別技術可 分為兩大類：靜態(tài)人臉識別和動態(tài)人 臉識別。 2． 1． 3本文采用的人臉檢測方法一 Adaboost 基于特征分析的方法中人臉檢測時只是用到了人臉中的某個或某幾個特征的 組合來匹配地進行人臉的檢測，這類方法 容易引起漏檢和誤檢，相較而言基于統(tǒng)計的人臉檢測方法在檢測率方面的效果較好，但是考慮到計算的復雜性和速度問題本文選用 Adaboost 方法用于跟蹤與識別前的人臉檢測定位。將頭部圖像按照這五個區(qū)域劃分為互有重疊的條塊，對各塊進行 KL 變換，選取前若干個變換系數作為觀測向量訓練。 可變形模板是為了改進固定模板匹配方法的缺點而提出的。區(qū)域分割與驗證在很多方法中是密切結合、統(tǒng)一考慮的。第一類是基于特征分析的方法，這類方法直接利用現有的人臉信息，在提取一些低層次特征的基礎上再對圖像進行基于知識的分析以進行人臉檢測，人臉的一些明顯的信息，如膚色和面部器官的幾何分布在系統(tǒng)的不同層次被利用起來。人臉檢測是指采用一定的方法對 給定的圖片或視頻進行搜索，判斷其中是否存在人臉，如果存在則定位 每個人臉的位置以及大小。 人機交互：人機交互【 13． 141 是研究人、計算機以及他們之間相互交叉的技術。人類的視覺系統(tǒng)利用 投影到視網膜上的二維的像對物體進行三維的理解。除此之外，圖像信息往往會受到各類噪聲、遮擋、光照等因素的影響。該項目的主要目標是利用視頻 理解、網絡通信、多種傳感器融合等技術實現對未來城市、戰(zhàn)場等進行自動監(jiān)控。 2. 口型識別、表情識別等，都建立在人臉的基礎上。系統(tǒng)分為客戶端和服務器兩部分。并且目前大多系統(tǒng)都要求使用者固定在攝像機前的某一位置 。 7l、華中科技大學和中國科學院自動化研究所【 8】等。 模式識別一般分為如下幾類：統(tǒng)計模式識別 ：如果模式類是幾何可分的，則用幾何分類法按照某種距離度量進行分類；若是幾何不可分的，則用概率分類法，如貝葉斯決策理論。通過視頻會議系統(tǒng)，位于各地的與會者在開會時既可聽到對方的聲音，又可看到對方的影像、會議室的場景以及會議中展示的圖片、表格等。通過攝像機動態(tài)捕獲人臉，將人臉信息同數據庫中的人臉信息進行檢索對比，只有圖像信息符合 的人才可以進入，否則拒絕進入，并對強行進入者發(fā)出報警。從圖 像所包含的色彩信息來分類，可以分為灰度圖像和彩色圖像的人臉檢測。它只考察人眼中心點的強對稱性和臉部特征的幾何分布，對人臉偏轉、表情變化、光照變化等條件不敏感，因而具有較好的魯棒性。固定模板實現簡單，但由于人臉特征變化大，難以較好的反映人臉的共性，檢測精度低，適應性不強，目前已很少使用，不過有些 方法仍用作人臉的預處理和粗檢。當圖像進行全局搜索時，由于要動態(tài)地調整參數和計算能量函數，計算時間會很長。但是，由于人臉屬于高維矢量，導致網絡中訓練節(jié)點眾多，算法往往需要大量的訓練樣本，因此，神經網絡方法的研究著 重于系統(tǒng)的優(yōu)化訓練。最終得到的分類器則是訓練得到的所有弱分類器的一個線性組合。根據圖像中人臉的角度，又可將人臉識別技術分為基于正面、側面、傾斜人臉圖像的識別，由于實際情況的要求，對人臉正面模式的研究最多，這也是本文的研究重點。它選擇以類內散布正交的矢量作為特征臉空間，從而能壓制圖像之間與識別信息無關的差異，對光照及人臉表情變化都不太敏感。可以看出這種結構利用了圖像的二維特征，更適合于圖 識別，因此采用了這種 HMM結構用于人臉識別。 OpenCV具有以下特點：