【正文】 調(diào)，能夠檢測(cè)不同大小，具有不同旋轉(zhuǎn)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(diǎn)，因此可以采用神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。 Adaboost 方法通過不斷地加入弱分類器，最終達(dá)到某個(gè)預(yù)定的足夠小的錯(cuò)誤率。首先，視頻輸出的圖像質(zhì)量較差；其次，背景較復(fù)雜，目前對(duì)動(dòng)態(tài)人臉識(shí)別的研究還局限于簡(jiǎn)單背景，較少人物的情況，對(duì)靜態(tài)人臉識(shí)別的研究比較多。特征臉方法使用由各個(gè)特征臉擴(kuò)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(gè)主狀態(tài)又包括了一個(gè)一維 HMM。它擁有包括 300 多個(gè) C 函數(shù)的夸平臺(tái)的中、高層 API。 1999年在俄羅斯設(shè)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(hào)統(tǒng)計(jì)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(gè)雙重的隨機(jī)過程。 基于代數(shù)特征識(shí)別 主分量分析 (Principal． ComponentAnalysis， PCA)是一種常用的方法。靜態(tài)人臉識(shí)別，即人臉為穩(wěn)定的二維圖像，如照片。下面對(duì)Adaboost 方法進(jìn)行論述。 Nefian 等還提出了基于嵌入式 HMM 的人臉檢測(cè)算法，該方法 同時(shí)考慮到人臉由左到右各個(gè)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(shù)作為觀察向量。該方法首先制定 出模板參數(shù)并且定義一個(gè)能量函數(shù)，然后根據(jù)檢測(cè)區(qū)域的數(shù)據(jù)對(duì)參數(shù)進(jìn)行修改直至收斂，此時(shí)的能量函數(shù) 為最小化的能量函數(shù)，而此時(shí)的模板參數(shù)將被作為器官的幾何特征。 在通常情況下，僅根據(jù)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(shí)別的研究可以追溯到 20 世紀(jì) 60、 70 年代，經(jīng)過幾十年的發(fā)展已漸趨成熟，人臉檢測(cè)是人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)，但是早期的人臉識(shí)別研究主要針對(duì)簡(jiǎn)單背景和人臉位置相對(duì)固定的情況，因此人臉檢測(cè)問題并未受到重視。傳統(tǒng)的人機(jī)交互是通過計(jì)算機(jī)鼠標(biāo)和鍵盤進(jìn)行的。為此，計(jì)算機(jī)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(yīng)對(duì)復(fù)雜環(huán)境的各種變化，精確、快速和穩(wěn)定地跟蹤識(shí)別運(yùn)動(dòng)目標(biāo)的算法仍然是當(dāng)前急需解決的課題。 DARPA 在 2021 年又資助了重大項(xiàng)目 HID 計(jì)劃 (HumanIdentification ataDistance)，研究開發(fā)多模式的監(jiān)控技術(shù)以 實(shí)現(xiàn)遠(yuǎn)距離情況下人的檢測(cè)、分類和識(shí)別，以增強(qiáng)國防、民用等場(chǎng)合的保護(hù)能力，使其免受恐怖襲擊。隨著信息技術(shù)的發(fā)展以及應(yīng)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(xiàng)關(guān)鍵技術(shù)，日益成為一個(gè)熱門的研究課題。本文著重構(gòu)建一套人臉跟蹤識(shí)別系統(tǒng)，致力于精確實(shí)時(shí)地對(duì)彩色視頻中的人臉圖像檢測(cè)跟蹤，并可以將跟 蹤到的人臉圖片傳輸?shù)阶R(shí)別端進(jìn)行身份識(shí)別。同時(shí)，序列圖像中運(yùn)動(dòng)場(chǎng)景的快速分割、人臉面部的非剛性運(yùn)動(dòng)、人臉自遮擋和目標(biāo)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(cè)與跟蹤技術(shù)涉及到模式識(shí)別、圖像處理、計(jì)算機(jī)視覺、人工智能等學(xué)科知識(shí)。在國內(nèi)，已有許多高 等院校和研究機(jī)構(gòu)在智能視頻監(jiān)控領(lǐng)域投入了相當(dāng)?shù)难芯烤?，例如，上海交通大學(xué)、清華大學(xué)【 6。在人臉識(shí)別中， 如果是個(gè)體識(shí)別，則每個(gè)人是一個(gè)模式，預(yù)先存在數(shù)據(jù)庫里的圖像就是樣本；如果是性別識(shí)別、種族識(shí)別和年齡識(shí)別，則不同的性別、種族或年齡分別構(gòu)成一個(gè)模式：如果把圖像中的每個(gè)子圖都看作一個(gè)模式，則面部檢測(cè)也是一個(gè)模式識(shí)別的問題，要求正確地把每個(gè)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(yīng)用領(lǐng)域 視頻會(huì)議：視頻會(huì)議【 1o】是利用通信網(wǎng)以及電視實(shí)況方式召開的會(huì)議。人臉門禁系統(tǒng)是一種基于人臉識(shí)別技術(shù)的新型訪問控制系統(tǒng)，將具有訪問權(quán)限的訪問者的人臉信息存放在人臉數(shù)據(jù)庫中，對(duì)人臉信息進(jìn)行學(xué)習(xí)訓(xùn)練。 人臉檢測(cè)問題包含的內(nèi)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(diǎn)對(duì)稱性，有學(xué)者提出了廣義對(duì)稱變換方法，用檢測(cè)局部對(duì)稱性強(qiáng)的點(diǎn)來進(jìn)行人臉器官定位。 24j兩種。但其缺點(diǎn)也相當(dāng)明顯，就是檢測(cè)前必須根據(jù)待檢測(cè)物體的形狀來設(shè)計(jì)彈性模板的輪廓，否則會(huì)影響收斂 的結(jié)果。 神經(jīng)網(wǎng)絡(luò)方法能 夠適應(yīng)較為復(fù)雜的人臉檢測(cè)，準(zhǔn)確性也較高，所以使用神經(jīng) 網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)的算法比較多。 在加入某個(gè)新的弱分類器的某次迭代中，如果一個(gè)訓(xùn)練樣本已經(jīng)被正確分類，其權(quán)值就被下調(diào)，否則，其權(quán)值就要被調(diào)高，以便使下一輪的弱分類器專注于這些被錯(cuò)誤分類的樣本。本文研究的人臉識(shí)別也是基于靜止圖像的。Swets和 Wen9138】提出 PCA的基礎(chǔ)上使用 LDA(Lillear Discriminant Analysis，線性鑒別矢量 )，也稱 Fisher 臉方法【 39】。相當(dāng)于將一組一維 HMM模型嵌入另外一組 HMM模型中，因?yàn)檫@種結(jié)構(gòu)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(shù)和少量 C抖類構(gòu)成， 實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法，可以在商業(yè)和研究領(lǐng)域免費(fèi)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(hào)統(tǒng)計(jì)特性的一組統(tǒng)計(jì)模型。由于彈性匹配對(duì)每個(gè)存儲(chǔ)的人臉需計(jì)算其模型圖，計(jì)算量大，存儲(chǔ)量大， Lee【 35】等提出了一種基于彈性圖動(dòng)態(tài)鏈接模型的方法，既取得較高的識(shí)別速度，也獲得了較理想的識(shí)別率，在一定程度上克服了以往方法總是在速度與識(shí)別率之間進(jìn)行折中的缺點(diǎn)。 根據(jù)圖像來源的不同，人臉識(shí)別技術(shù)可 分為兩大類：靜態(tài)人臉識(shí)別和動(dòng)態(tài)人 臉識(shí)別。 2． 1． 3本文采用的人臉檢測(cè)方法一 Adaboost 基于特征分析的方法中人臉檢測(cè)時(shí)只是用到了人臉中的某個(gè)或某幾個(gè)特征的 組合來匹配地進(jìn)行人臉的檢測(cè)，這類方法 容易引起漏檢和誤檢，相較而言基于統(tǒng)計(jì)的人臉檢測(cè)方法在檢測(cè)率方面的效果較好，但是考慮到計(jì)算的復(fù)雜性和速度問題本文選用 Adaboost 方法用于跟蹤與識(shí)別前的人臉檢測(cè)定位。將頭部圖像按照這五個(gè)區(qū)域劃分為互有重疊的條塊，對(duì)各塊進(jìn)行 KL 變換，選取前若干個(gè)變換系數(shù)作為觀測(cè)向量訓(xùn)練。 可變形模板是為了改進(jìn)固定模板匹配方法的缺點(diǎn)而提出的。區(qū)域分割與驗(yàn)證在很多方法中是密切結(jié)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(xiàn)有的人臉信息，在提取一些低層次特征的基礎(chǔ)上再對(duì)圖像進(jìn)行基于知識(shí)的分析以進(jìn)行人臉檢測(cè)，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(cè)是指采用一定的方法對(duì) 給定的圖片或視頻進(jìn)行搜索，判斷其中是否存在人臉，如果存在則定位 每個(gè)人臉的位置以及大小。 人機(jī)交互：人機(jī)交互【 13． 141 是研究人、計(jì)算機(jī)以及他們之間相互交叉的技術(shù)。人類的視覺系統(tǒng)利用 投影到視網(wǎng)膜上的二維的像對(duì)物體進(jìn)行三維的理解。除此之外，圖像信息往往會(huì)受到各類噪聲、遮擋、光照等因素的影響。該項(xiàng)目的主要目標(biāo)是利用視頻 理解、網(wǎng)絡(luò)通信、多種傳感器融合等技術(shù)實(shí)現(xiàn)對(duì)未來城市、戰(zhàn)場(chǎng)等進(jìn)行自動(dòng)監(jiān)控。 2. 口型識(shí)別、表情識(shí)別等，都建立在人臉的基礎(chǔ)上。系統(tǒng)分為客戶端和服務(wù)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(jī)前的某一位置 。 7l、華中科技大學(xué)和中國科學(xué)院自動(dòng)化研究所【 8】等。 模式識(shí)別一般分為如下幾類：統(tǒng)計(jì)模式識(shí)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(jìn)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(huì)議系統(tǒng)，位于各地的與會(huì)者在開會(huì)時(shí)既可聽到對(duì)方的聲音，又可看到對(duì)方的影像、會(huì)議室的場(chǎng)景以及會(huì)議中展示的圖片、表格等。通過攝像機(jī)動(dòng)態(tài)捕獲人臉，將人臉信息同數(shù)據(jù)庫中的人臉信息進(jìn)行檢索對(duì)比，只有圖像信息符合 的人才可以進(jìn)入，否則拒絕進(jìn)入，并對(duì)強(qiáng)行進(jìn)入者發(fā)出報(bào)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(cè)。它只考察人眼中心點(diǎn)的強(qiáng)對(duì)稱性和臉部特征的幾何分布，對(duì)人臉偏轉(zhuǎn)、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(shí)現(xiàn)簡(jiǎn)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(cè)精度低，適應(yīng)性不強(qiáng)，目前已很少使用，不過有些 方法仍用作人臉的預(yù)處理和粗檢。當(dāng)圖像進(jìn)行全局搜索時(shí)，由于要?jiǎng)討B(tài)地調(diào)整參數(shù)和計(jì)算能量函數(shù)，計(jì)算時(shí)間會(huì)很長(zhǎng)。但是，由于人臉屬于高維矢量，導(dǎo)致網(wǎng)絡(luò)中訓(xùn)練節(jié)點(diǎn)眾多，算法往往需要大量的訓(xùn)練樣本，因此，神經(jīng)網(wǎng)絡(luò)方法的研究著 重于系統(tǒng)的優(yōu)化訓(xùn)練。最終得到的分類器則是訓(xùn)練得到的所有弱分類器的一個(gè)線性組合。根據(jù)圖像中人臉的角度，又可將人臉識(shí)別技術(shù)分為基于正面、側(cè)面、傾斜人臉圖像的識(shí)別，由于實(shí)際情況的要求，對(duì)人臉正面模式的研究最多，這也是本文的研究重點(diǎn)。它選擇以類內(nèi)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(shí)別信息無關(guān)的差異，對(duì)光照及人臉表情變化都不太敏感。可以看出這種結(jié)構(gòu)利用了圖像的二維特征，更適合于圖 識(shí)別，因此采用了這種 HMM結(jié)構(gòu)用于人臉識(shí)別。 OpenCV具有以下特點(diǎn)：