【文章內(nèi)容簡介】 式奠定良好的基礎，同時也為這些問題的解決提供重要的啟示。因此，人臉檢測與識別課題具有十分重要的理論和應用研究價值。 人臉檢測研究現(xiàn)狀 國外研究現(xiàn)狀 由于人臉檢測有著相當廣泛 的應用和研究價值，因此，許多國家很早就展開了相關方面的研究。主要有美國 、歐洲國家、日本、韓國等科技發(fā)達的國家。早在 1993年，美國國防部高級研究項目組 (ARPA)和美國陸軍研究實驗室 (ARL) 成立了Feret(Face Recognition Technology)項目組，建立了 Feret 人臉數(shù)據(jù)庫，廣泛應用于評價人臉檢測算法的性能。 目前，國外對人臉檢測問題的研究層出不窮，英國、美國等許多國家都有大量的研究小組從事人臉檢測方面的研究，這些研究受到了軍方、警方以及一些身份驗證等公司的高度重視和支持。著名的研 究機構有美國麻省理工大學 (MIT)的 Media lab、 AI lab，卡內(nèi)基梅隆大學 (CMU)的 HumanComputer Interface Institute， Microsoft Research，英國的 Department of Engineering in University of Cambridge，法國的 INRIA 研究院，日本的 ATR 研究院等等 。關于人臉檢測的學術交流活動也相當活躍。在一些重要的國際會議上，如國際計算機視覺會議 (ICCV)、計算機視覺與模式會議 (CVPR)、計算機圖形學大會 (Siggraph)都設有人臉檢測的專題。 國內(nèi)研究現(xiàn)狀 人臉檢測技術在機關單位考勤、網(wǎng)絡安全、物業(yè)管理等領域起著越來越重要的作用，我國對人臉檢測的研究起步于 20 世紀 80 年代，主要的研究單位有清華大學，哈爾濱工業(yè)大學，中科院計算所，中科院自動化所，復旦大學，北京科技大學等，并都取得了一定的成果。研究方法主要集中在幾何特征、代數(shù)特征、神經(jīng)網(wǎng)絡和模板匹配等方面，特別是對神經(jīng)網(wǎng)絡的研究比重較大。 黃河科技學院畢業(yè)設計說明書 第 5 頁 在此基礎上，基于多分類器的人臉檢測受到的關注較大，研究成果也較多。特別在引入三維特征后，利用二維信息和三 維信息的融合進行人臉檢測成為了另一個亮點和熱點。中國科學院計算所的國家 863 項目“面像檢測與識別核心技術”通過成果鑒定并得以初步應用，標志著我國在人臉檢測這一當今熱點科研領域得到了飛躍的進步，并掌握了一定的核心技術 [3]。 2020 年 1 月 18 日，由清華大學電子系蘇光大教授主持承擔的國家“十五”攻關項目《人臉識別系統(tǒng)》通過了由公安部主持的專家鑒定，鑒定委員會認定該項技術達到了國內(nèi)領先水平和國際先進水平。 雖然國內(nèi)的研究取得了突飛猛進的進展，但對人臉檢測和識別的研究仍處于初級階段，研究方向比較狹隘，與國際研究水平 仍存在一定的差距。 論文研究內(nèi)容 本文在理論上對人臉檢測與跟蹤關鍵技術進行研究，了解和掌握了數(shù)字圖像處理和人臉檢測的主要算法，通過 Visual C++和 OpenCV 結合編程實現(xiàn)了人臉檢測系統(tǒng)的主要功能，并作了詳細的分析。 具體來說，本文主要研究內(nèi)容歸結如下： (1) 對人臉檢測技術的產(chǎn)生和發(fā)展過程等進行了調(diào)查研究，介紹了各種人臉檢測算法的實現(xiàn)原理。 (2) 了解 Intel 開源計算機視覺庫 OpenCV 的基本結構，掌握其在 Visual C++開發(fā)環(huán)境下的配置方法。 (3) 利用 OpenCV 基本函數(shù)和 VC++開發(fā)環(huán)境編程，采用 Adaboost 算法和矩形特征構建人臉檢測級聯(lián)分類器，開發(fā)人臉檢測系統(tǒng)界面，實現(xiàn)人臉檢測和跟蹤。 (4)總結分析系統(tǒng)的檢測性能，并對影響性能的因素如光照、遮擋等進行探討，以改進系統(tǒng)性能。 論文組織結構 論文系統(tǒng)完整地分析和討論了基于 OpenCV 開源計算機視覺庫的人臉檢測實現(xiàn)方法，各章內(nèi)容的安排如下： 概述：簡要介紹了人臉檢測技術的概念、發(fā)展歷史和研究現(xiàn)狀及本文的課題背景、研究意義，以及論文的主要研究內(nèi)容。 黃河科技學院畢業(yè)設計說明書 第 6 頁 人臉檢測技術綜述：介紹了各種人臉檢測算法的實現(xiàn)原理。 OpenCV 概述 及安裝配置方法：首先介紹了 Intel 開源計算機視覺庫 OpenCV 的概念、基本結構和特點，其次介紹了它的安裝和在 VC++ 環(huán)境下的配置方法。 人臉檢測系統(tǒng)設計與實現(xiàn)：對系統(tǒng)開發(fā)環(huán)境進行了介紹，并進行了系統(tǒng)可行性分析、需求分析，詳細介紹了各個模塊的實現(xiàn)方法。 系統(tǒng)運行與測試：對系統(tǒng)運行界面進行了展示，并對各個模塊進行了測試，并給出了測試結果；然后分析了系統(tǒng)的優(yōu)缺點。 第六章 總結與展望：對論文的工作進行了總結，并對人臉檢測技術的發(fā)展方向進行了展望。 本章小結 本章主要介紹了人臉檢測技術概況，對人臉檢 測這個熱門的前沿技術課題進行了大體的分析。首先通過引言引出了人臉檢測在計算機視覺領域的研究發(fā)展過程，然后對人臉檢測技術的概念和發(fā)展歷史進行了詳細的介紹，并給出了本課題的研究背景和研究意義，對國內(nèi)外在人臉檢測領域的研究現(xiàn)狀進行了分析，最后給出了論文的主要研究內(nèi)容和結構組織框架。 黃河科技學院畢業(yè)設計說明書 第 7 頁 2 人臉檢測算法綜述 基于幾何特征的方法 人臉的幾何特征指的是人臉面部器官在幾何上體現(xiàn)的特征閣。 基于幾何特征的人臉檢測方法的思想是把典型人臉的幾何特征編碼并規(guī)則化的人臉檢測方法。它通過檢 測不同的人臉面部特征的位置，然后根據(jù)它們的空間幾何關系來定位人臉，當圖像中的待測區(qū)域符合準則，即被檢測為人臉。 基于器官特征的方法 正如世界上沒有兩片完全相同的葉子一樣，人臉也各不相同，但是器官也遵循著一些普遍適用的規(guī)則，即五官形狀及其分布的幾何規(guī)則。檢測圖像中是否存在人臉，即是否存在滿足這些規(guī)則的圖像塊。 這種方法的步驟一般是先對人臉的器官或器官的組合建立模板，然后檢測圖像中幾個器官可能分布的位置，對這些位置點分別進行組合，用器官分布規(guī)則進行篩選，從而找到可能存在的人臉。 基于輪廓特 征的方法 人臉的輪廓可以近似地被看成一個橢圓形狀，所以對圖像進行人臉檢測可以通過檢測橢圓輪廓來確定是否有人臉存在。具體來說，首先對待檢測的圖像進行邊緣檢測，并對細化后的邊緣提取曲線特征，然后計算各曲線合成人臉的評估函數(shù)來確定是否存在人臉。采用輪廓特征的方法對側臉的檢測同樣適用。 基于顏色紋理的方法 膚色是人臉的重要信息，它不依賴于人臉面部的細節(jié)特征，在旋轉、表情變化等情況下都能保持不變，具有相對穩(wěn)定性，并且和大多數(shù)背景物體的顏色相區(qū)別，因此膚色特征是在對彩色圖像的人臉檢測中最常用的一種特征。膚色 特征主要由膚色模型描述，常用的膚色模型有高斯模型、混合高斯模型和直方圖模型。 黃河科技學院畢業(yè)設計說明書 第 8 頁 此方法主要利用人臉皮膚表面顏色和紋理所具有的穩(wěn)定性來進行人臉檢測。人臉的膚色在顏色空間中的分布相對集中，且大多數(shù)和背景物體的顏色相區(qū)別，可以利用這個特點檢測人臉。用膚色信息進行人臉檢測的關鍵是合理選擇色度坐標。常用的方案是將彩色的 R、 G、 B 分量歸一化處理。目前人們研究更多的是將 R、 G、 B 彩色空間轉化為其它彩色空間，以突出色度信息。其它模型主要有 YUV、 YIQ、 XYZ、YCbCr 等等，其中 YCbC 是使用最多的一種， YCrCb 是 YUV 模型中的一種，是一個色差模型，利用了人對色度遠沒有對亮度敏感而建立的，更符合人眼的視覺特點。其中， Y 是亮度信號， CrCb 是色度或彩度信號。 這種方法的最大優(yōu)點是可以在不同視角中檢測到人臉，對姿態(tài)變化不敏感。利用膚色特征檢測出的人臉區(qū)域可能不夠準確，但如果在整個系統(tǒng)實現(xiàn)中作為人臉檢測的粗定位環(huán)節(jié)，它具有直觀、實現(xiàn)簡單、快速等特點，可以為后面進一步進行精確定位創(chuàng)造良好的條件，以達到最優(yōu)的系統(tǒng)性能。研究中可以和其他方法交叉使用，提高檢測速度和精度。 基于模板匹配的方法 模板匹配是一種經(jīng)典的模式識別方法，該方 法的思想是首先建立一個標準的人臉模板，由包含局部人臉特征的子模板構成，然后對一幅輸入圖像進行全局搜索，對應不同尺度大小的圖像窗口，計算模板與待檢測圖像之間的相關性，通過預先設置的閾值來判斷候選圖像區(qū)域是否為人臉區(qū)域。檢測時，將模板在被檢測的區(qū)域內(nèi)分別在行和列方向上移動，計算出相關值最大的區(qū)域就是人臉區(qū)域。 此方法的優(yōu)點是簡單好用；缺點是計算量大，速度慢，算法復雜度高。 通用模板匹配法 此方法首先根據(jù)人臉的先驗知識設計出一個或多個人臉輪廓模板以及各個器官特征子模板，然后通過計算樣本圖像中臉部輪廓區(qū) 域和人臉輪廓模板的相關值來檢測出人臉候選區(qū)域，最后利用眼睛、鼻子等器官特征子模板驗證上一步檢測出的人臉候選區(qū)域是否包含人臉。 這種方法的優(yōu)點是比較簡單，但由于人臉特征復雜且變化很大，很難得到有效的通用模板來表示人臉的共性，且不能有效處理尺寸、姿態(tài)和形狀的變化，因而在很多 黃河科技學院畢業(yè)設計說明書 第 9 頁 場合并不適用。這種方法目前已不多見，但人們在有的系統(tǒng)中將其作為粗檢測或預處理的手段。 在實際中多采用多分辨率、多尺度、多子模板和可變形模板實現(xiàn)模板匹配，用來增加適應性和準確性。 可變形模板匹配法 可變形模板匹配是 Wiskott 等提 出的一種基于小波變換的人臉匹配算法。該方法用小波變換的結果描述人臉的局部信息，并通過人臉網(wǎng)格特征點的不斷移動，搜索特征點的準確位置，可以說是幾何特征方法的一種改進。找到特征點后，就可以根據(jù)每個特征點上小波變換的結果，對待檢測人臉和庫中的人臉進行識別比較。 具體來說，該算法主要思想是根據(jù)臉部特征和形狀特點定義一個可變形的參數(shù)模板和一個能量函數(shù)來描述特征，通過一個非線性最優(yōu)化方法求得能使能量函數(shù)最小的參數(shù)模板，此模板即被認為是所求特征的描述。 此方法的優(yōu)點是充分考慮到了人臉是變形體的特點，穩(wěn)定可靠，而且與姿態(tài)和 光照無關，但仍然存在能量函數(shù)的加權系數(shù)難以適應一般情況和能量函數(shù)優(yōu)化耗時、計算量巨大的問題，所以難以實現(xiàn)實時的應用。 基于統(tǒng)計模型的方法 此方法遵循一種統(tǒng)一的模式，將人臉檢測問題轉化為模式識別的二分類問題，即利用統(tǒng)計分析與機器學習的方法來尋找出人臉樣本與非人臉樣本各自的統(tǒng)計特征，繼而在大量訓練樣本集的基礎上構建一個能對人臉和非人臉樣本進行正確識別的分類器，然后對被檢測圖像進行全局掃描，使用分類器掃描完成人臉檢測。 采用這種檢測模式的理論依據(jù)是：人臉具有統(tǒng)一的結構模式 (都是由眉毛，眼睛，鼻子和嘴唇等人臉 器官構成 )，如果把所有的圖像集看作一個高維線性空間，那么整個人臉圖像集僅對應于其中的某個子空間。于是可以通過檢驗待測圖像窗口是否落在這個子空間中來確定是否為人臉。因此，可以通過大量的人臉和非人臉樣本來建立一個分類器，使它能夠正確分辨這兩種不同的圖像模式，再利用訓練好的分類器在未知的圖像中檢測人臉。采用這種檢測策略的關鍵在于如何選取大量的具有代表性的圖像樣本，特別是非人臉圖像樣本訓練分類器。 黃河科技學院畢業(yè)設計說明書 第 10 頁 此方法是目前比較流行的方法，是解決復雜人臉檢測問題的有效途徑。它的優(yōu)點如下： 1)不依賴于人臉的先驗知識和參數(shù)模型， 可以避免不精確或者不完整知識造成的錯誤； 2)采用了樣本學習方法得到模型的參數(shù)，在統(tǒng)計意義上更加可靠； 3)通過增加樣本的訓練可以擴充檢測模式的范圍、提高檢測系統(tǒng)的魯棒性。因此，基于統(tǒng)計模型的方法大多適用于復雜背景圖像中的人臉檢測。 子空間方法 子空間分析 (Subspace Analysis)方法是基于統(tǒng)計模型方法中的一種，又稱為基于特征空間方法。它的主要思想就是把高維空間中松散分布的人臉圖像通過線性或非線性變換壓縮到一個低維的子空間中去。根據(jù)其在子空間中的分布規(guī)律劃分 “人臉”與“非人臉”兩類 模式。子空間方法主要包括兩類： ⑴ 主分量分析 (PCA)方法 主分量分析方法 (PCA， PrincipalComponent Analysis)是最早由 Pentland 引入到人臉檢測的子空間方法，它根據(jù)圖像的統(tǒng)計特性進行正交變換 (KL 變換 )，以消除原來各分量之間的相關性，取變換后所得到的最大的若干個特征向量 (即特征臉 )來表示原圖像，保留了原圖像差異的最大信息，這若干個特征向量就稱為主分量。 ⑵ 線性判別分析 (LDA)