【文章內(nèi)容簡介】 特征臉的方法，主要研究者是 MIT 媒體實驗室的 Pentland ④ 基于隱馬爾可夫模型的方法，主要代表有 Cambridge 大學(xué)的 Samaria 小組和Geia 技術(shù)研究所的 Nefian 小組； ⑤ 神經(jīng)網(wǎng)絡(luò)識別的方法，如 Poggio 小組提出的 HyperBF 神經(jīng)網(wǎng)絡(luò)識別方法，英國Sussex 大學(xué)的 Buxton 和 Howell 小組提出的 RBF 網(wǎng)絡(luò)識別方法等； ⑥ 基于動態(tài)鏈接結(jié)構(gòu)的彈性圖匹配方法，主要研究者是由 derMalsburg 領(lǐng)導(dǎo)的德國 Bochum大學(xué)和美國 Southern California 大學(xué)的聯(lián)合小組 [4]； ⑦ 利用運動和顏色信息對動態(tài)圖像序列進行人臉識別的方法，主要代表是 Queen Mary 和 Westfield 大學(xué)的 Shaogang Gong 小組。 國內(nèi)關(guān)于人臉自動識別的研究始于二十世紀 80 年代，主要的研究單位有清華大學(xué)，哈爾濱工業(yè)大學(xué)，中科院計算所，中科院自動化所，復(fù)旦大學(xué)，北京科技大學(xué)等，并都取得了一定的成果。 國內(nèi)的研究工作主要是集中在三大類方法的研究：基于幾何特征的人臉正面自動識別方法、基于代數(shù)特征的人臉正面自動識別方法和基于連接機制的人臉正面自動識別方法。 四川大學(xué)的周激流教授實現(xiàn)了具有反饋機制的人臉正面識別系統(tǒng)，運用積分投影法提取面部特征的關(guān)鍵點并用于識別，獲得了比較滿意的效果。他同時也嘗試了“穩(wěn)定視點”特征提取方法，即為使識別系統(tǒng)中包含 3D 信息，他對人臉側(cè)面剪影識別做了一定的研究，并實現(xiàn)了正，側(cè)面互相參照的識別系統(tǒng)。 畢業(yè)設(shè)計報告紙 共 61 頁 第 4頁 中國科技大學(xué)楊光正等提出一種基于鑲嵌圖的人臉自動識別方法，采用基于知識的三級金字塔結(jié)構(gòu)對人臉進行基本定位，前兩級建立在不同分辨率的鑲嵌圖基礎(chǔ)上，第三級用一種改進的邊緣檢測方法進一步檢測眼睛和嘴巴。 清華大學(xué)彭輝、張長水等對特征臉的方法做了進一步的發(fā)展，提出采用類間散布矩陣作為產(chǎn)生矩陣，進一步降低了產(chǎn)生矩陣的維數(shù)，在保持識別率的情況下，大大降低了運算量。 南京理工大學(xué)楊靜宇等主要是采用奇異值分解方法進行人臉識別研究，如用Daubechies 正交小波變換對人臉圖像作預(yù)處理，等到不同頻帶上的 4 個子圖像，對它們分別提取奇異值，然后用最近鄰方法進行分類，同時設(shè)計一種適用于多分類結(jié)果融合的群體決策算法，并且對分類結(jié)果有選擇的進行融合。程永清，莊永明等對同類圖像的平均灰度圖進行 SVD 分解得到特征臉空間，每一幅圖像在特征臉空間上的投影作為其代數(shù)特征，然后利用層次判別進行分類。 張輝，周宏祥，何振亞采用對稱主元分析神經(jīng)網(wǎng)絡(luò)，用去冗余和權(quán)值正交相結(jié)合的方法對人臉進行特征提取和識別。該方法所用特征數(shù)據(jù)量小，特征提取運算量也較小，比較好地實現(xiàn)了大量人臉 樣本的存儲和人臉的快速識別 。 本文研究的主要內(nèi)容 本系統(tǒng)的開發(fā)設(shè)計主要是在 Android手機操作系統(tǒng)上移植 OpenCV開源庫來實現(xiàn)人臉檢測系統(tǒng)。本文主要研究工作包括： Android平臺架構(gòu)的研究，多種人臉檢測 和人臉識別 算法的研究， AdaBoost人臉檢測算法 和 LBP人臉識別算法 的原理， Android平臺開發(fā)環(huán)境的搭建和人臉識別軟件實現(xiàn) 。 （ 1）多種人臉檢測和人臉識別算法的研究：目前人臉檢測方法主要有基于知識的方法、特征不變方法、模板匹配方法、基于表象的方法。人臉識別方法主要有基于幾何特征的識別方法、基于特征臉的識別方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機的方法。本文主要分析了各個方法的優(yōu)缺點，并選擇 AdaBoost 算法和 LBP直方圖匹配算法用于實現(xiàn)人臉檢測和人臉識別。 （ 2） AdaBoost人臉檢測算法和 LBP直方圖匹配人臉識別算法的原理： AdaBoost算法是基于人臉特征的一種自動學(xué)習(xí)的算法其主要思想是通過大量的人臉樣本訓(xùn)練獲得一個強分類器， 然后再通過獲取到的強分類進行人臉檢測。 LBP 直方圖匹配人臉識別算法就是利用 Adaboost 算法提取出的灰度圖像進行直方圖匹配實現(xiàn)人臉識別。 （ 3） Android 平臺開發(fā)環(huán)境的搭建： Android 應(yīng)用程序開發(fā)采用 Java 編程語言，在 Windows 系統(tǒng)下，需要安裝與配置相應(yīng)的 EcHpse IDE、 JDK、 AndroidSDK 以 畢業(yè)設(shè)計報告紙 共 61 頁 第 5頁 及 ADT。 OpenCV只提供 C／ C++、 P on 接口，這就涉及到 Java 與 C／ C++混合編程、 Java 程序與 C／ C++程序互相調(diào)用的問題，故需要利用 JNI 編寫本地代碼，并采用 Android NDK 編譯本地代碼。 Android NDK 是一個工具集，集成了 Android 交叉編譯環(huán)境，并提供了一套比較方便的 Makeffle，可以幫助開發(fā)者快速開發(fā) C／ C++的共享庫。 （ 4） 人臉識別軟件實現(xiàn)：論文研究的主要是兩個部分，一部分是 Android 程序的 JAVA 平臺的開發(fā)，主要涉及到 UI 界面和程序的邏輯流程；另一部分是 JNI接口的開發(fā)，也就是用來鏈接 JAVA 與 C／ C++的部分 論文結(jié)構(gòu)安排 本文第一章節(jié)為緒論 ,主要探討了人臉識別的 研究背景和意義和國內(nèi)外的研究現(xiàn)狀， 本文從第二章節(jié)開始 逐一介紹了人臉檢測與人臉識別的一些常用 方法 ， 并分析這些方法的優(yōu)點和缺點并選擇 人臉檢測算法 Adaboost算法和人臉識別算法 LBP直方圖匹配算法。在 第三章著重介紹了本課題采用的人臉檢測算法 Adaboost算法和人臉識別算法 LBP直方圖 匹配 算法， 介紹他們的原理和功能，第四章介紹了 Android系統(tǒng)的移植和 OpenCV的移植以及軟件開發(fā)環(huán)境的搭建，并介紹了軟件的整體設(shè)計，第五章主要介紹的軟件的實現(xiàn)和測試，相信說明了軟件的實現(xiàn)過程 :建立 UI界面、 JAVA平臺程序的開發(fā)、 JNI層函數(shù)接口和腳本文件的編寫，并對程序進行了測試。 最后 一章 是本文的一些結(jié)論與展望 ,以及將來的工作中要解決的問題 。 本章小結(jié) 本章第一節(jié)系統(tǒng)說明了本論文的研究背景和意義，在第二節(jié)里較為全面的介紹了國內(nèi)外的研究 現(xiàn)狀以及先進的研究成果，第三節(jié)系統(tǒng)的介紹了本文的研究內(nèi)容 。 第四節(jié)構(gòu)架了論文的整體結(jié)構(gòu)。 畢業(yè)設(shè)計報告紙 共 61 頁 第 6頁 第二章 人臉檢測 和 識別的 算法 選擇 人臉識別的研究內(nèi)容 人臉識別的過程大致可以簡單地分為三個部分，如圖 所示第一部分為人臉的檢測 ,從簡單和復(fù)雜的 、 理想的和非理想的 、 灰度的和彩色的 、 旋轉(zhuǎn)的和非旋轉(zhuǎn)的等等各種背景的輸入圖像中確定人臉的位置 ； 第二部分為人臉的特征提取 ， 利用一些 特征提取方法對人臉區(qū)域進行特征提取， 就人臉識別來說 ， 該特征提取方法一般能夠為最小化同一個人的人臉特征和最大化不同人之間的人臉特征 ； 最后一個部分就是匹配過程 ， 將樣本人臉的特征與人臉數(shù)據(jù)庫中的人臉特征進行匹配 ， 找出最為接近的人臉 ,輸出檢測后的識別分類 ,完成整個識別過程 。 輸 入 圖 像人 臉 檢 測特 征 提 取模 式 匹 配輸 出 圖 像 圖 人臉識別流程圖 人臉檢測 對于靜態(tài)圖像，人臉檢測是指對于給定的圖像確定是否存在人臉，若有則確定人臉位置、大小、姿態(tài)，并把人臉從背景圖像中分割出來；對于視頻序列，除了檢測人臉外還要考慮對視頻系列中檢測到人臉進行跟蹤，提取人臉運動信息。人臉檢測是人臉識別系統(tǒng)的首要環(huán)節(jié)，直接影響人臉識別系統(tǒng)的準確性。人臉存在的外貌、表情、 畢業(yè)設(shè)計報告紙 共 61 頁 第 7頁 膚色等多種變化的特征，以及可能存在的眼鏡、胡須、頭發(fā)、口罩等附屬物，還有光照的影響，都給人臉檢測帶來了很多挑戰(zhàn)。 隨著社會的進步，許多行業(yè)都需要快速的人臉自動驗證。在 21 世紀后幾十年，生物特征識別技術(shù)快速發(fā)展，目前主流的識別技術(shù)包括有：指紋識別，人臉識別等。在眾多的識別技術(shù)中，人臉具有很強的個體性差異以及不變性，該生物特征成為了自動身份驗證的理想依據(jù)。人臉識別技術(shù)應(yīng)用非常廣泛，可用于身份識別、視頻會議以及醫(yī)學(xué)等方面。人臉識別主要包含人臉檢測與人臉鑒別 [5]，人臉檢測的流程為： （ 1）圖像采集：該步驟為人臉識別的第一步，主要是通過傳感器采集包含有人臉的圖片樣本。 （ 2）圖像預(yù)處理：通過前期的圖像采集一般采集到是原始圖像，需要經(jīng)過相應(yīng)的處理才能夠達到應(yīng)用的要求。圖像處理的主要目的是為了后續(xù)檢測算法。其主要內(nèi)容是去除噪聲、增強相關(guān)的有用信息。有時候，后續(xù)檢測算法對該預(yù)處理有特殊的要求，比如有些算法只能處理某一種格式的圖片等。 （ 3）人臉檢測：人臉檢測是人臉識別研究技術(shù)中的一個重要環(huán)節(jié)，人臉位置定位的準確性直接影響到后續(xù)人臉特征的有效性。 （ 4）特征提?。簷z測到人臉后，關(guān)鍵的一步是人臉特征的 提取，特征的提的好壞對于后續(xù)人臉檢測有著至關(guān)重要的作用，如果特征提取的不夠精確，這將降低人臉識別率，不同的特征提取方法也對人臉識別有比較大的影響。目前主要的提取方法有：基于幾何特征的人臉特征提取、基于統(tǒng)計方法的人臉特征的提取、基于變換域提取特征方法、神經(jīng)網(wǎng)絡(luò)提取特征方法等。 （ 5）分類：人臉識別的最后一步是分類，該過程主要是通過對提取的人臉特征進行分類，組合相關(guān)的特征信息，按照一定的分類學(xué)些算法，最終得到一個比較好的人臉識別分類器。在早期，人臉識別算法主要是假定獲取了一個正臉的正面人臉，然后通過獲取的正面人 臉進行識別。隨著人臉識別的應(yīng)用領(lǐng)域越來越大，以及各行業(yè)對人臉識別領(lǐng)域的要求在不斷提高。在假定正面人臉的情況下，已經(jīng)不能夠滿足實際的應(yīng)用需求，所以人臉檢測就作為了一項對立的研究方向發(fā)展起來。從人臉識別流程圖可以看出，人臉檢測是人臉識別的中非常重要的一步。接下來主要詳細介紹人臉檢測方法。 目前，流行的人臉檢測的主要方法有以下四種 [6]： （ 1）基于知識的方法，該方法主要使用規(guī)則來檢測人臉，通過人們總結(jié)的規(guī)則來檢驗人臉。通常，主要是總結(jié)歸納人臉面部特征之間的關(guān)系，得出一個普適規(guī)則，然后使用該規(guī)則來進行人臉檢測。 （ 2）特征不變方法，該方法主要通過特定的算法找到在不同姿勢以及光照等條件下仍然具有的人臉特征，然后使用該特征進行人臉檢測。 畢業(yè)設(shè)計報告紙 共 61 頁 第 8頁 （ 3）模板匹配方法，該方法是根據(jù)已有的知識定義了幾種標準的人臉模型，然后通過對輸入的圖像與標準人臉模型進行相似度對比以進行人臉檢測。該方法的主要缺點是需要預(yù)定一個標準人臉，由于定義的標準人臉不同，可能結(jié)果大相徑庭。 （ 4）基于表象的方法，該方法的思想是按照一定的算法從樣本訓(xùn)練集中進行學(xué)習(xí)，得到一個學(xué)習(xí)模型。在進行人臉檢測時，使用該模型對輸入的圖像進行人臉檢測。 基于知識的方法 基于知識的方法主要是使用規(guī)則來檢測人臉，而規(guī)則是人們對于人臉所總結(jié)的先驗知識。人們把所獲取到的先驗知識進行編碼，然后按照某種算法形成檢驗規(guī)則，最后通過這些編碼形成的規(guī)則來檢驗圖像中是否包含有人臉信息。通常能夠很容易的提取出用于表示人臉的特征以及他們之間相互關(guān)系的規(guī)則。例如，根據(jù)先驗知識，在一幅包含有人臉的圖像中，存在對稱的眼睛，一個鼻子以及一張嘴，這幾個特征是最容易辨別的，然后通過這幾個特征之間所具有的相對的幾何距離來描述。在進行人臉檢測時，首先需要提取輸入圖像中所包含面部特征，并根據(jù)規(guī)則來 選定人臉候選區(qū)域。 人臉知識相關(guān)的規(guī)則 [7]： （ 1）輪廓規(guī)則：該規(guī)則是最簡單的一個，其主要思想是把人臉看成一個橢圓形，然后進行邊緣性檢測，提取出相關(guān)的人臉特征曲線，并對各曲線進行組合，評估組合成人臉的概率，最后通過該概率來判斷是否存在人臉。 （ 2）器官分布規(guī)則：人臉也遵循一些普遍相互對稱的規(guī)則，如人臉的五官存在著規(guī)則的幾何分布。根據(jù)該規(guī)則，可以通過檢測圖像中是否包含有滿足該規(guī)則的圖像信息來進行人臉檢測。 （ 3）對稱性規(guī)則：人臉是一個含有對稱性的集合體，比如兩個眼睛是相互對稱等。通過使用這種對稱性的規(guī)則來進 行人臉檢測。總之，基于知識的方法是自上而下的，在使用該方法時，人們很難將獲取到的人臉知識轉(zhuǎn)化為有效的規(guī)則。當然，在定義規(guī)則時，如果定義的太過于詳細，那么可能導(dǎo)致很多人臉無法驗證通過；而如果規(guī)則定義的太過于寬泛，那么可能把許多非人臉判定為人臉。所以在自定規(guī)則時，需要有很強的先驗知識作保證才能達到一個理想的結(jié)果。在 Android 系統(tǒng)中提供的是基于該方法的人臉檢測功能。主要是通過定位人眼來判斷是否有人臉。在用這種方法進行人臉判斷時，主要的難點在于如何有效的對已有人臉的知識進行規(guī)則化，以達到有效檢測的目的。 畢業(yè)設(shè)計報告紙 共 61 頁