【文章內(nèi)容簡(jiǎn)介】 像進(jìn)行識(shí)別之前必須首先對(duì)需要進(jìn)行識(shí)別的合法人員的人臉圖像進(jìn)行訓(xùn)練，訓(xùn)練后的系統(tǒng)才可以用來(lái)完成識(shí)別的功能。其中識(shí)別時(shí)訓(xùn)練過(guò)的人員的人臉圖像是系統(tǒng)默認(rèn)合法的人員，因此可以以此來(lái)限制進(jìn)入重要場(chǎng)所的人員。在實(shí)際的應(yīng)用過(guò)程中，人臉識(shí)別系統(tǒng)的應(yīng)用框架如圖 所示。 登錄 身份驗(yàn)證 退出 采集人臉圖像 預(yù)處 理人臉圖像 添加人臉圖像 修改人臉圖像 刪除人臉圖像 識(shí)別人臉圖像 訓(xùn)練人臉圖像 采集人 臉圖像 人臉圖像 匹配識(shí)別 人臉圖像 特征提取 人臉圖像 預(yù)處理 西北大學(xué)本科畢業(yè)論文 圖 應(yīng)用技術(shù)框架圖 人臉識(shí)別不管是訓(xùn)練階段還是識(shí)別階段都首先需要采集人臉圖像，然后對(duì)人臉圖像進(jìn)行預(yù)處理、特征提取、然后再進(jìn)行訓(xùn)練和識(shí)別，最后形成訓(xùn)練結(jié)果或識(shí)別結(jié)果，其中訓(xùn)練階段和識(shí)別階段使用的數(shù)據(jù)不同。 . 本章小結(jié) 本章介紹了人臉識(shí)別系統(tǒng)的技術(shù)框架和功能模塊，人臉檢測(cè)具有簡(jiǎn)單、方便、成本低、識(shí)別速度快等優(yōu)點(diǎn)。人臉識(shí)別包括三個(gè)方面的內(nèi)容：人臉檢測(cè)、人臉對(duì)比和人臉跟蹤。其識(shí)別過(guò)程分為三步：首先建立人臉的面像檔案，其次獲取當(dāng)前的人體面像，最后用當(dāng)前 的面紋編碼與檔案庫(kù)存的比對(duì)。 3. 人臉識(shí)別的方法 . 人臉識(shí)別算法原理 人臉識(shí)別算法的原理：系統(tǒng)輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數(shù)據(jù)庫(kù)中的若干已知身份的人臉圖象或者相應(yīng)的編碼，而其輸出則是一系列相似度得分，表明待識(shí)別的人臉的身份。 輸入訓(xùn)練集人臉圖像 圖像預(yù)處理 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 特征提取 特征提取 輸入檢測(cè)集人臉圖像 圖像預(yù)處理 決策輸出 神經(jīng)網(wǎng)絡(luò)分類器 基于 OpenCV 的視頻人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 13 . 常用人臉識(shí)別方法 人臉識(shí)別包括兩個(gè)方面：一是人臉檢測(cè)和定位，二是人臉識(shí)別。人臉識(shí)別系統(tǒng)包括圖像攝取、人臉定位、圖像預(yù)處理、以及人臉識(shí)別。人臉識(shí)別的方法有很多。一是基于特征點(diǎn)的人臉識(shí)別方法，該方法是基于 KL 變換的人臉識(shí)別方法，這種方法需要較多的訓(xùn)練樣本，而且完 全是基于圖像灰度的統(tǒng)計(jì)特性。二是彈性圖匹配的人臉識(shí)別方法，這種方法在二維的空間中定義了一種對(duì)于通常的人臉變形具有一定的不變性的距離，并采用屬性拓?fù)鋱D來(lái)代表人臉，拓?fù)鋱D的任意頂點(diǎn)均包含一特征向量，用來(lái)記錄人臉在頂點(diǎn)位置附近的信息。三是基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，該方法模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作機(jī)理，構(gòu)建一種類似人腦的計(jì)算模型。本文主要用基于神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行人臉識(shí)別，下一節(jié)將詳細(xì)介紹這一方法。其次還有線段 Hausdor 距離（ LHD）的人臉識(shí)別方法和支持向量機(jī)的人臉識(shí)別方法。 . 基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法 人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作機(jī)理，構(gòu)建一種類似人腦的計(jì)算模型。人工神經(jīng)網(wǎng)絡(luò)的識(shí)別方法在人臉識(shí)別中的應(yīng)用有很長(zhǎng)的歷史，它有其特殊的適合于人臉識(shí)別的優(yōu)勢(shì)。它不像其他的方法那樣要用一套由人來(lái)確定的規(guī)則，同時(shí)也避免了復(fù)雜的特征提取工作，他能根據(jù)有代表性的樣本進(jìn)行學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)以并行方式處理信息，如果能用硬件實(shí)現(xiàn)，就能顯著提高速度。神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別、性別識(shí)別中都有廣泛的應(yīng)用。 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別主要有兩種結(jié)構(gòu)。第一，為所有已知人臉建立一個(gè)神經(jīng)網(wǎng)絡(luò)：可對(duì)所有已知人臉進(jìn)行分類和識(shí)別。這種結(jié)構(gòu) 要求用所有人臉的特征對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)連接權(quán)值是所有人臉特征的隱含表示，這種形式只需一個(gè)神經(jīng)網(wǎng)絡(luò)，但網(wǎng)絡(luò)規(guī)模很大，權(quán)系數(shù)要求較多，存儲(chǔ)量要求也較大，訓(xùn)練時(shí)間較長(zhǎng)。由于系統(tǒng)每增加一個(gè)人，都要對(duì)網(wǎng)絡(luò)經(jīng)行重新訓(xùn)練，因此這種系統(tǒng)性能不佳。第二，對(duì)每一個(gè)人建立一種神經(jīng)網(wǎng)絡(luò)：這種神經(jīng)網(wǎng)絡(luò)的目的是區(qū)分每一對(duì)人，因此只需對(duì)著一對(duì)人進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的權(quán)系數(shù)隱含區(qū)分這一對(duì)人臉的個(gè)性特征，固網(wǎng)絡(luò)的規(guī)模小，權(quán)系數(shù)少，存儲(chǔ)量和訓(xùn)練時(shí)間也少。同時(shí)，對(duì)每一對(duì)人的訓(xùn)練只需這一對(duì)人的特征，與其他人無(wú)關(guān)，固系統(tǒng)具有良好的模塊化結(jié)構(gòu)，可 擴(kuò)展性能好。本節(jié)介紹基于多層感知器神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法。 西北大學(xué)本科畢業(yè)論文 多層感知器是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，其學(xué)習(xí)算法采用 BP 算法。多層感知器在訓(xùn)練的過(guò)程中，第一層權(quán)值決定了超平面在空間的取向，網(wǎng)絡(luò)的不斷訓(xùn)練，標(biāo)志著由超平面所形成的超空間在不斷的變化。在隱層數(shù)足夠多的情況下，由超平面所形成的線性區(qū)域?qū)o(wú)窮多，其第一隱層可以在模式空間實(shí)現(xiàn)各種超平面分割；第二隱層實(shí)現(xiàn)第一隱層的邏輯“與”運(yùn)算，即將其分割的模式超平面空間按類別進(jìn)行空間劃分；而輸出層由第二隱層的輸出值進(jìn)行邏輯“或”運(yùn)算 ，即將進(jìn)行邏輯“與”運(yùn)算的屬于同一類的超平面進(jìn)行歸類。 BP 神經(jīng)網(wǎng)絡(luò)分三層，即輸入層、隱層、輸出層。記輸入層神經(jīng)元數(shù)為 I，隱含層神經(jīng)元數(shù)為 H，輸出層神經(jīng)元數(shù)為 J。對(duì)于人臉識(shí)別數(shù)為 P 的人臉識(shí)別問(wèn)題來(lái)說(shuō)，網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù) J 就取為人臉類別數(shù) P，對(duì)于任意一個(gè)人臉測(cè)試圖像，可根據(jù)網(wǎng)絡(luò)輸出層輸出矢量的最大分量分類。人臉圖像矢量的維數(shù) N 通常比較大，而訓(xùn)練樣本數(shù) K 通常比較小，所以設(shè)計(jì)用于人臉識(shí)別的 BP 神經(jīng)網(wǎng)絡(luò)分類器比較困難。為了實(shí)現(xiàn)具有推廣能力強(qiáng)的 BP 分類器，可以從特征壓縮著手，壓縮輸入矢量的維數(shù)，并適當(dāng)?shù)倪x擇隱層的神 經(jīng)元數(shù)。為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，可對(duì)輸入矢量做標(biāo)準(zhǔn)化處理，并給個(gè)連接權(quán)適當(dāng)?shù)馁x予初值。 網(wǎng)絡(luò)的隱層可以認(rèn)為是輸入層和隱層之間的連接權(quán)值的“自組織化”對(duì)輸入模式進(jìn)行特征抽取，并將抽取出的特征傳遞給輸出層，關(guān)于隱層的神經(jīng)元數(shù) H 的選取尚無(wú)理論上的指導(dǎo)。一般地，隱層的神經(jīng)元數(shù) H 大，網(wǎng)絡(luò)的冗余性大，增加了網(wǎng)絡(luò)一次訓(xùn)練的訓(xùn)練時(shí)間，盡管使網(wǎng)絡(luò)收斂的訓(xùn)練次數(shù)會(huì)減少，但會(huì)降低分類器的推廣能力。為了保證分類器的穩(wěn)定性，顯然網(wǎng)絡(luò)未知連接權(quán)值的個(gè)數(shù)不宜超過(guò)訓(xùn)練樣本值的個(gè)數(shù)，所以隱層的神經(jīng)元數(shù) H 應(yīng)該滿足一下要求： （ I+1） H+(H+1)KI 人臉識(shí)別網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù) J 取為人臉類別數(shù) P，而通過(guò)特征壓縮網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù) I 也是取為人臉類別數(shù) P，這樣可按下式選取隱層的神經(jīng)元數(shù) H。 H≈ K/2 即網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)是取為訓(xùn)練樣本數(shù)的一半。由于 BP 常采用的 Sigmoid 激勵(lì)函數(shù)的曲線兩端平坦，中間部分變化劇烈，為了提高網(wǎng)絡(luò)的收斂速度對(duì)網(wǎng)絡(luò)輸入矢量的每個(gè)分量化為均值為 0，方差為 1 的標(biāo)準(zhǔn)形式。一般認(rèn)為連接權(quán)值初值可在區(qū)間 [，]內(nèi)隨機(jī)選取。對(duì)人臉校準(zhǔn)圖像用類間相關(guān)矩陣作為 KL 變換的產(chǎn)生矩陣，可抽取出基于 OpenCV 的視頻人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 15 P 維的識(shí)別特征，將 P 維 的識(shí)別特征矢量做為網(wǎng)絡(luò)的輸入矢量，每訓(xùn)練一個(gè)樣本，修正一次連接權(quán)值。訓(xùn)練好網(wǎng)絡(luò)后，就可用它對(duì)新輸入的人臉進(jìn)行識(shí)別。 . 本章小結(jié) 本章主要介紹了人臉識(shí)別的一些方法以及人臉識(shí)別和生物特征識(shí)別的區(qū)別，主要的人臉識(shí)別方法有：幾何特征的人臉識(shí)別、基于特征臉的人臉識(shí)別方法、神經(jīng)網(wǎng)絡(luò)的的人臉識(shí)別、彈性匹配的人臉識(shí)別方法、線段 Hausdor 距離（ LHD）的人臉識(shí)別方法和支持向量機(jī)的人臉識(shí)別方法。本文主要用基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法進(jìn)行人臉識(shí)別。 4. 人臉檢測(cè)核心算法 . 人臉檢測(cè)算法在人臉識(shí)別中的作用 人臉 檢測(cè)是人臉識(shí)別中的 一項(xiàng)關(guān)鍵技術(shù)，人臉檢測(cè)是指判定任意給定一幅圖像或者一組圖像序列中是否存在人臉。如果存在，則返回其位置和各個(gè)人臉?biāo)嫉膮^(qū)域。在輸入圖像中確定所有的人臉存在的位置，大小，位姿的過(guò)程。是自動(dòng)人臉識(shí)別系統(tǒng)的一個(gè)關(guān)鍵環(huán)節(jié)。 人臉檢測(cè)最初是隨著人臉識(shí)別的研究而提出的 ,但隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展 ,人臉檢測(cè)受到越來(lái)越高的重視而作為一個(gè)獨(dú)立的課題提出。人臉檢測(cè)長(zhǎng)期以來(lái)受檢測(cè)的精度和檢測(cè)的速度困擾 ,直到上世紀(jì) 90年代 ,由 Viola提出的基于 AdaBoost算法極大地提高了人臉檢測(cè)地速度的和精度 , 使人臉檢測(cè)技術(shù)真正走向?qū)嵱?。?臉識(shí)別技術(shù)是基于人的臉部特征，對(duì)輸入的人臉圖象或者視頻流進(jìn)行檢測(cè) ，首先判斷其是否存在人臉 , 如果存在人臉，則進(jìn)一步的給出每個(gè)臉的位置、大小和各個(gè)主要面部器官的位置信息。并依據(jù)這些信息，進(jìn)一步提取每個(gè)人臉中所蘊(yùn)涵的身份特征，并將其與已知的人臉進(jìn)行對(duì)比，從而識(shí)別每個(gè)人臉的身份。 . 人臉檢測(cè)算法 人臉檢測(cè)的算法有很多。一是基于模版匹配的算法，其核心思想是利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架，在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征定位，解決人臉識(shí)別過(guò)程中的觀察角度、遮擋和表情變化等影響因 素。二西北大學(xué)本科畢業(yè)論文 是主成份分析，它具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)等特點(diǎn)。三是主成份分析法，該方法隨著樣本的增加需要不斷的舍棄一些 PC 以維持子空間維數(shù)不變，因而該方法精度稍差。四是 AdaBoost 算法，該算法是目前檢測(cè)最為成功的算法之一，檢測(cè)速度快。下一節(jié)將詳細(xì)介紹這一算法。 . AdaBoost 算法 Paul Viola 和 Michael Jones 于 2022 年將 AdaBoost 算法應(yīng)用于人臉檢測(cè)中 ,其基本思想是針對(duì)不同的訓(xùn)練集訓(xùn)練同一個(gè)分類器（弱分類器），然后把這些不同訓(xùn)練集上的得到的分類器聯(lián)合起來(lái)，構(gòu)成一個(gè)最終的強(qiáng)分 類器。 AdaBoost 算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的。開始時(shí)，每個(gè)樣本對(duì)應(yīng)的權(quán)重是相同的，對(duì)于 h1 分類錯(cuò)誤的樣本，加大其對(duì)應(yīng)的權(quán)重； 而對(duì)于分類正確的樣本， 降低其權(quán)重， 這樣分錯(cuò)的樣本就被突出出來(lái)，從而得到一個(gè)新的樣本分布 U2 。在新的樣本分布下，再次對(duì)弱分類器進(jìn)行訓(xùn)練，得到弱分類器 h2 。依次類推，經(jīng)過(guò) T 次循環(huán)，得到 T 個(gè)弱分類器，把這 T 個(gè)弱分類器按一定的權(quán)重疊加（ boost）起來(lái)，得到最終想要的強(qiáng)分類器。 每個(gè) Haar 特征對(duì)應(yīng)看一個(gè)弱分類器，但并不是任何一個(gè) Haar 特征都能較好的描述人臉灰度分布的某一特點(diǎn)，如何從大量的 Haar 特征中挑選出最優(yōu)的 Haar 特征并制作成分類器用于人臉檢測(cè)，這是 AdaBoost 算法訓(xùn)練過(guò)程所要解決的關(guān)鍵問(wèn)題。 訓(xùn)練系統(tǒng)總體框架，由 “ 訓(xùn)練部分 ” 和 “ 補(bǔ)充部分 ” 構(gòu)成。依據(jù)系統(tǒng)框架，如圖，本文的訓(xùn)練系統(tǒng)可分為以下幾個(gè)模塊 : (1)以樣本集為輸入，在給定的矩形特征原型下，計(jì)算并獲得矩形特征集 。 (2)以特征集為輸入，根據(jù)給定的弱學(xué)習(xí)算法，確定閩值，將特征與弱分類器一一對(duì)應(yīng)，獲得弱分類器集 。 (3)以弱分類器集為輸入， 在訓(xùn)練檢出率和 誤判率限制下， 使用 AdaBoost 算法，挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器 。 (4)以強(qiáng)分類器集為輸入，將其組合為級(jí)聯(lián)分類器 。 (5)以非人臉圖片集為輸入，組合強(qiáng)分類器為臨時(shí)的級(jí)聯(lián)分類器，篩選并補(bǔ)充非人臉樣本。 基于 OpenCV 的視頻人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 17 圖 訓(xùn)練系統(tǒng)框架 訓(xùn)練過(guò)程分為 3 個(gè)步驟：首先需要提取 Haar 特征；然后將 Haar 特征轉(zhuǎn)化成對(duì)應(yīng)的弱分 類器；最后從大量的弱分類器中迭代選擇出最優(yōu)弱分類器。 haar 特征 確定閥值，由矩形特征生成對(duì)應(yīng)的弱分類器 矩形特征原型 非人臉樣本集 強(qiáng)分類器集 非人臉圖片集 計(jì)算樣本積分圖 補(bǔ)充非人臉樣本 若分類器集 挑選最優(yōu)弱分類器 ， 調(diào) 用AdaBoost 算法訓(xùn)練強(qiáng)分類器 特 征集 人臉樣本集 計(jì)算矩形特征值 訓(xùn) 練 部 分 補(bǔ)充部分 西北大學(xué)本科畢業(yè)論文 圖 常用的四中 haar 特征 常用的 Haar 特征有 4 種，如圖 所示。當(dāng)然也可以在這 4 種特征的基礎(chǔ)上設(shè)計(jì)出更多、更復(fù)雜的特征，上述 4 種特征的總個(gè)數(shù)超過(guò)了 160000 個(gè)。這樣龐大的數(shù)字 給后續(xù)的迭代訓(xùn)練工作帶來(lái)了龐大的計(jì)算量，直接導(dǎo)致 AdaBoost 算法訓(xùn)練過(guò)程極為費(fèi)時(shí)，這恰恰是算法需要改進(jìn)的關(guān)鍵問(wèn)題之一。 每一個(gè) Haar特征都對(duì)應(yīng)著一個(gè)弱分類器，每一個(gè)弱分類器都是根據(jù)它所對(duì)應(yīng)的 Haar特征的參數(shù)來(lái)定義的。利用上述 Haar 特征的位置信息，對(duì)訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)就可以得到對(duì)應(yīng)的特征參數(shù)。 AdaBoost 算法中所訓(xùn)練的弱分類器是任何分類器，包括決策樹，神經(jīng)網(wǎng)絡(luò)，隱馬爾科夫模型，如果弱分類器是線性神經(jīng)網(wǎng)絡(luò)，那么 AdaBoost 算法每次將構(gòu)造多層感知器的一個(gè)節(jié)點(diǎn)。 AdaBoost 算法選取優(yōu)化的弱分類器。 AdaBoost 算法訓(xùn)練過(guò)程就是挑選最優(yōu)弱分類器，并賦予權(quán)重的過(guò)程。 . 本章小結(jié) 本章主要講了人臉識(shí)別常見(jiàn)算法以及人臉識(shí)別算法的原理，有二維人臉識(shí)別算法和三維人臉識(shí)別算法。二維人臉識(shí)別算法有基于模版匹配的方法、基于奇異值特征方法、子空間分析法、主成分分析法（ PCA）、積分圖像特征法（ AdaBoost）。 AdaBoost 算法應(yīng)用于人臉檢測(cè)中 ,其基本思想是針對(duì)不同的訓(xùn)練集訓(xùn)練同一個(gè)分類器，然后把這些不同訓(xùn)練集上的得到的分類器聯(lián)合起來(lái)，構(gòu)成一個(gè)最終的強(qiáng)分類器。 5. 原型系統(tǒng)實(shí)現(xiàn) .