【文章內(nèi)容簡介】 (3)在Dos下輸入（載入負樣本與正樣本文件） D:\Program Files\OpenCV\bin\ data data\cascade vec data\ bg negdata\ npos 200 nneg 200 mem 200 mode ALL w 20 h 20 圖38 分類器訓(xùn)練通過超過17次（本文20次）訓(xùn)練最后得到一個xml分類器文件。(1)放大檢測窗口傳統(tǒng)檢測流程主要策略按比例逐層縮小待檢測圖像，形成“圖像金字塔”；在“金字塔”中窮舉待檢測子窗口；把各個待檢測子窗口作為分類器的輸入，得到檢測結(jié)果。這種方法的特點是檢測窗口大小固定，圖像不斷被縮小。缺點在于如果待檢測圖像較大，縮小圖像的變換需要占用大量時間，減慢檢測速度。在這里采用的方法是：待檢測圖像大小不變，逐層等比放大檢測窗口，再用各層窗口遍歷整張待檢測圖像。這樣就能提高檢測速度。同訓(xùn)練過程一樣，使用分級分類器對輸入圖像進行人臉檢測時，首先要對圖像進行輔助圖像的計算，這樣，就可以利用這些輔助圖像的特性，對各個窗口進行快速的特征值計算。然后利用分級分類器對輸入圖像進行多種規(guī)模的、各個位置的窗口進行檢測。為了檢測不同大小的人臉，選擇待檢測圖像大小不變，逐層等比放大檢測窗口，再用各層窗口遍歷待檢測圖像。所謂放大檢測窗口只是修改檢測窗口的長和寬的值（初始值 20x20，放大時都乘以等比系數(shù)），以檢測不同大小的子圖像。放大檢測窗口時要考慮到兩方面的因素：既不能是相鄰大小的窗口放大的倍數(shù)過大，因為這樣會漏檢兩個窗口中間大小的人臉；同時又要考慮到，如果相鄰窗口的大小相隔太小，檢測過程會有很多多余的計算，檢測速度會減慢。這一做法的依據(jù)是放大檢測窗口，原分級分類器可以繼續(xù)使用，分類器的閾值不受影響。采用放大檢測窗口的策略提高了檢測速度，當(dāng)圖像較大時，這一優(yōu)點將更為突出。(2)區(qū)域合并[14]采用了逐層等比放大檢測窗口后，通常同一人臉會在不同的尺度和鄰近的位置上被檢測到很多次，所以最后還需要一個合并過程將所檢測出來的矩形合并以得到唯一的人臉圖像位置和人臉圖像尺度。合并相當(dāng)于是對原始檢測框的一個平均，可以消除噪聲使得檢測結(jié)果更加精確；合并還有消除誤檢的作用，比如根據(jù)我們的經(jīng)驗如果檢測到孤框，這個框是人臉的可能性非常小，可以被刪除掉。區(qū)域合并共分兩步：某一尺度下檢測到的人臉圖像區(qū)域的合并和不同尺度下檢測到的人臉圖像區(qū)域的合并。這兩個步驟的區(qū)域合并方法都采用求平均的方法，即將所有檢測到的人臉圖像區(qū)域的坐標(biāo)位置的平均值作為最后合并得到的人臉圖像的坐標(biāo)位置，所有檢測到的人臉圖像區(qū)域的尺度的平均值作為最后合并得到的人臉圖像的尺度。某一尺度下檢測到的人臉圖像區(qū)域的合并是指，當(dāng)在某一尺度下進行人臉圖像掃描檢測時，在某一位置附近可能會檢測到多個人臉圖像，因此，就必須將這些人臉圖像進行合并。因為同一尺度下的檢測結(jié)果對應(yīng)的窗口大小相同，只需要進行位置的合并。定義鄰域半徑 R 和閾值 T。若對于某個窗口中心位置在其半徑為 R 的鄰域內(nèi)人臉窗口中心的個數(shù)為 M，當(dāng)時，認為該窗口對應(yīng)的是錯檢的人臉；否則，若則認為在的R 鄰域中檢測到了一個人臉，對該位置的所有人臉用求平均的方法進行合并得到一個人臉。不同尺度下檢測到的人臉圖像區(qū)域的合并是指，將各個尺度下人臉的大小和位置恢復(fù)到原始尺度的圖像，若兩個人臉的重疊面積大于某一設(shè)定的閾值，則認為這兩個人臉代表同一人臉，對它們進行合并，并將它們位置和大小的平均值作為合并后得到的人臉位置和大??；如果兩個人臉的重疊面積小于某一設(shè)定的閾值，就認為它們代表了兩個不同的人臉區(qū)域。人臉檢測程序主要完成4部分功能如圖37，即加載分類器、分類排錯、合并收斂以及確定人臉區(qū)域。本程序使用OpenCV中提供“haarcascade_Frontalface”文件存儲的目標(biāo)檢測分類，用cvLoad函數(shù)載入后，進行強制類型轉(zhuǎn)換。OpenCV中提供的用于檢測圖像中目標(biāo)的函數(shù)是cvHaarDetectObjects，該函數(shù)使用指針對某目標(biāo)物體（如人臉）訓(xùn)練的級聯(lián)分類器在圖象中找到包含目標(biāo)物體的圓形區(qū)域，并將這些區(qū)域作為一序列的圓形框返回。分類器在使用后需要被顯式釋放，所用的函數(shù)為cvReleaseHaarClassifierCascade。圖37 人臉檢測流程圖主要程序如圖38：圖38 部分人臉檢測程序經(jīng)多次調(diào)試程序運行無誤,如圖39：圖39檢測結(jié)果如下：圖310 實驗結(jié)果一圖310 實驗結(jié)果二圖310 實驗結(jié)果三通過實驗可以看出用 AdaBoost 的檢測方法檢測比較準(zhǔn)確，具有多尺度分析能力，可以檢測到一幅圖像中不同大小的多個人臉。對于一幅 308*410 大小的圖像，檢測時間大約為 110ms 左右，顯示出該方法有較高的檢測速度。但 AdaBoost 的檢測方法是基于人臉特征的，目前僅局限于正面人臉檢測。另外也存在誤檢的情況，誤檢主要是指背景中類似人臉特征的物體，被誤認做人臉，可以采用膚色驗證的方法加以消除。第4章 圖像預(yù)處理預(yù)處理（前處理）是人臉識別過程中的一個重要環(huán)節(jié)。那么什么是預(yù)處理呢？讓我們來認識一下：預(yù)處理就是在圖像分析中，對輸入圖像進行特征抽取、分割和匹配前所進行的處理。輸入圖像由于圖像采集環(huán)境的不同，如光照明暗程度以及設(shè)備性能的優(yōu)劣等，往往存在有噪聲，對比度不夠等缺點。另外，距離遠近，焦距大小等又使得人臉在整幅圖像中間的大小和位置不確定。為了保證人臉圖像中人臉大小，位置以及人臉圖像質(zhì)量的一致性，必須對圖像進行預(yù)處理。圖像預(yù)處理的主要目的是消除圖像中無關(guān)的信息，濾除干擾、噪聲，恢復(fù)有用的真實信息，增強有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進特征抽取、圖像分割、匹配和識別的可靠性。在預(yù)處理階段，對圖像進行優(yōu)化， 盡可能去除或者減小光照、成像系統(tǒng)、外部環(huán)境等對待處理圖像的干擾，為后續(xù)處理提高質(zhì)量。以便使不同的人臉圖像盡可能在同一條件下完成特征提取、訓(xùn)練和識別。人臉圖像的預(yù)處理[15]主要包括人臉扶正，人臉圖像的增強，以及歸一化等工作。人臉扶正是為了得到人臉位置端正的人臉圖像；圖像增強是為了改善人臉圖像的質(zhì)量，不僅在視覺上更加清晰圖像，而且使圖像更利于計算機的處理與識別。歸一化工作的目標(biāo)是取得尺寸一致，灰度取值范圍相同的標(biāo)準(zhǔn)化人臉圖像。那么，下面我們將對這幾種方法做一一說明。 直方圖均衡化直方圖均衡化[16]又稱直方圖平坦化，是將一已知灰度概率密度分布的圖像，經(jīng)過某種變換，變成一幅具有均勻灰度概率分布的新圖像，其結(jié)果是擴展了像元取值的動態(tài)范圍，從而達到了增強圖像整體對比度的效果。直方圖是一種點操作，它逐點改變圖像的灰度值，盡量使各個灰度級別都具有相同的數(shù)量的像素點，使直方圖趨于平衡。直方圖均衡可以使輸入圖像轉(zhuǎn)換為在每一個灰度級上都有相同像素點數(shù)的輸出圖像（即輸出的直方圖是平的）。這對于圖像比較或分割是十分有用的。均衡化處理的步驟如下：(1) 對給定的待處理圖像統(tǒng)計其直方圖，求出(2) 根據(jù)統(tǒng)計出的直方圖采用累積分布函數(shù)做變換，,求變換后的新灰度；(3) 用新灰度代替就灰度，求出，這一步是近似過程，應(yīng)根據(jù)處理的目的盡量做到合理，同時把灰度值相等或近似的合并到一起。實例如圖41圖41直方圖均衡化由兩幅圖像對比可以看出，原圖像的灰度值非常集中，導(dǎo)致其對比度效果差，進行直方圖均衡化處理之后，灰度值重新分配，直方圖的范圍加大了，原來分布較密的部分被拉伸，分布稀疏的部分被壓縮，從而使一幅圖像的對比度在總體上得到很大的增強，處理之后的圖像變的更加的清楚，圖像中的一些細節(jié)也突出了。直方圖均衡化的優(yōu)點是能自動地增強整個圖像的對比度，但它的具體增強效果卻不易控制，處理的結(jié)果總是得到全局均衡化的直方圖。實際中有時需要變換直方圖使之成為某個需要的形狀，從而有選擇的增強某個灰度值范圍內(nèi)的對比度或使圖像灰度值的分布滿足特定的要求。這時可以采用比較靈活的直方圖規(guī)定化方法。直方圖規(guī)定化是另外一種比較常用的直方圖修正技術(shù)。按照一給定的直方圖來修正原始圖像的直方圖，使它具有與給定直方圖相識的形狀，這種方法可以突出我們感興趣的灰度范圍。[17]人臉圖像一般可分為彩色圖像和灰度圖像。彩色圖像的像素點是由R、G、B三原色混合而成，不同含量的三原色混合成不同的顏色?；叶葓D像只含有亮度信息，不含色彩信息。將彩色圖像灰度化，通常采用以下經(jīng)驗公式： （41）人臉識別的研究一般以灰度圖像為研究對象。因為利用彩色圖像的顏色信息進行識別往往會受到復(fù)雜背景的影響，存在很多缺陷，而灰度圖像是一種最簡單有效的圖像對比度增強的方法?；叶茸儞Q的方法主要有以下幾種：(1) 線性變換：令圖像的灰度范圍為，線性變換后圖像的范圍為，與之間的關(guān)系式為 （42）(2) 非線性灰度變換：a、對數(shù)變換：對數(shù)變換的一般表達式為 （43）參數(shù)a、b、c用來調(diào)整曲線的位置和形狀。當(dāng)希望對圖像的低灰度區(qū)有較大的拉伸而對高灰度區(qū)進行壓縮時，可采用這種變換，它能使圖像灰度分布與人的視覺特征相匹配。b、指數(shù)變換：指數(shù)變換的一般表達式為 （44）參數(shù)a、b、c用來調(diào)整曲線的位置和形狀。這種變換能夠?qū)τ趫D像的高灰度區(qū)有較大的拉伸 中值濾波中值濾波[18]是一種非線性處理技術(shù)，能抑制圖像中的噪聲。它是基于圖像的這樣一種特性：噪聲往往以孤立的點的形式出現(xiàn)，這些點對應(yīng)的像素數(shù)很少，而圖像則是由像素較多、面積較大的小塊構(gòu)成。在一維的情況下，中值濾波器是一個含有奇數(shù)個像素的窗口。在處理之后，位于窗口正中的像素的灰度值，用窗口內(nèi)各像素灰度值的中值代替。例如若窗口長度為5，窗口中像素的灰度值為80、90、200、1120，則中值為110，因為按小到大（或大到?。┡判蚝?，第三位的值是110。于是原來窗口正中的灰度值200就由110取代。如果200是一個噪聲的尖峰，則將被濾除。然而，如果它是一個信號，則濾波后就被消除，降低了分辨率。因此中值濾波在某些情況下抑制噪聲，而在另一些情況下卻會抑制信號。無論是直接獲取的灰度圖像，還是由彩色圖像轉(zhuǎn)換得到的灰度圖像，里面都有噪聲的存在，噪聲對圖像質(zhì)量有很大的影響。進行中值濾波不僅可以去除孤點噪聲，而且可以保持圖像的邊緣特性，不會使圖像產(chǎn)生顯著的模糊，比較適合于實驗中的人臉圖像。中值濾波是一種非線性的信號處理方法，因此中值濾波器也就是一種非線性的濾波器。中值濾波器最先被應(yīng)用于一維信號的處理中，后來被人們引用到二維圖像的處理中來。中值濾波可以在一定程度上克服線性濾波所帶來的圖像細節(jié)模糊，而且它對濾除脈沖干擾和圖像掃描噪聲非常有效。中值濾波的步驟：(1) 將模板在圖中漫游，并將模板中心與圖中某個像素位置重合；(2) 讀取模板下各對應(yīng)像素的灰度值；(3) 將這些灰度值從小到大排成一列；(4) 找出這些值里排在中間的一個；(5) 將這個中間值賦給對應(yīng)模板中心位置的像素。由以上步驟可以看出，中值濾波的主要功能就是讓與周圍像素灰度值的差比較大的像素改取與周圍像素值接近的值，所以它對孤立的噪聲像素的消除能力是很強的。由于它不是簡單的取均值，所以產(chǎn)生的模糊比較少。換句話說，中值濾波即能消除噪聲又能保持圖像的細節(jié)。實例如圖43圖43原始圖像與3*3中值濾波后的效果圖由原始圖像和中值濾波后的圖像對比可以看出，處理之后，人臉圖像中的斑得到了去除。第5章 實時性人臉檢測研究 實時性人臉檢測系統(tǒng)描述實時性人臉檢測系統(tǒng)是指從動態(tài)視頻序列圖像中檢測人臉的系統(tǒng)。利用運動信息檢測人臉的難度在于，在一般的圖像序列中，往往會有很多相互獨立的運動的物體，在這種情況下，通過運動信息不但不能打到減小搜索空間的目的，而且由于大量不正確的候選區(qū)域的引入，實際上會錯誤地引導(dǎo)系統(tǒng)，降低檢測的可靠性。一般來說，基于序列圖像的人臉檢測方法有圖像差分法和光流法等。下面簡單介紹幾種方法：(1) 背景減除背景減除[19]方法是目前運動分割中最常用的一種方法，它是利用當(dāng)前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術(shù)。它一般能夠提供最完全的特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光照和外來無關(guān)事件的干擾等特別敏感。(2) 時間差分時間差分方法是在連續(xù)的圖像序列中兩個或三個相鄰幀間采用基于像素的時間差分并且閾值化來提取圖像中的運動區(qū)域。時間差分方法對于動態(tài)環(huán)境具有較強的自適應(yīng)能力，但一般不能完全提取出所有相關(guān)的特征像素點。在運動實體內(nèi)部容易產(chǎn)生空洞現(xiàn)象。(3) 光流基于光流方法的運動檢測采用了運動目標(biāo)隨時間變化的光流特性，從而有效地提取和跟蹤運動目標(biāo)。該方法的優(yōu)點是在攝像機運動存在的前提下也能檢測出獨立的運動目標(biāo)。然而，大多數(shù)的光流計算方法相當(dāng)復(fù)雜，且抗噪性能差，如果沒有特別的硬件裝置則不能被應(yīng)用于全幀視頻流的實時處理。程序流程：如圖51。先對系統(tǒng)進行初始化，通過調(diào)用cvCaptureFromCAM函數(shù)，可以從攝像頭中獲取視頻。然后使用cvQueryFrame函數(shù)從攝像頭中抓取一幀圖像。這樣就獲取了視頻輸入的當(dāng)前的圖像了。然后對輸入的圖像進行中值濾波。接著加載分類器，對該圖像進行檢測，即可檢測出人臉區(qū)域來。實時性人臉檢測系統(tǒng)流程圖： 圖 51 實時性人臉檢測流程圖在實時性人臉檢測當(dāng)中，由于人臉一直在運動的特性，我們可以從輸入的視頻當(dāng)中挑選運動的圖像，這些是人臉的可能性就要大些。然后對這一部分圖像進行分析，對于人臉檢測的準(zhǔn)確率就有了很大的提高。 OpenCv視覺函數(shù)庫OpenCV[20]的全稱是Intel Open Source Computer Vision Library，是 Intel公司主持開發(fā)的產(chǎn)品，開放源代碼。實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。OpenCV 是由跨平臺的中、高層 API 構(gòu)成，目