【文章內(nèi)容簡介】 (11)圖像標注（線、二次曲線、多邊形、畫文字）。 圖像預處理 由于一些外界條件的不同，例如用干采集圖像的設備的性能好壞、現(xiàn)場光照明暗程度不同等，圖像通常會存在噪聲、清晰度低等缺陷。此外，圖像中人臉的絕對坐標及區(qū)域大小會隨著人離攝像頭的遠近而改變。要想保證提取到的人臉特征不會受到上述這些因素的影響，則需要在提取特征 人臉之前，對圖像進行預處理。 灰度圖像轉(zhuǎn)換 由于對彩色圖像數(shù)據(jù)的分析比黑白圖像要難得多，所以將彩色圖像轉(zhuǎn)換成灰度圖是圖像預處理的第一步。對圖像進行灰度化處理是智能識別的基礎(chǔ)，一般采集的圖像都是三原色 (R, G. B 三個分量 )。為了提高檢測運動目標的速度，需要在特征提取之前將人臉圖像進行灰度化，這樣就只需要對像素點的灰度值進行處理。 本文采用 OpenCV視覺庫的接口進行灰度化處理，具體實現(xiàn)是通過使用 cvCvtColor()函數(shù)，使用 RGB2GRAY 參數(shù)，將 RGB 彩色圖轉(zhuǎn)換為灰度圖。 6 圖像噪聲消除 通常視頻可以理解為連續(xù)的圖像序列，在采集、保存、傳輸視頻圖像數(shù)據(jù)的過程中常會出現(xiàn)噪聲干擾現(xiàn)象，噪聲會使圖像失真，使圖像不像原木那樣均勻連續(xù)地變化，進而會對圖像的后續(xù)處理產(chǎn)生影響。因此，對視頻圖像進行檢測分析之前，應對輸入的圖像進行噪聲消除，盡最地消除圖像中的噪聲干擾，有助于準確快速地獲取圖像的特征，從而也能更好地進行模式識別等復雜處理，同時也能夠減少目標檢測的計算量。 按影響圖像質(zhì)量的噪聲源可將圖像噪聲分為三類 ： 第一類，阻性元件內(nèi)部電子自由熱運動產(chǎn)生的電子噪聲，常用零均值高斯白噪聲模 型來近似。第二類，由于光電轉(zhuǎn)換引起的泊松噪聲 (椒鹽噪聲 )。第三類，在感光過程中產(chǎn)生的顆粒噪聲。根據(jù)噪聲與信號之間的關(guān)系，噪聲也可分為加性噪聲和乘性噪聲。加性噪聲的來源主要有人為噪聲、自然噪聲、內(nèi)部噪聲，主要表現(xiàn)形式有脈沖噪聲和高斯噪聲。乘性噪聲往往具有隨機性，是圖像中最普通的噪聲，其中一個典型代表是光照變化。 OpenCV消除圖像噪聲的常用方法有 :均值濾波、中值濾波和高斯濾波。均值濾波對高斯噪聲有較好的抑制作用，中值濾波適用于處理椒鹽噪聲。下面簡單介紹下這三種去噪方法。 圖像邊緣檢測 在對圖像 進行目標檢測時，圖像邊緣是重要的提取信息。根據(jù)人眼的直觀感受，目標圖像的邊緣信息是最明顯的，圖像邊緣在整個圖像中變化差異最大。提取圖像邊緣的主要依據(jù)是目標邊緣處像素點的灰度值變化比較劇烈。圖像邊緣往往處于前景物體與背景圖像的交界處，所以一般采用高通濾波器，保留高頻信號。 常用的邊緣檢測方法有 :梯度邊緣檢測、差分邊緣檢測、 Sobel 邊緣檢測算子、 Laplace邊緣檢測算子等 。 OpenCV中常用于邊緣檢的函數(shù)有 ： cvSobel(), cvLaplace(),cvCanny()。 7 第 3 章 人臉檢測原理與算法 人臉識別原理 人臉識別算法的原理：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)庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。 此方法是把人臉面部器官之間關(guān)系編碼并準則化的人臉檢測方法。這是一種自頂而下的方法，根據(jù)人臉面部器官的對稱性、灰度差異等先驗知識，制定一系列的準則。當圖像中的待測區(qū)域符合準則，即被檢測為人臉。 人臉及器官具有典型的邊沿和形狀特征，通常人們利用采用 Laplacian， Sobel和Canny等算子來提取邊沿 特征，將這些特征用于人臉的定位。邊沿和形狀對于光照條件的變化具有很好的魯棒性，灰度特征對光照比較敏感。 人臉檢測方法 現(xiàn)有的人臉檢測方法，人致分為三類 ： 基于人臉幾何特征的方法、基 于人臉膚色的方法和基于人臉統(tǒng)計理論的方法。 (1)基 于人臉幾何特征的方法 人臉的 幾 何特征即人臉的而部特征 (如眼睛、鼻戶、嘴巴、耳朵、膚色等 )，主要判別標準是人臉輪廓五官的對稱性以及各個特征之間相對的位置。典型的基于人臉幾何特征的方法有 :基于先驗知識的人臉檢測方法和 基 于模板的人臉檢側(cè)方法 . 基于先驗知識的檢測方法，首先需要 確定人臉區(qū)域，然后通過前輩總結(jié)的先驗知識來檢驗是否存在人臉，例如人臉面部五官的對稱性、灰度值的不同等 .人臉五官存在一些基本的規(guī)律，例如眼睛的形狀及對稱性，眼睛、鼻子、眉毛和嘴巴處的像素灰度值要大于人臉其他部位，鼻和嘴巴的中心點的連線與兩只眼睛的連線是垂直的等 .可以將這些特征信息作為一個判別準則 .若圖像符合這些準則，則確定存在人臉。該算法的優(yōu)點為人臉特征比較直觀、檢測容易實現(xiàn)、計算量小。然而，該算法也存在不容忽視的缺點，檢測準確率不高。如果人臉表發(fā)生變化或人臉偏向的角度不同，則人臉特征的判別準則 8 也會產(chǎn)生很大的 變化。這種情況下，若只采用固定準則去定義人臉 .則會產(chǎn)生人瞼的誤檢漏檢，檢測準確率不高。 基于模板的人臉檢測方法，就是預先將包含人臉局部特征的標準臉部模型參數(shù)化。利用算法計算出圖像待檢測區(qū)域的特征與標準臉部模板的相似度，如果相似度的大小符合制定的準則 (大干某個 閾值 )，就可以判斷檢測區(qū)域存在人臉。該方法雖然實現(xiàn)容易，但標準模板的設定固定單一，不能有效地解決人瞼姿態(tài)、大小以及形狀變化等問題。為了提高該方法的魯棒性，人們又提出了基干彈性模板的人臉檢測方法。在該方法所建立的模型中，對應面部器官 (人眼、鼻子等 )的尺寸、 位置、角度等信息的參數(shù)被設置為可變參數(shù)，這樣在檢測時能夠根據(jù)被測圖像的具體情況動態(tài)地調(diào)整標準模板的參數(shù)，利用修正后的標準模板再進行檢測，檢測的準確度會提高很多，而且能夠減少外界環(huán)境 (光線、人臉表情變化等 )對檢測結(jié)果的影響。該算法缺點是耗時較長，不利于實時性檢測。 (2)基于 人臉膚色的方法 膚色是人面部的重要特征，不依賴于面部其他器官的細節(jié)特征，相對穩(wěn)定性較強。人臉表情變化、人臉偏向角度變化等情況對確定膚色區(qū)域不會產(chǎn)生影響，并且其色彩信息能夠區(qū)別于大多數(shù)背景物體的顏色，從而可以很好地對人臉區(qū)域進行分割。因此， 基于膚色的人臉檢測方法實用性較強。但是由于外界環(huán)境的變化，光照強度、光源顏色的變化，對利用膚色特征進行人臉分割會產(chǎn)生很大的影響。因此，需要結(jié)合幾何形狀、運動分析算法，才能很好地在視頻中對人臉進行定位。 面部膚色特征一般通過建立膚色模型來描述， Gauss模型、混合 Gauss模型以及直方圖模型都是常用的膚色模型。檢測時根據(jù)被測圖像像素與膚色模型的相似度，然后結(jié)合空間相關(guān)性將可能的人臉區(qū)域從背景中分割出來，再對分害」出的區(qū)域進行幾何特征分析，確定其與人臉特征的相關(guān)值，從而排除非 “ 人臉 ” 的似膚色區(qū)域。 (3)基于人臉統(tǒng)計理論的方法 基于統(tǒng)計理論進行人臉檢測的方法是目前人臉檢測領(lǐng)域的研究重心。其主要思想是將人臉檢測的問題轉(zhuǎn)化為統(tǒng)計學上模式識別的問題，即通過采用統(tǒng)計分析以及機器學習的方法，對人臉樣本以及非人臉樣本進行訓練，得到其各自的特征，從而構(gòu)建一個人臉分類器。利用該分類器可以完成對人臉的檢測，同時可以得到人臉的絕對坐標和大小?，F(xiàn)有的主要方法包括有 :基于特征空間的方法、摹于人工神經(jīng)網(wǎng)絡的方法、基于支持向量機的方法、基于隱馬爾可夫模型的方法以及 Boosting方法。 9 改進型雙重人臉檢測 總結(jié) :基于幾何特征的方法雖然容易實現(xiàn)，但易出現(xiàn)人臉的誤檢漏檢，檢測效果較差 ?；谌四樐w色的方法容易受到外界光線強度變化的影響，魯棒性差，檢測正確性低 :相比較而言，基于人臉統(tǒng)計理論的方法檢測正確率較高，應用比較廣泛。其中 AdaBoost方法算法計算復雜度低，運算速度快，本系統(tǒng)采用該方法作為人臉檢側(cè)的主要手段，并結(jié)合雙眼定位對原始檢測算法進行改進，得到一個雙重檢測方法，來實現(xiàn)人臉檢測功能。 傳統(tǒng)的 AdaBoost方法是基于統(tǒng)計理論的方法。基于 AdaBoost的實時人臉檢測算法是將 人臉圖像用 Harrlike特征表示，并引入了 “ 積分圖 ” 對圖像進行表達，減少了計算特征值所耗費的時間。利用 AdaBoost思想，選擇若干最能代表人臉的弱特征，從而構(gòu)造成一個強分類器?；?Cascade 策略，將訓練所得的強分類器按照串聯(lián)方式連接起來，形成一個級聯(lián)分類器。通過加載該級聯(lián)分類器 .可以對待檢測圖像的分類，從而實現(xiàn)人臉檢測。該算法能夠提高檢測人臉的速度，實時性好，檢測性能也較好。 Harrlike特征是一種簡單的矩陣特征，人臉圖像的局部特征主要由相鄰矩形區(qū)域灰度值的變化來反映。 Haarlike特征可以分類為 :邊緣特征、線性特征、中心特征，其具體的表現(xiàn)形式如圖 31所示。邊界特征包含四種 :線性特征包含八種 。中心特征包含兩種。 圖 31 Harrlike特征 引入積分圖 (Integral Image)這個概念，可以對 Haarlike特征值進行快速計算，減少訓練樣本以及檢測人臉所耗費的時間。積分圖的主要思想為 :構(gòu)造一個數(shù)組，其中的元素 10 表示從起點到各個點所組成的矩形區(qū)域中所有像素之和，并將該數(shù)組保存在內(nèi)存中，當需要計算某個矩形區(qū)域中所有像素之和時，再不需要對整個區(qū)域進行計算，而是可以直接對該數(shù)組 中的元素進行索引，從而提高計算速度。 AdaBoost算法應用于人臉檢測，主要是對賦予了不同權(quán)值的 “ 人臉 ” 與 “ 非人臉 ” 樣本進行迭代學習，通過每一輪學習，都得到一個有最高檢測正確率的弱分類器。 經(jīng)過N輪訓練 。 選擇出正確率最高的 N個弱分類器，并對其賦予一個與其正確率相應的權(quán)值。然后由這 N個弱分類器結(jié)合成為一個強分類器。 最終，將得到的強分類器串聯(lián)起來形成級聯(lián)分類器一人臉檢測器。對每一級強分類器都進行閩值調(diào)整 ，使得每一級都能使大多數(shù)的人臉樣本通過，而將大部分的非人臉樣本剔除。此外，對強分類器進行串聯(lián)時，應該將相對較重要的特征構(gòu)成且結(jié)構(gòu)也比較簡單的強分類器作為前而幾級，這樣能夠?qū)⒋罅康?“ 非人臉 ” 樣本首先剔除掉。這樣盡管隨著級數(shù)的增多，矩形特征數(shù)目越來越多，計算量會一直減少，人臉檢測的速度也會加快，就能符合系統(tǒng)對實時性的要求。 雙眼定位算 法 傳統(tǒng)的 AdaBoost人臉檢測算法，是通過加載訓練好的人臉分類器，提取人臉特征。對待測圖像進行分析，并通過判斷得到結(jié)果。然而，選取不同的訓練樣本，訓練所得級聯(lián)分類器的 檢測效果也有很大不同。同時，由于樣本的選取過程隨機性較大，不能包含所有人臉圖像，得到的分類器也不能保證可以檢測到所有的人臉。而且，本系統(tǒng)需要的是一個正臉分類器，這樣就要求訓練集中所有正樣本為正面人臉，負樣本需要包含非正臉的所有情況。通過測試發(fā)現(xiàn)，如果訓練樣本選取不當，系統(tǒng)檢測算法就會嚴重失效，導致誤檢的情況，例如，在復雜背景下將 “ 非人臉 ” 檢測為 “ 人臉 ” 的情況 ： 將偏轉(zhuǎn)角度較大的人臉誤檢為正面人臉的情況。這些誤檢情況會對后續(xù)的人臉識別產(chǎn)生很大的影響，從而也影響了 系統(tǒng)最終結(jié)果的準確性。所以，針對本系統(tǒng)的應用需求，