【文章內容簡介】 則該函數(shù)將利用 Canny 邊緣檢測器來排除一些邊緣很少或者很多的圖像區(qū)域，因為這樣的區(qū)域一般不包含被檢測的目標，人臉檢測中通過使用了這種方法設定閾值，從而可以提高檢測的速度。該函數(shù)將在第四章中詳細介紹。 樣本的訓練 樣本的訓練分為以下步驟： vec 文件 一．采集樣本 訓練圖像需要收集大量的圖像，其中分為正樣本和負樣本，正樣 本是指僅包含待檢測目標的圖像，負樣本是指不含待檢測目標的圖像。 正樣本的大小要全部一致，例如 30*30，正樣本數(shù)量越多，訓練的時間也越長，訓練出來的效果也會越好。 負樣本的數(shù)量一定要多于正樣本，且越多越好，負樣本圖像的大小可以不統(tǒng)一，用灰度圖可以提高訓練效率，負樣本的差異性越大越好，一般訓練的比較好的負樣本數(shù)量近 1000 張，可以在網上下載素材庫。 二． 建立樣本說明文件 假如正樣本如下：大小是 40*40。 則在圖片目錄下建立一個 文件，文件說明的內容： 湖南大學畢業(yè)設計（論文） 第 7 頁 第一個是圖片的名稱，“ 1”指該圖片出現(xiàn)的次數(shù)， 0 0 40 40 代表從（ 0,0）到（ 40,40）的矩形框。 建立負樣本的說明文件只需要在 txt文件中輸入圖片名稱即可。 三． 使用 opencv 自帶程序 建立 vec文件 在 opencv 文件中有兩個程序可以用來訓練圖像，文件目錄如下： 湖南大學畢業(yè)設計（論文） 第 8 頁 將 和 拷貝到正負樣本文件夾下 在 cmd 下 ,首先進入當前文件夾目錄，輸入如下命令： vec info pos\ bg neg\ w 40 h 40 num 14 指令含義如下： vec輸出文件的文件名 info源圖片的圖片名 bg背景圖像的圖像名 num要產生的樣本的數(shù)量 w樣本圖像的寬 h樣本圖像的高 湖南大學畢業(yè)設計（論文） 第 9 頁 四．使用 進行訓練 在 cmd 下輸入如下指令： data xml vec bg neg\ w 40 h 40 mem 500 data訓練好的 xml 文件的存放路徑 vec正樣本文件名 bg背景描述文件名 w樣本圖像的寬 h樣本圖像的高 mem分配的內存大小 單位為 MB 湖南大學畢業(yè)設計（論文） 第 10 頁 圖片數(shù)量多的時候，訓練時間比較長，需要掛機訓練。訓練完之后結果如下： 就是我們所需要的訓練文件，可以用于目標檢測。 湖南大學畢業(yè)設計（論文） 第 11 頁 ? ? ? ? ? ?? ? ? ? ? ?? ? ? ? ? ? ???????????????????????????????????))(())(())(())(())(())(()()(())(())((221122222211221122111111kkkkkkkkkkkkuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEC????????? 第三章 人臉識別 主成分分析法的基本思想 PCA：主成分分析法（ Principal ponent Analysis），它可以從多元事物中解析出主要影響因素，揭示事物的本質，簡化復雜的問題?；舅枷胧菍⒏呔S數(shù)據(jù)投影到較低維空間，從而減少運算量，主要過程在于特征值選取和矩陣降維。 在人臉圖像中，人的眼睛，鼻子，嘴等部位的特征信息較大，而額頭和臉頰等部位的特征信息較少。降維變換實際上可以理解成選取人臉圖像中特征信息較多的一些像素點作為特征點，然后以這些特征為依據(jù)去已知人臉匹配，從 而可以識別出待識別人臉。 主成分分析法數(shù)學原理 PCA 要解決的是這樣一類問題，即對于維數(shù)較高的矩陣，如何選取一組正交基，使得矩陣在該正交基上的投影能夠最大程度的代表該矩陣。 假如 A是一個 n行 k列的矩陣，求出矩陣 A的協(xié)方差矩陣 C， C的計算表達式如下： 上式中 u=E(x),是每列向量的期望值，這里指每列向量的平均值。協(xié)方差矩陣中的每一個元素是表示的隨機向量 X的不同分量之間的協(xié)方差，如元素 Cij 就是反映的隨機變量 Xi, Xj 的協(xié)方差。協(xié)方差反映的是變量之間的相關性，如果協(xié)方差 小，則兩個變量之間的相關性就小。 協(xié)方差矩陣計算盡管較簡單，但是能導出一個變換矩陣，這個矩陣能使數(shù)據(jù)完全去相關 (decorrelation)，也就是說能夠找出一組最佳的基以緊湊的方式來表達數(shù)據(jù)。 湖南大學畢業(yè)設計（論文） 第 12 頁 接著求出協(xié)方差矩陣 C的特征值，我們選取前 q（ qk）個最大的特征值，然后求出這 q個特征值對應的特征向量。因為特征值越大，表示矩陣在對應特征向量上的“信號”越強，或者說在該特征向量方向上的特征越多。這 q個特征向量組合成一個q*k的矩陣，就是我們要求的特征矩陣。將矩陣 A乘特征矩陣就可以得到一個新的 n*q的投影矩陣。 我們就是用這個 n*q 的投影矩陣來“代表”樣本矩陣 A（ n*k），從而實現(xiàn)了降維。 由以上分析可以得出主成分分析法的基本步驟： 1） 收集數(shù)據(jù)，組成一個 m*n 的矩陣； 2） 求出矩陣的協(xié)方差矩陣； 3） 求出協(xié)方差矩陣的特征值； 4） 選取最大的前 q 個特征值，并求出對應的特征向量，組成特征矩陣 q*m； 5） 將初始矩陣乘以特征矩陣，得到投影矩陣。 主成分分析法在人臉識別中的應用 根據(jù) PCA的原理，可以將將每一張圖像看成是一個高維的向量，所有的圖像就可以看成是這個高維空間中的一點， PCA 要做的就是找出另外一個能盡可能多的反應圖像特征的 低維空間。 假如樣本由 n張大小為 p*q的人臉圖像組成，那么每一張圖像可以保存成一列向量，向量維數(shù)是 p*q，整個樣本可以看成是一個行數(shù)為 n，列數(shù)為 p*q 的矩陣，記為矩陣 A。 根據(jù)上述過程，首先求出矩陣 A的協(xié)方差矩陣，然后求出協(xié)方差矩陣的特征值，選取前 m 個最大的特征值，然后求出對應的特征向量，組成一個特征矩陣。通常所說的“特征臉”就是這些特征向量，而特征矩陣就是“特征臉”空間或者說子空間。然后可以將每一張圖片投影到該子空間，得到了每一張圖像的投影矩陣（ 1*m）。 對于待識別的圖像，也看成是一列向量，投影到子空間中得到一個投影矩陣，然后一一求出這個投影矩陣與樣本圖像投影矩陣的“距離”，找出與該圖像距離最小的一張圖像，這張圖像就是與帶識別圖像最相似的。然而有可能該人臉不是人臉庫中的，所以最相似的人臉也不一定就是同一個人臉，還需要設置一個閾值判斷待識別人臉是否是人臉庫中的。 湖南大學畢業(yè)設計（論文） 第 13 頁 上述“距離”可以有很多種，這里簡單介紹幾種； (1)L1 范式 像素之間差的絕對值之和， L1 范式計算公式如下： ?? ??ki ii yxyxL 11 ),( k=p*q, (2)L2 范式（歐式距離） 像素之間的差的平方之和， L2范式計算公式如下： 212 )(),( iki i yxyxL ???? k=p*q (3)協(xié)方差 先將兩張圖片歸一化，然后求協(xié)方差，圖像 A 和圖像 B 的協(xié)方差計算如下： Cov(A,B)=BBAA? L1范式計算簡單，但是不能很好的反 應待識別圖像和樣本的相似度，利用協(xié)方差來判斷兩張圖片的相似度也不合適，因為兩張圖片的灰度值大致成比例會誤判為相似度最高的，而實際上灰度值差別可能會很大。 L2 范式計算過程簡單，然而在樣本特征值較大的情況下，計算數(shù)據(jù)會比較大，所以樣本量大的情況下不適合用歐氏距離。本文由于只針對小樣本的圖像識別，綜上所述選擇歐氏距離來判別相似度比較合適。 PCA 人臉識別優(yōu)缺點分析 PCA 人臉識別方法是一種簡潔、迅速、應用性強的基于系數(shù)變換的特征提取的方法，它的主要優(yōu)點有： (1)圖像的原始灰度數(shù)據(jù)直接用于訓練和 識別，沒必要別的任何中間的處理； (2)不需要人臉的幾何和反射知識； (3)由于是通過低維子空間表示的，可以對圖像的數(shù)據(jù)進行一定地壓縮，從而減少了計算量，提高運行速度； (4)與其它人臉識別的方法相比較， PCA 人臉識別法簡單且有效。 但是，由于 PCA 方法本質上是依賴于圖像訓練集和待識別圖像的灰度相關性，而 湖南大學畢業(yè)設計（論文） 第 14 頁 且要求待識別圖像與訓練集圖像相似，所以該方法有著較大的局限性，主要表現(xiàn)在以下方面： (1)對尺度變化很敏感，因此在識別前必須先進性幾何歸一化處理，而且 PCA 在圖像空間是線性的，它不能處理幾何變化； (2)只能處理正面的人臉圖像，側面人臉識別率較低，并且在人的姿態(tài)、發(fā)型和環(huán)境光照等變化較大時時，識別率也會明顯下降； (3)要求的環(huán)境背景相對單一，對于復雜多變化的環(huán)境背景，則需要首先進行復雜而精密的圖像分割和圖像預處理，這樣無疑增加了復雜度和運算量，所以難以克服環(huán)境的多變性導致的干擾； (4)訓練的時間較長，在樣本圖像比較大的時候需要很長時間計算。 所以，為了提高識別率，減少外界環(huán)境和姿態(tài)對識別結果的影響，實際應用的系統(tǒng)中，往往需要結合其它的方法，例如小波變換， Gabor 算法，神經網絡算法等等，單獨使 用 PCA 方法開發(fā)的系統(tǒng)難以應用于實際，但是與其它方法結合會取得很好的效果，現(xiàn)在人臉識別系統(tǒng)的產品中大多數(shù)都是幾種方法相結合的。 本章小結