【正文】 CvHidHaar ClassifierCascade * hid_cas。 }CvHaarClassifierCascade。 CvHaar Stage Classifier 結(jié)構(gòu)形式如下 : define CVHAARFEATUREMAX 3 typedef struct CvHaar Stage Classifier The genral stf(1mpoyidvc,uh)0jb。5wT22 { int count。/*構(gòu)成強(qiáng)分類器的弱分類器的數(shù)量 */ float threshold。 /*疊加分類器的閾值 */ CvHaar Classifier * classifier。/*定義分類器數(shù)組 */ int parent； int child； int next； }CvHaar Stage Classifier； OpenCV 人臉檢測模塊及相關(guān)函數(shù) Adaboost 算法的人臉檢測器主要包括訓(xùn)練和檢測 2 個(gè)模塊 ，下 圖為檢測模塊的流程 。 圖 53 檢測程序流程圖 下面對 OpenCV 中的檢測模塊進(jìn)行簡單的介紹 。 （ 1） 函數(shù) LoadHaar Classifier Cascade。 用來裝載級聯(lián)分類器 ， 格式如下 ： CvHaar Classifier Cascade * cvLoadHaar Classifier Cascade （ const char * directory, CvSize orig_win_dow_size)； 其中directory 為級聯(lián)分類器文件的路徑 。 Orig_window_size 為級聯(lián)分類器檢測目標(biāo)的尺寸大小 。 （ 2） 因?yàn)?OpenCV 只可以處理內(nèi)部優(yōu)化格式的分類器 。 第二步把分類器轉(zhuǎn)換成 OpenCV 視覺庫內(nèi)部格式 ， 這個(gè)是關(guān)鍵步驟，不可缺少 。 （ 3） 整個(gè)檢測過程中需要用到函數(shù) Haar Detect Objects。 這個(gè)函數(shù)是針對某目標(biāo)物體訓(xùn)練的級聯(lián)分類器，作用是在圖像中找到包含目標(biāo)物體的矩形區(qū)域 ， 最后把這些區(qū)域作為列的矩形框返回 。 函數(shù)格式為 CvSeq * cvHaar Detect Objects ( const CvArr*image, CvHaar Classifier Cascade * cascade， CvMemStorage * storage， double scale_factor = ， int min_neighbors = 3， int flags = 0， CvSize min_size = cvSize(0, 0) )； 其中 image 代表被檢測的圖像 。 cascade haar 是級聯(lián)分類器內(nèi)部的標(biāo)志形式 。 storage 用來存儲檢測到的一系列候選目標(biāo)矩形框的內(nèi)存區(qū)域 。 scale_factor 是在前后兩次相繼的掃描中 ,搜索窗口的比例系數(shù) 。 min_neighbors 是構(gòu)成檢測目標(biāo)的相鄰矩形的最 小個(gè)數(shù)分類加載器 將分類器轉(zhuǎn)化為內(nèi)部格式 加載檢測圖像 檢測標(biāo)定 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT23 (默認(rèn)為 1)。 flags 是操作方式 。 min_size 是檢測窗口的最小尺寸 。 默認(rèn)情況下被設(shè)為分類器訓(xùn)練時(shí)采用的樣本尺寸 [20]。 （ 4） 標(biāo)定要用到函數(shù) RunHaar Classifier Cascade。 該函數(shù)在給定位置的圖像中運(yùn)行級聯(lián)分類器 ， 用于對單幅圖片進(jìn)行檢測 。 其格式為 int cvRunHaar Classifier Cascade ( CvHaarClassifierCascade * cascade， CvPoint pt， int start_stage = 0)； 其中 cascade Haar 是級聯(lián)分類器 ； pt 是待檢測區(qū)域的左上角坐標(biāo) ； start_stage 是級聯(lián)層的初始下標(biāo)值 [18]。 OpenCV 的人臉檢測 OpenCV 的人臉檢測主要是調(diào)用訓(xùn)練好的 cascade（ Haar 分類器 ） 來進(jìn)行模式匹配 。 cvHaar Detect Objects， 先將圖像灰度化 ， 根據(jù)傳入?yún)?shù)判斷是否進(jìn)行 canny 邊緣處理 (默認(rèn)不使用 )，再進(jìn)行匹配。匹配后收集找出的匹配塊 ,過濾噪聲，計(jì)算相鄰個(gè)數(shù)如果超過了規(guī)定值（傳入的 min_neighbors）就當(dāng)成輸出結(jié)果 ， 否則刪去 。 匹配循環(huán)：將匹配分類器放大 scale（傳入值）倍，同時(shí)原圖縮小 scale 倍，進(jìn)行匹配，直到匹配分類器的大小大于原圖，則返回匹配 結(jié)果。匹配的時(shí)候調(diào)用 cvRunHaar Classifier Cascade 來進(jìn)行匹配 ， 將所有結(jié)果存入 CvSeq * Seq（ 可動態(tài)增長元素序列） ， 將結(jié)果傳給 cvHaar Detect Objects。 cvRunHaar Classifier Cascade 函數(shù)整體是根據(jù)傳入的圖像和 cascade 來進(jìn)行匹配。并且可以根據(jù)傳入的 cascade 類型不同（樹型、 stump 不完整的樹或其他的），進(jìn)行不同的匹配方式。 函數(shù) cvRunHaar Classifier Cascade 用于對單幅圖片的檢測 。 在函數(shù)調(diào)用前首 先利用 cvSetImages For Haar Classifier Cascade 設(shè)定積分圖和合適的比例系數(shù) 。 當(dāng)分析的矩形框全部通過級聯(lián)分類器每一層的時(shí)返回正值 (這是一個(gè)候選目標(biāo) )， 否則返回 0 或負(fù)值。 實(shí)驗(yàn)結(jié)果與分析 運(yùn)行程序，將待檢測的圖片加載進(jìn)去，檢測結(jié)果如圖 5 圖 5 圖 56 所示，從結(jié)果可以看出，該系統(tǒng)對正面的人臉檢測具有較高的正確率，圖 56 一共 41 張人臉，檢測出 39 個(gè)人臉，存在兩個(gè)人臉漏檢，由于這兩個(gè)人的面部部分被前面的人遮擋住，導(dǎo)致系統(tǒng)漏檢。 The genral stf(1mpoyidvc,uh)0jb。5wT24 圖 54 一個(gè)人臉檢測結(jié)果圖 圖 55 兩個(gè)人臉檢測結(jié)果圖 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT25 圖 56 多個(gè)人臉檢測結(jié)果圖 影響像人臉檢測的因素有很多：比如圖采集過程中，光照條件，背景的復(fù)雜度，人自身 年齡、姿態(tài)、表情 變化等的影響，然后是分類器的選擇，人臉與非人臉特征選擇 的方法，圖片預(yù)處理時(shí)，灰度化 、 縮放等對圖像造成的失真 、 比例失調(diào)等。 人臉檢測問題是一個(gè)具有挑戰(zhàn)性并且富有趣味的的問題，現(xiàn)在研究者研究了很多解決方法和檢測方案，但是到目前為止仍然沒有得出一個(gè)統(tǒng)一的、權(quán)威的標(biāo)準(zhǔn)。作為開發(fā)智能化的人機(jī)交互系統(tǒng)和自動人臉識別系統(tǒng)的關(guān)鍵技術(shù)，人臉檢測系統(tǒng)的應(yīng)用前景十分的廣闊，對開發(fā)智能化的人機(jī)交互系統(tǒng)的意義重大，引起了廣大研究者們的重視。本文僅僅對人臉檢測其中的一種方法進(jìn)行研究，希望能對今后的人臉檢測研究工作有所幫助。 關(guān)鍵功能實(shí)現(xiàn)代碼 include include include include include include The genral stf(1mpoyidvc,uh)0jb。5wT26 ifdef _DEBUG undef THIS_FILE static char THIS_FILE[]=__FILE__。 define new DEBUG_NEW endif static CvMemStorage* storage = 0。 static CvHaarClassifierCascade* cascade = 0。 CDetectionFace::CDetectionFace() { } CDetectionFace::~CDetectionFace() { } int CDetectionFace::cvTestInit() { CString cascade_name。 storage = cvCreateMemStorage(0)。 cvFirstType()。 cascade_name = 。 cascade=(CvHaarClassifierCascade*)cvLoad(cascade_name,NULL,NULL, NULL )。 if(cascade) //AfxMessageBox(加載成功！ )。 return 1。 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT27 else return 0。 } void CDetectionFace::detect_and_draw( IplImage* img ) { double scale = 。 IplImage* gray = cvCreateImage( cvSize(imgwidth,imgheight), 8, 1 )。 IplImage*small_img=cvCreateImage(cvSize(cvRound(imgwidth/scale),cvRound( imgheight/scale)),8, 3 )。 int i。 cvClearMemStorage( storage )。 if( cascade ) { double t = (double)cvGetTickCount()。 CvSeq*faces=cvHaarDetectObjects(small_img, cascade, storage, 2, 0,cvSize(25, 25) )。 t = (double)cvGetTickCount() t。 CString str。 CMainFrame* pFrame=(CMainFrame*)AfxGetApp()m_pMainWnd。 CStatusBar* pStatus=amp。pFramem_wndStatusBar。 if(pStatus) { (檢測時(shí)間 : %gms,t/((double)cvGetTickFrequency()*1000.))。 pStatusSetPaneText(1,str)。 } for( i = 0。 i (faces ? facestotal : 0)。 i++ ) { CvRect* r = (CvRect*)cvGetSeqElem( faces, i )。 The genral stf(1mpoyidvc,uh)0jb。5wT28 CvPoint a1,a2。 = rx*scale。 = ry*scale。 = (rx+rwidth)*scale。 = (ry+rheight)*scale。 cvRectangle( img,a1 , a2, CV_RGB(255,0,0), 2)。 } cvReleaseImage( amp。gray )。 cvReleaseImage( amp。small_img )。 } } 浙江農(nóng)林大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） The genral stf(1mpoyidvc,uh)0jb。5wT29 6 結(jié)論 本論文論述了人臉檢測項(xiàng)目的的起源、背景以及國內(nèi)外研究的現(xiàn)狀 ， 介紹了幾種常見的人臉檢測方法并對之做了分析和總結(jié) 。 在論文設(shè)計(jì)的初期 ， 進(jìn)行了大量的文獻(xiàn)和資料收集，對人臉檢測項(xiàng)目進(jìn)行了詳細(xì)的分析，并最終實(shí)現(xiàn)了人臉檢測，給出了檢測結(jié)果 .。 人臉檢測 不僅 是人臉信息處理領(lǐng)域的一個(gè)重要 研究 課題 ，而且 也是計(jì)算機(jī)視覺和人機(jī)交互 研究 領(lǐng)域中的熱點(diǎn) ，這些年研究者對人臉檢測課題的研究，取得了突破性的進(jìn)展，這項(xiàng)關(guān)鍵性技術(shù)的成功 給表情識別、視頻監(jiān)控、身份驗(yàn)證、人臉識別、多媒體數(shù)據(jù)庫的檢索等相關(guān)領(lǐng)域帶來 了巨大 的推動作用 ，在社會上的應(yīng)用也極其廣泛。 本文根據(jù) Viola 博