【正文】 測(cè) 與分析 1 圖像測(cè)試集 本文 在 BIOID人臉圖像庫(kù) 的前 100張中間隔選取了 50張 人臉圖像作為測(cè)試集。 BIOID 人臉 圖像庫(kù)含 1521幅由 23 個(gè)不同人獲取的大小為 384 286灰度圖像集， 含有復(fù)雜的背景、變化的光照條件、復(fù)雜的人臉表情、掩蔽以及變化 的人臉姿勢(shì)、大小等 ，是進(jìn)行人臉檢測(cè)實(shí)驗(yàn)的標(biāo)準(zhǔn)圖像測(cè)試集 。 本文 編程沒(méi)有實(shí)現(xiàn)對(duì)圖像的批處理，所以在進(jìn)行實(shí)驗(yàn)時(shí)，僅 選取了 圖 像 庫(kù) 的 50張圖像 樣本 作為 測(cè)試集 ，進(jìn)行檢測(cè) ，能夠在一定程度上達(dá)到實(shí)驗(yàn)效果 。 另外， 對(duì) 本專(zhuān)業(yè) 學(xué)生 的一寸照片 （照片大小為 200*240）， 進(jìn)行了實(shí)驗(yàn)， 主要是檢驗(yàn)算法的應(yīng)用 效果 ， 不作為實(shí)驗(yàn)數(shù)據(jù)分析的結(jié)果 。 3 評(píng)估準(zhǔn)則 為了衡量算法確定的人臉估計(jì)區(qū)域的 準(zhǔn)確率和效率 ， 這里 定義三個(gè)評(píng)估指標(biāo) : (1) 檢測(cè)率λ λ＝ R/N (41) 其中 N是 測(cè)試集中的圖像總數(shù)，對(duì) BIOID圖像集則 N＝ 1521，本文中 N＝ 50； R 代表本文算法成功估計(jì)出來(lái)人臉主要特征（眼睛 或嘴 ）的位置的圖像個(gè)數(shù)，具體地說(shuō)，就是兩只眼睛瞳孔 或者嘴巴 在所估計(jì)的區(qū)域 ? 內(nèi)的圖像個(gè)數(shù)。 (2)減縮效率 h h＝ T/S (42) 其中， T 代表 本文算法成功估計(jì)出來(lái)人臉主要特征（眼睛 或嘴 ）的 區(qū)域 的 面積 ， S 代表 圖像面積 。 該定義主要是為了編程計(jì)算的方便，并不是嚴(yán)格的縮減效率，本文測(cè)試圖像 中的人臉區(qū)域大小 相差不是很大， 因此我們 可以近似 采 T/S 作為圖像中的縮減效率。 (3) 平均運(yùn)算時(shí)間 t 即在整個(gè)圖像集中每幅圖像估計(jì)出人臉區(qū)域所需時(shí)間的平均運(yùn)算時(shí)間。運(yùn)環(huán)境為： PC , Visual C++ 程序。 4 不同 參數(shù) 下的 實(shí)驗(yàn)結(jié)果 本文中 算法雖然有很多參數(shù)， 通過(guò)對(duì)算法的分析， 對(duì)上述指標(biāo)影響 較大的 也就是如下四個(gè)： p在圖像預(yù)處理過(guò)程所使用的消除較長(zhǎng)直線的閾值； Δ S一次“跨步”的基本長(zhǎng)度單位； t“箭”長(zhǎng)的控制參數(shù)； a累加和最大值區(qū)域?qū)挾取? 我們希望所設(shè)置的參數(shù)使得 檢測(cè)正確率越大越好， 縮減率和 平均運(yùn)算時(shí)間越小越好。但有時(shí)候存在著矛盾，不能保證所有的指標(biāo)都是最好。因此，我們確定在選擇最佳參數(shù)時(shí)所考慮的次序：首先是λ，其次 h，最后才考慮平均運(yùn)算時(shí)間 t。 由于很難同時(shí)保證四個(gè)參數(shù)都達(dá)到最優(yōu)，只有先根據(jù)估計(jì)固定三個(gè)參數(shù)，測(cè)試所有圖像后，尋找第四個(gè)參數(shù)在該條件下的最優(yōu)值；然后再換一個(gè)參數(shù)，當(dāng)然采用上一步選過(guò)的新的最優(yōu)值參數(shù)，另外兩個(gè)仍采用原來(lái)的固定值，在這種條件下尋找新?lián)Q的參數(shù)的最優(yōu)值，直到所有參數(shù)在一定條件下獲得近似最優(yōu)值。上述過(guò)程，可以反復(fù)進(jìn)行。直到檢測(cè)評(píng)估效果不再提高為止 。例如，本文所采用的過(guò)程： (1) 先使 t=3， a=3 和Δ S=3，將參數(shù) p 從 2 到 20 變化 ,每次改變都對(duì) 樣本 中所有的圖像都測(cè)試一遍，并比較測(cè)試評(píng)估結(jié)果。圖 41為該參數(shù)設(shè)置下的測(cè)試評(píng)估實(shí)驗(yàn)結(jié)果。在圖 41 中， 隨著 p 的變化，正確率 λ 和縮減率 h 變化不是很大，考慮時(shí)間 t，所以先取 p=8； 圖 41 t=3， a=3和 Δ S=3 (2) 固定 p=8， a=3 和Δ S=3，將參數(shù) t 從 1 到 5 變化，同樣測(cè)試 樣本中 所有圖像，結(jié)果如圖 42所示。 考慮 檢測(cè)率λ、縮減率 h，選擇 t=3； 圖 42 p=8， a=3和 Δ S=3 (3) 固定 p=8， t=3 和Δ S=3，將參數(shù) a 從 1 到 5 變化，測(cè)試結(jié)果如圖 43， 根據(jù) 檢測(cè)率 λ 和 運(yùn)算時(shí)間 t，選擇 a=3； 圖 43 p=8， t=3和 Δ S=3 λλλ λ λhhh hht t t t t0t1 t2 t3 t4 t5λ λλ λ λh h h h ht t tt t0a1 a2 a3 a4 a5λλ λ λ λ λ λ λ λ λhhh h h h h hh httt t tt t t tt0p2 p4 p6 p8 p10 p12 p14 p16 p18 p20(4) 固定 p=8， t=3 和 a=3，將參數(shù)Δ S 從 1 到 5 變化，測(cè)試結(jié)果如圖 44。 檢測(cè)率在 Δ S=3 時(shí)最大，所以 應(yīng)該選擇 Δ S=3。 圖 44 p=8， t=3和 a=3 本文最終所得的測(cè)試結(jié)果為：λ =68%,h=, t=，其對(duì)應(yīng)的參數(shù)設(shè)置為： p=8,Δ S=3,t=3,a=3。 5 算法中間結(jié)果示例 為給算法的運(yùn)行原理及過(guò)程留下一些直觀印象，下面將計(jì)算中的一些中間結(jié)果作為示例。圖 45為算法運(yùn)算中間過(guò)程及一些結(jié)果。其中圖 (a)為圖像庫(kù)中第 幅圖像 ； 圖 (b)為 經(jīng)過(guò) canny 算子邊緣檢測(cè) 的 結(jié)果； 圖 (c)為 去除直線的結(jié)果； 圖 (d)為最后確定的人臉估計(jì)區(qū)域。 6 算法最終人臉區(qū)域估計(jì)結(jié)果示例 圖 46 中各圖為選取的幾個(gè)人臉區(qū)域估計(jì)結(jié)果 。 前五幅圖都正確估計(jì)除了人臉位置區(qū)域， 可以看出，該算法有效 減少了后序算法的搜索區(qū)域。 圖 (h)是失敗例子， 因?yàn)橹挥幸恢谎劬Φ耐茁湓诠烙?jì)區(qū)域內(nèi)。 圖 47 中各圖為選取的本隊(duì) 學(xué)生 的幾張照片進(jìn)行實(shí)驗(yàn)的結(jié)果，這幾張照片也都正確估計(jì)出了人臉的大概區(qū)域位置。 這些測(cè)試結(jié)果表明，弦箭算法不僅減少了搜索區(qū)域大小，而且可以保證后續(xù)精確定位人眼算法的有效性。 λλλλ λh h hh ht t t t t0s1 s2 s3 s4 s5 (a)原 圖 (b)經(jīng)過(guò) canny 算子檢測(cè)的 邊緣圖 (c) 去除直線的邊緣圖 (d)算法 估計(jì)區(qū)域 圖 45 弦箭算法的中間過(guò)程示例 (a) (b) (c) (f) (g) (h) 圖 46 最終估計(jì)結(jié)果示例 圖 47 照片測(cè)試結(jié)果示例 7 對(duì) 算法 及實(shí)驗(yàn)結(jié)果的 分析 總結(jié) 一、算法原理分析 從 算法 的原理進(jìn)行 研究分析， 針對(duì)人臉檢測(cè)來(lái)說(shuō)， 本算法有如下幾 個(gè)優(yōu)點(diǎn)： （ 1） 對(duì)不同大小的人臉，不存在參數(shù)縮放的問(wèn)題。 （ 2） 不存在模型的逐點(diǎn)或逐塊的行列掃描匹配或搜尋問(wèn)題。 （ 3） 對(duì)邊緣曲線的平滑性、連續(xù)性不敏感。 （ 4） 人臉上的大部分邊緣曲線都 可 得到充分利用，可靠性較高。 （ 5） 對(duì)背景中出現(xiàn)的噪聲邊緣不敏感。 當(dāng)然，也存在如下缺點(diǎn)： （ 1） 對(duì)于半張人臉，估計(jì)的區(qū)域可能不能覆蓋人眼 或嘴 。 （ 2） 對(duì)背景中出現(xiàn)的較為明顯的 橢圓 形物體比較敏感。 （ 3） 對(duì)圖像中的多人臉區(qū)域估計(jì)，雖然，可以用排除法依次類(lèi)推估計(jì)，但準(zhǔn)確性和效率將會(huì)降低。 二、實(shí)驗(yàn)結(jié)果分析 本次對(duì)算法的測(cè)試實(shí)驗(yàn) 對(duì)象主要以圖像庫(kù)中選取的樣本為主，圖像庫(kù) 含 有 1521 幅 圖像，我們 只 選取了其中的 50 張，因此只能在一定程度上 反映出 算法的實(shí)現(xiàn)效果 。 總的來(lái)說(shuō)，算法的基本功能已經(jīng)實(shí)現(xiàn)，能夠估計(jì)出圖像中的人臉大概區(qū)域位置 ,有效減少搜索空間，提高人臉檢測(cè)算法的效率 。 對(duì) 樣本 實(shí)驗(yàn)結(jié)果， 說(shuō)明了 算法的正確率并沒(méi)有達(dá)到很高，而且在我的個(gè)人電腦上算法的運(yùn)算時(shí)間也不是很快，與王洪群博士 用 matlab實(shí)現(xiàn) 的程序 相比，具有很大的差距。另外， 本隊(duì) 學(xué)生 的一寸照片，背景相對(duì)比較單一，照片大小為200*240， 對(duì)這些照片的處理， 算法的檢測(cè)率和運(yùn)算時(shí)間都能夠達(dá) 到理想的效果。 通過(guò)對(duì) 算法和 實(shí)驗(yàn)結(jié)果 的分析 ， 總結(jié)在 算法實(shí)現(xiàn) 過(guò)程中，存在的 不足主要以下 兩 點(diǎn)： （ 1） 對(duì)圖像進(jìn)行降采樣的間隔 只為 1 個(gè)像素點(diǎn)，這是算法運(yùn)行時(shí)間不夠快的一個(gè)重要原因。 根據(jù)圖像大小， 提高降采樣間隔，可以在很大程度上提高算法效率 。從 理論上 講 ，可以使圖像中的邊緣曲線更加連續(xù)，提高人臉估計(jì)的準(zhǔn)確率。 （ 2） 在對(duì)圖像進(jìn)行預(yù)處理中，去除圖像中的直線，僅僅能去除圖像邊緣曲線中垂直于坐標(biāo)軸的直線，而對(duì)圖像中的斜線無(wú)法去除。這使得圖像中的背景噪聲對(duì)結(jié)果干擾較大，是算法準(zhǔn)確率不高的一個(gè)重要原因 ，也是實(shí)驗(yàn)結(jié)果中 參數(shù) p 對(duì)測(cè) 試正確率影響不明顯的 一個(gè) 重要原因。 也因此 ，使得在提高圖像降采樣間隔以后，算法的正確率變得更低。 三、算法改進(jìn) 算法實(shí)現(xiàn) 過(guò)程中的不足，我們要進(jìn)行針對(duì)行的改進(jìn)。 通過(guò) 分析可以從一下幾點(diǎn)對(duì)算法進(jìn)行改進(jìn)： （ 1） 根據(jù)圖像大小，適當(dāng) 提高對(duì)圖像降采樣的間隔，以提高算法運(yùn)算效率； （ 2） 在對(duì)圖像進(jìn)行預(yù)處理中，去除直線可以采用霍夫變換的方法，只需在二維空間做累加，來(lái)檢測(cè)圖像中的直線 ，可以有效去除邊緣圖像中最長(zhǎng)的幾條直線 ； （ 3） 雖然受光線等因素的影響， 但 圖像中的人臉的灰度值基本上處于某一范圍，根據(jù)該范圍來(lái)對(duì)最終確定的人臉區(qū) 域進(jìn)行調(diào)整，可以有效 提高算法的正確率 。 （ 4）結(jié)合算法的后序應(yīng)用，對(duì)算法進(jìn)行改進(jìn)， 可以使得算法 有效 應(yīng)用 于 模式識(shí)別等更廣泛的領(lǐng)域。后 記 人臉識(shí)別與檢測(cè)算法目前已經(jīng)有了很大的發(fā)展，算法的效率不斷提高，本文通過(guò)對(duì)橢圓曲線特性的分析， 對(duì)弦箭算法 的原理 進(jìn)行了詳細(xì)的 介紹 ，用 C 語(yǔ)言進(jìn)行了編程實(shí)現(xiàn)，并對(duì) 算法特性 和 實(shí)驗(yàn) 結(jié)果 進(jìn)行了分析 。 通過(guò)本課題的學(xué)習(xí)， 使得我進(jìn)一步學(xué)習(xí)了 圖像處理、計(jì)算機(jī)視覺(jué)技術(shù)以及模式識(shí)別等領(lǐng)域的一些 知識(shí) ，并 基本 掌握 VC++的編程。 從 實(shí)驗(yàn)結(jié)果看， 算法的功能實(shí)現(xiàn)了，但 沒(méi)有達(dá)到很理想的效果 ，還需要進(jìn)行不斷的 改進(jìn)和實(shí)驗(yàn)，來(lái)提高算法的效率。 致 謝 三個(gè)月的畢業(yè)設(shè)計(jì)很快就結(jié)束了， 在畢業(yè)設(shè)計(jì)期間，導(dǎo)師王洪群博士給了我極大的幫助， 從對(duì)算法的原理 講解 到編程實(shí)現(xiàn)， 都給了我熱情的指導(dǎo)和 幫助，并不斷鼓勵(lì)我 ， 尤其是在編程過(guò)程中遇到困惑和退卻情緒時(shí)，導(dǎo)師給了我耐心的講解和鼓勵(lì)， 不斷對(duì)我的算法提出改進(jìn)意見(jiàn)和建議 。 導(dǎo)師 淵博的知識(shí) 、 精益求精的工作作風(fēng) 和嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度 給了我極大的啟示 ， 使我受益 匪淺 ， 讓我在學(xué)習(xí) 新知識(shí)，掌握新技術(shù)的同時(shí)，學(xué)習(xí)到了治學(xué)的態(tài)度。 感謝的其他 教師 ，在畢業(yè)設(shè)計(jì)期間一直無(wú)私的輔導(dǎo)我們。 同時(shí)，我要感謝我的同 學(xué)們，他們?cè)谖耶厴I(yè)設(shè)計(jì)過(guò)程中給我 的幫助和鼓勵(lì) 。尤其感謝和我同一組的鄭俊保同學(xué)， 幫助 轉(zhuǎn)換圖像的格式。 衷心的感謝你們 ！ 參考文獻(xiàn) 王洪群 ， 彭嘉雄 ， 強(qiáng)贊霞 .基于邊緣和紋理特征相結(jié)合的快速人臉精確定位方法 . 鄧剛，閆勝業(yè)，張洪明 .人臉檢測(cè)技術(shù)報(bào)告 . 李月敏 ， 陳杰 ， 高文 ， 尹寶才 .快速人臉檢測(cè)技術(shù)綜述 . 王超 .人臉識(shí)別技術(shù)中一些關(guān)鍵算法的研究 . 王娜，李霞．一種新的改進(jìn) Canny 邊緣檢測(cè)算法．深圳大學(xué)學(xué)報(bào) .2021， 4（ 2）， 149152 蘇劍波 ，徐波 .應(yīng)用模式識(shí)別技術(shù)導(dǎo)論 —— 人臉識(shí)別與語(yǔ)音識(shí)別 .上海 交通大學(xué)出版社 . 梅向明 ， 黃故之 . 微分幾何 （第三版） . 何東健，耿楠，張義寬 .數(shù)字圖像處理 .西安電子科技大學(xué)出版社 . 黃維通，姚瑞霞 . Visual C++程序設(shè)計(jì)教程 .機(jī)械工業(yè)出版社 . 網(wǎng)冠科技 . Visual C++ .機(jī)械工業(yè)出版社 .