【正文】 要在 C++Builder中使用 OpenCV函數(shù)庫，首先要將 OpenCV安裝文件下的 lib 文件夾中的八個 library文件轉(zhuǎn)換為 C++Builder可以使用的 library文件，可以使用 CH Builder安裝文件下的 coff20mf． exe進行轉(zhuǎn)換。它擁有包括 300 多個 C 函數(shù)的夸平臺的中、高層 API。 1999年在俄羅斯設立的軟件開發(fā)中心“ Software Development Center’’開發(fā)。 第三 章 基于 OpenCV的人臉跟蹤識別系統(tǒng)的實現(xiàn) 在 前面章節(jié)中詳細介紹了本系統(tǒng)采用的跟蹤與識別方法。 SRM使 vc(vapnik Cherovnenkis)維數(shù)的上限最小化。P2． DHMM由一組主狀態(tài)組成，每一個主狀態(tài)又包括了一個一維 HMM。 HMM使用馬爾科夫鏈來模擬信號統(tǒng)計特性的變化，而這種變化又是間接地通過觀察序列來描述的，因此，隱馬爾科夫過程是一個雙重的隨機過程。 Yang[4l】等人考慮高階統(tǒng)計量，從而提出了核特征臉 (Kernel Eigenface)應用 KernelPCA將人臉對應的向量映射到高維空間中，然后應用 PCA。他們提出了一種基于概率的圖像相似度度量方法，將人臉圖像之間的差異分為兩類類間差異 (即不同人的人臉圖像之間的差異 )和類內(nèi)差異 (即同一個人的不同人臉圖像之間的差異 )。特征臉方法使用由各個特征臉擴展的空間來表示人臉，雖然可以有效地表示人臉信息，但是并不能有效地鑒別和區(qū)分人臉。 基于代數(shù)特征識別 主分量分析 (Principal． ComponentAnalysis， PCA)是一種常用的方法。統(tǒng)計表明，眼在前向和半側(cè)的人臉中是最重要的分離特征，而鼻尖是側(cè)面人臉最重要的分離特征。 基于幾何特征識別 彈性圖匹配 (EGM)方法可采用屬性拓撲圖來表達人臉，其拓撲圖的任一頂點均 包含一特征矢量，它記錄了人臉在該頂點位置的分布信息，最初的拓撲圖是矩形的，并沒有注重節(jié)點的位置。首先，視頻輸出的圖像質(zhì)量較差；其次，背景較復雜，目前對動態(tài)人臉識別的研究還局限于簡單背景，較少人物的情況，對靜態(tài)人臉識別的研究比較多。靜態(tài)人臉識別，即人臉為穩(wěn)定的二維圖像，如照片。因此近些年來很多研究學者采取將多分類器結(jié)合的方法來提取較穩(wěn)定、受人臉姿態(tài)變化和光照條件等因素影響小的識別特征，取得了良好的識別效果。而針對人臉檢測這個具體的應用問題，Ⅵ ola等人提出了一個修改的 Adaboost 算法， Viola 的算法將弱分類器與弱特征 (大 量可選特征中的某一個特征 )等價起來，每個弱分類器僅通過一個特征實現(xiàn)分類，并通過 Adaboost算法組合弱分類器，從而同時實現(xiàn)了弱特征的選擇與組合。 Adaboost 方法通過不斷地加入弱分類器，最終達到某個預定的足夠小的錯誤率。下面對Adaboost 方法進行論述。 SVM分類器經(jīng)訓練后，得到最優(yōu)分類超平面，可用于圖像中的人臉檢測。 SVM常用于回歸和分類問題。人臉模式、眼睛模式和嘴巴模式等都具有較明顯的特點，因此可以采用神經(jīng)網(wǎng)絡的識別方法。 Nefian 等還提出了基于嵌入式 HMM 的人臉檢測算法，該方法 同時考慮到人臉由左到右各個特征的自然順序，使用了二維HMM并且采用二維 DCT變換的系數(shù)作為觀察向量。屬于這一類的還有 Webert25J 等提出的視點不變性學習 (ViewpointInvariant Learning)的方法等。 基于概率模型的人臉檢測方法 基于概率模型的方法是計算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁灨怕?，根?jù)此 概率對所有可能的圖像窗口進行判別。利用變形模板進行人臉檢測的優(yōu)點在于：由于模板可調(diào)，能夠檢測不同大小，具有不同旋轉(zhuǎn)角度的物體。該方法首先制定 出模板參數(shù)并且定義一個能量函數(shù)，然后根據(jù)檢測區(qū)域的數(shù)據(jù)對參數(shù)進行修改直至收斂，此時的能量函數(shù) 為最小化的能量函數(shù)，而此時的模板參數(shù)將被作為器官的幾何特征。另外，人臉的特征受表情、姿勢、旋轉(zhuǎn)等因素影響很大，對于每一個模式類，選擇一個好的模板和確定一個恰當?shù)钠ヅ錅蕜t是困難的。下面分別介紹固定模板和可變模板。模板分固定模板田 1和可變模板瞄。 在通常情況下，僅根據(jù)膚色像素的聚積特性就可完成區(qū)域的連通分割。該方法所面臨的問題是，由于圖像噪聲等因素的影響，造成人臉局部特征不 明顯，使得根據(jù)局部特征組合來判斷人臉的算法失效，從而產(chǎn)生誤檢和漏檢。 基于局部特征的人臉檢測方法 該方法注重檢測人臉的五官輪廓特征以及它們之間的位置關系。在這類算法中 Zabrodsky 提出了連續(xù)對稱性檢測方法，檢測一個圓形區(qū)域的對稱性，從而確定是否為人臉。第二類是指基于整體的方法。對于靜態(tài)圖像中的人臉檢測研究者們 側(cè)重于解決當多個人臉同時出現(xiàn)在一副靜態(tài)圖像中時，如何能夠都檢測出來，降低漏檢率。根據(jù)圖像背景的復雜程度來分，可以分為簡單背景下的人臉檢測和復雜背景下的人臉檢測。人臉檢測的基本思想是用知識分析或統(tǒng)計的方法對人臉進行建模，比較所有可能的待檢測區(qū)域和人臉模型的匹配度，得到可能存在的人臉。人臉識別的研究可以追溯到 20 世紀 60、 70 年代，經(jīng)過幾十年的發(fā)展已漸趨成熟，人臉檢測是人臉識別系統(tǒng)中的一個關鍵環(huán)節(jié)，但是早期的人臉識別研究主要針對簡單背景和人臉位置相對固定的情況，因此人臉檢測問題并未受到重視。因此本文的研究工作分為客戶端與服務器兩部分，客戶端和服務器的劃分是按照 Socket 通信來劃分的。 家庭娛樂：家庭娛樂是指能夠識別主人身份的智能玩具，家政機器人，具 有真實面像的虛擬游戲玩家等。 門禁控制：門禁控制【 15】是為了有效地控制人員的出入，并且記錄所有進出的詳細情況，實現(xiàn)對出入口的安全管理。傳統(tǒng)的人機交互是通過計算機鼠標和鍵盤進行的。 圖像與視頻檢索：在 CBIR(ContentBased ImageRetrieval，基于內(nèi)容的圖 像檢索 )系統(tǒng)中，圖像中的人臉可以作為圖像檢索的條件 ，所以許多 CBIR 系統(tǒng)都將人臉檢測作為系統(tǒng)中的一個重要組成部分。另外，視頻會議系統(tǒng)在遠程教學、遠程醫(yī)療等領域中也有著廣泛的應用?？梢哉f幾乎是自然科學和社會科學的所有學科， 其范圍已遠遠超出了計算機科學的范疇 ，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。為此，計算機需要具有處理、分析和理解圖像的能力。數(shù)字圖像的各項內(nèi)容滲透在人臉檢測與跟蹤識別的諸多環(huán)節(jié)中。模糊模式識別：將模糊技術引入到模式識別中，對特征和分類結(jié)果模糊化， 4基于 OpenCV的人臉跟蹤識別系統(tǒng)研究使得識別過程更能反映事物的本質(zhì)。 1． 3． 1理論基礎 模式識別 模式識別，是通過計算機用數(shù)學方法來研究模式的自動處理。因此，開發(fā)出能夠從容應對復雜環(huán)境的各種變化，精確、快速和穩(wěn)定地跟蹤識別運動目標的算法仍然是當前急需解決的課題。其中，運動目標的跟蹤識別是其中的 核心技術之一 ，它是后續(xù)的各種高級處理，如目標行為分析、行為識別等的 礎， 也是視頻監(jiān)控技術自動化和實時應用的關鍵。為了促進國內(nèi)智能視頻監(jiān)控的發(fā)展，中國科學院自動化研究所在 2021 年和 2021 年分別舉辦了第一屆和第二屆全國智能視覺監(jiān)控會議。日本也開展了用于 共區(qū)域及智能小區(qū)的圖像監(jiān)控的 CDVP(TheCooperative Distributed VisionProject)計劃等。 DARPA 在 2021 年又資助了重大項目 HID 計劃 (HumanIdentification ataDistance)，研究開發(fā)多模式的監(jiān)控技術以 實現(xiàn)遠距離情況下人的檢測、分類和識別，以增強國防、民用等場合的保護能力，使其免受恐怖襲擊。由于視頻監(jiān)控系統(tǒng)具有如此大的應用前景，它引起了許多國家的高度重視，一些國家投入大量資金和科技人員進行了廣泛研究，已開發(fā)了如 CMU的 VASM、 W Pfinder以及 Smart Kiosk系統(tǒng)。所以，如果能找到上述問題的解決方法，成功構(gòu)造出實時高效的人臉跟蹤與識別系統(tǒng)，將為解決其它類似的復雜模式的跟蹤與識別提 供重要的啟 示。人臉是一類具有相當復雜的細節(jié)變化的自然結(jié)構(gòu)目標，人臉器官的形狀、尺寸、 紋理、表情等變化復雜，難以用統(tǒng)一的模式加以描述，而人臉檢測的實 應用環(huán)境也十分復雜，不同的成像條件、不確定的飾物及復雜的背景等均向人臉檢測算法提出了苛刻的要求。隨著信息技術的發(fā)展以及應用需求的劇增，人臉檢 i9l!}【 l21(Face Detection)作為人臉信息處理中的一項關鍵技術，日益成為一個熱門的研究課題。據(jù)統(tǒng)計，在人類獲取的信息中，視覺信息約占 60％，聽覺信息約占 20％，其它的如味覺信息、觸覺信息等加起來約占 20％。服務器端首先將人臉圖像按其主要特征進行分塊，再對分塊圖執(zhí)行Eigenface 算法實現(xiàn)人臉身份的識別。彩色圖像序列的人臉檢測、跟蹤與識別技術是隨著計算機技術的高速發(fā)展和視頻監(jiān)控等應用的需要在近幾年才逐漸成為一個研究熱點。本文著重構(gòu)建一套人臉跟蹤識