【正文】 當(dāng)建立一個(gè)想要使用 OpenCV 函數(shù)庫(kù)的工程時(shí)，在 memu中選擇 Project 下的 Addto project，添加新轉(zhuǎn)換的 library 文件；然后 Project下的 Options，在里面找到 Directories／ Conditionals 這個(gè)標(biāo)簽， 在 Include path加入下面五個(gè)路徑： CAProgram Files＼ OpenCV＼ cv、 dnclude CAProgram Files＼ OpenCV＼ cxcore＼ include CAPmgram Files＼ OpenCV＼ onlerlibs＼ highgui C： kProgram Files＼ OpenCV＼ cVaux＼ include C： WrogramFiles＼ 0penCⅥ otllerlibs＼ cVc鋤＼ hlclude 最后在． cpp文件頭部加上頭文件 include“ CV． h”和 include” highgui． h168。 由于有了以上特點(diǎn)， OpenCV函數(shù)庫(kù)強(qiáng)大的功能，以及簡(jiǎn)單易用，移植方便， 成為廣大學(xué)生和科研人員進(jìn)行數(shù)字圖像處理方面學(xué)習(xí)和研究的好工具。不依賴(lài)于其它外部庫(kù)，但也可以使用某些外部庫(kù)。 OpenCV 的設(shè)計(jì)簡(jiǎn)單易用，其中大部分類(lèi)及庫(kù)函數(shù)的設(shè)計(jì)都有其特定在實(shí)際應(yīng)用中的背景，因此整個(gè)庫(kù)的體系結(jié)構(gòu)非常簡(jiǎn)單明了提供了一些諸如MATLAB、 VC、 C++Builder 等其它語(yǔ)言或環(huán)境的接口，最大的特點(diǎn)是具有開(kāi)放性。 OpenCV是在 IPL基礎(chǔ)上發(fā)展起來(lái)的，主要用于圖像處理、計(jì)算機(jī)視覺(jué)、模式識(shí)別、物體識(shí)別以及運(yùn)動(dòng)跟蹤方面。它由一系列 C函數(shù)和少量 C抖類(lèi)構(gòu)成， 實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法，可以在商業(yè)和研究領(lǐng)域免費(fèi)使用。 本文設(shè)計(jì)的人臉跟蹤識(shí)別系統(tǒng)采用了 OpenCV 函數(shù)庫(kù)中的一些函數(shù)比如圖像函數(shù) Ipllmage，矩形坐標(biāo)函數(shù) evReet等，因此先概要對(duì) OpCV函數(shù)庫(kù)進(jìn)行介紹，再對(duì)其在本系統(tǒng)中的使用方法進(jìn)行介紹，因?yàn)楸鞠到y(tǒng)采用 C++Builder環(huán)境進(jìn)行編程實(shí)現(xiàn)，所以要能夠在 C++Builder中靈活使用 OpenCV函數(shù)庫(kù)。 Eigenface 人臉識(shí)別方法，主要采用了 PCA降維 技術(shù)，可以減少計(jì)算量，提高識(shí)別 速度，在本章 2． 2． 2 小節(jié)中給出了相關(guān)的理論也給出了流程框圖，并將每一步的結(jié) 果用圖片的形式詳細(xì)展現(xiàn)出來(lái)，其識(shí)別效果在第四章中會(huì)與本文新提出的人臉主 特征塊采用 PCA的方法進(jìn)行比較說(shuō)明，新提出的方法主要是在不影響識(shí)別率的情 況下進(jìn)一步提高識(shí)別速度。 與其他 2． 4本章小結(jié) 本章首先介紹了當(dāng)前人臉檢測(cè)與人臉識(shí)別的主流方法，并對(duì)其優(yōu)缺點(diǎn)進(jìn)行了 論述，在比較其優(yōu)缺點(diǎn)后引入了本文所采用的 Adaboost 人臉檢測(cè)與 Eigenface人臉 識(shí)別方法，詳細(xì)介紹了這兩種算法的理論基礎(chǔ)，算法原理以及實(shí)現(xiàn)步驟。 支持向量機(jī)法 (SVM) 支持向量機(jī) (SupportVectorMachines， SVM)是 Vapnik等提出的基于結(jié)構(gòu)風(fēng)險(xiǎn) 最小化原理 (Structural Ri． sk Minimization Principle， SRM)統(tǒng)計(jì)學(xué)習(xí)理論 ml，用于分類(lèi)與回歸問(wèn)題。相當(dāng)于將一組一維 HMM模型嵌入另外一組 HMM模型中，因?yàn)檫@種結(jié)構(gòu)并不是真正的二維 HMM模型，因此取名為二 維 HMM模型。偽二維 HMM(P2． DHMM)模型是一維 HMM模型的一種推廣。用采集的臉像構(gòu)造觀察向量，觀察向量和人臉的五官特征之間的關(guān)系可以用一個(gè)一維的隱 Markov模 型 (Hidden Markov Model， HMM)來(lái)表示，該模型的參數(shù)能較好地表征具體的人臉模型，在人臉識(shí)別領(lǐng)域已取得到了初步成效州。 隱馬爾科夫模型 (HMM) 隱馬爾科夫模霎 j． t431(Hidden MarkovModel， HMM)是用于描述信號(hào)統(tǒng)計(jì)特性的一組統(tǒng)計(jì)模型。這種做法避免了高維統(tǒng)計(jì)量計(jì)算中的組合爆炸問(wèn)題，同時(shí)，還考慮了高維相關(guān)性。這種人臉識(shí)別方法在1996年美國(guó) DAPAR組織的 FERET人臉測(cè)試中是效果最好的方法之一。他們提出了類(lèi)間差異和類(lèi)內(nèi)差異度 量的概率模型和計(jì)算方法。 Moghaddamt40】等提出了貝葉斯人臉識(shí)別方法。Swets和 Wen9138】提出 PCA的基礎(chǔ)上使用 LDA(Lillear Discriminant Analysis，線(xiàn)性鑒別矢量 )，也稱(chēng) Fisher 臉?lè)椒ā?39】。 Turk 和Pentland[37】進(jìn)一步提出了“特征臉”方法，該方法以訓(xùn)練樣本集的總體散布矩陣為產(chǎn)生矩陣得到的一組特征矢量，稱(chēng)作“特征臉”，這樣就可產(chǎn)生了一個(gè)由“特征臉”矢量組成的子空間，每一幅人臉圖像其投影都可以獲得一組坐標(biāo)系數(shù)，這組坐標(biāo)系數(shù)表明了人臉在子空間的位置，實(shí)驗(yàn)表明該方法具有較強(qiáng)的穩(wěn)定性，可以作為人臉識(shí)別的依據(jù)。它根據(jù)圖像的統(tǒng)計(jì)特性進(jìn)行的正交變換 (K． L 變換 )，以消除原有向量各個(gè)分量間的 相關(guān)性。由于彈性匹配對(duì)每個(gè)存儲(chǔ)的人臉需計(jì)算其模型圖，計(jì)算量大，存儲(chǔ)量大， Lee【 35】等提出了一種基于彈性圖動(dòng)態(tài)鏈接模型的方法，既取得較高的識(shí)別速度，也獲得了較理想的識(shí)別率，在一定程度上克服了以往方法總是在速度與識(shí)別率之間進(jìn)行折中的缺點(diǎn)。 Wurtz【 34】研究了多分辨的情況，他假定在兩幅人臉圖中只有一部分節(jié)點(diǎn)有較好的對(duì)應(yīng)，一些節(jié)點(diǎn)根本沒(méi)有對(duì)應(yīng)節(jié)點(diǎn)， 它們將干擾識(shí)別。如此幾十個(gè)節(jié)點(diǎn)，其分離能力是不同的，并且前向、半側(cè)、側(cè)面人臉?lè)蛛x能力較好的節(jié)點(diǎn)分布范圍也不一樣， g_,ugert33】深入研究了這一問(wèn)題，他給每個(gè)節(jié)點(diǎn)不同的權(quán)重，與該節(jié)點(diǎn)的分離能力成正比。后來(lái)， Wiskott[32】提出～種基于關(guān)鍵點(diǎn)的圖匹配算法，稱(chēng)為彈性束圖 (elastic bunchgraph)，其節(jié)點(diǎn)一般定位在如眼球、眼角等灰度變化劇烈，信息豐富的地方。下面介紹一下目前常用的人臉識(shí)別方法： 2． 2． 1幾種常用識(shí)別方法 目前人臉識(shí)別的方法有很多種，本節(jié)介紹四種常用的人臉識(shí)別方法，并對(duì)其 稍作論述。本文研究的人臉識(shí)別也是基于靜止圖像的。動(dòng)態(tài)人臉識(shí)別具有更大的難度。如果人臉的來(lái)源是一段視頻圖像，則人臉識(shí)別就屬于動(dòng)態(tài)人臉識(shí)別。 根據(jù)圖像來(lái)源的不同，人臉識(shí)別技術(shù)可 分為兩大類(lèi)：靜態(tài)人臉識(shí)別和動(dòng)態(tài)人 臉識(shí)別。人臉識(shí)別技術(shù)作為模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)，每年都有許多相應(yīng)的研究成果發(fā)表，并且涌現(xiàn)出各種各樣的識(shí)別方法，可以說(shuō)信息處理領(lǐng)域的各種新方法的研究和算法的改進(jìn)都在人臉識(shí)別中得到應(yīng)用。其算法各有優(yōu)缺點(diǎn)：基于幾何特征的識(shí)別其困難在于沒(méi)有形成一個(gè)特征提取標(biāo)準(zhǔn)，不過(guò)由于各種優(yōu)秀的特征提取算法 (如：彈性圖匹配 )的提出，使得人臉的幾何特征描述越來(lái)越充分；基于代數(shù)特征的識(shí)別法由于代數(shù)矢量具有一定的穩(wěn)定性，識(shí)別系統(tǒng)對(duì)不同人之間的傾斜度、表情有一定的魯棒性，但對(duì)表情的描述不夠充分，難以用于表情分析；基于連接機(jī)制的識(shí)別法采用了神經(jīng)網(wǎng)絡(luò)，在編碼壓縮與信息處理方式等方面