【正文】 。這樣龐大的數(shù)字給后續(xù)的迭代訓(xùn)練工作帶來(lái)了龐大的計(jì)算量，直接導(dǎo)致 AdaBoost 算法訓(xùn)練過(guò)程極為費(fèi)時(shí)，這恰恰是算法需要改進(jìn)的關(guān)鍵問(wèn)題之一。 haar 特征 確定閥值，由矩形特征生成對(duì)應(yīng)的弱分類(lèi)器 矩形特征原型 非人臉樣本集 強(qiáng)分類(lèi)器集 非人臉圖片集 計(jì)算樣本積分圖 補(bǔ)充非人臉樣本 若分類(lèi)器集 挑選最優(yōu)弱分類(lèi)器 ， 調(diào) 用AdaBoost 算法訓(xùn)練強(qiáng)分類(lèi)器 特征集 人臉樣本集 計(jì)算矩形特征值 訓(xùn) 練 部 分 補(bǔ)充部分 西北大學(xué)本科畢業(yè)論文 圖 常用的四中 haar 特征 常用的 Haar 特征有 4 種，如圖 所示。 (5)以非人臉圖片集為輸入，組合強(qiáng)分類(lèi)器為臨時(shí)的級(jí)聯(lián)分類(lèi)器，篩選并補(bǔ)充非人臉樣本。 (3)以弱 分類(lèi)器集為輸入， 在訓(xùn)練檢出率和誤判率限制下， 使用 AdaBoost 算法，挑選最優(yōu)的弱分類(lèi)器構(gòu)成強(qiáng)分類(lèi)器 。依據(jù)系統(tǒng)框架，如圖，本文的訓(xùn)練系統(tǒng)可分為以下幾個(gè)模塊 : (1)以樣本集為輸入，在給定的矩形特征原型下，計(jì)算并獲得矩形特征集 。 每個(gè) Haar 特征對(duì)應(yīng) 看一個(gè)弱分類(lèi)器，但并不是任何一個(gè) Haar 特征都能較好的描述人臉灰度分布的某一特點(diǎn)，如何從大量的 Haar 特征中挑選出最優(yōu)的 Haar 特征并制作成分類(lèi)器用于人臉檢測(cè)，這是 AdaBoost 算法訓(xùn)練過(guò)程所要解決的關(guān)鍵問(wèn)題。在新的樣本分布下，再次對(duì)弱分類(lèi)器進(jìn)行訓(xùn)練，得到弱分類(lèi)器 h2 。 AdaBoost 算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的。下一節(jié)將詳細(xì)介紹這一算法。三是主成份分析法，該方法隨著樣本的增加需要不斷的舍棄一些 PC 以維持子空間維數(shù)不變，因而該方法精度稍差。一是基于模版匹配的算法，其核心思想是利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架，在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征定位，解決人臉識(shí)別過(guò)程中的 觀(guān)察角度、遮擋和表情變化等影響因素。并依據(jù)這些信息，進(jìn)一步提取每個(gè)人臉中所蘊(yùn)涵的身份特征，并將其與已知的人臉進(jìn)行對(duì)比，從而識(shí)別每個(gè)人臉的身份。人臉檢測(cè)長(zhǎng)期以來(lái)受檢測(cè)的精度和檢測(cè)的速度困擾 ,直到上世紀(jì) 90年代 ,由 Viola提出的基于 AdaBoost算法極大地提高了人臉檢測(cè)地速度的和精度 , 使人臉檢測(cè)技術(shù)真正走向?qū)嵱?。是自?dòng)人臉識(shí)別系統(tǒng)的一個(gè)關(guān)鍵環(huán)節(jié)。如果存在，則返回其位置和各個(gè)人臉?biāo)嫉膮^(qū)域。本文主要用基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法進(jìn)行人臉識(shí)別。訓(xùn)練好網(wǎng)絡(luò)后，就可用它對(duì)新輸入的人臉進(jìn)行識(shí)別。一般認(rèn)為連接權(quán)值初值可在區(qū)間 [，]內(nèi)隨機(jī)選取。 H≈ K/2 即網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)是取為訓(xùn)練樣本數(shù)的一半。一般地，隱層的神經(jīng)元數(shù) H 大，網(wǎng)絡(luò)的冗余性大，增加了網(wǎng)絡(luò)一次訓(xùn)練的訓(xùn)練時(shí)間，盡管使網(wǎng)絡(luò)收斂的訓(xùn)練次數(shù)會(huì)減少，但會(huì)降低分類(lèi)器的推廣能力。為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，可對(duì)輸入矢量做標(biāo)準(zhǔn)化處理，并給個(gè)連接權(quán)適當(dāng)?shù)馁x予初值。人臉圖像矢量的維數(shù) N 通常比較大，而訓(xùn)練樣本數(shù) K 通常比較小，所以設(shè)計(jì)用于人臉識(shí)別的 BP 神經(jīng)網(wǎng)絡(luò)分類(lèi)器比較困難。記輸入層神經(jīng)元數(shù)為 I，隱含層神經(jīng)元數(shù)為 H，輸出層神經(jīng)元數(shù)為 J。在隱層數(shù)足夠多的情況下，由超平面所形成的線(xiàn)性區(qū)域?qū)o(wú)窮多，其第一隱層可以在模式空間實(shí)現(xiàn)各種超平面分割；第二隱層實(shí)現(xiàn)第一隱層的邏輯“與”運(yùn)算，即將其分割的模式超平面空間按類(lèi)別進(jìn)行空間劃分；而輸出層由第 二隱層的輸出值進(jìn)行邏輯“或”運(yùn)算，即將進(jìn)行邏輯“與”運(yùn)算的屬于同一類(lèi)的超平面進(jìn)行歸類(lèi)。 西北大學(xué)本科畢業(yè)論文 多層感知器是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，其學(xué)習(xí)算法采用 BP 算法。同時(shí)，對(duì)每一對(duì)人的訓(xùn)練只需這一對(duì)人的特征，與其他人無(wú)關(guān) ，固系統(tǒng)具有良好的模塊化結(jié)構(gòu)，可擴(kuò)展性能好。由于系統(tǒng)每增加一個(gè)人，都要對(duì)網(wǎng)絡(luò)經(jīng)行重新訓(xùn)練，因此這種系統(tǒng)性能不佳。第一，為所有已知人臉建立一個(gè)神經(jīng)網(wǎng)絡(luò)：可對(duì)所有 已知人臉進(jìn)行分類(lèi)和識(shí)別。神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別、性別識(shí)別中都有廣泛的應(yīng)用。它不像其他的方法那樣要用一套由人來(lái)確定的規(guī)則，同時(shí)也避免了復(fù)雜的特征提取工作，他能根據(jù)有代表性的樣本進(jìn)行學(xué)習(xí)。 . 基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法 人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模擬人類(lèi)大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作機(jī)理，構(gòu)建一種類(lèi)似人腦的計(jì)算模型。本文主要用基于神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行人臉識(shí)別，下一節(jié)將詳細(xì)介紹這一方法。二是彈性圖匹配的人臉識(shí)別方法，這種方法在二維的空間中定義了一種對(duì)于通常的人臉變形具有一定的不變性的距離，并采用屬性拓?fù)鋱D來(lái)代表人臉，拓?fù)鋱D的任意頂點(diǎn)均包含一特征向量，用來(lái)記錄人臉在頂點(diǎn)位置附近的信息。人臉識(shí)別的方法有很多。 輸入訓(xùn)練集人臉圖像 圖像預(yù)處理 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 特征提取 特征提取 輸入檢測(cè)集人臉圖像 圖像預(yù)處理 決策輸出 神經(jīng)網(wǎng)絡(luò)分類(lèi)器 基于 OpenCV 的 視頻人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 13 . 常用人臉識(shí)別方法 人臉識(shí)別包括兩個(gè)方面：一是人臉檢測(cè)和定位，二是人臉識(shí)別。其識(shí)別過(guò)程分為三步：首先建立人臉的面像檔案，其 次獲取當(dāng)前的人體面像，最后用當(dāng)前的面紋編碼與檔案庫(kù)存的比對(duì)。 . 本章小結(jié) 本章介紹了人臉識(shí)別系統(tǒng)的技術(shù)框架和功能模塊，人臉檢測(cè)具有簡(jiǎn)單、方便、成本低、識(shí)別速度快等優(yōu)點(diǎn)。在實(shí)際的應(yīng)用過(guò)程中，人臉識(shí)別系統(tǒng)的應(yīng)用框架如圖 所示。 圖 人臉識(shí)別基本過(guò)程 人臉識(shí)別系統(tǒng)在對(duì)人臉圖像進(jìn)行識(shí)別之前必須首先對(duì)需要進(jìn)行識(shí)別的合法人員的人臉圖像進(jìn)行訓(xùn)練，訓(xùn)練后的系統(tǒng)才可以用來(lái)完成識(shí)別的功能。即對(duì)數(shù)據(jù)庫(kù)中的人臉圖像進(jìn)行增加、刪除、和修改等操作。識(shí)別階段的前期處理和訓(xùn)練階段是一樣的，也需要首先采集需要識(shí)別的人臉圖像，通過(guò)相同的預(yù)處理和人臉特征選擇方法，提取和選擇人臉的特征，然后將這些特征和數(shù)據(jù)庫(kù)中已經(jīng)存在的人臉特征進(jìn)行對(duì)比匹配，然后輸出確定該人員 是否是合法的人員。對(duì)預(yù)處理的人臉圖像進(jìn)行人臉特征的提取，通過(guò)多次的人臉特征的選擇，最終用選中的人臉特征作為識(shí)別時(shí)的依據(jù)。對(duì)采集到的人臉圖像進(jìn)行統(tǒng)一的處理，將其處理為大小統(tǒng)一，存儲(chǔ)格式一致的灰度圖像。使用攝像機(jī)對(duì)進(jìn)入重要場(chǎng)所的合法人員進(jìn)行人臉圖像的采集，采集 圖像時(shí)保持拍攝環(huán)境的一致性，同時(shí)拍攝的圖像要保持人臉信息的完成性。按照人臉識(shí)別的功能，本文的人臉識(shí)別系統(tǒng)框架可以用圖 來(lái)表示。 ? 圖像質(zhì)量檢測(cè)： 圖像質(zhì)量的好壞直接 影響到識(shí)別的效果，圖像質(zhì)量的檢測(cè)功能能對(duì)即將進(jìn)行比對(duì)的照片進(jìn)行圖像質(zhì)量評(píng)估，并給出相應(yīng)的建議值來(lái)輔助識(shí)別。以此杜絕使用者用照片作假。在進(jìn)行人臉?biāo)阉鲿r(shí)（搜索式），將指定的人像進(jìn)行建模，再將其與數(shù)據(jù)庫(kù)中的所有人的模板相比對(duì)識(shí)別，最終將根據(jù)所比對(duì)的相似值列出最相似的人員列表。搜索 式的比對(duì)是指，從數(shù)據(jù)庫(kù)中已登記的所有人像中搜索查找是否有指定的人像存在。 ? 人臉識(shí)別比對(duì)功能： 人臉識(shí)別分核實(shí)式和搜索式二種比對(duì)模式。 . 人臉識(shí)別的功能模塊 ? 人臉捕獲與跟蹤功能： 人臉捕獲是指在一幅圖像或視頻流的一幀中檢測(cè)出人像并將人像從背景中分離出來(lái)，并自動(dòng)地將其保存。它支持多平臺(tái)和交叉平臺(tái)的開(kāi)發(fā)，將各種編程工具如編輯器、連接器、調(diào)試器等巧妙的結(jié)合在一 起，構(gòu)成一個(gè)完美的可視化開(kāi)發(fā)環(huán)境。 OpenCV 有幾個(gè)顯著的特點(diǎn)： 、開(kāi)源 、代碼優(yōu)化 ： windows Linux Mas OS 本次設(shè)計(jì)所用的開(kāi)發(fā)工具是 Microsoft Visual C++ 。 Integrated Performance Primitives (IPP) 提供了透明接口。它輕量級(jí)而且高效由一系列 C 函數(shù)和少量 C++ 類(lèi)構(gòu)成，同時(shí)提供了 Python、 Ruby、 MATLAB 等語(yǔ)言的接口，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 ,它不依賴(lài)于其它的外部庫(kù)，但可以使用某些外部庫(kù)。 2. 人臉識(shí)別系統(tǒng)的技術(shù)框架和功能模塊 . OpenCV 簡(jiǎn)介 OpenCV 的全稱(chēng)是 (Open Source Computer Vision Library ),OpenCV 于 1999 年由Intel 建立， 如今由 Willow Garage 提供支持。人臉檢測(cè)是人臉信息處理領(lǐng)域中的一個(gè)重要課題，具有很高的學(xué)術(shù)價(jià)值和應(yīng)用潛力；同時(shí)人臉檢測(cè)又是一個(gè)極具挑戰(zhàn)性的問(wèn)題。介紹了本文設(shè)計(jì)的基于 OpenCV 的人臉識(shí)別原型系統(tǒng)的實(shí)現(xiàn) . 本章小結(jié) 本章概括性的介紹了人臉表情 識(shí)別的背景、發(fā)展現(xiàn)狀、應(yīng)用需求。 第四章：概述了人臉檢測(cè)相關(guān)算法，介紹了本文基于 AdaBoost 算法的人臉 檢測(cè) 算法。 第二章：概述人臉識(shí)別的技術(shù)框架和功能模塊。全球 60 億人口，人臉相關(guān)技術(shù)應(yīng)用前景不可限量！ . 主要章節(jié)內(nèi)容和章節(jié)結(jié)構(gòu) 全文共分為五章，其具體內(nèi)容如下： 第一章：序言。 新增加的技術(shù)簡(jiǎn)而言之，首先是人臉檢測(cè)并提取出特征表達(dá)，隨后再據(jù)此進(jìn)行數(shù)據(jù)庫(kù)對(duì)比，最后按照相似度排序返回結(jié)果。而當(dāng)前，交易或者審批的授權(quán)都是靠密碼來(lái)實(shí)現(xiàn)，如果密碼被盜，就無(wú)法保證安全。如計(jì)算機(jī)登 錄、電子政務(wù)和電子商務(wù)。如果同時(shí)應(yīng)用人臉識(shí)別就會(huì)避免這種情況的發(fā)生。 。 、司法和刑偵。這或許是未來(lái)規(guī)模最大的應(yīng)用，國(guó)際民航組織 (ICAO)已確定，從 2021 年起，其 118 個(gè)成員國(guó)家和地區(qū)，必須使用機(jī)讀護(hù)照，人臉識(shí)別技術(shù)是首推識(shí)別模式 [6]，該規(guī)定已經(jīng)成為國(guó)際標(biāo)準(zhǔn)。 . 人臉識(shí)別的技術(shù)應(yīng)用 隨著技術(shù)的進(jìn)一步成熟和社會(huì)認(rèn)同度 的提高，人臉識(shí)別技術(shù)將應(yīng)用在更多的領(lǐng)域。如今，雖然在這方面的研究已取得了一些可喜的成果，但是 FRT 在實(shí)際應(yīng)用中仍面臨著很?chē)?yán)峻的問(wèn)題 ,因?yàn)槿四樜骞俚姆植际欠浅Ｏ嗨频?，而且人臉本身又是一個(gè)柔性物體，表情、姿態(tài)或發(fā)型、化妝的千變?nèi)f化都給正確識(shí)別帶來(lái)了相當(dāng)大的麻煩。 . 人臉識(shí)別研究的意義 人臉識(shí)別是機(jī)器視覺(jué)和模式識(shí)別領(lǐng)域最富有 挑戰(zhàn)性的課題之一，同時(shí)也具有較為廣泛的應(yīng)用意義?？傮w而言，目前建立一個(gè)魯棒的人臉識(shí)別系統(tǒng)仍然是一個(gè)很困難的問(wèn)題。從技術(shù)角度上看， 2D 人臉圖像線(xiàn)性子空間判別分析、統(tǒng)計(jì)表觀(guān)模型、統(tǒng)計(jì)模式識(shí)別方法是這一階段內(nèi)的主流技術(shù)。不足的是，此類(lèi)方法仍需要利用操作員的某些先驗(yàn)知識(shí)，仍然擺脫不了人的干預(yù)。更進(jìn)一步地， T． Kanad 設(shè)計(jì)了一個(gè)高速且有一定知識(shí)導(dǎo)引的半自動(dòng)回溯識(shí)別系統(tǒng)，創(chuàng)造性地運(yùn)用積分投影法從單幅圖像上計(jì)算出一組臉部特征參數(shù)，再利用模式分類(lèi)技術(shù)與標(biāo)準(zhǔn)人臉相匹配。他們采用 21 維特征矢量表示人臉面部特征，并設(shè)計(jì)了基于這一特征表示法的識(shí)別系統(tǒng)。 第二階段是人機(jī)交互式識(shí)別階段：這一階段所采用的主要技術(shù)方案是基于人臉幾何結(jié)構(gòu) 特征（ Geometric feature based）的研究方法，此方法的思想是首先檢測(cè)出眼、鼻、嘴等臉部主要部件的位置和大小，然后利用這些部件的總體幾何分布關(guān)系以及相互之間的參數(shù)比例來(lái)識(shí)別人臉，忽略了局部細(xì)微特征，更適合于粗分類(lèi)。 Parke 則用計(jì)算機(jī)實(shí)現(xiàn)了這一想法，并產(chǎn)生了較高質(zhì)量的人臉灰度圖模型。在 Bertillon 的系統(tǒng)中，用一個(gè)簡(jiǎn)單的語(yǔ)句與數(shù)據(jù)庫(kù)中的某一張臉相聯(lián)系，同時(shí)與指紋分析相結(jié)合，提供了一個(gè)較強(qiáng)的識(shí)別系統(tǒng)。同時(shí)，人臉檢測(cè)要走向?qū)嶋H應(yīng)用，精度和速度是亟需解決的兩個(gè)關(guān)健問(wèn)題 [4]，自 20 世紀(jì) 90 年代以來(lái)，人臉檢測(cè)的精度得到了大幅度的提高，但是速度卻一直達(dá)不到應(yīng)用系統(tǒng)用戶(hù)滿(mǎn)意的程度，為此研究者們付出艱辛的努力，直到 21世紀(jì) Viola 基于 AdaBoost 算法的人臉檢測(cè)器的發(fā)表 [8]，人臉檢測(cè)的速度才得到了實(shí)質(zhì)性的提高，該算法的發(fā)表也促進(jìn)了人臉檢測(cè)研究的進(jìn)一步蓬勃發(fā)展。人臉識(shí)別檢測(cè)是指對(duì)于任意一幅給定的圖像，采用一定的策略對(duì)其進(jìn)行搜索以確定其中是否含有人西北大學(xué)本科畢業(yè)論文 臉，如果是，則返回人臉的位置、大小和姿態(tài)，接著對(duì)人臉進(jìn)行識(shí)別。 2021 年，以清華大學(xué)和中科院自動(dòng)化研究所為代表的北京奧運(yùn)會(huì)實(shí)名制票證系統(tǒng)的實(shí)施將生物特征識(shí)別技術(shù)又推到了一個(gè)新的水平，為我國(guó)生物識(shí)別技術(shù)在安防領(lǐng)域的應(yīng)用打下了堅(jiān)實(shí)的基礎(chǔ)。在國(guó)內(nèi)，對(duì)于人臉識(shí)別技術(shù)的研究始于上世紀(jì) 90 年代，目前主要應(yīng)用在公安、金融、網(wǎng)絡(luò)安全、物業(yè)管理以及考勤等領(lǐng)域。這并非虛構(gòu)的情節(jié)。而人臉識(shí)別是所有的生物識(shí)別方法中應(yīng)用最廣泛的技術(shù)之一 [1]，人臉 識(shí)別技術(shù)是一項(xiàng)近年來(lái)興起的，但不大為人所知的新技術(shù)。隨著安全入口控制和金融貿(mào)易方面應(yīng)用需要的快速增長(zhǎng)，生物統(tǒng)計(jì)識(shí)別技術(shù)得到了新的重視。人體生物特征識(shí)別技術(shù)是依靠人體的生物特征來(lái)進(jìn)行人的身份驗(yàn)證的一種高科技識(shí)別技術(shù)。 （ 2） Design of a fast face detection algorithm in video based on OpenCV. Face detection is the precondition of face recognition, this paper uses OpenCV fast face detection algorithm to locate face in video image and extraction based on。 系統(tǒng)基于 .NET 平臺(tái)設(shè)計(jì)，使用 C++語(yǔ)言進(jìn)行實(shí)現(xiàn)，完成了基于視頻的實(shí)時(shí)人臉身份認(rèn)定。人臉檢測(cè)是人臉識(shí)別的前提，本文采用基于 OpenCV 的快速人臉檢測(cè)算法 實(shí)現(xiàn)視頻圖像中人臉的快速定位和提??； （ 3）設(shè)計(jì)了基于 AdaBoost 算法 的視頻人臉識(shí)別方法 。 本科畢業(yè)論文（設(shè)計(jì)） 題目： 基于 Ope