【正文】 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)分類器為臨時(shí)的級聯(lián)分類器，篩選并補(bǔ)充非人臉樣本。 (3)以弱分類器集為輸入， 在訓(xùn)練檢出率和 誤判率限制下， 使用 AdaBoost 算法，挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器 。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 特征對應(yīng)看一個(gè)弱分類器，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 特征并制作成分類器用于人臉檢測，這是 AdaBoost 算法訓(xùn)練過程所要解決的關(guān)鍵問題。在新的樣本分布下，再次對弱分類器進(jìn)行訓(xùn)練，得到弱分類器 h2 。 AdaBoost 算法中不同的訓(xùn)練集是通過調(diào)整每個(gè)樣本對應(yīng)的權(quán)重來實(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，解決人臉識別過程中的觀察角度、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)行對比，從而識別每個(gè)人臉的身份。人臉檢測長期以來受檢測的精度和檢測的速度困擾 ,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地速度的和精度 , 使人臉檢測技術(shù)真正走向?qū)嵱?。是自動人臉識別系統(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)的人臉識別方法進(jìn)行人臉識別。訓(xùn)練好網(wǎng)絡(luò)后，就可用它對新輸入的人臉進(jìn)行識別。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)會減少，但會降低分類器的推廣能力。為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，可對輸入矢量做標(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)用于人臉識別的 BP 神經(jīng)網(wǎng)絡(luò)分類器比較困難。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性區(qū)域?qū)o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)算的屬于同一類的超平面進(jìn)行歸類。 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)，對每一對人的訓(xùn)練只需這一對人的特征，與其他人無關(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)：可對所有已知人臉進(jìn)行分類和識別。神經(jīng)網(wǎng)絡(luò)在人臉識別、性別識別中都有廣泛的應(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)的人臉識別方法 人工神經(jīng)網(wǎng)絡(luò)是通過模擬人類大腦神經(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別方法，這種方法在二維的空間中定義了一種對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來代表人臉，拓?fù)鋱D的任意頂點(diǎn)均包含一特征向量，用來記錄人臉在頂點(diǎn)位置附近的信息。人臉識別的方法有很多。 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 輸入檢測集人臉圖像 圖像預(yù)處理 決策輸出 神經(jīng)網(wǎng)絡(luò)分類器 基于 OpenCV 的視頻人臉識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 13 . 常用人臉識別方法 人臉識別包括兩個(gè)方面：一是人臉檢測和定位，二是人臉識別。其識別過程分為三步：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存的比對。 . 本章小結(jié) 本章介紹了人臉識別系統(tǒng)的技術(shù)框架和功能模塊，人臉檢測具有簡單、方便、成本低、識別速度快等優(yōu)點(diǎn)。在實(shí)際的應(yīng)用過程中，人臉識別系統(tǒng)的應(yīng)用框架如圖 所示。 圖 人臉識別基本過程 人臉識別系統(tǒng)在對人臉圖像進(jìn)行識別之前必須首先對需要進(jìn)行識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)才可以用來完成識別的功能。即對數(shù)據(jù)庫中的人臉圖像進(jìn)行增加、刪除、和修改等操作。識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別的人臉圖像，通過相同的預(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)庫中已經(jīng)存在的人臉特征進(jìn)行對比匹配，然后輸出確定該人員是否是合法的人員。對預(yù)處理的人臉圖像進(jìn)行人臉特征的提取，通過多次的人臉特征的選擇，最終用選中的人臉特征作為識別時(shí)的依據(jù)。對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，存儲格式一致的灰度圖像。使用攝像機(jī)對進(jìn)入重要場所的合法人員進(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。按照人臉識別的功能，本文的人臉識別系統(tǒng)框架可以用圖 來表示。 ? 圖像質(zhì)量檢測： 圖像質(zhì)量的好壞直接影響到識別的效果，圖像質(zhì)量的檢測 功能能對即將進(jìn)行比對的照片進(jìn)行圖像質(zhì)量評估，并給出相應(yīng)的建議值來輔助識別。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)庫中的所有人的模板相比對識別，最終將根據(jù)所比對的相似值列出最相似的人員列表。搜索式的比對是指，從數(shù)據(jù)庫中已登記的 所有人像中搜索查找是否有指定的人像存在。 ? 人臉識別比對功能： 人臉識別分核實(shí)式和搜索式二種比對模式。 . 人臉識別的功能模塊 ? 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出人像并將人像從背景中分離出來，并自動地將其保存。它支持多平臺和交叉平臺的開發(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)完美的可視化開發(fā)環(huán)境 。 OpenCV 有幾個(gè)顯著的特點(diǎn)： 、開源 、代碼優(yōu)化 ： windows Linux Mas OS 本次設(shè)計(jì)所用的開發(fā)工具是 Microsoft Visual C++ 。 Integrated Performance Primitives (IPP) 提供了透明接口。它輕量級而且高效由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時(shí)提供了 Python、 Ruby、 MATLAB 等語言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法 ,它不依賴于其它的外部庫，但可以使用某些外部庫。 2. 人臉識別系統(tǒng)的技術(shù)框架和功能模塊 . OpenCV 簡介 OpenCV 的全稱是 (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)人臉檢測又是一個(gè)極具挑戰(zhàn)性的問題。介紹了本文設(shè)計(jì)的基于 OpenCV 的人臉識別原型系統(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：概述了人臉檢測相關(guān)算法，介紹了本文基于 AdaBoost 算法的人臉 檢測 算法。 第二章：概述人臉識別的技術(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)簡而言之，首先是人臉檢測并提取出特征表達(dá)，隨后再據(jù)此進(jìn)行數(shù)據(jù)庫對比，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)都是靠密碼來實(shí)現(xiàn)，如果密碼被盜，就無法保證安全。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)用人臉識別就會避免這種情況的發(fā)生。 。 、司法和刑偵。這或許是未來規(guī)模最大的應(yīng)用，國際民航組織 (ICAO)已確定，從 2022 年起，其 118 個(gè)成員國家和地區(qū)，必須使用機(jī)讀護(hù)照，人臉識別技術(shù)是首推識別模式 [6]，該規(guī)定已經(jīng)成為國際標(biāo)準(zhǔn)。 . 人臉識別的技術(shù)應(yīng)用 隨著技術(shù)的進(jìn)一步成熟和社會認(rèn)同度的提高，人臉識別技術(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)用中仍面臨著很嚴(yán)峻的問題 ,因?yàn)槿四樜骞俚姆植际欠浅Ｏ嗨频模胰四槺旧碛质且粋€(gè)柔性物體，表情、姿態(tài)或發(fā)型、化妝的千變?nèi)f化都給正確識別帶來了相當(dāng)大的麻煩。 . 人臉識別研究的意義 人臉識別是機(jī)器視覺和模式識別領(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)魯棒的人臉識別系統(tǒng)仍然是一個(gè)很困難的問題。從技術(shù)角度上看， 2D 人臉圖像線性子空間判別分析、統(tǒng)計(jì)表觀模型、統(tǒng)計(jì)模式識別方法是這一階段內(nèi)的主流技術(shù)。不足的是，此類方法仍需要利用操作員的某些先驗(yàn)知識，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)高速且有一定知識導(dǎo)引的半自動回溯識別系統(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別系統(tǒng)。 第二階段是人機(jī)交互式識別階段：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)比例來識別人臉，忽略了局部細(xì)微特征，更適合于粗分類。 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)簡單的語句與數(shù)據(jù)庫中的某一張臉相聯(lián)系，同時(shí)與指紋分析相結(jié)合，提供了一個(gè)較強(qiáng)的識別系統(tǒng)。同時(shí)，人臉檢測要走向?qū)嶋H應(yīng) 用，精度和速度是亟需解決的兩個(gè)關(guān)健問題 [4]，自 20 世紀(jì) 90 年代以來，人臉檢測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)用戶滿意的程度，為此研究者們付出艱辛的努力，直到 21世紀(jì) Viola 基于 AdaBoost 算法的人臉檢測器的發(fā)表 [8]，人臉檢測的速度才得到了實(shí)質(zhì)性的提高，該算法的發(fā)表也促進(jìn)了人臉檢測研究的進(jìn)一步蓬勃發(fā)展。人臉識別檢測是指對于任意一幅給定的圖像，采用一定的策略對其進(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)，接著對人臉進(jìn)行識別。 2022 年，以清華大學(xué)和中科院自動化研究所為代表的北京奧運(yùn)會實(shí)名制票證系統(tǒng)的實(shí)施將生物特征識別技術(shù)又推到了一個(gè)新的水平，為我國生物識別技術(shù)在安防領(lǐng)域的應(yīng)用打下了堅(jiān)實(shí)的基礎(chǔ)。在國內(nèi)，對于人臉識別技術(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)。而人臉識別是所有的生物識別方法中應(yīng)用最廣泛的技術(shù)之一 [1]，人臉識別技術(shù)是一項(xiàng)近年來興起的，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，生物統(tǒng)計(jì)識別技術(shù)得到了新的重視。人體生物特征識別技術(shù)是依靠人體的生物特征來進(jìn)行人的身份驗(yàn)證的一種高科技識別技術(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 平臺設(shè)計(jì)，使用 C++語言進(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。人臉檢測是人臉識別的前提，本文采用基于 OpenCV 的快速人臉檢測算法 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 的視頻人臉識別方法 。 本科畢業(yè)論文（設(shè)計(jì)） 題目： 基于 OpenCV 的視頻人臉識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 學(xué)生姓名 學(xué) 號 指導(dǎo)教師 院 系 軟件學(xué)院 專 業(yè) 軟件工程 年 級 2022 級 教務(wù)處制 二零一四年六月 成績 基于 OpenCV 的視頻人臉識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) 1 摘 要 基于生物特征識別的身份認(rèn)證方法和系統(tǒng)研究一直以來都是計(jì)算機(jī)圖形學(xué)和模式識別領(lǐng)域研究的熱點(diǎn)， 其中，由于人臉的