【正文】 段，并結(jié)合雙眼定位對原始檢測算法進行改進，得到一個雙重檢測方法，來實現(xiàn)人臉檢測功能。 9 改進型雙重人臉檢測 總結(jié) :基于幾何特征的方法雖然容易實現(xiàn)，但易出現(xiàn)人臉的誤檢漏檢，檢測效果較差 。利用該分類器可以完成對人臉的檢測，同時可以得到人臉的絕對坐標和大小。 (3)基于人臉統(tǒng)計理論的方法 基于統(tǒng)計理論進行人臉檢測的方法是目前人臉檢測領(lǐng)域的研究重心。 面部膚色特征一般通過建立膚色模型來描述， Gauss模型、混合 Gauss模型以及直方圖模型都是常用的膚色模型。但是由于外界環(huán)境的變化，光照強度、光源顏色的變化，對利用膚色特征進行人臉分割會產(chǎn)生很大的影響。人臉表情變化、人臉偏向角度變化等情況對確定膚色區(qū)域不會產(chǎn)生影響，并且其色彩信息能夠區(qū)別于大多數(shù)背景物體的顏色，從而可以很好地對人臉區(qū)域進行分割。該算法缺點是耗時較長，不利于實時性檢測。為了提高該方法的魯棒性，人們又提出了基干彈性模板的人臉檢測方法。利用算法計算出圖像待檢測區(qū)域的特征與標準臉部模板的相似度，如果相似度的大小符合制定的準則 (大干某個 閾值 )，就可以判斷檢測區(qū)域存在人臉。這種情況下，若只采用固定準則去定義人臉 .則會產(chǎn)生人瞼的誤檢漏檢，檢測準確率不高。然而，該算法也存在不容忽視的缺點，檢測準確率不高。典型的基于人臉幾何特征的方法有 :基于先驗知識的人臉檢測方法和 基 于模板的人臉檢側(cè)方法 . 基于先驗知識的檢測方法，首先需要 確定人臉區(qū)域，然后通過前輩總結(jié)的先驗知識來檢驗是否存在人臉，例如人臉面部五官的對稱性、灰度值的不同等 .人臉五官存在一些基本的規(guī)律，例如眼睛的形狀及對稱性，眼睛、鼻子、眉毛和嘴巴處的像素灰度值要大于人臉其他部位，鼻和嘴巴的中心點的連線與兩只眼睛的連線是垂直的等 .可以將這些特征信息作為一個判別準則 .若圖像符合這些準則，則確定存在人臉。 人臉檢測方法 現(xiàn)有的人臉檢測方法，人致分為三類 ： 基于人臉幾何特征的方法、基 于人臉膚色的方法和基于人臉統(tǒng)計理論的方法。 人臉及器官具有典型的邊沿和形狀特征，通常人們利用采用 Laplacian， Sobel和Canny等算子來提取邊沿 特征，將這些特征用于人臉的定位。這是一種自頂而下的方法，根據(jù)人臉面部器官的對稱性、灰度差異等先驗知識，制定一系列的準則。 7 第 3 章 人臉檢測原理與算法 人臉識別原理 人臉識別算法的原理：系統(tǒng)輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數(shù)據(jù)庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。 常用的邊緣檢測方法有 :梯度邊緣檢測、差分邊緣檢測、 Sobel 邊緣檢測算子、 Laplace邊緣檢測算子等 。提取圖像邊緣的主要依據(jù)是目標邊緣處像素點的灰度值變化比較劇烈。 圖像邊緣檢測 在對圖像 進行目標檢測時，圖像邊緣是重要的提取信息。均值濾波對高斯噪聲有較好的抑制作用，中值濾波適用于處理椒鹽噪聲。乘性噪聲往往具有隨機性，是圖像中最普通的噪聲，其中一個典型代表是光照變化。根據(jù)噪聲與信號之間的關(guān)系，噪聲也可分為加性噪聲和乘性噪聲。第二類，由于光電轉(zhuǎn)換引起的泊松噪聲 (椒鹽噪聲 )。因此，對視頻圖像進行檢測分析之前，應對輸入的圖像進行噪聲消除，盡最地消除圖像中的噪聲干擾，有助于準確快速地獲取圖像的特征，從而也能更好地進行模式識別等復雜處理，同時也能夠減少目標檢測的計算量。 本文采用 OpenCV視覺庫的接口進行灰度化處理，具體實現(xiàn)是通過使用 cvCvtColor()函數(shù)，使用 RGB2GRAY 參數(shù)，將 RGB 彩色圖轉(zhuǎn)換為灰度圖。對圖像進行灰度化處理是智能識別的基礎(chǔ)，一般采集的圖像都是三原色 (R, G. B 三個分量 )。要想保證提取到的人臉特征不會受到上述這些因素的影響，則需要在提取特征 人臉之前，對圖像進行預處理。 圖像預處理 由于一些外界條件的不同，例如用干采集圖像的設(shè)備的性能好壞、現(xiàn)場光照明暗程度不同等，圖像通常會存在噪聲、清晰度低等缺陷。 (10)基本的 GUI （圖像與視頻顯示、鍵盤和鼠標事件處理、滾動條）。 (8)運動分析（光流、運動分割、跟蹤）。 (6)結(jié)構(gòu)分析（連接部件、輪廓處理、距離變換、各自距計算、模板匹配、 Hough 變換、多邊形逼近、直線擬合、橢圓擬合、 Delaunay 三角劃分等）。 (4)各種動態(tài)數(shù)據(jù)結(jié)構(gòu)（列表、隊列、集合、樹、圖等）。 (2)圖像是視頻的輸入輸出 I/O（文件與攝像頭 的輸入、圖像和視頻文件輸出）。 圖 21 OpenCV的基本結(jié)構(gòu) 圖 21 中并沒有包含 CvAux 模塊，該模塊中一般存放一些即將被淘汰的算法和函數(shù) (如基于嵌入式隱馬爾可夫模型的人臉識別算法 )，同時還有一些新出現(xiàn)的實驗性的算法和函數(shù) (如背景和前景的分割 )。 HighGUI 包含圖像和視頻輸入 /輸出的函數(shù)。 OpenCV 的 CV 模塊包含基本的圖像處理函數(shù)和高級的計算機視覺算法。將視覺識別技術(shù)用在聲譜圖上， OpenCV 可以進行聲音和音樂識別。 應用領(lǐng)域 自從 OpenCV在 1999 年 1 月發(fā)布 alpha 版本開始，它就被廣泛用在許多應用領(lǐng)域、產(chǎn)品和研究成果中。該機器學習庫側(cè)重于統(tǒng)計方面的模式識別和聚類。 OpenCV包含的函數(shù)有 500 多個，覆蓋了計算機視覺 的許多應用領(lǐng)域，如工廠產(chǎn)品檢測、醫(yī)學成像、信息安全、用戶界面、攝像機標定、立體視覺和機器人等。如果系統(tǒng)已經(jīng)安裝了 IPP 庫， OpenCV 會在運行時自動使用相應的 IPP 庫。如果是希望在 Intel 平臺上得到更快的處理速度，可以購買 Intel 的高性能多媒體函數(shù)庫 IPP(Integrated Performance Primitives)。 OpenCV 的設(shè)計目標是執(zhí)行速度盡量快，主要關(guān)注實時應用。 OpenCV 采用 C/C++語言編寫，可以運行在 Linux/Windows/Mac 等操作系統(tǒng)上。 1999年在俄羅斯設(shè)立的軟件開發(fā)中心 “Software Developmellt Cellter168。 3 第 2 章 人臉圖像處理技術(shù) OpenCV 概述 OpenCV簡介 OpenCV 是 Intel 公司支持的開源計算機視覺庫。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在實際應用中仍面臨著很嚴峻的問題 ,因為人臉五官的分布是非常相似的，而且人臉本身又是一個柔性物體，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大的麻煩。 研究意義 人臉識別是機器視覺和模式識別領(lǐng)域最富有挑戰(zhàn)性的課題之一，同時也具有較為廣泛的應用意義。 這些困難都為解決人臉問題造成了難度。但是在實際運用中，各種條件不可能都滿足，特別是針對戶外監(jiān)控識別系統(tǒng)，環(huán)境變化比較大，現(xiàn)有系統(tǒng)識別效率明顯下降。人臉與人體的其他生物特征 (指紋、虹膜等 )一樣與生俱來不可改變，它們所具有的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，同其他生物特征識別技術(shù)相比，人臉識別技 術(shù)具有操作簡單、結(jié)果直觀、隱蔽性好的優(yōu)越性。現(xiàn)在，隨著科學技術(shù)和電子商務的發(fā)展，人臉檢測的應用背景已經(jīng)遠遠超出了人臉識別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、計算機視覺、人機交互等方面都有著重要的應用價值。計算機視覺是當前計算機科學中的一個非常活躍的領(lǐng)域，其基本假設(shè)是：可以用計算的方式來模擬人類的視覺機制。 classifier 。s face, such as eyes, nose and mouth, and other subtle features accurate. Because in the field of human security detection systems, medical records management, video conferencing, and humanputer interaction face detection system has bright prospects, and therefore face detection is being a two interdisciplinary research fields hot topic: artificial intelligence and The current pattern recognition. This article is based. penCV vision library designed and developed specifically for digital image face detection process, the principles used face detection methods are mainly classifier training mode (Adaboost algorithm) to extract Haar features. It is in the vital role of the software, the image of the human face accurately locate and identify all that is good or bad a direct impact on the image processing. This software is designed image processing method used in part based Haar Adaboost algorithm to extract features, on top of this to be to get the full cascade classifier structure by integrating the diagram method for face detection, OpenCV cascade classifier is trained by Adaboost face detection algorithm, then the use of the experimental sample under different circumstances for accurate positioning and testing. Through design and debugging code, face detection and location in the final test for digital images to achieve better results and improve the accuracy of positioning and recognition. Keywords: face detection 。經(jīng)過代碼的設(shè)計和調(diào)試，在最后的測試中針對數(shù)字圖像進行的人臉檢測和定位達到了較好的效果，提