【正文】 訓(xùn)練圖像 訓(xùn)練圖像沒有界面，因?yàn)樵撨^程只需要計(jì)算圖像的灰度值，然后根據(jù)灰度提取人臉的特征，然后把結(jié)果保存在 xml 文件中，該 xml文件可以用來識(shí)別人臉，同時(shí)每次 更新人臉數(shù)據(jù)庫之后都需要訓(xùn)練一次。為防止保存次數(shù)太多，同時(shí)實(shí)驗(yàn)也不需要過多的照片，所以限制每次最多拍攝 5張圖像。如果不用攝像頭，也可以從電腦中導(dǎo)入圖像，拍攝 和導(dǎo)入只能選一種方式。 錄入信息界面 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 17 頁 首先填寫個(gè)人基本信息，填寫完成之后“提交”，提交時(shí)會(huì)檢查信息是否完整，如果完整則會(huì)以學(xué)號(hào)為文件名生成一個(gè)文件夾，同時(shí)“提交”按鈕變灰色。點(diǎn)擊“錄入圖像”彈出信息采集的對(duì)話框，點(diǎn)擊“訓(xùn)練圖像”則對(duì)現(xiàn)有的圖像全部進(jìn)行計(jì)算，然后將結(jié)果保存為 xml文件。 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 15 頁 第四章 人臉識(shí)別系統(tǒng)的實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析 開發(fā)環(huán)境和工具 Inter core i3 處理器 50萬像素?cái)z像頭 Visual stdio 2021 開發(fā)工具包 MicroSoft SQL Server2021 人臉識(shí)別系統(tǒng)的模塊 人臉識(shí)別系統(tǒng)分為三大模塊：圖像采集，數(shù)據(jù)訓(xùn)練，人臉識(shí)別。 本章小結(jié) 本章第一節(jié)首先簡單介紹了主成分分析法的基本思想，接著詳細(xì)闡述了主成分分析法的數(shù)學(xué)原理，主要是對(duì)協(xié)方差矩陣的特性和原理做了詳細(xì)的說明，最后一小節(jié)說明了 PCA 在人臉識(shí)別中的應(yīng)用。 但是，由于 PCA 方法本質(zhì)上是依賴于圖像訓(xùn)練集和待識(shí)別圖像的灰度相關(guān)性，而 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 14 頁 且要求待識(shí)別圖像與訓(xùn)練集圖像相似，所以該方法有著較大的局限性，主要表現(xiàn)在以下方面： (1)對(duì)尺度變化很敏感，因此在識(shí)別前必須先進(jìn)性幾何歸一化處理，而且 PCA 在圖像空間是線性的，它不能處理幾何變化； (2)只能處理正面的人臉圖像，側(cè)面人臉識(shí)別率較低，并且在人的姿態(tài)、發(fā)型和環(huán)境光照等變化較大時(shí)時(shí)，識(shí)別率也會(huì)明顯下降； (3)要求的環(huán)境背景相對(duì)單一，對(duì)于復(fù)雜多變化的環(huán)境背景，則需要首先進(jìn)行復(fù)雜而精密的圖像分割和圖像預(yù)處理，這樣無疑增加了復(fù)雜度和運(yùn)算量，所以難以克服環(huán)境的多變性導(dǎo)致的干擾； (4)訓(xùn)練的時(shí)間較長，在樣本圖像比較大的時(shí)候需要很長時(shí)間計(jì)算。本文由于只針對(duì)小樣本的圖像識(shí)別，綜上所述選擇歐氏距離來判別相似度比較合適。 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 13 頁 上述“距離”可以有很多種，這里簡單介紹幾種； (1)L1 范式 像素之間差的絕對(duì)值之和， L1 范式計(jì)算公式如下： ?? ??ki ii yxyxL 11 ),( k=p*q, (2)L2 范式（歐式距離） 像素之間的差的平方之和， L2范式計(jì)算公式如下： 212 )(),( iki i yxyxL ???? k=p*q (3)協(xié)方差 先將兩張圖片歸一化，然后求協(xié)方差，圖像 A 和圖像 B 的協(xié)方差計(jì)算如下： Cov(A,B)=BBAA? L1范式計(jì)算簡單，但是不能很好的反 應(yīng)待識(shí)別圖像和樣本的相似度，利用協(xié)方差來判斷兩張圖片的相似度也不合適，因?yàn)閮蓮垐D片的灰度值大致成比例會(huì)誤判為相似度最高的，而實(shí)際上灰度值差別可能會(huì)很大。 對(duì)于待識(shí)別的圖像，也看成是一列向量，投影到子空間中得到一個(gè)投影矩陣，然后一一求出這個(gè)投影矩陣與樣本圖像投影矩陣的“距離”，找出與該圖像距離最小的一張圖像，這張圖像就是與帶識(shí)別圖像最相似的。通常所說的“特征臉”就是這些特征向量，而特征矩陣就是“特征臉”空間或者說子空間。 假如樣本由 n張大小為 p*q的人臉圖像組成，那么每一張圖像可以保存成一列向量，向量維數(shù)是 p*q，整個(gè)樣本可以看成是一個(gè)行數(shù)為 n，列數(shù)為 p*q 的矩陣，記為矩陣 A。 由以上分析可以得出主成分分析法的基本步驟： 1） 收集數(shù)據(jù)，組成一個(gè) m*n 的矩陣； 2） 求出矩陣的協(xié)方差矩陣； 3） 求出協(xié)方差矩陣的特征值； 4） 選取最大的前 q 個(gè)特征值，并求出對(duì)應(yīng)的特征向量，組成特征矩陣 q*m； 5） 將初始矩陣乘以特征矩陣，得到投影矩陣。將矩陣 A乘特征矩陣就可以得到一個(gè)新的 n*q的投影矩陣。因?yàn)樘卣髦翟酱螅硎揪仃囋趯?duì)應(yīng)特征向量上的“信號(hào)”越強(qiáng)，或者說在該特征向量方向上的特征越多。 協(xié)方差矩陣計(jì)算盡管較簡單，但是能導(dǎo)出一個(gè)變換矩陣，這個(gè)矩陣能使數(shù)據(jù)完全去相關(guān) (decorrelation)，也就是說能夠找出一組最佳的基以緊湊的方式來表達(dá)數(shù)據(jù)。協(xié)方差矩陣中的每一個(gè)元素是表示的隨機(jī)向量 X的不同分量之間的協(xié)方差，如元素 Cij 就是反映的隨機(jī)變量 Xi, Xj 的協(xié)方差。 主成分分析法數(shù)學(xué)原理 PCA 要解決的是這樣一類問題，即對(duì)于維數(shù)較高的矩陣，如何選取一組正交基，使得矩陣在該正交基上的投影能夠最大程度的代表該矩陣。 在人臉圖像中，人的眼睛，鼻子，嘴等部位的特征信息較大，而額頭和臉頰等部位的特征信息較少。 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 11 頁 ? ? ? ? ? ?? ? ? ? ? ?? ? ? ? ? ? ???????????????????????????????????))(())(())(())(())(())(()()(())(())((221122222211221122111111kkkkkkkkkkkkuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEuXuXEC????????? 第三章 人臉識(shí)別 主成分分析法的基本思想 PCA：主成分分析法（ Principal ponent Analysis），它可以從多元事物中解析出主要影響因素，揭示事物的本質(zhì)，簡化復(fù)雜的問題。 三． 使用 opencv 自帶程序 建立 vec文件 在 opencv 文件中有兩個(gè)程序可以用來訓(xùn)練圖像，文件目錄如下： 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 8 頁 將 和 拷貝到正負(fù)樣本文件夾下 在 cmd 下 ,首先進(jìn)入當(dāng)前文件夾目錄，輸入如下命令： vec info pos\ bg neg\ w 40 h 40 num 14 指令含義如下： vec輸出文件的文件名 info源圖片的圖片名 bg背景圖像的圖像名 num要產(chǎn)生的樣本的數(shù)量 w樣本圖像的寬 h樣本圖像的高 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 9 頁 四．使用 進(jìn)行訓(xùn)練 在 cmd 下輸入如下指令： data xml vec bg neg\ w 40 h 40 mem 500 data訓(xùn)練好的 xml 文件的存放路徑 vec正樣本文件名 bg背景描述文件名 w樣本圖像的寬 h樣本圖像的高 mem分配的內(nèi)存大小 單位為 MB 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 10 頁 圖片數(shù)量多的時(shí)候，訓(xùn)練時(shí)間比較長，需要掛機(jī)訓(xùn)練。 則在圖片目錄下建立一個(gè) 文件，文件說明的內(nèi)容： 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 7 頁 第一個(gè)是圖片的名稱，“ 1”指該圖片出現(xiàn)的次數(shù)， 0 0 40 40 代表從（ 0,0）到（ 40,40）的矩形框。 負(fù)樣本的數(shù)量一定要多于正樣本，且越多越好，負(fù)樣本圖像的大小可以不統(tǒng)一，用灰度圖可以提高訓(xùn)練效率，負(fù)樣本的差異性越大越好，一般訓(xùn)練的比較好的負(fù)樣本數(shù)量近 1000 張，可以在網(wǎng)上下載素材庫。 樣本的訓(xùn)練 樣本的訓(xùn)練分為以下步驟： vec 文件 一．采集樣本 訓(xùn)練圖像需要收集大量的圖像，其中分為正樣本和負(fù)樣本，正樣 本是指僅包含待檢測(cè)目標(biāo)的圖像，負(fù)樣本是指不含待檢測(cè)目標(biāo)的圖像。在 opencv 函數(shù)庫中， 湖南大學(xué)畢業(yè)設(shè)計(jì)（論文） 第 6 頁 目標(biāo)檢測(cè)函數(shù) cvHaarDetectObjects（）的第六個(gè)參數(shù)， 可以設(shè)置檢測(cè)的方式，如果設(shè)置為 CV_HAAR_DO_CANNY_PRUNING，則該函數(shù)將利用 Canny 邊緣檢測(cè)器來排除一些邊緣很少或者很多的圖像區(qū)域，因?yàn)檫@樣的區(qū)域一般不包含被檢測(cè)的目標(biāo)，人臉檢測(cè)中通過使用了這種方法設(shè)定閾值，從而可以提高檢測(cè)的速度。在圖像檢測(cè)中，被檢窗口依次通過每一級(jí)分類器， 這樣在前面幾層的檢測(cè)中大部分的候選區(qū)域就被排除了，全部通過每一級(jí)分類器檢測(cè)的區(qū)域即為目標(biāo)區(qū)域。檢測(cè)到目標(biāo)區(qū)域 (車牌或人臉 )分類器輸出為目標(biāo)數(shù) n，否則輸出為 0。為了搜索不同大小的目標(biāo)物體，分類器被設(shè)計(jì)為可以進(jìn)行尺寸改變，這樣比改變待檢圖像的尺寸大小更為有效。然后逐漸提高分類器的標(biāo)準(zhǔn) (也就是說使用包含更多特征的分類器 ,同時(shí)增加了計(jì)算成本 ) 這樣的逐級(jí)篩選能夠降低計(jì)算成本。 分類器訓(xùn)練完以后，得到一個(gè) xml 文件，就可以把這個(gè) xml文件應(yīng)用于對(duì)輸入圖像進(jìn)行目標(biāo)檢測(cè)。訓(xùn)練樣本分為正例樣本和反例樣本，其中正例樣本是指只含待檢目標(biāo)樣本 (例如人臉，車牌等等 )，反例樣本指不含待檢測(cè)目標(biāo)的其它任意圖片，所有的樣本圖片都被歸一化為同樣的尺寸大小，假設(shè) 30x30?；谙袼氐娜四樧R(shí)別的算法計(jì)算成本較高， Haar 特征是基于 塊 的特征 ,能夠降低計(jì)算成本。 湖南