【正文】 速發(fā)展起來。人臉識(shí)別技術(shù)的應(yīng)用前景十分廣泛。（3）移動(dòng)智能終端不斷發(fā)展和普及，人臉識(shí)別技術(shù)面臨機(jī)遇與挑戰(zhàn)近年來，隨著智能終端的不斷普及，移動(dòng)通信技術(shù)的不斷發(fā)展，越來越多的人選擇使用終端進(jìn)行交互。國際電信聯(lián)盟最新公布的統(tǒng)計(jì)數(shù)據(jù)顯示，截至 2010年年底。另外，由于目前的手機(jī)終端性能相對于PC機(jī)還有一定的差距，如何使傳統(tǒng)的人臉識(shí)別技術(shù)在手機(jī)終端上得到良好的應(yīng)用也是一個(gè)挑戰(zhàn)。 （4）移動(dòng)互聯(lián)網(wǎng)近年來發(fā)展迅猛，智能手機(jī)與外界交流越來越多，獨(dú)立于手機(jī)的人臉識(shí)別系統(tǒng)功能有限，運(yùn)行受到限制，而分布式架構(gòu)的人臉檢測與識(shí)別系統(tǒng)更能滿足移動(dòng)互聯(lián)網(wǎng)的需要。2010年，中國移動(dòng)互聯(lián)網(wǎng)市場用戶規(guī)模達(dá)近3 億，%。[1]。而便攜小巧的移動(dòng)設(shè)備的輸入能力非常有限，一定程度上限制了傳統(tǒng)身份驗(yàn)證方式的使用。而這種驗(yàn)證方式是在移動(dòng)分布式環(huán)境下進(jìn)行的?？傊?，傳統(tǒng)人臉識(shí)別技術(shù)應(yīng)用廣泛，移動(dòng)終端和移動(dòng)互聯(lián)網(wǎng)絡(luò)的發(fā)展為人臉識(shí)別技術(shù)提供新的發(fā)展機(jī)會(huì)。因此，研究和探索移動(dòng)計(jì)算環(huán)境下的人臉識(shí)別技術(shù)和應(yīng)用具有非常重要的現(xiàn)實(shí)和研究意義。20世紀(jì)90年代以來，隨著高速高性能計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別方法有了重大突破，進(jìn)入了真正的機(jī)器自動(dòng)識(shí)別階段。更多的學(xué)者則從事利用輸入圖像進(jìn)行計(jì)算機(jī)人臉識(shí)別的研究工作[3]。國內(nèi)關(guān)于人臉自動(dòng)識(shí)別的研究始于二十世紀(jì)80年代，主要的研究單位有清華大學(xué)，哈爾濱工業(yè)大學(xué)，中科院計(jì)算所，中科院自動(dòng)化所，復(fù)旦大學(xué)，北京科技大學(xué)等，并都取得了一定的成果。四川大學(xué)的周激流教授實(shí)現(xiàn)了具有反饋機(jī)制的人臉正面識(shí)別系統(tǒng)，運(yùn)用積分投影法提取面部特征的關(guān)鍵點(diǎn)并用于識(shí)別，獲得了比較滿意的效果。中國科技大學(xué)楊光正等提出一種基于鑲嵌圖的人臉自動(dòng)識(shí)別方法，采用基于知識(shí)的三級(jí)金字塔結(jié)構(gòu)對人臉進(jìn)行基本定位，前兩級(jí)建立在不同分辨率的鑲嵌圖基礎(chǔ)上，第三級(jí)用一種改進(jìn)的邊緣檢測方法進(jìn)一步檢測眼睛和嘴巴。南京理工大學(xué)楊靜宇等主要是采用奇異值分解方法進(jìn)行人臉識(shí)別研究，如用Daubechies正交小波變換對人臉圖像作預(yù)處理，等到不同頻帶上的4個(gè)子圖像，對它們分別提取奇異值，然后用最近鄰方法進(jìn)行分類，同時(shí)設(shè)計(jì)一種適用于多分類結(jié)果融合的群體決策算法，并且對分類結(jié)果有選擇的進(jìn)行融合。張輝，周宏祥，何振亞采用對稱主元分析神經(jīng)網(wǎng)絡(luò)，用去冗余和權(quán)值正交相結(jié)合的方法對人臉進(jìn)行特征提取和識(shí)別。 本文研究的主要內(nèi)容本系統(tǒng)的開發(fā)設(shè)計(jì)主要是在Android手機(jī)操作系統(tǒng)上移植OpenCV開源庫來實(shí)現(xiàn)人臉檢測系統(tǒng)。（1）多種人臉檢測和人臉識(shí)別算法的研究：目前人臉檢測方法主要有基于知識(shí)的方法、特征不變方法、模板匹配方法、基于表象的方法。本文主要分析了各個(gè)方法的優(yōu)缺點(diǎn)，并選擇AdaBoost算法和LBP直方圖匹配算法用于實(shí)現(xiàn)人臉檢測和人臉識(shí)別。LBP直方圖匹配人臉識(shí)別算法就是利用Adaboost算法提取出的灰度圖像進(jìn)行直方圖匹配實(shí)現(xiàn)人臉識(shí)別。OpenCV只提供C／C++、P on接口，這就涉及到Java與C／C++混合編程、Java程序與C／C++程序互相調(diào)用的問題，故需要利用JNI編寫本地代碼，并采用Android NDK編譯本地代碼。（4）人臉識(shí)別軟件實(shí)現(xiàn)：論文研究的主要是兩個(gè)部分，一部分是Android程序的JAVA平臺(tái)的開發(fā)，主要涉及到UI界面和程序的邏輯流程；另一部分是JNI接口的開發(fā)，也就是用來鏈接JAVA與C／C++的部分 論文結(jié)構(gòu)安排本文第一章節(jié)為緒論,主要探討了人臉識(shí)別的研究背景和意義和國內(nèi)外的研究現(xiàn)狀，本文從第二章節(jié)開始逐一介紹了人臉檢測與人臉識(shí)別的一些常用方法，并分析這些方法的優(yōu)點(diǎn)和缺點(diǎn)并選擇人臉檢測算法Adaboost算法和人臉識(shí)別算法LBP直方圖匹配算法。最后一章是本文的一些結(jié)論與展望,以及將來的工作中要解決的問題。第四節(jié)構(gòu)架了論文的整體結(jié)構(gòu)。 人臉識(shí)別流程圖 人臉檢測對于靜態(tài)圖像，人臉檢測是指對于給定的圖像確定是否存在人臉，若有則確定人臉位置、大小、姿態(tài)，并把人臉從背景圖像中分割出來；對于視頻序列，除了檢測人臉外還要考慮對視頻系列中檢測到人臉進(jìn)行跟蹤，提取人臉運(yùn)動(dòng)信息。人臉存在的外貌、表情、膚色等多種變化的特征，以及可能存在的眼鏡、胡須、頭發(fā)、口罩等附屬物，還有光照的影響，都給人臉檢測帶來了很多挑戰(zhàn)。在21 世紀(jì)后幾十年，生物特征識(shí)別技術(shù)快速發(fā)展，目前主流的識(shí)別技術(shù)包括有：指紋識(shí)別，人臉識(shí)別等。人臉識(shí)別技術(shù)應(yīng)用非常廣泛，可用于身份識(shí)別、視頻會(huì)議以及醫(yī)學(xué)等方面。（2）圖像預(yù)處理：通過前期的圖像采集一般采集到是原始圖像，需要經(jīng)過相應(yīng)的處理才能夠達(dá)到應(yīng)用的要求。其主要內(nèi)容是去除噪聲、增強(qiáng)相關(guān)的有用信息。（3）人臉檢測：人臉檢測是人臉識(shí)別研究技術(shù)中的一個(gè)重要環(huán)節(jié)，人臉位置定位的準(zhǔn)確性直接影響到后續(xù)人臉特征的有效性。目前主要的提取方法有：基于幾何特征的人臉特征提取、基于統(tǒng)計(jì)方法的人臉特征的提取、基于變換域提取特征方法、神經(jīng)網(wǎng)絡(luò)提取特征方法等。在早期，人臉識(shí)別算法主要是假定獲取了一個(gè)正臉的正面人臉，然后通過獲取的正面人臉進(jìn)行識(shí)別。在假定正面人臉的情況下，已經(jīng)不能夠滿足實(shí)際的應(yīng)用需求，所以人臉檢測就作為了一項(xiàng)對立的研究方向發(fā)展起來。接下來主要詳細(xì)介紹人臉檢測方法。通常，主要是總結(jié)歸納人臉面部特征之間的關(guān)系，得出一個(gè)普適規(guī)則，然后使用該規(guī)則來進(jìn)行人臉檢測。（3）模板匹配方法，該方法是根據(jù)已有的知識(shí)定義了幾種標(biāo)準(zhǔn)的人臉模型，然后通過對輸入的圖像與標(biāo)準(zhǔn)人臉模型進(jìn)行相似度對比以進(jìn)行人臉檢測。（4）基于表象的方法，該方法的思想是按照一定的算法從樣本訓(xùn)練集中進(jìn)行學(xué)習(xí)，得到一個(gè)學(xué)習(xí)模型。 基于知識(shí)的方法基于知識(shí)的方法主要是使用規(guī)則來檢測人臉，而規(guī)則是人們對于人臉?biāo)偨Y(jié)的先驗(yàn)知識(shí)。通常能夠很容易的提取出用于表示人臉的特征以及他們之間相互關(guān)系的規(guī)則。在進(jìn)行人臉檢測時(shí)，首先需要提取輸入圖像中所包含面部特征，并根據(jù)規(guī)則來選定人臉候選區(qū)域。（2）器官分布規(guī)則：人臉也遵循一些普遍相互對稱的規(guī)則，如人臉的五官存在著規(guī)則的幾何分布。（3）對稱性規(guī)則：人臉是一個(gè)含有對稱性的集合體，比如兩個(gè)眼睛是相互對稱等?？傊?，基于知識(shí)的方法是自上而下的，在使用該方法時(shí)，人們很難將獲取到的人臉知識(shí)轉(zhuǎn)化為有效的規(guī)則。所以在自定規(guī)則時(shí)，需要有很強(qiáng)的先驗(yàn)知識(shí)作保證才能達(dá)到一個(gè)理想的結(jié)果。主要是通過定位人眼來判斷是否有人臉。 特征不變量方法基于特征的方法是指從已獲取到的面部特征以及這些面部特征之間的幾何關(guān)系進(jìn)行人臉檢測。在進(jìn)行人臉檢測時(shí)，光照、以及拍照姿勢對檢測結(jié)果有很大影響。該方法主要是基于一個(gè)假設(shè)，即不管外在條件如何，始終存在一些不依賴外在條件的內(nèi)在屬性或特征。論文所采用的AdaBoost方法就是基于人臉特征的方法。 模板匹配的方法通常也使用模板匹配進(jìn)行人臉檢測。其主要流程如下：（1）進(jìn)行預(yù)處理并定義一個(gè)標(biāo)準(zhǔn)人臉模板。在最簡單的模型匹配算法中，主要是將人臉看成橢圓形狀，然后進(jìn)行匹配。在計(jì)算輸入圖像時(shí)，主要是按照這幾個(gè)區(qū)域以及區(qū)域之間的關(guān)系來進(jìn)行計(jì)算?；谀０宓姆椒ū容^簡單，當(dāng)用該方法來進(jìn)行人臉檢測時(shí)，檢測效果不好，檢測率比較低。 人臉圖 基于表象的方法該方法的主要思想是按照一定的算法從樣本訓(xùn)練集中進(jìn)行學(xué)習(xí)，得到一個(gè)模型，再把得到的模板用于人臉檢測。現(xiàn)在許多人臉檢測方法都是這種基于表象的方法。把學(xué)習(xí)而來的特性總結(jié)成分布模型或者判別函數(shù)，再利用這些分布模型或者判別函數(shù)來對輸入圖像進(jìn)行計(jì)算并進(jìn)行人臉檢測判斷。大部分基于表象的人臉檢測方法都可以使用概率的知識(shí)進(jìn)行介紹與運(yùn)用。另一種基于表象的人臉檢測方法使用了人臉和非人臉的判別函數(shù)：圖像圖案先被投射到低維或者高維空間，之后使用判別函數(shù)來進(jìn)行分類。這一過程的核心是設(shè)計(jì)一個(gè)分類器。人臉驗(yàn)證解決的是“是不是他”的二類問題，人臉辨別解決的是“他是誰”的多類問題。識(shí)別過程就是特征向量之間相似性的匹配過程，采用比較多的是采用歐氏距離作為判決的準(zhǔn)則。 基于特征臉的識(shí)別方法特征臉法是一種基于主成分分析的人臉識(shí)別方法。Sirovich和Kirby最先將 （KarhunenLoeve Transform）用于人臉圖像的表示。該方法使用 KL 變換將圖像從高維向量轉(zhuǎn)換為低維向量，然后便形成一個(gè)低維的線性微量空間，人臉在這個(gè)空間的投影便是人臉的特征向量，可以用于識(shí)別。在這種方法的基礎(chǔ)上，學(xué)者們又提出了許多特征子空間方法，如Swets等人提出的線性判別法，Peng等人提出的雙子空間法，Belhumeur等人提出的Fisherface方法[8]。盡管特征臉?biāo)惴ㄊ悄壳叭四樧R(shí)別技術(shù)的主流方法，但它對人臉圖像的歸一化要求較高，其性能易受到光照和姿態(tài)的影響，因此近幾年來學(xué)者們提出了各種改進(jìn)版本或擴(kuò)展算法，如Yang等人提出了基于高階統(tǒng)計(jì)的PCA方法；Pujol等人利用人臉樣本拓?fù)潢P(guān)系提出了一種拓?fù)銹CA方法；Takeshi等人[9]則將特征臉分解到兩個(gè)正交的特征空間中以實(shí)現(xiàn)在不同的光照條件下魯棒性識(shí)別；張輝等人[10]采用對稱主元分析神經(jīng)網(wǎng)絡(luò)，用去冗余和權(quán)值正交相結(jié)合的方法對人臉進(jìn)行特征提取和識(shí)別；彭輝等人[11]也提出了特征臉的進(jìn)一步改進(jìn)方法，采用類間散布矩陣作為產(chǎn)生矩陣，以降低運(yùn)算量。 基于神經(jīng)網(wǎng)絡(luò)的方法神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法的研究近幾年來比較活躍。其中自適應(yīng)主分量網(wǎng)絡(luò)算法是比較成熟的人臉特征提取算法。神經(jīng)網(wǎng)絡(luò)還和一些傳統(tǒng)的識(shí)別方法相結(jié)合使用，提高人臉識(shí)別系統(tǒng)的準(zhǔn)確性和魯棒性。但是所需要的神經(jīng)元數(shù)量巨大，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜。 基于支持向量機(jī)的方法支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的學(xué)習(xí)方法。SVM在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢。Lee提出了用遺傳算法提取人臉面部特征[13]，用支持向量機(jī)對人臉特征進(jìn)行分類；Guo等提出用特征臉法提取人臉特征，然后再用支持向量機(jī)對人臉特征進(jìn)行分類；支持向量機(jī)具有許多優(yōu)勢，但快速學(xué)習(xí)算法是其要進(jìn)一步解決的問題。 本章小結(jié)本章主要介紹了多種人臉檢測和匹配的方法，并對比了這些方法的優(yōu)缺點(diǎn)， 在Android系統(tǒng)中主要采用了基于知識(shí)的人臉檢測方法。第三章 AdaBoost算法和直方圖匹配原理在基于計(jì)算機(jī)視覺的目標(biāo)檢測中，主要都是基于以下過程圖[15]。圖像采集一般都是用圖像感官器件獲取原始圖片信息。本文主要目的是在圖像上檢索人臉信息，所以首先要考慮的是提取什么樣的特征。本章就是按照這個(gè)順序，介紹所使用的特征提取方法，接著介紹所使用的分類器。本文主要使用的是Haar特征，用于進(jìn)行特征提取，并采用積分圖來計(jì)算特征值。 矩形特征在給定有限的數(shù)據(jù)情況下，基于特征的檢測能夠?qū)μ囟▍^(qū)域的狀態(tài)進(jìn)行編碼。對于一幅圖片，所提取的矩形特征數(shù)量是巨大的，所以需要通過一定算法對所獲取的矩形特征進(jìn)行提取，然后通過相應(yīng)的算法組合成強(qiáng)分類器，最終用于人臉檢測。本系統(tǒng)主要使用的3種類型分別為2矩形特征、3矩形特征、4矩形特征，其分別對應(yīng)如下的A、B、C、D各圖。在進(jìn)行特征提取時(shí)，可以通過改變特征模板的大小與所處的位置，就可以獲得很多的特征值。但是在具體的使用過程中，需要各類原型特征模板以多種尺度在圖像區(qū)域內(nèi)的各個(gè)位置進(jìn)行計(jì)算，從而導(dǎo)致了特征數(shù)量的總量相當(dāng)大，這也帶來了非常大的計(jì)算量。如果每次都進(jìn)行特征提取，都得重新計(jì)算，那么將導(dǎo)致后續(xù)檢測的速度很慢。 積分圖通常訓(xùn)練樣本有近萬個(gè)，隨之而來的是獲取到的矩形特征的數(shù)量非常龐大，于是Viola 等人基礎(chǔ)了積分圖像的概念[17]，加快了矩形特征的計(jì)算速度。積分圖的定義為：某個(gè)像素點(diǎn)的積分圖為圖像原點(diǎn)到該點(diǎn)的矩形區(qū)域內(nèi)的所有像素值之和。 垂直矩形的積分圖像矩形的積分圖像的公式定義如下：其中I(x39。)為圖像在點(diǎn)(x39。)處的灰度值?？梢远x為：sx,y=y39。 ()在使用積分圖的表示方法下，特征值的計(jì)算只和圖像端點(diǎn)相關(guān)。只要遍歷圖像一,就可以求得所有圖像子窗口的特征值。由于像數(shù)點(diǎn)1 矩形區(qū)域的一個(gè)頂點(diǎn)在原點(diǎn)，則像素點(diǎn)1 的積分圖為：C1=sum(A)，其中sum 表示區(qū)域內(nèi)中的所有像素的灰度值和。（2）特征值計(jì)算根據(jù)定義，矩形特征的特征值是兩個(gè)不同的矩形區(qū)域像素和之差，由公式()可以計(jì)算任意矩形特征的特征值，下面以特征模型B 為例說明特征值的計(jì)算?？梢缘贸鼋Y(jié)論為：該原型特征值的計(jì)算只和原型特征值的各個(gè)端點(diǎn)的積分圖有關(guān)。綜上使用圖像積分圖能夠快速的計(jì)算出所給定的矩形區(qū)域內(nèi)的所有像素點(diǎn)灰度值之和，也能夠快速的計(jì)算出給定的特征矩形的特征值。 矩形特征值計(jì)算 AdaBoost 分類器目前在實(shí)際中應(yīng)用的人臉檢測方法多為基于AdaBoost 學(xué)習(xí)算法的方法。本文主要采用AdaBoost算法在Android 系統(tǒng)上實(shí)現(xiàn)人臉檢測。所以首先介紹下機(jī)器學(xué)習(xí)領(lǐng)域的主要模型。計(jì)算學(xué)習(xí)理論是概率理論中發(fā)展比較成熟的一個(gè)重要分支。在PAC 學(xué)習(xí)模型中，Valiant 提出了經(jīng)典的弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)這兩個(gè)概念，這兩個(gè)模型主要用于分類學(xué)習(xí)。其方法是，首先是按照選取的一個(gè)固定概率分布率p(x)在樣本空間X 獨(dú)立的進(jìn)行樣本抽取，分別抽取樣本xl，…，xm，自動(dòng)學(xué)習(xí)器L 返回hT(xt)的值?？梢垣@得一些數(shù)據(jù)：[(x, hT(x1)),…,(xl, hT(x1))]∈[xy]在實(shí)際的應(yīng)用中，人們總希望找到一個(gè)適用于所有樣本的假設(shè)，但是實(shí)際情況是不可能的。在實(shí)際使用時(shí)，設(shè)置一個(gè)假設(shè)錯(cuò)誤率ε，如果隨機(jī)樣本被錯(cuò)誤分類的概率小于該錯(cuò)誤率ε，則可以認(rèn)為該假設(shè)是成功的。其目標(biāo)是對輸入樣本做出一個(gè)非常準(zhǔn)確的判斷[20]。相似的，對于一個(gè)是非問題做隨機(jī)性判斷，將會(huì)得到50%的正確性判斷。相似的，如果某一個(gè)假設(shè)能夠顯著的提高猜對的正確率，那么該假設(shè)即為一個(gè)強(qiáng)算法，而得到這個(gè)算法的過程稱為強(qiáng)學(xué)習(xí)。Kearns 提出了弱學(xué)習(xí)算法與強(qiáng)學(xué)習(xí)算法之間的等價(jià)問題——是否能把弱學(xué)習(xí)算法轉(zhuǎn)化為強(qiáng)學(xué)習(xí)算法。 AdaBoost 算法AdaBoost 算法是由Freund 和Schapire在1995年提出來的[22]。它是一種迭代算法，其核心思想通過訓(xùn)練獲多個(gè)弱分類器，然后把弱分類器按照一定的權(quán)重加權(quán)構(gòu)成強(qiáng)分類器。在訓(xùn)練開始時(shí)，賦予每個(gè)樣本的權(quán)重是相同的，即每個(gè)樣本被分量分類器選中的概率是相同，然后在此樣本分布下訓(xùn)練出一個(gè)基本分類器h1(x)。通過這樣的方法，就能夠使得