【正文】 .................................. 31 4 應(yīng)用領(lǐng)域 ......................................................................................................... 31 OpenCV 的起源 ............................................................................................... 32 OpenCV 的基本結(jié)構(gòu) ........................................................................................ 32 OpenCV的特征 ............................................................................................... 33 OpenCV在檢測(cè)中的應(yīng)用 .............................................................................................. 34 編譯 OpenCV................................................................................................... 34 為 VC++ 2020 Express 配置 OpenCV 環(huán)境 ......................................................... 36 實(shí)驗(yàn)結(jié)果 ................................................................................................................... 37 結(jié)論： ....................................................................................................................... 39 參考文獻(xiàn) ................................................................................................................................... 40 致 謝 ....................................................................................................................................... 42 附錄一 人臉檢測(cè)源程序 ........................................................................................................... 43 附錄二 外文翻譯 ....................................................................................................................... 48 5 第 1 章 人臉檢測(cè) 背景 人臉檢測(cè)問題最初來源于人臉識(shí)別，任何一個(gè)自動(dòng)的人臉識(shí)別系統(tǒng)首先必須對(duì)人臉進(jìn)行準(zhǔn)確的定位，因此實(shí)時(shí)而有效的人臉檢測(cè)顯得尤為重要。而 且，通過對(duì)人臉的表情、姿勢(shì)等作分析，還能獲得其他識(shí)別系統(tǒng)難以獲得 的信息，因此人臉識(shí)別成為最有潛力的生物身份驗(yàn)證手段。 近年來，隨著信號(hào)處理理論和計(jì)算機(jī)的出現(xiàn)及其發(fā)展，人們開始用攝像機(jī)獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號(hào)，用計(jì)算機(jī)實(shí)現(xiàn)對(duì)視覺信息的處理，這就形成了計(jì)算機(jī)視覺。 人臉的自動(dòng)識(shí)別是一種重要的生 物特征識(shí)別技術(shù)，與其它身份識(shí)別方法相比，人臉識(shí)別具有直接、 方便 、友好 等特點(diǎn)，因而人臉自動(dòng)識(shí)別問題 的研究不僅具有重要的應(yīng)用價(jià)值，而且具有重要的理論意義。 人臉識(shí)別通過計(jì)算機(jī)提取人臉的特征，并根據(jù)這些特征進(jìn)行身份驗(yàn)證。人臉識(shí)別一般包 括三個(gè)步驟：人臉檢測(cè)、人臉特征提取和人臉的識(shí)別與驗(yàn)證。 圖 11人臉識(shí)別的一般步驟 輸入圖像 人臉圖像 人臉特征 輸出結(jié)果 人臉 檢測(cè) 特征 提取 身份識(shí)別驗(yàn)證 6 目前的研究狀況 人臉檢測(cè)是一個(gè)復(fù)雜的 極 具 挑戰(zhàn)性的模式檢 測(cè) ，其主要的難點(diǎn)有兩方面 ： 一方面是由于人臉內(nèi)在的變化所引起： (1)人臉具有 很 復(fù)雜的細(xì)節(jié)變化，不同的外貌 特征 如臉形、膚色等，不同的表情如眼、嘴的開與閉等； (2)其他物體對(duì) 人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等； 另外一方面由于外在條件變化所引起 ： (3)成像角度的 不同 也能 造成人臉的多姿態(tài)，如平面內(nèi)旋轉(zhuǎn)、深度旋轉(zhuǎn)以及上下旋轉(zhuǎn)，其中深度旋轉(zhuǎn)影響較大； (4)光照的影響，如圖像中的亮度、對(duì)比度的變化和陰影等 ； (5)圖像的成像條件，如攝像設(shè)備的焦距、成像距離，圖像獲得的途徑等等。如果能找到一些相關(guān)的算法并 使其 能在應(yīng) 用過程中達(dá)到實(shí)時(shí)，將為成功構(gòu)造出具有實(shí)際應(yīng)用價(jià)值的人臉檢測(cè) 系統(tǒng)提供保證 。而 且， MPEG7 標(biāo)準(zhǔn)組織已經(jīng) 成立 了人臉識(shí)別草案小組，人臉檢測(cè)算法也是一項(xiàng)征集的內(nèi)容。由此可 見 世界 范圍的學(xué)者 對(duì)人臉檢測(cè)技術(shù)的重視。 人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié) 。 現(xiàn)在 ，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、視頻檢測(cè)等方面有著重要的應(yīng)用價(jià)值。主要應(yīng)用在一下五個(gè)領(lǐng)域： (1)身份認(rèn)證與安全防護(hù) 最通俗的例子就是門禁控制。人臉門禁系統(tǒng)是一種基于人臉識(shí)別技術(shù)的新型訪問控制系統(tǒng)，將具有訪問權(quán)限的訪問者的人臉信息存放在人臉數(shù)據(jù)庫中，對(duì)人臉信息進(jìn)行學(xué)習(xí)訓(xùn)練。 在這個(gè)世界上，只要有門的地方幾乎都帶有一把鎖。手機(jī)、筆記本電腦等個(gè)人電子用品，在開機(jī)和使用中經(jīng)常要用到身份驗(yàn)證功能。最著名的娛樂節(jié)目之一就是川劇的變臉。手機(jī)、數(shù)碼相機(jī)等消費(fèi)電子產(chǎn)品中，基于人臉的娛樂項(xiàng)目越來越豐富。 另外還有家庭娛樂。隨著電子技術(shù)水平的提高，家庭娛樂會(huì)得到廣泛的應(yīng)用，其中的關(guān)鍵技術(shù)之一也是人臉的跟蹤識(shí)別?；谌四槇D像識(shí)別技術(shù)的搜索引擎將會(huì)具有廣泛的應(yīng)用前景。發(fā)生這樣的事件不是一時(shí)就能夠制止的，但是可以通過人臉檢測(cè)的設(shè)備來提取并記錄罪犯的人臉，提供 給公安機(jī)關(guān)以幫助破案。在信息安全中，人臉的識(shí)別也是其中的一個(gè)關(guān)鍵技術(shù)。檢測(cè)率越高，說明檢測(cè)系統(tǒng)對(duì)人臉的接受能力越強(qiáng)。被誤檢為人臉的非人臉子窗口數(shù)與圖像內(nèi)被檢測(cè)的所有非人臉子窗口數(shù)的比值。再設(shè)圖像內(nèi)被檢測(cè)的所有子窗口數(shù)為 N，圖像內(nèi)包含的人臉數(shù)為 Nl， N=Nl。 檢測(cè)率無法反映系統(tǒng)對(duì)非人臉的排除能力，有可能出現(xiàn)這種情況：所有人臉都被檢測(cè)到，但同時(shí)很多非人臉區(qū)域被誤認(rèn)為是人臉。誤檢率越低，說明檢測(cè)系統(tǒng)對(duì)非人臉的排除能力越強(qiáng)。在檢測(cè)率和誤檢率達(dá)到滿意的前提下，檢測(cè)速度越快越好。如復(fù)雜背景的干擾，人臉姿態(tài)的影響，光照條件的影響，以及遮擋等因素的影響。 9 第 2 章 檢測(cè)方法 人臉檢測(cè)經(jīng)歷了較長的發(fā)展過程，期間涌現(xiàn)出了很多的檢測(cè)方法，本文以M． H． Yang在 2020年發(fā)表的關(guān)于人臉檢測(cè)方法的分類方法把人臉檢測(cè)方法分為以下四種：基于知識(shí)的方法 (Knowledgebased Methods)、特征不變量方法 (Feature Invariant Approaches)、 模 板 匹配 方 法 (Template Matching Methods)、 基 于 外 觀的 方 法(Appearancebased Methods)。也可以將人臉檢測(cè)的方法簡單地分為兩類：基于特征的和基于圖像的。 基于知識(shí)的方法 此方法是把人臉面部器官之間關(guān)系編碼并準(zhǔn)則化的人臉檢測(cè)方法。當(dāng)圖像中的待測(cè)區(qū)域符合準(zhǔn)則，即被檢測(cè)為人臉。邊沿和形狀對(duì)于光照條件的變化具有很好的魯棒性，灰度特征對(duì)光照比較敏感。Nakano和 Dai也將 SGLD模型用于檢測(cè)人臉，取得了很好的效果。通過平均和采樣的方法得到原圖像在不同分辨率下的圖像，那些低分辨率的圖像被稱為鑲嵌圖(MosaicImage)。雖然 ,Yang的方法在檢測(cè)性能方面并不突出，但由粗至細(xì)的檢測(cè)思想對(duì)以后的研究工作產(chǎn)生了積極的影響。 特征不變量方法 這個(gè)方法的目標(biāo)是尋找那些即使當(dāng)姿勢(shì)、視角和光線條件變化時(shí)仍然存在的結(jié)構(gòu)特 10 征，并利用這些特征來定位人臉。 有許多方法就是按照這個(gè)潛在假設(shè)，首先去尋找這種臉部特征（通過大量樣本學(xué)習(xí)的方法），然后用尋找到的特征去檢測(cè)人臉。 Sirohey提出了用橢圓擬合人臉區(qū)域的方法。 Leung等人提出一種利用人臉五個(gè)特征來定義和檢測(cè)人臉的方法。 與基于知識(shí)規(guī)則的方法相比，該類方法主要是企圖尋找人臉不變化的特征來對(duì)人臉進(jìn)行檢測(cè)，特征不變量方法的根本假設(shè)是：在所有的人臉檢測(cè)過程中存在著圖像空域或者頻域不變量，而且這種不變量是唯一的。該類方法中所采用的特征不變量 主要有：面部特征、紋理。該類方法中所采用的一個(gè)主要問題是：圖像特征極大的收到光照、遮擋和其它噪聲的影響，當(dāng)陰影存在時(shí)，面部的特征辯解將被減弱，而陰影的邊界將被增強(qiáng)，此時(shí)導(dǎo)致邊緣感知分組無效。 Augusterjn 提出了一種通過面部相似性紋理信息的人臉檢測(cè)方法，通過在 ?1616 大小的子圖像上計(jì)算二階統(tǒng)計(jì)特征紋理信息。最近，人臉檢測(cè)最常采用的主要方法是聯(lián)合幾種不同的特征方法檢 測(cè) 。 在實(shí)際的檢測(cè)情況下，由于噪聲和遮擋等問題的存在，人臉的某些特征可能被破壞，這將嚴(yán)重影響此算法的檢測(cè)效果。其中較為典型的例子就是 Yullietlo 等提出的基于彈性模板匹配的人臉檢測(cè)方法。 模板匹配通常被用于人臉檢測(cè)的驗(yàn)證，這樣可以更進(jìn)一步提高人臉檢測(cè)系統(tǒng)的準(zhǔn)確率，它的主要思想是利用模板與待檢測(cè)圖像之間的相關(guān)程度來對(duì)圖像中的入臉進(jìn)行判斷。 Venkatraman 和GovindarajuI 使用小波延伸的方法用于圖像的 邊緣提取。 QMF 方法將每一個(gè)樣本圖像分割成一些塊，再對(duì)各個(gè)塊估算 11 其定性特征。 而且，在實(shí)際的檢測(cè)中，由于人臉的尺度、形狀等的變化較大時(shí)往往檢測(cè)效果較差，此種方法也沒有獲得較廣泛的應(yīng)用。 MIT 的 Sung 和 Poggio提出了一種基于分布特征的人臉檢測(cè)方法。該系統(tǒng)由兩個(gè)部分組成，人臉模式和非人臉模式的分布模型及一個(gè)多層感知器分類器。接下來將這些矢量采用改進(jìn)的 K 均值聚類算法分成 6個(gè)人臉和 6個(gè)非人臉的聚類。見圖 21 所示。將以上過程不斷循環(huán)，直到收集到了足夠的“非人臉”樣本。 由于人臉圖像的復(fù)雜性，只使用基本特征與簡單規(guī)則很難 有效地描述人臉與背景的本質(zhì)區(qū)別，因此基于統(tǒng)計(jì)和學(xué)習(xí)的方法越來越受到重視。實(shí)際上，人臉檢測(cè)問題被轉(zhuǎn) 化為統(tǒng)計(jì)模式識(shí)別的二分類問題。 13 第 3 章 經(jīng)典方法概述 人臉檢測(cè)的方法多于牛毛，基于各種數(shù)學(xué)模型的方法估計(jì)有近百種。 特征臉 最早用特征向量來進(jìn)行人臉檢測(cè)的是 Kohonen，他構(gòu)建了一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)規(guī)范化了的人臉圖像的識(shí)別。這些特征向量后來就發(fā)展成了特征臉 (Eigenface)方法。 在傳統(tǒng)特征臉的基礎(chǔ)上，研究者注意到特征值大的特征人臉向量（特征臉）并不一定分類性能好，而因此發(fā)展了多種特征（子空間）選擇方法，如 Belhumeur的 FisherFace方法等。特征臉方法是一種簡單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，所以還有著很大的局限性。在人工神經(jīng)網(wǎng)絡(luò)的方法中， Rowley的工 作較為突出。他們的系統(tǒng)分為兩個(gè)階段：第一階段是基于神經(jīng)網(wǎng)絡(luò)的分類器。由于訓(xùn)練樣本以及分類器等因素，在圖像中以人臉為中心的一定區(qū)域內(nèi)會(huì)產(chǎn)生重復(fù)檢測(cè)。以上所述方法局限性在于，僅能檢測(cè)正面垂直的人臉。 圖 31 Rowley 的帶有圖像預(yù)處理的神經(jīng)網(wǎng)絡(luò)系統(tǒng) 用神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)的好處是很容易訓(xùn)練一個(gè)用于檢測(cè)人臉模式的系 統(tǒng)。 隱馬爾可夫模型方法 隱馬爾科夫模型 (Hidden Markov Model， HMM)是用于描述信號(hào)統(tǒng)計(jì)特性 的一組統(tǒng)計(jì)模型。該進(jìn)程的參數(shù)可通過精確的方法估計(jì)出來。在 HMM 中，節(jié)點(diǎn)表示狀態(tài)，有向邊表示狀態(tài)之間的轉(zhuǎn)移，一個(gè)狀態(tài)可以具有特征空