【正文】 雜，不同的成像條件、不確定的飾物及復(fù)雜的背景等均向人臉檢測算法提出了苛刻的要求。并且目前大多系統(tǒng)都要求使用者固定在攝像機前的某一位置 。所以，如果能找到上述問題的解決方法，成功構(gòu)造出實時高效的人臉跟蹤與識別系統(tǒng)，將為解決其它類似的復(fù)雜模式的跟蹤與識別提 供重要的啟 示。 2基于 OpenCV的人臉跟蹤識別系統(tǒng)研究 1． 2人臉跟蹤識別國內(nèi)外研究進展 近些年來，隨著計算機硬件性能的不斷發(fā)展，基于圖像傳感器的視頻監(jiān)控系 統(tǒng)獲得了迅猛發(fā)展，各種面向復(fù)雜應(yīng)用背景的 視頻監(jiān)控系統(tǒng)也隨之大量涌現(xiàn)。由于視頻監(jiān)控系統(tǒng)具有如此大的應(yīng)用前景，它引起了許多國家的高度重視，一些國家投入大量資金和科技人員進行了廣泛研究，已開發(fā)了如 CMU的 VASM、 W Pfinder以及 Smart Kiosk系統(tǒng)。在 1996 年至 1999 年間，美國國防高級研究署 (DARPA)設(shè)立了以卡內(nèi)基梅隆大學(xué)為首聯(lián)合美國十幾所高等院校和研究機構(gòu)參加的視頻監(jiān)控項目 VSAM(Video Surveillance and Monitoring)。 DARPA 在 2021 年又資助了重大項目 HID 計劃 (HumanIdentification ataDistance)，研究開發(fā)多模式的監(jiān)控技術(shù)以 實現(xiàn)遠距離情況下人的檢測、分類和識別，以增強國防、民用等場合的保護能力，使其免受恐怖襲擊。該研究的目標(biāo)是提供圖像視頻處理、理解技術(shù)，讓司法機關(guān)能從現(xiàn)有的監(jiān)控系統(tǒng)的錄像資料中獲取更多有用的犯罪證據(jù)。日本也開展了用于 共區(qū)域及智能小區(qū)的圖像監(jiān)控的 CDVP(TheCooperative Distributed VisionProject)計劃等。 7l、華中科技大學(xué)和中國科學(xué)院自動化研究所【 8】等。為了促進國內(nèi)智能視頻監(jiān)控的發(fā)展，中國科學(xué)院自動化研究所在 2021 年和 2021 年分別舉辦了第一屆和第二屆全國智能視覺監(jiān)控會議?！队嬎銠C學(xué)報》、《軟件學(xué)報》和 《控制與決策》等一些雜志也對智能監(jiān)控系統(tǒng)中一些關(guān)鍵技術(shù)進行刊載。其中，運動目標(biāo)的跟蹤識別是其中的 核心技術(shù)之一 ，它是后續(xù)的各種高級處理，如目標(biāo)行為分析、行為識別等的 礎(chǔ)， 也是視頻監(jiān)控技術(shù)自動化和實時應(yīng)用的關(guān)鍵。其難點在于圖像是從三維空間 N維平面的投影，本身存在信息損失，而且運動目標(biāo)本身并不是一 個確定不變的信號，它在跟蹤識別過程會發(fā)生旋轉(zhuǎn)、縮放、位移等各種復(fù)雜的變化。因此，開發(fā)出能夠從容應(yīng)對復(fù)雜環(huán)境的各種變化，精確、快速和穩(wěn)定地跟蹤識別運動目標(biāo)的算法仍然是當(dāng)前急需解決的課題。 人臉跟蹤與識別技術(shù)的應(yīng)用領(lǐng)域也十分廣泛，主要包括視頻會議、智能監(jiān)控、圖 像與視頻檢索、人機交 互、門禁控制以及家庭娛樂等。 1． 3． 1理論基礎(chǔ) 模式識別 模式識別，是通過計算機用數(shù)學(xué)方法來研究模式的自動處理。 模式識別一般分為如下幾類：統(tǒng)計模式識別 ：如果模式類是幾何可分的，則用幾何分類法按照某種距離度量進行分類；若是幾何不可分的，則用概率分類法，如貝葉斯決策理論。模糊模式識別：將模糊技術(shù)引入到模式識別中，對特征和分類結(jié)果模糊化， 4基于 OpenCV的人臉跟蹤識別系統(tǒng)研究使得識別過程更能反映事物的本質(zhì)。 模式識別在人臉檢測算法中有著很重要的作用，有很多算法是基于模式分類 的技術(shù)來檢測人臉的，同 時在其它檢測技術(shù)中，膚色模型、人臉區(qū)域驗證等檢測環(huán)節(jié)也需要模式識別的相關(guān)技術(shù)。數(shù)字圖像的各項內(nèi)容滲透在人臉檢測與跟蹤識別的諸多環(huán)節(jié)中。使計算機 具有與人類相似的視覺處理能力，從而能更好的協(xié)助以至代替人的工作，這是人類長期追求的夢想。為此，計算機需要具有處理、分析和理解圖像的能力。 人工智能 人工智能是研究使計算機來模擬人的某些思維過程和智能行為 (如學(xué)習(xí)、推 理、思考、規(guī)劃等 )的學(xué)科，主要包括計算機實現(xiàn)智能的原理、制造類似于人腦 智能的計算機，使計算機能實現(xiàn)更高層次的應(yīng)用?？梢哉f幾乎是自然科學(xué)和社會科學(xué)的所有學(xué)科， 其范圍已遠遠超出了計算機科學(xué)的范疇 ，人工智能與思維科學(xué)的關(guān)系是實踐和理論的關(guān)系，人工智能是處于思維科學(xué)的技術(shù)應(yīng)用層次，是它的一個應(yīng)用分支。通過視頻會議系統(tǒng)，位于各地的與會者在開會時既可聽到對方的聲音，又可看到對方的影像、會議室的場景以及會議中展示的圖片、表格等。另外，視頻會議系統(tǒng)在遠程教學(xué)、遠程醫(yī)療等領(lǐng)域中也有著廣泛的應(yīng)用。 智能監(jiān)控：針對敏感場所 (如銀 行、商店、停車場、自動提款機 )開發(fā)的 智能監(jiān)控? q2J 系統(tǒng)，能夠每天連續(xù) 24小時的實時監(jiān)視，并自動分析攝相機捕捉的圖像數(shù)據(jù)，當(dāng)搶劫、盜竊發(fā)生或發(fā)現(xiàn)具有異常行為的人時，系統(tǒng)能向保衛(wèi)人員準(zhǔn)確及時地發(fā)出警報，從而避免犯罪的發(fā)生。 圖像與視頻檢索：在 CBIR(ContentBased ImageRetrieval，基于內(nèi)容的圖 像檢索 )系統(tǒng)中，圖像中的人臉可以作為圖像檢索的條件 ，所以許多 CBIR 系統(tǒng)都將人臉檢測作為系統(tǒng)中的一個重要組成部分。因特網(wǎng)上廣泛使用的數(shù)字圖書館中包含了大量的視頻及音頻信息，許多數(shù)字圖書館將人臉檢測作為系統(tǒng)搜索引擎的一個重要的組成部分。傳統(tǒng)的人機交互是通過計算機鼠標(biāo)和鍵盤進行的。人機交互研究的最終目的 在于如何使所設(shè)計的計算機能幫助人們更安全、更有效地完成所需任務(wù)。 門禁控制：門禁控制【 15】是為了有效地控制人員的出入，并且記錄所有進出的詳細情況，實現(xiàn)對出入口的安全管理。通過攝像機動態(tài)捕獲人臉，將人臉信息同數(shù)據(jù)庫中的人臉信息進行檢索對比，只有圖像信息符合 的人才可以進入，否則拒絕進入，并對強行進入者發(fā)出報警。 家庭娛樂：家庭娛樂是指能夠識別主人身份的智能玩具，家政機器人，具 有真實面像的虛擬游戲玩家等。 1． 4本文研究工作概述 本文旨在構(gòu)建一個基于 OpenCV庫的彩色視頻人臉跟蹤識別系統(tǒng)框架，使用 OpenCV 庫中的一些函數(shù)用于編程，使之可以應(yīng)用于安防監(jiān)控系統(tǒng)。因此本文的研究工作分為客戶端與服務(wù)器兩部分，客戶端和服務(wù)器的劃分是按照 Socket 通信來劃分的。人臉識別是生物識別領(lǐng)域最熱門的一個 方 向，它涵蓋了計算機視覺，圖像處理和模式識別等前沿技術(shù)，在人機交互，安防系統(tǒng)和身份認(rèn)證等方面有著廣闊的應(yīng)用價值。人臉識別的研究可以追溯到 20 世紀(jì) 60、 70 年代，經(jīng)過幾十年的發(fā)展已漸趨成熟，人臉檢測是人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)，但是早期的人臉識別研究主要針對簡單背景和人臉位置相對固定的情況，因此人臉檢測問題并未受到重視。本章著重介紹當(dāng)前人臉檢測和人臉識別的主要方法。人臉檢測的基本思想是用知識分析或統(tǒng)計的方法對人臉進行建模，比較所有可能的待檢測區(qū)域和人臉模型的匹配度，得到可能存在的人臉。從圖 像所包含的色彩信息來分類，可以分為灰度圖像和彩色圖像的人臉檢測。根據(jù)圖像背景的復(fù)雜程度來分，可以分為簡單背景下的人臉檢測和復(fù)雜背景下的人臉檢測。而復(fù)雜背景是指背景并不確定，并且背景中可能包含了和人臉相似的特征，正是由于這點在復(fù)雜背景下做人臉檢測往往會導(dǎo)致誤檢。對于靜態(tài)圖像中的人臉檢測研究者們 側(cè)重于解決當(dāng)多個人臉同時出現(xiàn)在一副靜態(tài)圖像中時，如何能夠都檢測出來，降低漏檢率。我們可以采用如何利用上述各種特征信息的方式，將人臉檢測分為兩類。第二類是指基于整體的方法?；谔卣鞣治龊徒y(tǒng)計方法這兩大類別，對人臉檢測的主要方法進行介紹： 2． 1． 1基于特征分析的人臉檢測方法 基于特征分析的方法中主要有基于輪廓對稱性的人臉檢測方法、基于局部特 征的人臉檢測方法、膚色區(qū)域分割與人臉驗證結(jié)合法和基于模板匹配的人臉檢測方法，下面對這幾種方法進行概要介紹。在這類算法中 Zabrodsky 提出了連續(xù)對稱性檢測方法，檢測一個圓形區(qū)域的對稱性，從而確定是否為人臉。它只考察人眼中心點的強對稱性和臉部特征的幾何分布，對人臉偏轉(zhuǎn)、表情變化、光照變化等條件不敏感，因而具有較好的魯棒性。 基于局部特征的人臉檢測方法 該方法注重檢測人臉的五官輪廓特征以及它們之間的位置關(guān)系。于是可以利用一組描述人臉的局部特征分布的規(guī)則來進行人臉檢測。該方法所面臨的問題是，由于圖像噪聲等因素的影響，造成人臉局部特征不 明顯，使得根據(jù)局部特征組合來判斷人臉的算法失效，從而產(chǎn)生誤檢和漏檢。在檢測出區(qū)域后，需要進一步的合并篩選，這可根據(jù)它們在色度上的相似性和空間上的相關(guān)性合并篩選出可能的面部區(qū)域，同時利用區(qū)域的幾何特征或灰度特征驗證候選區(qū)域是否為人臉，以排除其它色彩類似膚色的物體。 在通常情況下，僅根據(jù)膚色像素的聚積特性就可完成區(qū)域的連通分割。Cai等根據(jù)膚色模型提供的像素的似然度，采用從局部最大值處逐漸擴展的方法得到膚色區(qū)域，然后使用灰度平均臉模板匹配的方法驗證區(qū)域內(nèi)是否有人臉。模板分固定模板田 1和可變模板瞄。固定模板實現(xiàn)簡單，但由于人臉特征變化大，難以較好的反映人臉的共性，檢測精度低，適應(yīng)性不強，目前已很少使用，不過有些 方法仍用作人臉的預(yù)處理和粗檢。下面分別介紹固定模板和可變模板。有研究者利用基于模版的方法來定位眼睛的位置，把標(biāo)準(zhǔn)的眼睛模板調(diào)整為 5 個不同的尺寸，然后再輸入圖像中尋找眼睛。另外，人臉的特征受表情、姿勢、旋轉(zhuǎn)等因素影響很大，對于每一個模式類，選擇一個好的模板和確定一個恰當(dāng)?shù)钠ヅ錅?zhǔn)