【正文】 則是困難的。早期的系統(tǒng)采用這種方法，目前己不多見。該方法首先制定 出模板參數(shù)并且定義一個能量函數(shù)，然后根據(jù)檢測區(qū)域的數(shù)據(jù)對參數(shù)進行修改直至收斂，此時的能量函數(shù) 為最小化的能量函數(shù)，而此時的模板參數(shù)將被作為器官的幾何特征。當(dāng)用可變形模板進行人臉檢測時，首先，可變形模板在待檢測圖像中移動，并動態(tài)地調(diào)整其參數(shù)，計算能量函數(shù)。利用變形模板進行人臉檢測的優(yōu)點在于：由于模板可調(diào)，能夠檢測不同大小，具有不同旋轉(zhuǎn)角度的物體。當(dāng)圖像進行全局搜索時，由于要動態(tài)地調(diào)整參數(shù)和計算能量函數(shù)，計算時間會很長。 基于概率模型的人臉檢測方法 基于概率模型的方法是計算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁灨怕?，根?jù)此 概率對所有可能的圖像窗口進行判別。 Schneiderman等采用 64*64像素的模式區(qū)域，將其分為 16個子區(qū)域，通過子區(qū)域獨立性等假設(shè)降低“人臉”與“非人臉”模式分布表達式的復(fù)雜性，最后轉(zhuǎn)化為稀疏編碼的直方圖，通過計算訓(xùn)練樣本的頻度求得兩種模式的概率分布。屬于這一類的還有 Webert25J 等提出的視點不變性學(xué)習(xí) (ViewpointInvariant Learning)的方法等。 Nefianl261等根據(jù)正面人臉由上到下各個區(qū)域 (頭發(fā)、額頭、雙眼、鼻子、嘴 )具有自然不變的順序這一事實，使用一個包含五個狀態(tài)的一維連續(xù) HMM 加以表示。 Nefian 等還提出了基于嵌入式 HMM 的人臉檢測算法，該方法 同時考慮到人臉由左到右各個特征的自然順序，使用了二維HMM并且采用二維 DCT變換的系數(shù)作為觀察向量?；?HMM的方法一般只使用人臉樣本進行訓(xùn)練，主要針對人臉識別的頭肩部圖像。人臉模式、眼睛模式和嘴巴模式等都具有較明顯的特點，因此可以采用神經(jīng)網(wǎng)絡(luò)的識別方法。但是，由于人臉屬于高維矢量，導(dǎo)致網(wǎng)絡(luò)中訓(xùn)練節(jié)點眾多，算法往往需要大量的訓(xùn)練樣本，因此，神經(jīng)網(wǎng)絡(luò)方法的研究著 重于系統(tǒng)的優(yōu)化訓(xùn)練。 SVM常用于回歸和分類問題。 Osuna等將 SVM方法用于人臉檢測，取得了較好的效果 。 SVM分類器經(jīng)訓(xùn)練后，得到最優(yōu)分類超平面，可用于圖像中的人臉檢測。 Platt提出的 SMO(Sequential Minimal Optimization)算法可以解決 SVM訓(xùn)練困難的問題。下面對Adaboost 方法進行論述。按照前面人臉檢測的分類， Adaboost 算法屬于基于圖像的人臉檢測方法中的統(tǒng)計方法。 Adaboost 方法通過不斷地加入弱分類器，最終達到某個預(yù)定的足夠小的錯誤率。最終得到的分類器則是訓(xùn)練得到的所有弱分類器的一個線性組合。而針對人臉檢測這個具體的應(yīng)用問題，Ⅵ ola等人提出了一個修改的 Adaboost 算法， Viola 的算法將弱分類器與弱特征 (大 量可選特征中的某一個特征 )等價起來，每個弱分類器僅通過一個特征實現(xiàn)分類，并通過 Adaboost算法組合弱分類器，從而同時實現(xiàn)了弱特征的選擇與組合。 Viola提出的這個 AdaBoost 算法已經(jīng)成為人臉檢測領(lǐng)域的經(jīng)典成果得到了更多的 基于幾何特征的識別方法，基于代數(shù)特征的識別方法，基于連接機制的識別方法。因此近些年來很多研究學(xué)者采取將多分類器結(jié)合的方法來提取較穩(wěn)定、受人臉姿態(tài)變化和光照條件等因素影響小的識別特征，取得了良好的識別效果。人臉識別方法的分類，根據(jù)研究 角度的不同，可以有不同的分類方法，這是研究人臉識別方法首先遇到的問題。靜態(tài)人臉識別，即人臉為穩(wěn)定的二維圖像，如照片。在頭部運動和表情變化狀態(tài)下的人臉識別都可以看作動態(tài)人臉識別，如視頻監(jiān)視中的人臉識別。首先，視頻輸出的圖像質(zhì)量較差；其次，背景較復(fù)雜，目前對動態(tài)人臉識別的研究還局限于簡單背景，較少人物的情況，對靜態(tài)人臉識別的研究比較多。根據(jù)圖像中人臉的角度，又可將人臉識別技術(shù)分為基于正面、側(cè)面、傾斜人臉圖像的識別，由于實際情況的要求，對人臉正面模式的研究最多，這也是本文的研究重點。 基于幾何特征識別 彈性圖匹配 (EGM)方法可采用屬性拓?fù)鋱D來表達人臉，其拓?fù)鋱D的任一頂點均 包含一特征矢量，它記錄了人臉在該頂點位置的分布信息，最初的拓?fù)鋱D是矩形的，并沒有注重節(jié)點的位置。特征點先是手工定位，經(jīng)過一段學(xué)習(xí)以后，即可達到自動定位。統(tǒng)計表明，眼在前向和半側(cè)的人臉中是最重要的分離特征，而鼻尖是側(cè)面人臉最重要的分離特征。因此在匹配的過程中只保留對應(yīng)良好的節(jié)點，并且將背景 (包括頭發(fā)區(qū)域 )去掉。 基于代數(shù)特征識別 主分量分析 (Principal． ComponentAnalysis， PCA)是一種常用的方法。變換得到對應(yīng)特征值依次遞減的特征向量，即特征臉 1361。特征臉方法使用由各個特征臉擴展的空間來表示人臉，雖然可以有效地表示人臉信息，但是并不能有效地鑒別和區(qū)分人臉。它選擇以類內(nèi)散布正交的矢量作為特征臉空間，從而能壓制圖像之間與識別信息無關(guān)的差異，對光照及人臉表情變化都不太敏感。他們提出了一種基于概率的圖像相似度度量方法，將人臉圖像之間的差異分為兩類類間差異 (即不同人的人臉圖像之間的差異 )和類內(nèi)差異 (即同一個人的不同人臉圖像之間的差異 )。由于貝葉斯相似度的計算涉及復(fù)雜的非線性的快速計算方法。 Yang[4l】等人考慮高階統(tǒng)計量，從而提出了核特征臉 (Kernel Eigenface)應(yīng)用 KernelPCA將人臉對應(yīng)的向量映射到高維空間中，然后應(yīng)用 PCA。由于 PCA為基礎(chǔ)的傳統(tǒng)特征臉方法沒有利用人臉的幾何拓?fù)涮卣?，為?Albertt421 等將PCA 與人臉拓?fù)潢P(guān) 系 結(jié) 合 起 來 提 出 TRCA(topologicalprincipal ponentanalysis)方法，使識別率較單一的 PCA類方法有所提高。 HMM使用馬爾科夫鏈來模擬信號統(tǒng)計特性的變化，而這種變化又是間接地通過觀察序列來描述的，因此，隱馬爾科夫過程是一個雙重的隨機過程。這種方法至少有兩個問題，一個是直接采用灰度值作為觀察值矢量會受到噪聲、光線等很多隨機因素的影響，另外一個是計算量很大，學(xué)習(xí)和識別速度都比較慢。P2． DHMM由一組主狀態(tài)組成，每一個主狀態(tài)又包括了一個一維 HMM?？梢钥闯鲞@種結(jié)構(gòu)利用了圖像的二維特征，更適合于圖 識別，因此采用了這種 HMM結(jié)構(gòu)用于人臉識別。 SRM使 vc(vapnik Cherovnenkis)維數(shù)的上限最小化。對于 Adaboost 人臉檢測算法給出了檢測效果圖如圖 2． 1中所示的 7幅圖像，從不同側(cè)面 證實了這種算法的檢測能力，可以很清楚的表明選取這種檢測算法的正確性。 第三 章 基于 OpenCV的人臉跟蹤識別系統(tǒng)的實現(xiàn) 在 前面章節(jié)中詳細(xì)介紹了本系統(tǒng)采用的跟蹤與識別方法。 OpenCV是 Intel開源計算機視覺庫。 1999年在俄羅斯設(shè)立的軟件開發(fā)中心“ Software Development Center’’開發(fā)。在 IPL 支持下，可輕松實現(xiàn)物體輪廓跟蹤、圖像的幾何處理、形態(tài)學(xué)處理、圖像特征提取、背景分離、金字塔算法、種子填充算法、光流算法、主動輪廓算法、相機的校正、姿勢的識別等很多操作。它擁有包括 300 多個 C 函數(shù)的夸平臺的中、高層 API。 OpenCV具有以下特點： (1)．開放源碼； (2)．基于 Intel處理器指令集開發(fā)的優(yōu)化代碼； (3)．統(tǒng)一的結(jié)構(gòu)和功能定義； (4)．強大的圖像和矩陣運算能力； (5)．方便靈活的用戶接口； (6)．支持 MS． Windows 和 Linux操作系統(tǒng)。 要在 C++Builder中使用 OpenCV函數(shù)庫，首先要將 OpenCV安裝文件下的 lib 文件夾中的八個 library文件轉(zhuǎn)換為 C++Builder可以使用的 library文件，可以使用 CH Builder安裝文件下的 coff20mf． exe進行轉(zhuǎn)換。