【正文】 征模板的條件所以窗口中所有5種特征模板的特征總數(shù)量，就是分別滿足5個(gè)條件的矩形特征的數(shù)量的總和即： （6）特別的，如圖9所示，由于特征模板3和4具有旋轉(zhuǎn)對(duì)稱性，則可以進(jìn)一步簡(jiǎn)代為： （7）對(duì)于此新特征，要計(jì)算特征矩陣數(shù)目就不能用這種方法計(jì)算。不過可以把它看作(3,3)這種情形。因?yàn)槊總€(gè)新特征矩形數(shù)目要比(3,3)特征第矩形數(shù)目少4個(gè)矩形，所以可以用如下方法計(jì)算其特征數(shù)目： （8）換個(gè)說法，我們把這種形式看作是(3,3)特征中把下面2格的矩形看作是一個(gè)整體，而不是把它們分開，這樣更容易實(shí)現(xiàn)和理解。圖10 計(jì)算6種特征的數(shù)目下面列出了在不同子窗口大小內(nèi)，特征的總數(shù)量：表2 不同子窗口大小內(nèi)，特征值的數(shù)量窗口大小特征數(shù)量8168263952871628987902232946 從表2可以看出窗口大小分的越大，生成的特征數(shù)量也就越多，這以去掉某些特征，例如，完全不必考慮用這樣的特征計(jì)算特征值大值樣就會(huì)帶來耗時(shí)的問題。為了解決這個(gè)問題，我們可寬度為一個(gè)像素的矩形特征，因?yàn)轱@然隨機(jī)性太，不可能尋找到合適的閾。 四、基于AdaBoost算法的人臉檢測(cè)（一）AdaBoost算法AdaBoost算法訓(xùn)練強(qiáng)分類器的算法描述如下：1． 給定一系列訓(xùn)練樣本其中表示第i個(gè)樣本，=0時(shí)表示其為負(fù)樣本(非人臉)，=1時(shí)表示其為正樣本(人臉)。為一共的訓(xùn)練樣本數(shù)量。2． 初始代權(quán)重 對(duì)于負(fù)樣本： m為負(fù)樣本個(gè)數(shù) 對(duì)于正樣本： 為第t次循環(huán)中第i個(gè)樣本的誤差權(quán)重。 3．： （1） 權(quán)重歸一化： （9） （2） 對(duì)每個(gè)特征,訓(xùn)練一個(gè)弱分類器。計(jì)算對(duì)應(yīng)所有特征的弱分類器的加權(quán)錯(cuò)誤率： （10） （3） 從2中確定的弱分類器中,找出一個(gè)具有最小的錯(cuò)誤率的弱分類器。 （4） 對(duì)所有樣本的權(quán)重進(jìn)行更新： （11）其中表示被正確地分類，表示被錯(cuò)誤地分類。 令：； （5） 最后的強(qiáng)分類器為： （12） 其中以上訓(xùn)練的物理意義可以表述為:當(dāng)已經(jīng)提取的分類器對(duì)于某些樣本分類正確,那么減小這些樣本的權(quán)重。當(dāng)分類錯(cuò)誤，增加這些樣本的權(quán)重。這樣，后面訓(xùn)練提取的簡(jiǎn)單分類器應(yīng)付更加強(qiáng)化對(duì)這些分類錯(cuò)誤樣本的訓(xùn)練。（二）AdaBoost算法舉例1．弱分類器下面舉例說明如何用AdaBoost算法將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。對(duì)于圖11所示的平面上有五個(gè)正訓(xùn)練樣本，五個(gè)負(fù)訓(xùn)練樣本，弱分類器是水平或垂直的直線，每個(gè)樣本的概率值(初始值為1/10)大小用圖中樣本的大小來表示，分類錯(cuò)誤的樣本畫圈表示。圖11 弱分類器第一次迭代代表的直線是最優(yōu)的弱分類器，此時(shí)錯(cuò)誤率= =,如圖12。 圖12 直線最優(yōu)弱分類器第二次迭代代表的直線是最優(yōu)的弱分類器,此時(shí)錯(cuò)誤率= =。第三次迭代代表的直線是最優(yōu)的弱分類器，此時(shí)= =。該弱分類器在經(jīng)過三次訓(xùn)練后輸出強(qiáng)分類。2．強(qiáng)分類器本文采用Adaboost算法訓(xùn)練強(qiáng)分類器，訓(xùn)練強(qiáng)分類器就是決定選擇哪些弱分類器構(gòu)成一個(gè)強(qiáng)分類器的過程，同時(shí)需要決定強(qiáng)分類器的閉值以及檢測(cè)率和誤檢率。訓(xùn)練強(qiáng)分類器地算法描述如下：確定該強(qiáng)分類器的最大誤檢率：，最小檢測(cè)率。獲取并保存訓(xùn)練樣本。P:表示人臉樣本集合，叫P集，人臉樣本也叫正例。N：表示非人臉樣本集合，叫N集，非人臉樣本也叫負(fù)例。樣本表示為，當(dāng)=1時(shí)，P。當(dāng)=1時(shí), N。其中m為樣本的總個(gè)數(shù)。計(jì)算每個(gè)樣本窗口內(nèi)的所有矩形特征值。對(duì)每個(gè)樣本賦一個(gè)權(quán)值w。假設(shè)人臉樣本個(gè)數(shù)為p，那么人臉樣本的初始權(quán)值為。假設(shè)非人臉樣本個(gè)數(shù)為q，那么非人臉的初始值為。其中p+q=m。設(shè)f為當(dāng)前分類器的誤檢率，初始值為1。{挑選一個(gè)矩形特征做為弱分類器，使得該分類器的分類錯(cuò)誤相對(duì)于其它矩形特征的分類錯(cuò)誤為最小。弱分類器的分類錯(cuò)誤計(jì)算公式為 （13）對(duì)于每個(gè)人臉樣本計(jì)算。對(duì)于每個(gè)非人臉樣本，計(jì)算。t表示當(dāng)前已得到的弱分類器的個(gè)數(shù)。對(duì)PV數(shù)組按從小到大排序：人臉樣本的個(gè)數(shù)為p，那么當(dāng)前強(qiáng)分類器的閾值，即第個(gè)元素作為閾值，保證有個(gè)人臉樣本能通過該閾值。 (q為非人臉樣本的個(gè)數(shù)) (當(dāng)前強(qiáng)分類器的誤檢率)更新每個(gè)樣本的權(quán)值。對(duì)于任意樣本，那么新的權(quán)值為。對(duì)樣本權(quán)值進(jìn)行歸一化處理，使得。}得到一個(gè)強(qiáng)分類器，其閾值為，檢測(cè)率和誤檢率滿足和。五、系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（一）VC++環(huán)境的安裝與配置1．步驟 （1） 安裝VC++，并升級(jí)到SP3以上。 （2） 安裝Activeperl。 （3） 安裝J2sdk。 （4） 安裝Symbian SDK。2．配置 安裝完上述步驟之后，要設(shè)置下環(huán)境變量，在系統(tǒng)變量里面添加： EPOC=\Symbian\\Series60_v21_C 在path中添加以下幾個(gè)內(nèi)容: \Symbian\\Series60_v21_C\Epoc32\tools。 \Symbian\\Series60_v21_C\Epoc32\gcc\bin。 //一般perl是自動(dòng)注冊(cè)環(huán)境變量的,vc在安裝過程中也有注冊(cè)環(huán)境變量的選項(xiàng),勾選就行,不用自己設(shè)置,如果過程中沒有設(shè)置,那還要自己手動(dòng)設(shè)置下vc6的環(huán)境變量。 另外，完成最后一步：Symbian\\Series60_v21_C\Series60Tools\appwizard\”目錄下的””和””文件拷貝到:”\Program Files\Microsoft Visual Studio\Common\MSDev98\Template\”目錄下,使得VC工程文件中會(huì)出現(xiàn)項(xiàng)目向?qū)?跟MFC一樣)。（二）OpenCV的介紹安裝和配置OpenCV是Intel公司支持的開源計(jì)算機(jī)視覺庫(kù)。它輕量級(jí)而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。 　　計(jì)算機(jī)視覺市場(chǎng)巨大而且持續(xù)增長(zhǎng)，且這方面沒有標(biāo)準(zhǔn)API，目前的計(jì)算機(jī)視覺軟件大概有以下三種：　　（1） 研究代碼(慢，不穩(wěn)定，獨(dú)立并與其他庫(kù)不兼容)?！　。?） 耗費(fèi)很高的商業(yè)化工具(比如Halcon, MATLAB+Simulink)?！　。?） 依賴硬件的一些特別的解決方案(比如視頻監(jiān)控，制造控制系統(tǒng)，醫(yī)療設(shè)備)?！　∵@是目前的現(xiàn)狀。而標(biāo)準(zhǔn)的API將簡(jiǎn)化計(jì)算機(jī)視覺程序和解決方案的開發(fā)。OpenCV致力于成為這樣的標(biāo)準(zhǔn)API。在安裝時(shí)選擇“將…\OpenCV\bin加入系統(tǒng)變量“（Add...\OpenCV\bin to the systerm PATH），否則需要在“我的電腦”“屬性”“高級(jí)”“環(huán)境變量”中添加上述變量，如：變量：Path，值：C:\OpenCV\bin。(…為OpenCV的安裝根目錄，建議將openCV安裝在C盤的OpenCV目錄下)打開OpenCV安裝目錄下的_make文件夾，（如： C:\OpenCV\_make\）；在vc中選擇build (組建)batchbuild (批組建) ，所有64位都不選，然後點(diǎn)build(創(chuàng)建)。這樣就生成了以後大家經(jīng)常用到的一些lib及dll，包括release和debug兩個(gè)版本的。 在生成過程中會(huì)出現(xiàn)如下錯(cuò)誤： “fatal error LNK1181: 無法打開輸入文件“”“error C2039: “foreground_regions”: 不是“CvFGDStatModel”的成員”解決的方法是：在“解決方案管理器”中打開“cvaux“項(xiàng)目的包含文件中(Include\External)的cvaux. h文件，找到上述foreground_regions成員，會(huì)發(fā)現(xiàn)此成員已被注釋掉了，只要將其上一行末尾的“/”改為“*/”使該成員可見，再次啟動(dòng)項(xiàng)目，應(yīng)該就可以編譯通過了。 啟動(dòng)_make目錄下的另外一個(gè)工程“” ,使其編譯通過； 按照步驟2 中加入庫(kù)文件及包含文件的方法將下列包含文件加入 : C:\OpenCV\cv\include C:\OpenCV\cvaux\includeC:\OpenCV\otherlibs\highguiC:\OpenCV\cxcore\includeC:\OpenCV\otherlibs\cvcam\include(上述文件屬于常用文件，如果需要可自行添加另外的包含文件)加入庫(kù)文件：C:\OpenCV\lib（三）總體設(shè)計(jì)人臉識(shí)別模塊主要完成以下一些功能：（1）人臉庫(kù)的添加與刪除，包括標(biāo)準(zhǔn)人臉庫(kù)的導(dǎo)入和從攝像頭獲取圖像自建人臉庫(kù)。 （2）訓(xùn)練人臉庫(kù)圖像，得到EHMM模型數(shù)據(jù)，為識(shí)