人脸识别系统的设计与实现.pdf

《人脸识别系统的设计与实现.pdf》由会员分享，可在线阅读，更多相关《人脸识别系统的设计与实现.pdf（48页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、上海师范大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的 学位论文，是本人在导师的指导下，独立进行研究工作所取得的 成果。除文中已明确注明和引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写过的作品及成果的内容。论文为本 人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律 结果由本人承担。 论文作者签名 沙烨年1 - 月矿曰 一 上海师范大学学位论文版权使用授权书 学位沦文作者完伞了解学校有关保留、使用学位论文的规定，I 司 意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允 许论文被查阅或借阅。本人授权上海师范大学可以将本学位论文的全 部

2、或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复$ l J - T - 段保存和汇编本学位论文。 保密口，在一年解密后适用本版权书。 本学位论文属于 校内导师 论文作者 不保 矾l 牛年妨拥 摘要 通过研究目前比较成熟的人脸检测以及人脸识别算法的基础卜，建立了一套 基于P C 端的兼有人脸检测以及人脸识别的人脸识别系统。 首先介绍了一种叫做V i o l a 一j o n e s 的人脸检测算法，它是皋于H a a r 特征加 上A d a b o o s t 的人脸检测算法，属于基于统计的人脸检测方法范围中的技术。稍 微改进了下A d a b o o s t 使得它可以根据性

3、能整合若干个弱分类器形成一个强分类 器，从而提高性能。 其次，介绍了图像光照以及尺度大小给人脸识别带来的影响以及消除这些影 响的一些方法，即在检测和识别前对图像做预处理。 然后，钏1 对人脸识别技术做了详细的剖析，介绍了一种基于统计分析的一种 算法P e A ( 主成分分析) ，并且详细叙述了该算法的核心算法思想，简单介绍_ r 协方差、特征值、特征向量的计算机公式。 最后一章，本文给出了人脸识别系统的框架流程图，简单介绍了实现该系统 的软件环境，实现语言以及开源库。接下来通过一张流程图介绍r 人脸识别系统 的流程，并且详细概括了每个步骤的内容。最后叙述了每个步骤的核心代码，有 界面的系统软件

4、结果展示。 关键字：人脸检测，人脸识别，P C A ，分类器 A b s t r a c t B ys t u d y i n gt h ea l g o r i t l n nw h i c hi sc u r r e n t l ym a t u r eh u m a nf a c er e c o g n i t i o n ，a s e to ff a c er e c o g n i t i o ns y s t e m sw h i c hi n c l u d ef a c ed e t e c t i o na n dr e c o g n i t i o nw a s p r

5、 o p o s e di nt h i sp a p e r ，b a s e do nP C P r i m a r i l y ，A f a c ed e t e c t i o n a l g o r i t h m n a m e d v i o l a - j o n e s h a sb e e n i n t r o d u c e d T h ea l g o r i t h mi sb a s e do nH a a ra n df a c ed e t e c t i o na l g o r i t h mo fA d a b o o s t ， w h i c ha

6、t t r i b u t e st ot h er e a l mo fm e a n so ff a c ed e t e c t i o n W i t hs l i mm o d i f i c a t i o nf o f A d a b o o s t ，i tc a nf o r map o w e r f u ld e v i c ef o rq u a l i f i c a t i o nb yc o m p o u n ds o r t so fl e s s p o w e r f u lo n e sa c c o r d i n gt of u n c t i o

7、n I nt h i sw a y , f u n c t i o n sh a v eb e e ni m p r o v e d S e c o n d l y ，t h et h e s i si n t r o d u c e st h ei n f l u e n c e st h a th a v eb e e nb r o u g h tb yi m a g e i l l u m i n a t i o na n dd i m e n s i o nt of a c er e c o g n i t i o n ，a n dih a v et a k e nm e a s u

8、r et oe l i m i n a t e t h e s e i n f l u e n c e s ，t h a tb e f o r ed e t e c t i o na n dr e c o g n i t i o nw es h o u l d d os o m e p r e t r e a t m e n t sf o r t h ei m a g e A l s o ，a n a l y s e dc o m p r e h e n s i v e l yo nt h i st e c h n i q u e ，i n t r o d u c e dP C A ，w h

9、i c hi s b a s e do ns t a t i s t i ca n a l y s i s ，a n di l l u s t r a t e dt h ec o r et h o u g h to ft h ea l g o r i t h ma n db r i e f e x p l a n a t i o n so nc o v a r i a n c ee i g e n v a l u ea n de i g e n v e c t o r Fi n a l ly ，t h et h e s i sp r o p o s e saf r a m e w o r kf

10、 l o w c h a r tf o rf a c er e c o g n i t i o ns y s t e m ， i n t r o d u c e s t h es o f t w a r ee n v i r o n m e n tw h i c hi su s e dt oi m p l e m e n tt h es y s y t e m ， i m p l e m e n t a t i o nl a n g u a g ea n do p e ns o u r c el i b r a r i e s T h e n ，t h et h e s i si n d r

11、o d u c e st h e p r o c e s so ft h ef a c er e c o g n i t i o ns y s t e mt h r o u g haf l o w c h a r ta n ds u m m a r i z et h e c o n t e n t so fe a c hs t e pd e t a i l e d l y A tl a s t ，i td e s c r i b e st h ec o r ec o d eo fe a c hs t e pa n d a t t a c h e st h es y s t e ms o f t

12、 w a r er e s u l t s d e m o n t r a t i o n so f t h eo p e r a t i n gi n t e r f a c e K e y w o r d s ：F a c eD e t e c t i o n ，F a c eR e c o g n i t i o n ，P C A ，C l a s s i f i e r 目录 摘要 I A b s t r a c t ，1 1 目录 第一章概述1 1 1 研究背景1 1 2 应用前景2 1 3 国内外旬| = 究现：状 3 1 3 I 国内研究现状3 1 3 2 国外研究现状一4 1

13、4 项目的开发环境一5 1 5 论文的主要内容以及架构5 第二章人脸检测6 2 I 系统框架7 2 2 人脸柃测的几种方法7 2 2 1 基于面部重要特征的人脸检测方法8 2 2 2 基于彩色信息的人脸检测方法8 2 2 3 基丁二统计的人脸检测方泫9 2 3v i o l aj o n e s 人脸检测算法i O 2 4A d a b o o s t 分类器介绍1 2 2 4 1 级联A d a b o o s c ( c a s c a d eo fc l a s s i f i e T S ) 1 2 2 5 实验结果1 3 第三章人脸图像预处理1 4 3 1 几何归一化1 4 3 2

14、光照一体化1 5 3 3 实验1 6 3 4 小结1 7 第四章人脸识别一1 8 4 1 人脸识别算法概述1 8 4 2 ，IP C A 的原理介绍 4 2 2P C A 算法 4 3L D A 算法 4 4D C T 算法 第五章系统的设计与实现 5 1 人脸识别系统的软件框架 5 2 实验环境 5 3 人脸识别系统的总体结构 5 4 稃序算法的实现 5 1 1 光照一体化 5 4 2O a b o r 特征提取 5 4 ： F i s h e r f a c e 降维子窄n l J坞n挖M筋拍拍均拍如如 5 5 人脸识别系统 j 6 系统功能的腱不 5 6 1 系统1 二界嘶 5 7 几种

15、识别算法实验结果比较 5 7 1 数据库介绍 5 7 2 实验设计 5 7 3 实验结果 5 7 4 结果分析 第六章总结与展望 6 1 本文工作总结 6 2 对未来工作的展望 致谢 参考文献 V n驼蛆巧站弱拍卯鲳骆骆均 第章慨述上i g - N i 范人学影! 十学位沦文 第一章概述 1 1 研究背景 刈于人脸识别来说，大部分人不会太陌生，美国电影人片中经常有这样的一 个镜头：警察通过城市里的任何一个摄像头划路人进行人脸扫描了i ：扫描出这个人 是否为指定的犯罪人，从而可以判断他的位置。 叫i 物识别技术领域，在人脸识别出现之前，指纹识别相对于米晚比较流行而 目技术层面上来说发展的比较好。

16、相对指纹依靠手，那么人脸识别就是依靠脸部 信息来识别的技术。技术流程上也是大致相通的。主要有以F 几个主要步骤：通 过摄像头采集视频流图像，通过其中的信息在图像中进行自动检测或者跟踪，从 而可以进一步的提取到人脸的细节信息。然后通过分类器作用和库存中的人脸相 比。从而可以知道每张脸对应的人。图1 显示的是对人脸进行特征扫描的图片【引。 图1 一个人脸识别系统设计到很多的学科比如人工智能，统计学，图像处理等等， 可以说包含非常多的技术。一般来说，主要的步骤如下：首先是通过摄像头对人 脸的扫描，然后截取整张图像，过后通过检测进行人脸定位，由于外在环境的干 扰进行图像预处理会使得检测效果更好，这些步

17、骤做好便可以进行人脸识别以及 人脸比对了。人们可以通过肉眼判断一个人是不是我们认识的某一个人，说的简 单点，人脸识别系统就是机器再帮我们走这件事，判断一个人的身份。 在研究人脸之前，其他的基于生物题特征的识别研究比较成熟的包括虹膜、 卢音、以及前段时间比较火的后来被苹果公司力入到i p h o n e 5 S 手机里的指纹识 别技术。因此现有成熟的相应的识别技术主要包括以下儿种：人腧识别、指纹识 上洵师范大学硕十学位论文第章概述 别、视网膜识别、语音识别( 目前同内做的最好的公司有科大讯飞等等一些代表 性公司。 进入二十一世纪以米，随着人类科学技术的迅速发展，伴随着计算机和网络 技术的曰渐发达

18、，解决信息安全方面的问题也显得迫在眉睫。当今世界频繁的恐 怖袭击使得各国越来越重视公共社会安全，从何使得信息检测与信息识别变得前 所未有的重要。不仪仅只是应用于防范恐怖分了进行恐怖袭击活动，生物识别技 术体现在我们的牛活的各个领域。如今生活中非常普遍的主要是使用号码、带磁 卡等识别方法，然而，这些都存存着丢失、伪造、遗忘等诸多安全问题。随着技 术的不断发展和人们对生活质量的不断提高，那些传统的身份识别方法已经收到 挑战已经越来越多，人们已经渐渐的开始摒弃这些 2 1 1 。 因此，人们渐渐地把目光转向了生物体特征识别，那些都是由特殊人体遗传 的D N A 所决定的，并且每人都拥有独一无二的生物

19、体特征，这大大的提高了可靠 性。 在生物体特征识别技术领域中，我们可以将它分为一下两个大类。一类称为 生物体体征，例如虹膜技术、指纹技术、人脸技术等。而另一类称为行为体征， 例如人们手写字的字迹以及走路的频率等，现在的计算机图像处理技术都可以对 其进行识别。 1 2 应用前景 2 1 世纪是人类全面信息化互联网时代，人们的生活和网络息息相关，越来 越多的人通过网络来完成自己的口常生活交易，凶此存付款的时候如何保障付款 人身份安全的问题便成了信息化时代的一个至关重要的难题。除此之外，几乎每 天都会发生抢劫、入室行窃等案件的不断的发生。因此加强身份识别势在必行。 在人脸识别技术之前有很多其他的基于

20、生物体识别的技术研究的相对成熟，指纹 识别、虹膜等等。但这些技术最大的缺点就是可以轻易的被仿照。并且f i 太友好， 相比之下，人脸识别就存存一些比较突出的优点。在采集的时候比较容易而且不 需要像指纹识别一样要接触机器。因此，由于具有这些直接，友好，方便等一些 特点，人脸识别对于使用者来说没自任何的心理障碍，容易于被广大用户所接受， 因此在过去以及将来得到了更多的广泛的应用和研究。生物识别技术已经被广泛 用大众生活中，比如银行取钱的密码，人脸识别防盗门等等。举个例子来说，当 第章概述上海帅范人学f l ! ；! 十学似论文 一位银行储户走进了银行，她随身既没带银行卡，司时密码也忘记J ，就卣接

21、玄提 款，此时在提款机上她准备提款时，A T M 柜台卜有台摄像机刈她的眼睛进行扣 描，这样该用户身份便被迅速而准确地完成进行了鉴定，从而顺利结束办理完业 务。或许大家在电影中经常看到类似的镜头，但是这是英国某个银行的一台特殊 的A T M 中发生的真实一4 幕。使用此技术的营业部当时使用的正是现代生物识别技 术中非常流行的“虹膜识别系统”。除此之外，美国恐怖袭击事件发生之后，各 国政府意识到反恐活动的蕈要性，它已成为各国政府的共识。世界恐怖袭击事件 L 卜I 机场袭击事件最为多见，美国维萨格公司的人脸识别技术在美同的儿家机场发 挥了极大作用，它可以在人群中定位每个人的人脸并且对其进行细致的扫

22、描，将 此特征与数据库中的人脸特征进行比对从而判断他是不是通缉犯。伴随着技术的 一步步逐渐的走向成熟，未来我们将会看到人脸识别运用的领域将会越来越多。 同时此外，除了判定某个人的身份作用外，在进行进一步的分析后还可以获得更 多的信息，比如可以判断关人的性别，表情，年龄等其他丰富信息。所以人脸识 别的前景被普遍看好，相信在不久的将来更多的附加应用也将会公众于世。到当 前为止人脸识别技术主要应用方向有以下几个方向： l 、替代钥匙的人脸识别防盗门等一系列的安全识别。 2 、电子护照及身份证，这也许是将来范围最广的运用了。 3 、在全国范围内运用人脸识别系统进行缉捕犯罪逃犯 4 、如上述实例所述的银

23、行服务，当储户的银行卡和密码被窃取了，除了本 人之外的人取小出来。 5 、网络信息安全领域内，如今在电子商务中买卖全数在刚上完成，很多政 府部门的办公也放在网卜进行，如果密码被盗会给被害人带来很多的损失，利用 了生物识别特征使得身份真实，这样一来可以很好的增加网上购物以及各机构的 可靠性。 1 3 国内外研究现状 1 3 1 国内研究现状 关于人脸自动识别的研究，我们国内的起步比国外晚，专项研究从上世纪八 十年代便开始了。国内的主要机构有包括清华大学，中科院研究所内的许多知名 机构，i I 且都专研出一定的学术成果。就研究方向而言我们国内主要研究火方向 上海师范人学颂十学化沦义第一章概述 行以

24、卜二个作为代表： ( 1 ) 基于几俐特相：的人脸止面白动识别方法 ( 2 ) 基于代数特征的人脸止断自动识别方法 ( 3 ) 基于连接机制的人脸正面自动识别方法 在正面的人脸识别系统实现方面，剧激流老先生首先发明了一种运用积分 运算并将其投影的方法提取面部特征并且可以获得反馈信息的方法，这种方法问 世之后得到普遍的运用并且得到专家一致认可。同时，除了正面人腧之外，周老 先生对人脸侧面剪影识别方面也有一定的研究。通过艰辛的科研努力，最终实现 了在正面以及侧面多次类比的互相参照的人脸识别系统。可以说周老先生算是人 脸识别领域的先驱者，与其同样取得成功的还有彭辉、张艮水等提出J ，一种改进 算法，

25、通过采用类问散布矩阵作为产生矩阵，以达到降低产生矩阵的维数的效果， 这种算法不仅保持了原有的识别成功率并且还减少了计算量，可以说是全面的改 善。 1 3 2 国外研究现状 在国外最先起头设计人脸识别的研究是1 9 6 6 年P R I 的B l e d s o e 的相关二 作。 日本在卜 世纪九十年代研制出的人像识别机，可以在1 秒钟之内通过它从几千人 中寻找到你所要寻找的目标。1 9 9 3 年，美国罔防部高级研究项目署( A d v a n c e d R e s e a r c hP r o j e c t sA g e n c y ) 和美国陆军研究实验室( A r m yR e s

26、 e a r c hL a b o r a t o r y ) 成立J ，F e r e t ( F a c eR e c o g n i t i o nT e c h n o l o g y ) 项目组，通过长时问的图像采集 之后成立了该领域知名的人脸数据库f e r e t ，用于评测人脸识别算法的性能。以 此同时，他们为了加强本国的信息安全，利用v c + + 技术在美国陆军实验室内由 专家开发并实现出了该软件，经过测试此软件的F A R 可以达到百分之五十。在美 国国内的进行的公开测试中，F A R 的百分比还之前得到了稳步的提升。在完成该 项目之后，美国的另外一个机构美国国防部高级研

27、究中心运用了半自动和全自动 算法进行改进( 这种算法必须要通过人T 或者自动的方式标记处图像中人的双眼 的中心位置，然后才能进行识别) 。通过在机场开展的实验测试中，该系统没有 达到预期的效果，系统发出的误报的频率比较甜引。 除了政府机构投入人力和资金进行研究之外，困外的一些知名高校( 卡内基 梅隆大学( C a r n e g i eM e l i o nU n i v e r s i t y ) 为首，麻省理工大学以及英囡的雷丁 4 第卓概述上海J | 1 J 范人学坝十学位论文 人学) 在埘该领域的推进起到相划大的作用。目自，J 主要市火的工程研究上作也人 多是在公安、刑事领域。在其他领

28、域，比如考试验证系统的实现以及运用深入研 究的倒不是很多。 1 4 项目的开发环境 本项目是基于V S 2 0 0 8 开发工具，使用了O P E N C V 开源代码，语言是C C + + 。 1 5 论文的主要内容以及架构 本论文主要的工作是研究了人脸系统的所有流程：人脸提取、图像预处理、 人脸检测、样本训练、人脸识别以及人脸比对一系列流程。使用了每个步骤当今 人脸识别领域效果最佳的算法，利用C + + 开发语言和O p e n C V 框架实现一整套人 脸识别系统的设计与实现。由于该系统采用的是面向对象的语言C + + ，使得该系 统相比起来未来的可扩展性更佳。 论文包括四个方面的内容：

29、 ( 1 ) 人脸检测 研究了V i o l aJ o n e s 算法，并且在此基础卜提出了一些改进，便是使弱分类 器串联起来成一个强分类器，使得计算量以及人脸检测效果更佳。 ( 2 ) 图像预处理 由于光照，环境以及人为影响，大多数情况下，系统采集的原始照片来自不 同背景，不同条件，受到随机的干扰，这些图片一般不能够直接被利用在检测或 者识别中。因此我们需要对原始图片进行修改，本文采用了光照以及大小归一化 的方式使得人脸检测以及识别几乎不受这些外在干扰的影响。 ( 3 ) 人脸识别 第四章介绍了目前人脸识别研究的主要算法包括P C A 、L D A 、D C T 。由于采集 的图像矩阵信息

30、维数过大，造成计算机量以及复杂度提升，冈此采用子空间降维 的方式对其进行简化。本文采用了F i s h e r f a c e 降维的方式来实现。 ( ，1 ) 人脸识别系统的实现 第五章介绍了人脸识别系统的软件框架、开发环境、核心函数代码，并且比 较了三种人脸识别算法的实验效果，以及最后展示了系统的操作界面以及实验结 果。 上海州i 范人学硕+ 学位沧文第二章人腧检测 第二章人脸检测 人脸榆测是人脸识别人系统中笑键的一部分。它的概念最丌始的时候是在为 人脸识别走前期定位j 被提出米的。由于最近几年它在视频监控，安全访问控制， 新一代人机界面等重要领域的应用越来越为广泛，研究者们对这个单独领域

31、进行 ，研究，从而涌现 r 许许多多的人脸检测算法。被研究者广泛使用的有两大类。 一种是基于统计学方向的基统计特征，另外一种是基于知识特征。d ，J - 者是一种比 较流行的被称为A d a b o o s t 的人脸检测算法。对于后者来说，比较普遍流行的算 法是一种基于肤色的人腧检测算法。将在论文的后续部分简单介绍这两种算法的 实现。 F r e u n d 和S c h a p r i e 在1 9 9 5 年提出米了A d a b o o s t 算法，它是以在线分配算 法为基础上，进行改进然后提出的。在这种方法中可以让系统没计者们不停的加 入新的弱分类器从而形成一个相对的强分类器，可以

32、让它达到某个设定的足够小 的误差。 众所周知，B o o s t i n g 这种算法可以提高任意算法准确度。它的思路来自于 V a l i a n t 的P A C 算法学习模型。存1 9 9 0 年的时候由它被S c h a p i r e 提出，是通过 他构造的一项多项式算法所证明出来的。学习过P A C 模型后发现，P A C 模型证明 丫其涮时弱学习算法和强学习算法的特性。这里提到的弱学习算法则是高于随机 猜测，而强学习算法指的是在一种学习算法中对一组实验具有极其高的识别率。 通过实验订F 明只要数据足够的多，通过不停的改变训练样本的分布，训练的中心 放在比较难归类的样本中，不断的训

33、练弱分类器，再把这些弱分类器进行叠加， 这就是一个基本的B o o s t i n g 算法的思路。 经由一个例子来诠释B o o s t i n g 算法的原理。假设从一个总数为N 的样本X 中 抽取出n 1 个样本来组成一个子样本x l 。用本子集x 1 训练出的分类器正确率比随机 猜测概率的分类器C l 要高出许多，这样一个分类器被称之为弱分类器。下一步 是对总体样本X 的剩余的样本用C 1 弱分类器进行过滤一直到遇到一个被错误分类 的样本，把它加入至r l x 2 中接着继续分类，一直到检测出第一个被正确分类的样 本，然后把它也加入x 2l I ，直到那些所有被正确分类和被错误分类的样

34、本数达 到相同为止。设两个样本总数为n 2 ，这样释x 2 样本集中被C l 正确分类的概率可 以达到r i 分之5 0 。紧接着我们要利用x 2 训练出第一? 个弱分类器C 2 ，仍然利用成 第二章人喻检测F 海! j j I j 范人学颐十学位论文 功的分类器刈剩余的样本集进行筛选，实验证实了这种算法存洲练过程中，实验 的侧重点在很难被选出的样本卜。但是这样一来，就需要大量的l J 】J 练样本，这也 是这一方法比较大的不足之处。 2 1 系统框架 通过上述的叙述可以很清楚的了解到人脸检测涉及的一些基本的算法，下图 2 1 是人脸检测系统框架图。 图2 1 人脸检测系统框架图 2 2 人脸

35、检测的几种方法 把人脸从图像中标记出来是人脸检测的主要目标。它的基本思想是运用学习 特征和统计特征的方法中的一种对入脸区域进行建模，然后把所有可能的待检测 的区域的特征与人脸模型库进行比较，这样可以获得潜在的人腧区域。在人脸榆 测方法t I I ，当今普遍被广泛使用的可以分为： ( 1 ) 基于特征的人脸检测算法 ( 2 ) 基于彩色信息的人脸检测算法 卜海师范大学硕卜学位沦文第二章人腧检测 ( 3 ) 基：r 特征统计的人脸检测算法 ( 4 ) 基于模板的人脸检测算法 2 2 1 基于面部重要特征的人脸检测方法 对于每张脸来说，其特征分布是按一定的规律性存在的，基于特征的人脸检 测方法就是利

36、用了这种人类与生俱来的特定性质进行检测。举个例子来说明，我 们正常人类的眼睛是以鼻子为中心均匀分布在人脸的左右两边，而且鼻子和嘴唇 之间的连线大致可以与两眼之问的连线相互垂直，而且嘴巴的嘴角般都不会超 过眼睛两个边角。那么某个人的双眼巾心的距离是X 厘米的话，那么双眼到嘴的 垂直间隔的话一般在两倍x 左右，就是有很多类似于这样的人脸特征。一旦你满 足这些条件，相关区域便可以识别出一张人脸。 2 2 2 基于彩色信息的人脸检测方法 顾名思义，这种方法只考虑图像的灰度信息并且充分利用了可以提供更多特 征的彩色图像【1 2 】。皮肤的颜色、头发的颜色等等都属于彩色特征范畴之内。对于 构建快速类型的人

37、脸检测和跟踪算法中，这种皮肤的颜色和发色特征的方法会更 适合。另外，不同于灰度图这种算法力u 入了颜色因素的的考虑，这便使得皮肤的 颜色成为了人脸表面的种莺要信息，肤色小依赖于面部的任何细节特征，这样， 人脸旋转以及表情等各种变化都不能对其造成干扰。因为大部分肤色很容易的和 背景颜色进行区分。肤色的模型用来描述这些皮肤颜色的特征，最为被大家广泛 使用的包括高斯模型、混合高斯模型和直方图模型。当然除了以卜三种肤色模型 之外，还有以下几种模型：( 1 ) 利用集合参数描述肤色区域分布范围的模型等。 ( 2 ) 基于神经网的皮肤颜色模型等。( 3 ) 基于贝叶斯方法的模型等。 另一方面，不论是基于面

38、部特征还是彩色图像信息的人脸检测方法米说，两 者彳个共同点就是利用了人脸的先验知识来检测人脸，而且这类的方法都存在人 脸检测率错误率方面会比较高。首先对于基于面部特征的方法的人脸检测来说， 如果一张图像中存在与人脸相似区域的话，必然会导致不正确的检测，这样一米 对于那些不是正脸的人因为某些人脸特征无法使用，而导致这种方法检测不能被 使用。并且制定这些用米描述人脸特征的规则也是相当不容易的。因为不论是按 怎么样的标准或多或少都会带来错误的检测。另一方面，对于基于彩色图像信息 的方法来说，如果背景的颜色和人脸皮肤色彩非常接近的话，区分人脸和背景会 第一章人腧愉测 上海师范人学坝卜学f t 论文 显

39、得比较不容易。斟此这两种算法独自对的做人脸检测算浊都不适合。所以一般 为了改善它，研究者经常会把它在检测前期就就行各种预处理( 接卜来一章我f J 、J 会详细的介绍) 、后期的验证以及把不同检测方法相结合来处理。 2 2 3 基于统计的人脸检测方法 这节本文要介绍的这种算法将是本论文在稍后实验r f l 实现的种算法。它 不单单只是考虑人脸的某一局部区域的特征，而是一个人整张脸的特征。在这个 算法中，运用了统计学的原理，通过对大量的人脸图像进行分类洲练成一定的规 律，之后便可以利用这样的规律来检测人脸。该算法的实验效果相对于其他的算 法有显著的优势，由于人脸图像的复杂性，人脸特征被描述的显著

40、是具有一定困 难的。因此这种相对成功率稍高的基于统计的方法越来越被研究学者看重 1 4 l 。 在该类方法中，可以将人脸区域看作一种特定的模式，研究者通过使用大量 的正样本和相同数量的负样本放入样本库中，然后将它们进行训练形成训练分类 器。通过区别人脸图像中的每个区域所属的入脸检测方法。这样，人脸检测在此 算法中即变成了一种统计学模式中分类问题。主要包括以下两种方法： 1 基于特征空间的方法 使用特征空间方法的主要目的是把一张二维图像通过一系列的变化然后映 射到其他的空问。这里检测出入脸和非人脸就显得尤其的简单。对于此种方法来 说，最简单的莫过于一种叫做P C A 的主成分分析的算法，通过K

41、_ L 变换可以得到相 关图像特征的特征向量。 2 基于神经网络的方法 人工神经网络( A N N ) 具有相当高的自适应性特征，对于通过平移、变形、噪 声以及局部缺失的图像基本上都可以维持在一定的水平线上的识别率。在做实验 的过程中，有些传统的方法所呈现出来的结果有时候是不如人意的，人工神经网 络方法t 要把特征统计隐含在人工神经网络的结构与参数之中，那么，基于神经 网络( A N N ) 的方法用于人脸这般非常复杂的模式之中具有相当特别的优势。人 T 神经网络( A N N ) 算法虽然拥有有它的优势，但没有一种算法是完美的，也有 其比较明显的缺点，首先需要非常大量的训练样本，其高维数据使

42、得计算变得非 常复杂。不仅如此，搜索过程的速率比较慢，经常容易达到延迟，使得在某些场 合下小适用。山于训练还需要大昂的负样本，搜集这些样本本身就是一件极大的 上海师范人学硕+ 学位沦文第二壹人腧检测 工作量，好在现在一些同外的人脸库能够直接找到，但是能够适用于每种情移卜 的图片集也就变得更加难找丁，。基于统计模型的人脸检测算法是目i ，J - 比较广泛为 人所运用的算法。 2 3v i o l aj o n e s 人脸检测算法 P a u lv i o l a 和M i c h a e lJJ o n e s 一起提出了一种人脸检测的算法，该算法 由他们俩的名字来命名称为V i o l aJ

43、 o n e s 人脸检测算法 2 1 】。V i o l aJ o n e s 算法对 人脸检测研究领域的贡献起到推进性作用，它的出现使得人脸检测的速率以及准 确率得到很大的提升。 对于速度方面，之所以如此的快，是因为V i o l aJ o n e s 算法利用了积分图像 的方法米获取图像特征值。另一方面，由于a d a b o o s t 分类器的特征具有筛选的特 质，剔除了没有价值的特征，筛选了有价值的特征，这一步骤人人的降低了检测 时的计算复杂度，大大的节省了时问。准确率之所以得到了提升，是囚为a d a b o o s t 分类器经过了改进，由原来的单级分类器，通过串联彤成了级联a

44、 d a b o o s t 分类器， 通过层层分类提高J ，人脸检测的准确率。 算法原理具体如下： 1 特征提取 算法中总共设计了以下四种特征，称之为h a a r - 1 i k e 特征，如图【2 3 1 2 2 所示， 绎过衍生发展，学术研究者由提出了更加丰富的四种特征，如图【1 1 1 2 3 A 图2 2h a a r li k e 特征 1 0 转 D 第一章人舱检删 上淘圳J 范人学坝十学 盘沦文 嘎i 巴 明日 目回 图2 3 这些特征原理都非常的简单，就是将白色区域中的所有像素相加减去黑色区 域中的所有像素之和。图1 中的其中一种特征A 所示，首先通过计算分别得到两个 区域

45、内像素5 F N S u m ( 白色区域) ，S u m ( 黑色区域) ，两个S u m 相减得到一个特征值。但 是实际上要被检测的人脸的图像尺寸大小不同，因此我们需要对图像的大小特征 进行统一的归一化处理。所以最终的特征表示为：特征= 特征p i x e ln t l l n ( 其中 p i x e l B u m 是黑色白色区域像素点的数量) 。如此，不用考虑检测窗u 的大小尺 寸，获取的特征在都是在相应的区域内的。另外，说明一下h a a r l i k e 名字的来 源。由于在h a a r w a v e l e t 中，h a a r 基函数的表达式如下图 7 1 2 4 ：

46、 l 4 婚净 。 | 0 Q 萎基i xs1 o m e r 瓣 2 4h a a r 基函数表达式 2 4A d a b o o s t 分类器介绍 由于特征提取后的特征维数都相当的大，但是真正有用的部分确非常的少， 因此研究的重点便落在如何提取有用部分的特征。大多数训练出来的训练器都是 弱分类器，因此我们需要一个强大的分类器，A d a b o o s t 分类器正好拥有这个可以 满足需求的能力。A d a b o o s t 是一个由若干个弱分类器组合而成的强分类器。每一 个弱分类根据各自的分类率与权值做乘泫，然后再把每个结果相加而成，这样就 上海州J 范人学坝十学位沦文第二尊人腧检测

47、 组成一个由若干弱分类器并联成的强分类器。虽然每个单独的弱分类器独自分类 的命- I ，率不高，但是强分类器叠力了它们作用，检测结果非常的不错。 2 4 1 级联A d a b o o s t ( c a s c a d eo fc l a s s i f i e r s ) 虽然强分类器的效果很好，但是假如只是使用比较常用的A d a b o o s t 的话，这 样上程太大，消耗的时间太长。举个例子，如果我们每次只需要提取几百维最为 可用的脸部特征。虽然这样和之前的高维数相比，减少了不少工作量，但是那么 当我们检测的时候窗口移动到每个部分的时候，都必须要提取以上相同维数的特 征向量。然后再

48、用A d a b o o s t 分类器来计算这几百维特征，并且需要再每个检测的 位置并且图像的大小不同，同时每个部分都需要做几百次的乘加法，如此一来总 计算量也相当的大，这会造成高延迟使得在某些领域很难运用。不过好在这类的 问题已经得到很好的解决，那就是将些比较小但是准确率比较高的A d a b o o s t 分类器串联起来用，经有效的实验结果显示 9 9 9 9 9 3 0 9 8 9 误检率仅仅有： 0 5 3 0 9 - 3 l O 一9 实验结果显示这样的一个组成使得检测器的准确率提到J ，一个相对高的阶 段，由于这个分类器是由若干个小的分类器串联组成的，所以在我们检测的时候 有一

49、阶段检测不出来人脸的话，剩余的步骤便可不用再继续了。在一张含有人脸 的背景巾，人脸的L L 侈t J 不同，不过大多数的情况下都是非常小，小到每个分类仅 仅包含几十维的特征，因此当检测的时候窗口经过位置比较大的地方检测会立刻 的结束。相比之下，这样的一种方案相比之前提到的几百个维数特征的方案要快 出许多。 2 5 实验结果 由于自己训练的分类器由于图片数量有限，所以出来的效果没有O p e n C V 自带的分类器效果好，所以本实验将用开源库O p e n C V 来实现最基本的人脸检 测试验。主要步骤为： 1 加载分类器 首先需要安装0 P E N C V 2 3 1 ，下载h a a r c a s c a d e f r o n t a I f a c e _ a t l x 和 h a a r c a s c a d e f r o n 七a I f a c e a t l 2 x m l 分类器，然后用O P E N C V 自带函数 1 2 第一章人腧检测 上海! J I | j 范人学f i ! ； 十学何论文 c v L o a d 谈入x m l 格式的义什。义件在O p e n C V 安装目录卜的 “d a t a h a ar c a s c a d e s ”路径卜。 2 读入待榆测的图片或者也可以采集