基于开源算法库的人脸检测系统开发.docVIP

论文（设计）撰写指导 文献综述 题 目： 基于开源算法的人脸检测系统开发 专 业： 计算机科学与技术 班 级： 2013级（专升本） 学 号： 1320070288 学生姓名： 苏 彦 龙 指导教师： 王 代 强 2014年 7 月17日引言 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，是近年来信息科学领域一个备受关注的热点。和其他生物特征识别技术相比，人脸识别具有自然性和不被被测者察觉等优势。但是由于人脸的相似性和易变性等特点，人脸识别被认为是生物特征识别领域最困难的研究课题。人脸识别主要用于身份识别，在门禁系统、公安刑侦破案、摄像监控系统、身份辨识、信息安全等方面都有着广阔的应用前景[1]。 OpenCV是Intel公司开发的数字图像处理和计算机视觉软件。可以应用于很多领域作为二次开发的工具。 本文利用0pencV图像处理软件设计并实现了一种简单的基于Adaboost算法的人脸检测系统。 人脸检测系统一般2,13]： 人脸检测研究有着重要的学术价值。人脸是有一类具有相当复杂的细节变化的自然结构目标，对于这类目标的检测问题的难度在于[4]： 1、人脸的由于外貌、肤色、表面粗糙度以及表情不同，具有模式的可变性。 2、一般情况下，人脸上可能存在眼睛、胡须甚至伤痕等附属物。 3、作为三维立体的人脸的影像不可避免的受到由于光照检测与跟踪系统，将为解决其它类似的复杂模式检测问题提供有用的启示。 Adaboost算法的基本原理[5] Adaboost算法是一种迭代算法，主要用于特征选取和训练分类器，其核心思想是针对不同的训练集训练同一个分类器（弱分类器），然后把这些在不同训练集上得到的弱分类器通过一定的分类方法集合起来，构成一个最终的强分类器。在该算法中不同的训练集是通过调整每个样本对应的权重来实现的。最开始的时候每个样本的权重是相同的，在此样本分布下训练出一个弱分类器h(x），对于h(x）分类错误的样本则加大其对应的权重，而对于h(x）分类正确的样本则减小其对应的权重，从而把分类错误的样本突出出来，进而组合成一个新的样本分布。同时，根据分类错误的情况赋予h(x）一个权重，表示该弱分类器的重要程度，分类错误的越少权重越大。在新的样本分布下，对其进行再次训练，得到弱分类器及其权重。以此类推，经过次循环训练得到T个弱分类器和T个对应的权重，后把这T个弱分类器按照一定的权重叠加起来，得到最终的强分类器。 Haar-like特征[6,11] Haar-like特征是基于灰度图，首先通过大量的具有比较明显的Haar特征（矩形）的物体图像用模式识别的方法训练出分类器，分类器是个级联的，每级都以大概相同的识别率保留进入下一级的具有物体特征的候选物体，而每一级的子分类器则由许多Haar特征构成（由积分图像计算得到，并保存下位置）haar-like特征有边缘特征，线性特征，中心特征。 特征值是指图像上两个或者多个形状大小相同的矩形内部所有像素灰度值之和的差值，例如在边缘特征中，特征值的计算公式为： V=Sum白-Sum黑 级联分类器 一张人脸图片可以分为人脸区域和非人脸区域[7]。本文中的人脸检测通过对大量训练样本的学习，使用级联分类器进行人脸区域的判别。由于单个分类器的分类性能比较差，因此利用级联分类器去除非人脸子窗口。评价级联分类器的主要指标有正检率和误检率。前者是指系统能够正确检测出来的实例数量与检测总数之比，后者是指错误实例的数量与检测总数之比，即将非人脸区域，误当作人脸区域。如果前者的参数愈大同时后者的参数愈小，那么级联分类器的性能就愈好。由此得到， 其方法框架可以分为以下3大步骤[8]： 1、使用haar-like特征表示人脸，使用“积分图”实现特征数值的快速计算。 2、使用adaboost算法挑选出一些最能代表人脸的矩形特征弱分类器按照加权投票的方式将弱分类器构造为一个强分类器。 3、将得到的若干强分类器串联组成一个级联结构的层叠分类器，训练得到的强级联结构能有效地提高分类器的检测速度。 人脸检测程序主要是利用基于Adaboost学习算法训练得到的人脸级联分类器，进行实际的人脸检测。人脸检测程序流程包括图像预处理、积分图生成、特征值计算、级联分类器判断等步骤如下图。 开发环境OpenCV简介 OpenCV的全称是：Open Source Computer Vision Library[9]。 OpenCV于1999年由Intel建立，如今由Willow Garage提供支持