基于计算机人脸检测实现.docVIP

基于计算机人脸检测实现 　　摘 要 　　本文深入地分析了当前实施人脸检测技术的可行性，并对本方案实施的优势进行了概括。 　　【关键词】人脸检测技术 计算机技术 识别技术 　　1 人脸检测的前景 　　人脸检测作为近年来生物识别领域的一个热门研究方向，具有操作方便，用户易于接受，事后追踪能力强等优点。但是因为人脸检测与识别运行的过程往往需要大量的运算，并且其算法并不简单，因此目前大部分人脸检测与识别系统的设计与开发都需要立足于计算机技术。下面笔者将会对以计算机平台为基础的人脸检测的实现过程展开详细的论述与分析。 　　2 相关技术研究现状 　　2.1 人脸图像的获取与预处理 　　一般情况下，摄像头负责对人脸图像的摄取，除此之外，专门的图像库也是人脸图像的来源之一。前者多应用于系统的应用阶段，一般来说，它不仅仅可以作为应用系统存在，也可以作为研究系统存在；而后者多应用于研究阶段，并且它只能作为研究系统存在，是基于标准人脸图像库而存在的。 　　获得需要的图像之后，接下来就要对图像进行预处理，这一环节对于人脸检测与识别系统的应用来说，是非常关键的。在获取图像的过程中，会受到外部复杂环境的影响，例如灯光亮度、配套设施好坏、噪声干扰、对比不明显等等。并且，由于距离与焦距存在的差异，导致无法确定人脸所处的具体位置。因此，图像预处理这一环节是必不可少的，有了这一环节才能确保图像上人脸所处位置与大小比较恰当。人脸扶正、人脸图像增强及其几何归一化和灰度归一化等都是图像预处理环节主要的工作内容。而图像变换增强、直方图均衡法、非线性平滑滤波、图像的归一化等则是图像预处理过程之中所运用的主要方法。 　　2.2 人脸检测技术 　　人脸识别是否能够具有较好的识别性能，取决于人脸检测的性能水平的高低，因此可以说，人脸检测是人脸识别得以实现的前提条件。借助人脸检测算法技术，检查并测验静态图像（动态视频帧），从而准确的对此图像（视频）进行判断，从而知道此图像是否具有人脸图像，假若判断此图像具有人脸图像，则需要明确其所处区域及图像数值大小，这就是人脸检测。高效率与检测精准是用户对人脸检测的一个普遍性评价，现如今这项技术已经获得了用户的认可，专家学者也对其展开了更深入的分析研究。 　　人脸图像所囊概的特征是非常丰富的，例如肤色、人的轮廓、结构等特征都是极具代表性的，此外其系列图像往往还会涉及到一些其他信息，例如运动状态等。基于这些特征信息，研究者设计了许多人脸识别的检测算法，按照这些方法的思想策略大致可将人脸检测方法分为4类：基于知识的方法、基于模块匹配的方法、基于外观形状的方法和基于特征的方法。 　　2.3 人脸识别技术 　　借助对相应的人脸识别算法的运用，辨别出图像上的人脸的身份信息，第一步是对图像进行搜索，从而找出图像上的人脸目标，然后识别人脸目标体的身份信息，这就是人脸识别。 　　以人脸识别技术的发展状况作为划分的依据，研究工作往往将人脸识别技术划分为四种类别，分别为：其一是几何特征为基础的；其二是以统计特征为基础的；其三是以机器靴子为基础的；其四是以局部模式为基础的； 　　3 选择的硬件平台 　　3.1 图像输入 　　人脸图像的输入部分可以是普通的USB摄像机、网络摄像机等，也可以将已经拍摄好的图像存储在硬盘等存储设备。因此其应用往往不会受限于特定的场所。 　　如果摄像机选择的性能比较差一些，会增加后面算法的复杂度；此外还会对人脸检测与识别的最终效果造成一定的影响；为了提高系统的性能，所以应该选择性能比较好，产生的相片噪声比较小的相机。 　　3.2 中央处理 　　本方案中的中央处理部分选取的是计算机的CPU；因为现在CPU的功能强大，再加上良好的微软系统，使得系统的性能大大的提升。 　　作为系统的中心处理部分，应该选择一台专门的服务器来处理图像的检测和识别。这是由于图像往往需要占据大量的内存，在实施算法的过程之中会耗用较多的资源。 　　4 检测系统的组成 　　4.1 计算机视觉库OpenCV的介绍 　　Open CV是计算机视觉库，它是跨平台的，并且以（开源）发行为基础，能够在很多操作系统上运用，例如Linux、Windows、Mac OS，其具有的C函数跨平台的中、高层API高达五百个。由于其有着丰富的视觉处理算法，因此在数字图像处理领域之中的运用非常普遍，例如物体、人体、人脸等的识别。本文后面分析工作的开展都是以Open CV计算机视觉库为基础的。 　　4.2 人脸图像采集模块 　　原始的人脸图像一般是在用户注册时采集的，一般会在几副到十几幅之间， 且采集到的这些人脸图像需包含该人脸的不同的表情和多种姿态。人脸采集是人脸检测的第一个步骤，笔者在前文现状分析的基础上，为使人脸检测更加精确，结合了人眼与人脸检测两种技术。成功获取人脸图像后将会步入图像预处理这