基于OpenCV人脸检测技术研究及实现.docVIP

基于OpenCV人脸检测技术研究及实现 　　摘 要：为了在视频流中准确检测到人脸，文中基于OpenCV设计了一个人脸检测系统。使用Haar和LBP两种算子提取特征，通过AdaBoost算法构造级联分类器，检测出人脸区域。通过计算机仿真验证，发现采用LBP算子提取特征的正面检测率更高，达90%以上，且检测时间更短，平均检测时间降低1个数量级，取得了较好的效果。该模块可移植性强，可扩展，为后续研究打下了良好的基础。 　　关键词：视频流；特征提取；局部二值模式；人脸检测 　　中图分类号：TP39；U644.8 文献标识码：A 文章编号：2095-1302（2018）03-00-03 　　0 引 言 　　随着计算机技术和数字成像技术的进步，机器视觉技术蓬勃发展。人脸识别一直是计算机视觉和人工智能中的重要问题。人脸识别技术因无需与用户进行肢体接触，使用简单、安全，经过几十年的研究和发展，已成为一项热门的研究课题，受到越来越多研究者的重视。该技术可广泛应用于公共场所人口统计及视频监控，安全驾驶提醒，门禁管理系统等相关领域。因此找到一个高效明了的算子提取特征描述人脸和分类器至关重要。研究者为此提出了主成分分析法 （PCA）[1]、线性判别式分析（LDA）[2]等全局描述方法和Haar[3]特征与LBP[4]特征等局部描述的特征等。局部特征在不同的光照及姿态和复杂环境下，具有较强的鲁棒性，得到了广泛应用。本文利用Visual Studio 2013和开源计算机视觉平台OpenCV搭建了一个人脸识别模块，利用Haar和LBP两种算子提取特征，进行视频流的人脸识别。该模块搭建方便，可移植性强，在Windows，Android和iOS系统上均可实现。 　　1 人脸识别模块 　　1.1 Haar特征 　　Haar特征是以图像灰度分布为基础并反映图像灰度值变化的一种特征，主要是由黑白矩阵像素组合而成的不同模板，包含边缘特征、线性特征、中心环绕特征。人的面部有很多特征，比如眼睛颜色比周围皮肤颜色深，嘴唇颜色比周围皮肤颜色深等。对于一个24×24的图片来说，面部特征多达9万余个，也正是因为这一特点导致训练时间过长。面部特征可由Haar特征表示，定义左上角为白色区域，以此交错。该模板的特征值是白色填充区域的像素值之和与黑色填充区域的像素值之和的差值[5]。基于人脸特征的Haar特征如图1所示。 　　1.2 积分图 　　使用积分图可以实现上述黑色和白色特征数值的计算，大大提高了图像特征值的计算效率。积分图[6]是一种能够描述全局信息的矩阵表示方法，示意图如图2所示。用公式表示为： 　　1.3 LBP特征 　　LBP[7，8]是一种描述图像纹理特征的算子，具有灰度不变性、旋转不变性和统一模式等优点。Ojala最早提出了LBP算子，将其用于局部纹理特征描述。 　　假设局部邻域的纹理图像T是图像像素灰度值P（P1）的联合分布，T=t（gc，g0，…，gp-1），gc表示中心点像素的灰度值，gp （p=0，…，p1）是半径为R的圆上对称点的灰度值。gc是坐标原点， gp坐标分布在（-Rsin（2πp/P）， Rcos（2πp/P））的圆上，通过双线性插值得到坐标不是整数点的坐标。 　　LBP特征值表示?椋?2p代表对应位置上的权重。如图4所示，在3×3窗口中通过二值化阈值分割，得到该点的二进制模式对应的十进制为58，中心对比度为4。对于中心对比度，如果数值小于某一个值c’，可认为该区域是平坦区，没有需要的特征，不提取该点的特征；反之，如果该点的对比度很高，则说明该点可能是边缘或者角点特征。得益于其二进制模式，计算机接受较快。 　　联合分布T=t（gc，g0-gc，g1-gc，…，gp-1-gc）。假设gp-gc和gc是相互独立的，T≈t（gc）t（g0-gc，g1-gc，…，gp-1-gc）。所有像素点加上或者减去同一个常量，纹理特性不会发生改变。纹理特征在灰度（光照）范围内具有平移不变性。对于一个平坦区域，区域内所有方向上的差异为0。对于变化较小的边缘，算子计算出各方向上的最大差异和边缘上的零值。对于一个点，各方向上的差异都很大。简而言之，LBP算子反映出了点、线、边缘上的特征。通过二值化处理得到T≈t（s（g0-gc），s（g1-gc），…，s（gp-1-gc）），其中。 　　以3×3窗口8个采样点为例，采用LBP等价模式（即0和1转换的次数）后，u=0或u=2，一共有7×8+2+1=59种，极大地减少了计算量，且不受图像旋转的影响，对图像的点、线、边缘及角点特征也能较好地表达出来，并起到了降维的作用。3×3邻域LBP统一模式示意图如图5所示，LBP特征示意如图6所示。 　　1.4 级联分类器 　　AdaB