基于JavaCV人脸检测系统.docVIP

基于JavaCV人脸检测系统 　　摘 要：人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也有广泛的应用。 　　JavaCV在OpenCV基础上提供了进行人脸识别的API。本文介绍了PC上使用Eclipse集成开发环境搭建了基于JavaCV的人脸检测的算法及其系统。 　　关键词：人脸检测；JavaCV；OpenCV 　　一、 人脸检测现状分析 　　人脸检测问题最初来源于人脸识别，任何一个自动的人脸识别系统首先必须对人脸进行准确的定位，因此实时而有效的人脸检测显得尤为重要。跟其他生物特征识别方法相比，人脸识别具有更加直接、方便、友好的特点，因其非侵犯性更容易被用户所接受。而且，通过对人脸的表情、姿势等作分析，还能获得其他识别系统难以获得的信息，因此人脸识别成为最有潜力的生物身份验证手段。早期的人脸识别研究主要针对具有较强约束条件的人脸图像（如无背景的图像），因此假设人脸容易获得或在手工交互下运用，而人脸检测问题并未得到重视。 　　近年来，随着信号处理理论和计算机的出现及其发展，人们开始用摄像机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息的处理，这就形成了计算机视觉。计算机视觉是当前计算机科学中的一个非常活跃的领域，其基本假设是：可以用计算的方式来模拟人类的视觉机制。 　　人脸的自动识别是一种重要的生物特征识别技术，与其它身份识别方法相比，人脸识别具有直接、方便、友好等特点，因而人脸自动识别问题的研究不仅具有重要的应用价值，而且具有重要的理论意义。现在，随着科学技术和电子商务的发展，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、计算机视觉、人机交互等方面都有着重要的应用价值。 　　人脸识别通过计算机提取人脸的特征，并根据这些特征进行身份验证。人脸与其他生物特征（指纹、虹膜等）一样与生俱来不可改变，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。人脸识别一般包括三个步骤：人脸检测、人脸特征提取和人脸的识别与验证。其处理流程如图1所示。 　　图1 人脸识别的一般步骤 　　二、 使用JavaCV进行人脸识别的方法 　　人脸检测一种主流的方法就是类haar adaboost方法，OpenCV中也是用的这种方法。这种方法可以推广到刚性物体的检测，前提是要训练好级联分类器（比如说用类haar特征），一旦训练数据弄好了，直接调用OpenCV中的类CascadeClassifier，用它的几个简单的成员函数就可以完成检测功能。 　　2.1 Adaboost算法简介 　　Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。Adaboost 算法是1995 年提出的一种快速人脸检测算法，是人脸检测领域里程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在效率不降低的情况下，检测正确率得到了很大的提高。 　　Adaboost算法是目前在人脸检测方面检测速度较快、检测效果较好的一种检测方法，它是一种把弱分类器采用级联的方式训练成为强分类器的方法。这些弱分类器只需要满足比随机猜测好一点，就能通过不断的修正每个弱分类器的权值，即挑选那些比较好的分类器，抛弃不好的分类器，从而最终形成由这些弱分类器组成的强分类器，相比较其他的方法而言，Adaboost方法对每个弱分类器的权值的形成都是无人值守的，完全自动化的，因而Adaboost算法有着比较好的易用性。大量的实验证明，Adaboost算法是有效的将多弱分类器强化成为强分类器的一种方法，经过训练的分类器具有比较好的分类效果，而且速度较快。 　　2.2 Google识图 　　本系统采用Google识图技术，Google识图的关键技术叫做感知哈希算法（Perceptual Hash Algorithm），它的作用是对每张图片生成一个指纹（fingerprint）字符串，然后比较不同图片的指纹，结果越接近，说明图片越相似。