基于OpenCV的中远距离人脸检测Word格式文档下载.docx
《基于OpenCV的中远距离人脸检测Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《基于OpenCV的中远距离人脸检测Word格式文档下载.docx（26页珍藏版）》请在冰豆网上搜索。
分类器；
OpenCV
1.概述
1.1引言
人脸检测（FaceDetection）最初来源于人脸识别（FaceRecognition）。
我们想要在进行人类识别之前，必须要对人脸的位置和大小进行精确的定位，即人脸检测。
因此一个实时有效的人脸检测系统在人脸识别中有着重要而不可代替的作用。
由于人类基因组合的多样性造成了人类脸部相似的概率大大减小，因此人脸检测与识别更具有直接方面而且友好的优势，也更容易被用户所接受。
与此同时，通过对人脸表情的分析，还能够获得其他识别系统不可能获得的资料，因此人脸识别也逐渐称为身份验证的最有力的手段之一。
在早期的人脸识别技术中，主要针对一些约束性条件较强的图像进行识别，而忽略了人脸检测技术的研究。
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。
人脸识别通过计算机提取人脸的特征，并根据这些特征从而进行身份验证。
人脸与指纹等其他生物特征一样是不可改变的，因此人脸所具有的唯一性、不容易被复制的特性，在进行身份验证时起到了决定性的作用。
同时，人脸识别技术具有操作简单方便、结果一目了然、方法隐蔽等优点。
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1.1所示。
图1.1人脸识别的一般步骤
1.2概念介绍
所谓人脸检测（FaceDetection），是指对于给定的一幅图像，利用计算机并采用一定的算法和策略，在图像中进行搜索，并确定其中是否含有人脸、人脸位置、人脸大小及人脸姿态的技术。
因此，人脸检测技术是人脸自动识别系统中的一个重要的关键环节。
1.3研究现状
人脸检测是一个复杂的极具挑战性的模式检测，其主要的难点有两方面：
一方面，是由于人脸内在的变化所引起：
（1）人脸的自身因素。
人脸是一个包含五官、毛发等极不规则的复杂待测目标，不同的人脸在形状、大小、颜色、质地等方面都有很大的变化性，某些局部特征具有随机性（如，眼睛等），而且还存在着不同表情的人脸，以及时间间隔产生人脸的变化等，这些都给人脸检测带来难度。
（2）人脸的不同视角。
人脸可能以不同视角出现在图像中，造成某些用于检测而需提取的人脸的特征不可见，为了实现检测方法的鲁棒性，还需考虑人脸在各种复杂的背景中、不同方向、角度、尺度等情况下所展现出来的不同表象。
（3）物体的遮挡。
图像中其他物体对人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等，对中远距离的人脸检测造成一定影响。
另一方面，是由于外在条件变化所引起：
（1）成像角度的影响。
成像角度的不同能够造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大。
（2）光照的影响。
在中远距离条件下的图像场景会比较模糊，由于光照不均匀，图像中的亮度、对比度的发生变化和阴影，摄像头距离观测人群较远等原因，人脸检测定位比较困难。
（3）图像的成像条件。
如摄像设备的焦距、成像距离，图像获得的途径等等。
（4）图像中存在着噪声。
检测对象大多是由图像捕捉设备所采集的数字图像或视频中的数字图像序列，所以采集条件特别是关照条件包括光源的方向、明暗、色彩等都会对图像的效果产生很大的影响，进而影响对人脸的检测。
正因为在人脸识别的过程中存在上述的各种各样的问题，因此在实际的检测和识别过程中，当这些因素叠加到一起的时候，情况就变得更加复杂。
这些困难都为解决人脸问题造成了难度。
如果能找到一些相关的算法并使其能在应用过程中达到实时，将为成功构造出具有实际应用价值的人脸检测系统提供保证。
目前，国外从事人脸检测的研究机构和院校比较多，取得明显成就的有麻省理工大学和卡内基－梅隆大学；
而国内从事人脸检测的院校研究生也很多，诸如清华大学、中国技术科学院的自动化所等等。
随着人脸检测研究的深入，国际上发表的有关论文数量也在大幅度增长，如IEEE的FG、ICIP\CVPR等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的1/3之多。
由此可见世界范围的学者对人脸检测技术的重视。
总的来说，人脸识别技术就是确定一种人脸的描述方式进行人脸检测与识别。
但是无论是先前的几何描述方式还是目前常用的代数描述方式，都存在各自的缺陷。
在以后的研究中，我们应逐渐去完善人脸的描述方式，使之更加有效，更加准确。
1.4应用领域
近年来，视频人脸检测及其合成技术受到越来越多研究者的关注，这主要由于两方面原因：
一方面，计算机计算和存储成本的大幅度下跌使得以视频速率或近似视频速率采集存储图像序列成为可能；
另一方面，视频跟踪识别技术的极为广阔的市场应用前景也是推动此研究的主要动力。
主要应用在一下五个领域：
（1）身份认证与安全防护领域
最通俗的例子就是门禁控制。
所谓门禁控制，是指为了有效的进行安全管理，对人员进出情况实现权限控制并详细记录的管理手段。
随着人脸技术的不断发展，目前基于人脸识别的新型门禁控制系统，将具有访问权限的人员的人脸资料和信息存放到数据库中，通过摄像头拍摄进出画面后，利用人脸检测和识别技术对人脸信息进行检索，当该人员的人脸信息与数据库中信息有相匹配的，则可以进入，否则拒绝进入，并对强行进入者发出报警。
（2）媒体与娱乐领域
随着网络化时代的到来，人们利用脸部表情的变化和对人脸的抽象，可以进行娱乐。
在如今的手机、电脑、相机等电子产品中，基于人脸变化的娱乐手段越来越多。
而家庭娱乐指的是能够识别家庭主人身份的智能机器人，而这些媒体与娱乐的电子产品，关键技术之一就是人脸的识别与检测。
（3）图像搜索领域
目前，Google的图像搜索其实还是文字搜索。
基于人脸图像识别技术的搜索引擎将会具有广泛的应用前景。
（4）公安侦查领域
同前文所述的身份认证一样，当银行发生抢劫案件、小区发生盗窃案件时，可利用摄像头拍摄的图像，进行人脸检测和识别，提取犯罪嫌疑人的人脸资料，帮助公安机关破案。
（5）信息安全领域
信息安全是指计算机和网络的登录、文件的加密和解密。
在信息安全中，人脸的识别也是其中的一个关键技术。
1.4评价标准
人脸检测与识别系统性能主要评价标准有：
识别率，误检率，检测速度以及鲁棒性。
（1识别率：
正确检测和识别的人脸数量与图像内真实的人脸数目的比值叫做识别率。
识别率越高，说明人脸检测与识别系统的性能越好。
（2）误检率：
不是人脸而被误检测为人脸的窗口与图像内检测出来的所有的人脸窗口数目的比值叫做误检率。
比如图像内被检测为人脸窗口的总数为A，被误检为人脸的非人脸子窗口数为B，则误检率为B／A。
识别率无法反映人脸检测与识别系统对非人脸的排除能力。
因此引入误检率来衡量人脸检测与识别系统对非人脸的排除能力。
误检率越低，说明人脸检测与识别检测系统的性能越好。
（3）检测时间：
由于人脸检测与识别系统最终实现到实际的应用中去，因此检测时间是人脸检测与识别系统中的一个重要的指标。
它包括两个阶段：
一个是人脸检测与识别的训练时间，一个是识别时间。
在识别率率和误检率达到要求的前提下，检测时间越小越好。
（4）鲁棒性：
即在各种复杂背景的条件下，人脸检测与识别系统的适应能力。
2.Adaboost人脸检测算法
2.1概述
2.1.1Adaboost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）[4]。
Adaboost算法是基于改变数据分布的一种算法，它根据训练集合中样本分类和总体分类的的正确率，确定每个训练样本的权值，并将新的训练权值的数据集合发送至下层分类器展开训练，然后再将下层分类器的训练结果融合到一起，进行最后的决策。
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算法是于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算法是目前在众多的人脸检测算法中是一种检测速度快、效果好的一种检测方法。
通过不断的修正弱分类器的权值，并将这些权值结果融合到一起进行决策形成强分类器。
与其他人脸检测算法相比，Adaboost算法中，对每个弱分类器的权值分配完全是自动的，因此其具有方便和易用性。
而且大量的实践证明了Adaboost算法的有效性、迅速性和简易性。
Adaboost算法进行人脸检测训练的路程图如图2.1所示。
图2.1Adaboost算法训练过程
2.1.2Adaboost人脸检测算法
人体检测属于模式识别范畴。
模式识别方法是多种多样的，模式识别系统的最终目标，是要在表示空间和解释空间之间找到一种映射关系。
这种映射可以是一个分类，也可以是回归，抑或是一种描述方案。
在这里，我们用分类来进行叙述。
分类方法总得来说可以分为两种：
监督学习方法和非监督学习方法。
此后，又在前两者的基础上发展出了半监督学习方法，这种方法的本质仍属于监督学习。
统计分类是模式识别发展过程中建立起来的比较经典的方法，其表达方式有着坚实的理论基础。
它主要基于用概率统计模型得到各类别的特征向量分布，以取得分类的功能。
特征向量的取得是基于一个类别已知的训练样本集合。
因此，这是一种监督学习的模式识别方法。
因此，由概念驱动的分类器，是用已知的类别标签的样本训练分类器来确定分类。
而对新的样本进行分类时，分类方法取决于其分布类型。
Adaboost算法是统计分类方法中一个经典算法，它由Boosting算法发展而来，是由Freund和Schapire在1995年提出的，该算法解决了以前Boosting算法在实践中存在的各种问题。
实验表明，Adaboost算法能够显著提高学习精度。
利用Adaboost算法与Haar特征相结合的方法进行人脸检测。
Haar特征是一种基于积分图像的特征，主要在灰度图像中使用，该特征计算简单，提取速度较快。
Adaboost算法首先提取图像中的Haar特征，再将训练得到的Haar特征转换成弱分类器，最后将得到的弱分类器进行优化组合用于人脸检测。
Viol
升级会员 