基于开源算法库的人脸检测系统开发

《基于开源算法库的人脸检测系统开发》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、论文（设计）撰写指导文献综述目：基于开源算法的人脸检测系统开发学院:专业:班级:学号:学生姓名:指导教师:人民武装学院计算机科学与技术2013级1320070288苏彦龙王代强2014年7月17曰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-个备受关注的热点。和其他生物特征识别技术相比，人脸识别只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

2、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OpencV图像处理软件设计并实现了一种简卑的基于Adaboost算法的人脸检测系统。人脸检测系统的一般步骤［243］:输入图像人脸图像人脸特征输入结果人脸检测技术(facedetection)［3］是指在输入图像中确定所有人的位置、大小位姿的过程。人脸检测作为人脸信息处理中的一项关键技术，近年来成为模式识别与计算技术视觉领域内受到普遍重视

3、、研究十分活跃的课题。人脸检测研究有着重要的学术价值。人脸是奋一类具奋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算法的基东原理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

4、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來，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。最开始第1页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)—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，

5、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來，得到最终的强分类器。Haar-like特征5'11]Haar-like特征是基于灰度图，首先通过大量的•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)有水平的、竖直的、倾斜的，并且每个特征带

6、一个阈值和两个分支值，每级子分类器带一个总的阈值。识别物体的时候同样计算积分图像为后面计算haar特征做准备。然后采用与训练的时候有物体的窗口同样大小的窗口遍历整幅图像，以后逐渐放大窗口，同样做遍历搜索物体；每当窗口移动到一个位置，即计算该窗口内的haar特征，加权后与分类器屮特征的阈值比较，从而选择左或者右分支值累加一个级的分支值与相应级的阈值比较，大于该阈值才可以通过进入下一轮筛选，当通过分类器所有分类级的时候说明这个物体以大概率被识别。常用的haar-like特征有边缘特征，线性特征，中心特征。(a)边缘

7、特征(a)edgefeatures(b)线性特征(b)1inefeatures(c)中心特征(c)center-surroundfeaturesHaar-like特征特征值是指图像上两个或者多个形状人小相同的矩形A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］。本文屮的人脸检测通过对大量训练样本的学＞J，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

8、类器的主耍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，单个分类器去除非人脸窗U往往会造成较高的误检率。第一级分类器仅使用最简单的分类器即可，通过计算矩形特征值和每个特征值下的弱分类器，然后组合弱分类器。这些步骤