基于opencv的人脸检测课程设计

《基于opencv的人脸检测课程设计》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、信息与电子工程学院数字图像处理题目：基于OpenCV的人脸检测班级：电子131姓名：XXXXXX学号：XXXXXXXX指导教师：XXXXXX基于OpenCV的人脸检测XXX【摘要】：通过对基于Adaboost人脸检测算法的研究，利用该算法与计算机视觉类库OpenCV进行人脸检测系统的设计，实现了对图像中的人脸检测。此外，在OpenCV环境下实现了对一个简单的人脸检测系统软件的界面开发，该系统对人脸检测的速度较快，检测结果较为准确，可以作为其他人脸检测或人脸模式识别的系统的开发基础。【关键词】：人脸检测；O

2、penCV；AdaboostFaceDetectionBasedonOpenCV【Abstract】:AccordingtotheresearchofAdaboostalgorithmofFaceDetection，peoplemadeuseofthealgorithmsandcomputervisionclasslibraryOpenCVforthedesignoffacedetectionsystemandachievedthetargetofpictures.What’smoreintheenvir

3、onmentofOpenCV，itachievedthedevelopmentofsimpleFaceDetection.ThespeedofFaceDetectionisveryfastandthetestresultsareaccurate.Itcanbeusedasthedevelopmentfoundationofotherfacedetectionorfacepatternrecognitionsystem.【Keywords】:Facedetection；OpenCV；Adaboost一、引言

4、随着计算机与数字信号处理技术的高速发展，人脸检测技术在众多领域得到广泛应用。人脸检测技术是指在视频或图像中检测出现人脸位置、大小的过程。作为人脸信息处理中的一项关键技术，人脸检测技术已经超出了其它人脸识别模式的应用范畴，在视频处理，图像处理，身份验证，安全监测等方面有着重要的应用价值。随着计算机语言算法的发展，近年来出现了大量的人脸检测的算法，其中，能够较好的解决人脸的检测速度与检测效果的算法，是在2001年由PaulViola和MichaelJones首先提出的Adaboost算法。本系统就是基于ope

5、nCV，利用Adaboost算法设计的一个简单的人脸检测系统，该系统能够快速、准确的检测到图像或视频中的人脸。二、过程1、Adaboost人脸检测算法人体检测属模式识别范畴。模式识别方法多种多样，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，也可以是回归或者描述方案。在这里，我们用分类来叙述。分类方法总得来说可以分为两种：监督学习和非监督学习。后来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。对人脸检测的研究最初可以追溯到20世纪70

6、年代，早期的研究方向与现在的研究方向与方法不同。目前在实际中应用的人脸检测方法较为普遍的是基于Adaboost算法的方法。Viola的人脸检测方法是一种基于积分图、级联分类检测器和Adaboost算法的方法，方法框架可以分为以下3大步骤:（1）使用Haar-like特征表示人脸，使用“积分图”实现特征数值的快速计算；（2）使用Adaboost算法挑选出一些最能代表人脸的矩形特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器；（3）将得到的若干强分类器串联组成一个级联结构的层叠分类器，训练得到

7、的强级联结构能有效地提高分类器的检测速度。1、Haar-like特征haar特征是基于灰度图，首先通过大量的具有比较明显的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

8、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，加权后与分类器中haar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特征有线性特征，边缘特征，中心特征。图1Harr-like特征特征值是指图像