基于opencv的人脸检测系统设计与实现毕业设计说明书(编辑修改稿)

基于opencv的人脸检测系统设计与实现毕业设计说明书(编辑修改稿)内容摘要：

式奠定良好的基础，同时也为这些问题的解决提供重要的启示。 因此，人脸检测与识别课题具有十分重要的理论和应用研究价值。 人脸检测研究现状 国外研究现状 由于人脸检测有着相当广泛 的应用和研究价值，因此，许多国家很早就展开了相关方面的研究。 主要有美国 、欧洲国家、日本、韩国等科技发达的国家。 早在 1993年，美国国防部高级研究项目组 (ARPA)和美国陆军研究实验室 (ARL) 成立了Feret(Face Recognition Technology)项目组，建立了 Feret 人脸数据库，广泛应用于评价人脸检测算法的性能。 目前，国外对人脸检测问题的研究层出不穷，英国、美国等许多国家都有大量的研究小组从事人脸检测方面的研究，这些研究受到了军方、警方以及一些身份验证等公司的高度重视和支持。 著名的研 究机构有美国麻省理工大学 (MIT)的 Media lab、 AI lab，卡内基梅隆大学 (CMU)的 HumanComputer Interface Institute， Microsoft Research，英国的 Department of Engineering in University of Cambridge，法国的 INRIA 研究院，日本的 ATR 研究院等等。 关于人脸检测的学术交流活动也相当活跃。 在一些重要的国际会议上，如国际计算机视觉会议 (ICCV)、计算机视觉与模式会议 (CVPR)、计算机图形学大会 (Siggraph)都设有人脸检测的专题。 国内研究现状 人脸检测技术在机关单位考勤、网络安全、物业管理等领域起着越来越重要的作用，我国对人脸检测的研究起步于 20 世纪 80 年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化所，复旦大学，北京科技大学等，并都取得了一定的成果。 研究方法主要集中在几何特征、代数特征、神经网络和模板匹配等方面，特别是对神经网络的研究比重较大。 黄河科技学院毕业设计说明书 第 5 页 在此基础上，基于多分类器的人脸检测受到的关注较大，研究成果也较多。 特别在引入三维特征后，利用二维信息和三 维信息的融合进行人脸检测成为了另一个亮点和热点。 中国科学院计算所的国家 863 项目“面像检测与识别核心技术”通过成果鉴定并得以初步应用，标志着我国在人脸检测这一当今热点科研领域得到了飞跃的进步，并掌握了一定的核心技术 [3]。 2020 年 1 月 18 日，由清华大学电子系苏光大教授主持承担的国家“十五”攻关项目《人脸识别系统》通过了由公安部主持的专家鉴定，鉴定委员会认定该项技术达到了国内领先水平和国际先进水平。 虽然国内的研究取得了突飞猛进的进展，但对人脸检测和识别的研究仍处于初级阶段，研究方向比较狭隘，与国际研究水平 仍存在一定的差距。 论文研究内容 本文在理论上对人脸检测与跟踪关键技术进行研究，了解和掌握了数字图像处理和人脸检测的主要算法，通过 Visual C++和 OpenCV 结合编程实现了人脸检测系统的主要功能，并作了详细的分析。 具体来说，本文主要研究内容归结如下： (1) 对人脸检测技术的产生和发展过程等进行了调查研究，介绍了各种人脸检测算法的实现原理。 (2) 了解 Intel 开源计算机视觉库 OpenCV 的基本结构，掌握其在 Visual C++开发环境下的配置方法。 (3) 利用 OpenCV 基本函数和 VC++开发环境编程，采用 Adaboost 算法和矩形特征构建人脸检测级联分类器，开发人脸检测系统界面，实现人脸检测和跟踪。 (4)总结分析系统的检测性能，并对影响性能的因素如光照、遮挡等进行探讨，以改进系统性能。 论文组织结构 论文系统完整地分析和讨论了基于 OpenCV 开源计算机视觉库的人脸检测实现方法，各章内容的安排如下： 概述：简要介绍了人脸检测技术的概念、发展历史和研究现状及本文的课题背景、研究意义，以及论文的主要研究内容。 黄河科技学院毕业设计说明书 第 6 页 人脸检测技术综述：介绍了各种人脸检测算法的实现原理。 OpenCV 概述 及安装配置方法：首先介绍了 Intel 开源计算机视觉库 OpenCV 的概念、基本结构和特点，其次介绍了它的安装和在 VC++ 环境下的配置方法。 人脸检测系统设计与实现：对系统开发环境进行了介绍，并进行了系统可行性分析、需求分析，详细介绍了各个模块的实现方法。 系统运行与测试：对系统运行界面进行了展示，并对各个模块进行了测试，并给出了测试结果；然后分析了系统的优缺点。 第六章 总结与展望：对论文的工作进行了总结，并对人脸检测技术的发展方向进行了展望。 本章小结 本章主要介绍了人脸检测技术概况，对人脸检 测这个热门的前沿技术课题进行了大体的分析。 首先通过引言引出了人脸检测在计算机视觉领域的研究发展过程，然后对人脸检测技术的概念和发展历史进行了详细的介绍，并给出了本课题的研究背景和研究意义，对国内外在人脸检测领域的研究现状进行了分析，最后给出了论文的主要研究内容和结构组织框架。 黄河科技学院毕业设计说明书 第 7 页 2 人脸检测算法综述 基于几何特征的方法 人脸的几何特征指的是人脸面部器官在几何上体现的特征阁。 基于几何特征的人脸检测方法的思想是把典型人脸的几何特征编码并规则化的人脸检测方法。 它通过检 测不同的人脸面部特征的位置，然后根据它们的空间几何关系来定位人脸，当图像中的待测区域符合准则，即被检测为人脸。 基于器官特征的方法 正如世界上没有两片完全相同的叶子一样，人脸也各不相同，但是器官也遵循着一些普遍适用的规则，即五官形状及其分布的几何规则。 检测图像中是否存在人脸，即是否存在满足这些规则的图像块。 这种方法的步骤一般是先对人脸的器官或器官的组合建立模板，然后检测图像中几个器官可能分布的位置，对这些位置点分别进行组合，用器官分布规则进行筛选，从而找到可能存在的人脸。 基于轮廓特 征的方法 人脸的轮廓可以近似地被看成一个椭圆形状，所以对图像进行人脸检测可以通过检测椭圆轮廓来确定是否有人脸存在。 具体来说，首先对待检测的图像进行边缘检测，并对细化后的边缘提取曲线特征，然后计算各曲线合成人脸的评估函数来确定是否存在人脸。 采用轮廓特征的方法对侧脸的检测同样适用。 基于颜色纹理的方法 肤色是人脸的重要信息，它不依赖于人脸面部的细节特征，在旋转、表情变化等情况下都能保持不变，具有相对稳定性，并且和大多数背景物体的颜色相区别，因此肤色特征是在对彩色图像的人脸检测中最常用的一种特征。 肤色 特征主要由肤色模型描述，常用的肤色模型有高斯模型、混合高斯模型和直方图模型。 黄河科技学院毕业设计说明书 第 8 页 此方法主要利用人脸皮肤表面颜色和纹理所具有的稳定性来进行人脸检测。 人脸的肤色在颜色空间中的分布相对集中，且大多数和背景物体的颜色相区别，可以利用这个特点检测人脸。 用肤色信息进行人脸检测的关键是合理选择色度坐标。 常用的方案是将彩色的 R、 G、 B 分量归一化处理。 目前人们研究更多的是将 R、 G、 B 彩色空间转化为其它彩色空间，以突出色度信息。 其它模型主要有 YUV、 YIQ、 XYZ、YCbCr 等等，其中 YCbC 是使用最多的一种， YCrCb 是 YUV 模型中的一种，是一个色差模型，利用了人对色度远没有对亮度敏感而建立的，更符合人眼的视觉特点。 其中， Y 是亮度信号， CrCb 是色度或彩度信号。 这种方法的最大优点是可以在不同视角中检测到人脸，对姿态变化不敏感。 利用肤色特征检测出的人脸区域可能不够准确，但如果在整个系统实现中作为人脸检测的粗定位环节，它具有直观、实现简单、快速等特点，可以为后面进一步进行精确定位创造良好的条件，以达到最优的系统性能。 研究中可以和其他方法交叉使用，提高检测速度和精度。 基于模板匹配的方法 模板匹配是一种经典的模式识别方法，该方 法的思想是首先建立一个标准的人脸模板，由包含局部人脸特征的子模板构成，然后对一幅输入图像进行全局搜索，对应不同尺度大小的图像窗口，计算模板与待检测图像之间的相关性，通过预先设置的阈值来判断候选图像区域是否为人脸区域。 检测时，将模板在被检测的区域内分别在行和列方向上移动，计算出相关值最大的区域就是人脸区域。 此方法的优点是简单好用；缺点是计算量大，速度慢，算法复杂度高。 通用模板匹配法 此方法首先根据人脸的先验知识设计出一个或多个人脸轮廓模板以及各个器官特征子模板，然后通过计算样本图像中脸部轮廓区 域和人脸轮廓模板的相关值来检测出人脸候选区域，最后利用眼睛、鼻子等器官特征子模板验证上一步检测出的人脸候选区域是否包含人脸。 这种方法的优点是比较简单，但由于人脸特征复杂且变化很大，很难得到有效的通用模板来表示人脸的共性，且不能有效处理尺寸、姿态和形状的变化，因而在很多 黄河科技学院毕业设计说明书 第 9 页 场合并不适用。 这种方法目前已不多见，但人们在有的系统中将其作为粗检测或预处理的手段。 在实际中多采用多分辨率、多尺度、多子模板和可变形模板实现模板匹配，用来增加适应性和准确性。 可变形模板匹配法 可变形模板匹配是 Wiskott 等提 出的一种基于小波变换的人脸匹配算法。 该方法用小波变换的结果描述人脸的局部信息，并通过人脸网格特征点的不断移动，搜索特征点的准确位置，可以说是几何特征方法的一种改进。 找到特征点后，就可以根据每个特征点上小波变换的结果，对待检测人脸和库中的人脸进行识别比较。 具体来说，该算法主要思想是根据脸部特征和形状特点定义一个可变形的参数模板和一个能量函数来描述特征，通过一个非线性最优化方法求得能使能量函数最小的参数模板，此模板即被认为是所求特征的描述。 此方法的优点是充分考虑到了人脸是变形体的特点，稳定可靠，而且与姿态和 光照无关，但仍然存在能量函数的加权系数难以适应一般情况和能量函数优化耗时、计算量巨大的问题，所以难以实现实时的应用。 基于统计模型的方法 此方法遵循一种统一的模式，将人脸检测问题转化为模式识别的二分类问题，即利用统计分析与机器学习的方法来寻找出人脸样本与非人脸样本各自的统计特征，继而在大量训练样本集的基础上构建一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，使用分类器扫描完成人脸检测。 采用这种检测模式的理论依据是：人脸具有统一的结构模式 (都是由眉毛，眼睛，鼻子和嘴唇等人脸 器官构成 )，如果把所有的图像集看作一个高维线性空间，那么整个人脸图像集仅对应于其中的某个子空间。 于是可以通过检验待测图像窗口是否落在这个子空间中来确定是否为人脸。 因此，可以通过大量的人脸和非人脸样本来建立一个分类器，使它能够正确分辨这两种不同的图像模式，再利用训练好的分类器在未知的图像中检测人脸。 采用这种检测策略的关键在于如何选取大量的具有代表性的图像样本，特别是非人脸图像样本训练分类器。 黄河科技学院毕业设计说明书 第 10 页 此方法是目前比较流行的方法，是解决复杂人脸检测问题的有效途径。 它的优点如下： 1)不依赖于人脸的先验知识和参数模型， 可以避免不精确或者不完整知识造成的错误； 2)采用了样本学习方法得到模型的参数，在统计意义上更加可靠； 3)通过增加样本的训练可以扩充检测模式的范围、提高检测系统的鲁棒性。 因此，基于统计模型的方法大多适用于复杂背景图像中的人脸检测。 子空间方法 子空间分析 (Subspace Analysis)方法是基于统计模型方法中的一种，又称为基于特征空间方法。 它的主要思想就是把高维空间中松散分布的人脸图像通过线性或非线性变换压缩到一个低维的子空间中去。 根据其在子空间中的分布规律划分 “人脸”与“非人脸”两类 模式。 子空间方法主要包括两类： ⑴ 主分量分析 (PCA)方法 主分量分析方法 (PCA， PrincipalComponent Analysis)是最早由 Pentland 引入到人脸检测的子空间方法，它根据图像的统计特性进行正交变换 (KL 变换 )，以消除原来各分量之间的相关性，取变换后所得到的最大的若干个特征向量 (即特征脸 )来表示原图像，保留了原图像差异的最大信息，这若干个特征向量就称为主分量。 ⑵ 线性判别分析 (LDA)。