基于特征的人脸检测系统的设计与实现计算机科学与技术毕业论文

基于特征的人脸检测系统的设计与实现计算机科学与技术毕业论文内容摘要：

ls 人脸识别系统等。 国内也有一些关于人脸检测方面的研究已经或正在转化为商品软件，如上海银晨智能识别科技有限公司开发的人脸检测音视频压缩卡，广州超越软件公司的BioFace 系统等等。 课题研究内容目前，理想条件下的人脸检测问题已经取得了很大的进展，但在复杂环境下， 对任意光照条件、面部有遮挡、姿态和表情变化等情况下的人脸检测仍是一个比 较困难的问题。 由于人脸自身结构复杂，某些局部特征具有随机性（如眼镜、胡 须、发型等）而且还存在着不同表情的人脸，以及光照变化等环境的复杂性，成 像时亮度、对比度等因素的影响使图像不清晰，人与背景区别不大，这些都给正 确检测人脸带来了困难，尤其是光照条件的变化十分影响人脸检测系统的性能。 要让计算机像人一样快速准确地检测出任意环境下任意图像中的任意数目的人 脸，还需要进一步的深入研究，还有很大的探索空间。 如果能够找到解决这些问 题的方法，成功地构造出人脸检测系统，将为解决其他类似的复杂模式的检测问 题提供重要的启示。 本课题针对这种情况，在国内外同类工作的研究基础上，利用 OpenCV 开源 计算机视觉库中的一些通用算法，设计并实现一个属于“通用人脸检测”范畴的， 基本能够适用于各种复杂情况，准确率较高的，检测耗时较少的基于特征的人脸 检测系统，取名为 autofaceGFB。 该系统对于给定的可能包含人脸的输入图像， 能够实现人脸检测的功能，判断出其中是否有人脸，若有，则将所有的人脸从背 景中标记出来。 该系统还需要能够应对输入图像质量不佳及光照变化等情况，具 备一些图像预处理的功能，以适应环境的复杂性，处理图像中存在的噪声，光照 变化等。 本课题的研究内容主要可以归结为如下几点：1) 利用 OpenCV 中的基本函数，实现数字图像处理的基本功能，包括图像 的输入、显示、缩放、旋转、保存等等。 开发人脸检测系统 GUI 软件界 面。 2) 为适应环境的复杂性，处理图像中存在的噪声，光照变化等，实现数字 图像预处理的相关功能，包括图像的亮度/对比度调节、平滑、腐蚀、膨 胀、直方图均衡化、Gamma 校正、光照补偿、色彩平衡等等。 3) 熟悉肤色模型的创建和 Boosted Cascade 方法，利用 OpenCV 中的人脸检 测部分的函数，实用 VC++搭建人脸检测部分的框架，实现人脸检测的 基本功能。 4) 研究人脸检测算法，利用人脸特征，包括肤色特征及人脸眼睛等器官特 征，改进人脸检测功能的实现，降低误检率，提高检测正确率。 5) 探讨光照变化环境下的人脸检测的特点，并设计算法尝试更好地解决这 个问题。 全文结构第二章 人脸检测相关理论及 autofaceGFB 系统简介。 本章主要介绍人脸检 测相关理论及研究情况，将人脸检测的基本思想和方法做一介绍，给出通用的基 于特征的人脸检测系统 autofaceGFB 的总体结构，并介绍一下系统的开发环境。 第三章 基于肤色特征的人脸检测。 本章主要阐明人脸肤色模型的理论基础 和建立过程，以及介绍光照变化环境下的人脸检测问题的解决方案，并给出了基于肤色特征的人脸检测的实现流程和实验结果分析。 第四章 基于 Boosted Cascade 算法的人脸检测。 本章主要介绍 BoostedCascade 算法及其改进方案的原理和实现，并对实验结果进行了分析和对比。 第五章 总结与展望。 本章对全文内容进行总结，并对将来的工作进行展望。 第二章 人脸检测相关理论及 autofaceGFB 系统简介 人脸检测相关理论及研究情况 人脸检测的基本思想和方法简介人脸检测问题可描述为：任意给定一幅图像，判断其中是否存在人脸，若存 在，则将所有的人脸从背景中标记出来。 人脸检测实际上是一个两类的人脸鉴别 问题[1,2]，即在一幅图像中只有“人脸”和“非人脸”之分。 人脸检测的基本思 想是基于知识或统计的方法对人脸建模，比较所有可能的待检测区域与人脸模型 的匹配度，从而得到可能存在人脸的区域。 其方法大致可分为以下几类：1. 基于肤色模型的方法 在彩色图像中，颜色是人脸表面最为显著的特征之一，利用颜色检测人脸是很自然的想法。 Yang 等在考察了不同种族，不同个体的肤色后认为人类的肤色 能在颜色空间中聚成单独的一类，而影响肤色值变化的最主要因素是亮度变化。 即人类的肤色在去除亮度的色度空间表现有聚类特性，这种聚类性可用来检测人 脸。 综合有关文献，利用肤色特征进行人脸检测主要有以下三种不同的形式：① 将肤色判断作为人脸检测的核心方法。 ②将肤色判断作为人脸检测的预处理。 肤 色的判断具有明显的速度上的优势，大大提高人脸检测算法的整体性能。 ③将肤 色判断作为人脸检测的后期验证。 这对于提高人脸检测算法的正确率，降低误报 率有很大的帮助。 2. 基于模板匹配的方法 五官的拓扑位置信息是最早被用来检测人脸的信息。 基于拓扑结构的模板匹配法的中心思想是将人脸的五官位置比例关系做成模板，用此模板在所检图像中 逐点匹配搜索，计算输入图像与模板的匹配值，然后确定一个阈值，用以判断该 输入图像中是否包含人脸。 匹配值大于所定阈值处认为存在人脸，并把它标记出 来。 基于模板匹配的方法实现简单，但计算复杂度较高，速度也较慢，而且不能 适应光照、姿势、人脸大小的变化。 3. 弹性匹配法 这种方法主要基于小波特征。 在图像的敏感位置，小波变换后生成的特征矢量的模较大。 人脸的相似度可用拓扑图的“距离”来表示。 用拓扑图分别代表已 知和待识别人脸，根据匹配拓扑图算出它们的“距离”，作为人脸的相似度准则。 由于小波特征分析是一种时频分析，所以此方法对于光线、尺寸和角度具有一定 的不变性。 但由于图像中大量与识别无关的信息没有过滤而使计算变得复杂是此 方法的一大缺点。 4. 特征脸法这种方法主要基于 KL 变换。 从压缩能量的角度来看，KL 变换是最优的，它不仅使得从 n 维空间降到 m 维空间前后的均方误差最小，而且变换后的低维空间有很好的人脸表达能力。 更重要的是 KL 变换去掉了向量的各个分量间的相 关性，这样如果在三维特征空间中则可以把特征限制在一个立方体中，这对于分 类来说就简单多了。 但是特征脸识别和检测方法存在对偏差特别敏感的缺陷，研 究表明，随着光线、角度及人脸尺寸等因素的导入，识别率急剧降低。 5. 人工神经网络法人工神经网络（Artificial Neural Network，ANN）的方法是通过训练一个网 络结构，把模式的统计特性隐含在神经网络的结构和参数之中。 基于人工神经网 络的方法对于复杂的，难以显示描述的模式，具有独特的优势。 但是基于神经网 络的人脸识别和检测方法计算量特别大，难于实现实时应用。 6. 支持向量机法支持向量机（Support Vector Machines，SVM）是 Vapnik 等提出的基于结构 风险最小化原理（Structural Risk Minimization Principle，SRM）的统计学习理论， 用于分类与回归问题。 SRM 使 VC（Vapnik Cherovnenkis）维数的上限最小化， 这使得 SVM 方法比基于经验风险最小化（Empirical Risk Minimization Principle， ERM）的人工神经网方法具有更好的泛化能力。 对于人工神经网中一些难以逾 越的问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问 题等都得到了很大程度上的解决。 7. 基于积分图像特征法基于积分图像（Integral Image）特征的人脸检测方法是 Viola 等提出的一种 算法，它综合使用积分图像描述方法、Adaboost 学习算法及训练方法、级联分类 器。 积分图像是指该像素以前、以上所有像素灰度和。 级联分类器是多个分类器 的组合，分类器的输入是待检测图像子窗口，输出集是用来表示该检测窗口是否 人脸模式{T，F}。 8. 基于概率模型的方法 基于概率模型方法的一种思路是计算输入图像区域属于人脸模式的后验概率，据此对所有可能的图像窗口进行判别。 Schneiderman 等将概率估计的方法用 于检测正面旋转人脸和侧面人脸，同时使用多分辨率信息复用和由粗到精搜索的 策略提高检测的速度。 人脸检测算法的评价人脸检测系统的输出准确与否需要一个客观的标准进行评价。 对各种人脸检 测方法作性能上的对比，无疑将会促进人脸检测技术的发展。 人脸检测算法的评 价可通过如下两种概率得到[2]：1) 检测正确率（True Positive Rate，TPR） 检测正确率反映了人脸检测系统检测出真实人脸的能力，由下式定义：132) 错误报警率（False Alarm Rate，FAR 或者 False Positive Rate）错误报警率是指人脸检测系统将不是人脸的区域错误地认为是人脸，它反映 了检测系统对于非人脸区域的拒识能力，与测试集中图像的尺寸、背景复杂 程度等有关，由下式定义：实际上，人脸检测器的正确检测能力与拒识能力是相互关联的两个方面，降 低人脸检测器的敏感性阈值，可以使检测正确率提高，同时错误报警率也会增加， 反之亦然。 autofaceGFB 人脸检测系统简介 系统简介和功能说明本课题设计并实现的通用的基于特征的人脸检测系统取名为 autofaceGFB， 其中 G 是指代 generalservice（通用的），表明该系统属于“通用人脸检测范畴”， 可检测任意背景下，所含人脸数目和大小任意的，无任何限制条件的图像；FB 是指代 featurebased（基于特征的），所谓基于特征，这里的“特征”的概念是 很宽泛的，因为人脸的特征有很多，如人脸器官的特征，各器官之间的几何分布 特征，图像像素的灰度特征，颜色特征，人脸轮廓特征，纹理特征，Haar 小波 特征以及一些广义测度特征等等，都是系统可以利用起来进行人脸检测的特征。 autofaceGFB 人脸检测系统是一个用于对静态图像进行人脸检测的软件，也 包括一些常用的图像处理功能，使用方便，功能较齐全。 该系统为多文档应用软 件，能够读写多种格式的静态图像，具体包括 Windows 位图文件（BMP，DIB）； JPEG 文件（JPEG，JPG，JPE）；便携式网络图片（PNG）；便携式图像格式（PBM， PGM，PPM）；Sun rasters（SR，RAS）；TIFF 文件（TIFF，TIF）。 autofaceGFB 人脸检测系统支持灰度图像和彩色图像的人脸检测，实现了基 于肤色特征的人脸检测，基于 Boosted Cascade 算法的人脸检测，并且提出了对 Boosted Cascade 算法的几个改进方案，检测正确率较高，错误报警率较低，处 理速度较快，对不同图片的适应性较强。 同时为了查看人脸检测的结果，如检测 耗时以及检测出来的人脸数目等数据，系统还设计实现了人脸检测输出参数信息 对话框，将检测结果统计并反映到该对话框中，方便对系统进行测试时的数据统 计。 autofaceGFB 人脸检测系统还加入了一些常用的图像处理功能，如图像放大和缩小、旋转、镜像、查看图像灰度直方图、平滑、腐蚀、膨胀、直方图均衡化、亮度/对比度调节、Gamma 校正、光照补偿、色彩平衡、彩色图转换为灰度图等。 另一方面，为了方便系统的操作，实现了对操作的撤销及重做功能，还将一些主 要操作添加到右键菜单和工具栏中，方便用户使用。 系统的总体结构由于输入图像的成像条件不同，光照变化、环境复杂程度也各异，为了增强 对输入图像的适应性，autofaceGFB 人脸检测系统设计并实现了一些图像预处理 功能，如图像放大和缩小、旋转、镜像、查看图像灰度直方图、平滑、腐蚀、膨 胀、直方图均衡化、亮度/对比度调节、Gamma 校正、光照补偿、色彩平衡等功 能。 该系统设计并实现的第一个人脸检测方案是基于肤色特征的人脸检测，利用 人脸颜色特征，使用肤色模型检测人脸，并结合人脸内部细节（如眼睛和嘴等器 官）特征来进行验证。 这一人脸检测算法具有很强的适应能力，在人脸姿态、表 情变化以及面部部分遮挡等复杂情况下依然能够获得很高的检测正确率。 2001 年美国的 Viola 和 Jones 提出了用易于计算的 Haar 小波特征来描述人脸模式，用 Boosted Cascade 算法来训练人脸检测分类器，取得了人脸检测领域的突破性进 展，实现了实时检测视频中的人脸图像，而且准确率也非常高。 autofaceGFB 人 脸检测系统也使用了这种算法作为系统的另一个人脸检测方案。 为了排除某些复 杂环境下被 Boosted Cascade 算法误检的人脸区域，降低系统的错误报警率，还 提出了三个改进方案，分别为：基于肤色验证的 Boosted Cascade 人脸检测方案、 基于器官验证的 Boosted Cascade 人脸检测方案和正面与侧面检测相结合的人脸 检测方案。 autofaceGFB 人脸检测系统通过综合实现上述各方案，对光照、尺度、 姿态、旋转、表情和部分遮挡等方面的变化具有较强的适应性和较高的检测率。 综上，本文设计的 autofaceGFB 人脸检测系统的总体结构用图 21 表示如下：图 21 autofaceGFB 人脸检测系统的总体结构图 autofaceGFB 人脸检测系统开发环境说明autofaceGFB 人脸检测系统使用 Microsoft Visual C++ 作为开发平台，并 使用了 Intel 公司开发的 OpenCV （Open Source Computer Vision Library，开 放源代码的计算机视觉类库）作为系统的开发工具。 OpenCV 是由 Intel 公司位 于俄罗斯的研究实验室所开发，它是一套可免费获得的由一些 C 函数和 C++类 所组成的库，用来实现一些常用的图像处理及计算机视觉算法[3]。 由于 OpenCV 的源代码是完全开放的，对非商业应用和商业应用都是免费的，而且源代码的编 写简洁高效，特别是其中大部分。