基于人物的相关网络视频挖掘毕业设计人脸识别(编辑修改稿)

基于人物的相关网络视频挖掘毕业设计人脸识别(编辑修改稿)内容摘要：

明显，从而使图片更容易被算法识别出来。 然后利用 OpenCV 自带的 Haar 特征来分类 器，可以快速的提取出人脸器官。 视频挖掘方案 我们采用基于人脸的几何特征识别方案进行人脸识别，即通过 OpenCV 的分类器定位出人脸器官的七个特征点，即四个眼角点、鼻尖点和两个嘴角点，利用它们的相对位置和角度确定十个特征向量，并对其进行运算。 用加权函数来计算特征相似度，通过设定阀值来确保准确率。 然后与数据库中预存的特征进行匹配，从而得出相关人物的视频文件。 第三章 视频预处理 视频预处理 视频预处理的主要步骤：实现从视频文件提取出帧图片，然后对帧图片进行理，包括：光线补偿技术、高斯平滑技术、图片灰度化、 灰度均衡技术、对比度增强技术和图片尺寸缩放。 流程图如下图： 帧提取 从视频文件中提取帧图片，根据 OpenCV 提供的函数对视频文件进行帧提取，本系统对视频文件处理后，将每一帧存储为 jpg 文件。 视频预处理 获取帧图像 光线补偿 高斯平滑 图片灰度化 灰度均衡 对比度增强 图片尺寸缩放 基于人物的相关网络视频挖掘 9 光线补偿技术 因为在不同的环境中，光线对图像会产生干扰，图像就会变得或明或暗，我们就要对其进行调整，所以采用光线补偿来处理图像的亮度变化。 高斯平滑技术 在视频图像的采集过程中，由于外界条件的干扰，则采集的图片中会出现一些噪音，这就会使图像在进行转化、识别时发生的数据的遗失和损坏等，这些会对以后图片的训练产生干扰，所以将图片进行平滑处理来消除噪声的干扰。 图片灰度化 进行灰度转换时，我们要保证图像信息保持不变。 我们在使用灰度转换时，先对图像数据进行统计，经过比较后得出一个合适的灰度值，然后对图像进行灰度变换。 灰度均衡技术 经过灰度转换后，就要进行灰度均衡化操作，最后通过灰度分布来对图像进行灰度均衡。 对比度增强技术 通过对某个图片的点进行 定位，然后将其周围的像素值进行统计，再通过聚集技术将相邻的像素值拉开，使他们之间的差距拉大。 图片尺寸缩放 把处理后的图片缩放到固定的尺寸，从而保证图像信息的一致性，提升计算速度和准确度。 第四章 特征提取 基于人物的相关网络视频挖掘 10 特征提取 特征提取的主要步骤：首先根据 Haar 分类器和 Adaboost 算法进行人脸检测和面部器官进行特征提取，然后对得到的特定器官（眼角、鼻尖、嘴角、眉角）的位置进行处理，最终得到人脸的标准化特征值。 流程图如下： 特征提取方案 我们使用基于人脸的几何特征识别算法进行特征提取。 首先利用 Haar 特征分类器和 AdaBoost 算法来定位人脸，和提取出人脸的特定器官：两个眼角、鼻尖、两个嘴角、两个眉角。 最后计算它们的相对位置从而得出人脸的几何特征值，最后通过特征值的运算得到相似脸。 分类器算法 Haar 分类器算法的主要步骤包括：  使用 Haarlike 特征做检测。  使用积分图（ Integral Image）对 Haarlike 特征求值进行加速。  使用 AdaBoost 算法训练区分人脸和非人脸的强分类器。 使用筛选式级联把强分类器级联到一起，提高准确率。 特征 AdaBoost 算法的实现，采用的是输入图像的矩形特征，也叫 Haar 特征。 下面简要介绍矩形特征的特点。 影响 Adaboost 检测训练算法速度很重要的两方面是特征的选取和特征值的计算。 脸部的一些特征可以由矩形特征简单地描绘。 用下图示范： 人脸检测 特征提取 特征处理 基于人物的相关网络视频挖掘 11 上图中两个矩形特征，表示出人脸的某些特征。 比如中间一幅表示眼睛区域的颜色比脸颊 区域的颜色深，右边一幅表示鼻梁两侧比鼻梁的颜色要深。 同样，其他目标，如眼睛等，也可以用一些矩形特征来表示。 使用特征比单纯地使用像素点具有很大的优越性，并且速度更快。 在给定有限的数据情况下，基于特征的检测能够编码特定区域的状态，而且基于特征的系统比基于象素的系统要快得多。 矩形特征对一些简单的图形结构，比如边缘、线段，比较敏感，但是其只能描述特定走向（水平、垂直、对角）的结构，因此比较粗略。 如上图，脸部一些特征能够由矩形特征简单地描绘，例如，通常，眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深；嘴巴要比周围颜 色更深。 算法 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 )。 整个过程如下所示： 1. 先通过对 N 个训练样本的学习得到第一个弱 分类器 ； 2. 将分错的样本和其他的新数据一起构成一个新的 N 个的训练样本，通过对这个样本的学习得到第二个弱分类器 ； 基于人物的相关网络视频挖掘 12 3. 将 1 和 2 都分错了的样本加上其他的新样本构成另一个新的 N 个的训练样本，通过对这个样本的学习得到第三个弱分类器； 4. 最终经过提升的强分类器。 即某个数据被分为哪一类要通过 ， ……的多数表决。 其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。 将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。 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。 特征提取 利用 OpenCV 提供的人脸检测分类器获取人脸的特定器官：眼角、鼻尖、嘴角、眉角。 例如：根据 OpenCV 提供的人眼检测分类器： ，可以检测出人眼位置。 然后记录下人眼的大小和相对位置。 特征处理（标准化特征值） 特征值依次为：左眼的宽度 d鼻尖到双眼连线的垂直距离 d2,、人脸左右边界的距离 d嘴巴的宽度 d两眼中心与左嘴角水平距离 d两眼外侧的水平距离 d右眼的外侧眼角与鼻顶的水平距离 d左眼的内侧眼角与鼻顶的水平距离 d嘴巴中点与鼻尖的垂直距离 d鼻尖与嘴角的距离 d10。 并将这些距离特征值与眼睛中点到嘴巴终点间垂直距离 L 之比定义为标准化特征值。 标准化特征值： Vi = di/L, i=1,2,3...10 第五章 视频挖掘 基于人物的相关网络视频挖掘 13 视频挖掘 视频挖掘的主要步骤：首先对人脸图像样本的标准化特征值和数据库已有的标准化特征值进行加权欧式距离计算，得到人脸样本与已有视频的相似度，其中相似度在阀值范围内的视频文件即为要搜索的视频文件。 流程图如下： 视频挖掘方案 首先对目标人物和数据库中已有的视频文件进行特征提取和特征处理，然后利用加权的欧式距离计算公式计算相似度，从而计算出目标人物与数据库中已有人物的相似度，最后得出误差允许范围内的视频文件，即为与目标人物匹配的视频文件。 相似度计算 根据目标人物的视频提取出人物特征，查找视频集中相关的人物视频 对已知人物的视频文件进行分析和预处理，然后提取出人物的标准化特征值vi(i=1,2...10)。 对已有的视频集中的视频文件进行同样的分析和处理，提取出人物的标准化特征值组，并将数据存储到数据库中。 根据欧式距离的公式 d=sqrt( ∑(xi1xi2)^2 ) 这里 i=1,2..n 计算出人物的相似程度， d 的阀值月小，误码率越低。 考虑到上面计算误差较大，充分考虑到各个特征至的大小差异和重要程度，采用加权的欧式距离公式来计算相似度： d=sqrt( ∑wi(xi1xi2)^2 ) 这里i=1,2..n,wi 表示权值。 标准化特征值计算 数据库 检索 获取对应视频文件 基于人物的相关网络视频挖掘 14 数据库检索 本论文使用的数据库中存储了需要检索的视频集，其中某些视频文件中包含了目标人物。 我们首先需要对视频进行预处理，然后进行基于人脸的几何特征提取和特征值处理，从而为每个视频文件设置一个基于人脸几何特征值的标签。 当进行视频检索时只需要要把目标人物与视频文件的特征值标签进行相似度计算。 获取对应视频文件 数据库中符合误差标准的特征值标签所对应的视频文件即为想要寻找的视频文件。 第六章 系统测试及运行结 果 测试原则 (1)根据前期写的功能需求进行整个系统的测试。 (2)需要清晰明了的书写测试文档和测试结果。 (3)程序员需要根据测试文档对自己的系统进行改进和说明 测试方案及结果 基于人物的相关网络视频挖掘解决方案主要由视频文件的预处理、人脸的检测、特征的提取、视频挖掘四个部分组成。 其中视频挖掘的算法对识别精度有较大影响，因此需要重点测试，并根据测试结果进行进一步的算法改进。 视频文件的预处理 提取出视频文件的帧图片，然后对图像进行处理：光线补偿、高斯平滑、 图片灰度化、灰度均衡、对比度增强（直方图均衡化）、图片尺寸缩放 （ 1）视频文件取帧 基于人物的相关网络视频挖掘 15 （ 2）图像处理 人脸检测和脸部器官检测 通过 OpenCV 自带的分类器： 检测出人脸位置，通过 等，检测出人眼、鼻子、眉毛、嘴等位置信息。 基于人物的相关网络视频挖掘 16 人视频挖掘 通过人脸的几何特征算法，利用人脸器官的七个特征点，即四个眼角点、鼻尖点和两个嘴角点，利用它们的相对位置和角度作为特征值，进行加权的欧氏距离计算，与数据库中预存的特你们征信息进行匹配，得到与人物相关的视频文件。 第七章 结束语 应用程序特点 （ 1）基于人物的相关网络视频挖掘以 Windows， VS20xx 为开发平台，使用OpenCV 提供的视觉处理接口，采用面向对象的方法，用 C++及 C 语言编写程序。 （ 2）本解决方案采用封装思想，把各个功能模块独立封装起来，提高了代码的耦合性，是程序的设计更加简洁，代 码运行更加高效 （ 3）本程序的改进和扩展。 本系统中许多结构和算法需要进一步改进的优化，因为模块的独立性所以可以方便的添加功能而不影响原有功能。 心得体会 在这段时间的程序编写和算法研究过程中遇到了很多的问题和考验，在指导。