多目標(biāo)人臉檢測(cè)方法研究樣本

摘要隨著信息技術(shù)飛速發(fā)展，人臉檢測(cè)是計(jì)算機(jī)機(jī)器視覺重要研究領(lǐng)域，視頻安全監(jiān)控系統(tǒng)中普通需要針對(duì)各種目的人臉圖像進(jìn)行檢測(cè)，因此社會(huì)發(fā)展生產(chǎn)生活離不開多目的人臉檢測(cè)技術(shù)。多目的人臉檢測(cè)技術(shù)在生物檢測(cè)辨認(rèn)技術(shù)迅猛發(fā)展今天，應(yīng)用尤為廣泛。多目的人臉檢測(cè)是指輸入圖像內(nèi)包括各種人臉圖像，基于人臉圖像進(jìn)行人臉特性點(diǎn)定位構(gòu)造幾何特性向量進(jìn)行人臉圖像進(jìn)一步驗(yàn)證和匹配辨認(rèn)。人臉幾何特性可用于人臉檢測(cè)，是一種穩(wěn)定面部特性，對(duì)于多目的人臉檢測(cè)技術(shù)具備實(shí)用價(jià)值和研究意義。本文針對(duì)多目的人臉檢測(cè)辦法進(jìn)行進(jìn)一步研究，基于視頻序列圖像研究人臉檢測(cè)，人臉特性點(diǎn)定位，幾何特性向量人臉匹配辨認(rèn)辦法。一方面基于視頻序列持續(xù)幀圖像采用AdaBoost檢測(cè)算法實(shí)現(xiàn)多目的人臉圖像粗定位，涉及個(gè)數(shù)、位置及大小，分析人臉檢測(cè)算法合用人臉圖像辨別率、左右旋轉(zhuǎn)角度、上下仰俯角度以及視頻序列人臉圖像漏檢與誤檢狀況；另一方面基于灰度記錄和面部構(gòu)造分布規(guī)律進(jìn)行人臉特性點(diǎn)定位，包括眼睛、鼻子及嘴等特性點(diǎn)，特性點(diǎn)定位進(jìn)一步驗(yàn)證人臉檢測(cè)精確性；最后依照特性點(diǎn)間連線距離值構(gòu)造幾何特性向量，特性向量可以全面反映人臉比例關(guān)系以及器官屬性，通過計(jì)算人臉幾何特性向量加權(quán)歐氏距離進(jìn)行身份辨認(rèn)。采用多目的人臉檢測(cè)技術(shù)在視頻圖像進(jìn)行實(shí)驗(yàn)，可以達(dá)到良好多目的檢測(cè)效果。實(shí)驗(yàn)表白，多目的人臉檢測(cè)辦法可以有效對(duì)視頻序列中不同光照、姿態(tài)、表情人臉圖像進(jìn)行檢測(cè)，對(duì)持續(xù)幀圖像多目的人臉圖像進(jìn)行動(dòng)態(tài)分析，有較高檢測(cè)率和較好魯棒性。核心詞：多目的，人臉檢測(cè)，特性點(diǎn)定位，幾何特性向量，相似度判斷AbstractWiththerapiddevelopmentofinformationtechnology，facedetectionistheimportantresearchfieldofcomputervision，videosecuritymonitoringsystemusuallyneedtodetectmulti-faceimages.Sothedevelopmentofsocietyproductionandlivinginseparablefrommulti-facedetectiontechnology.Themulti-facedetectiontechnologyinthebiometricidentificationtechnologyrapiddevelopmenttoday，iswidelyapplied.Multi-facedetectionreferstocontainmorethanonefaceimagewithintheinputfaceimage，basedonthefacialfeaturepointslocationandgeometriceigenvectorsoffaceimagefurtherverificationrecognitionandmatching.Facialfeatureinformationandgeometricalcharacteristicscanbeusedforfacedetection，isastablefacialfeatures.Thegeometricalcharacteristicsofthehumanfaceformulti-facedetectiontechnologyhasthepracticalvalueandsignificance.Thispapermakesadeepresearchformulti-facedetection，involvedinfacedetectionandfacialfeaturepointslocalizationandtherecognitionofthefacialgeometriceigenvectorsbasedonvideosequence.First，thispaperpresentsthefacedetectionbasedonAdaBoostalgorithmtodetectmanyfaces，includethesizeandlocationinformation.Throughlotsoffaceimagesinvideosequence,itcanfindthatAdaBoostfacedetectionalgorithmiseffectivetodetectthefacialimageswiththeresolution,rotationangleinleftandrightside，pitchingangleandsoon.Aswellasanalysisoffacedetectionalgorithmthemostsuitableoccasion.Secondly,thefeaturepointspositioningbasedongraystatisticandthedistributionofface，realizethefacialeyeandnoseandmouthfeaturelocation.Facialfeaturepointslocationresultsdirectlyverifytheaccuracyoffacedetection.Finally，thegeometriceigenvectorscomposedofthedistancebetweenthefacialfeaturepoints，itcancomprehensivereflectthefacialproportionrelationshipbetweenorgansandproperties.BycalculatingweightedEuclideandistancebetweenthefacialgeometriceigenvectors，itisusedtoidentifythemulti-faceimagesofvideosequence.Toexperimentonvideoimagewithmulti-facedetectionmethoddiscussedabove，achievedagoodmulti-facedetection.Extensiveexperiencesandanalysisillustratesthatthesemethodscanbeapplieddifferentexpressionsandrotationangleandsizeoffacedetection，realizethedynamicanalysisofsuccessiveframesmulti-faceimage.Multi-facedetectioncanbeeffectivelyrealizedfacedetectionwithhighdetectionrate，speed，strongrobustness.KeyWords：Multi-objective，F(xiàn)acedetection，F(xiàn)acialfeaturepointslocalization，Geometriceigenvectors，Similarityjudgment目錄TOC\o"1-3"\h\u24078摘要 I6976Abstract II6640第1章緒論 1229441.1人臉檢測(cè)辦法研究目及意義 1327501.2多目的人臉檢測(cè)辦法研究動(dòng)態(tài) 2304261.2.1多目的人臉檢測(cè)研究現(xiàn)狀 2181121.2.2多目的人臉檢測(cè)研究?jī)?nèi)容 488281.3本文工作概述和構(gòu)造 512465第2章基于AdaBoost人臉檢測(cè)辦法研究 7222172.1AdaBoost人臉檢測(cè)算法原理 750042.1.1積分圖與矩形特性 8114052.1.2分類器設(shè)計(jì) 1077722.2人臉檢測(cè)算法分析 11211052.2.1人臉檢測(cè)算法合用條件 1166182.2.2視頻序列人臉檢測(cè)算法漏檢與誤檢分析 14225472.3基于AdaBoost算法人臉圖像粗定位 15250192.4本章小結(jié) 1912988第3章人臉特性點(diǎn)定位辦法研究 2012743.1人臉特性點(diǎn)選用 20207153.2眼睛特性點(diǎn)定位 21117223.3鼻子特性點(diǎn)定位 24314993.4嘴特性點(diǎn)定位 25137903.5人臉特性點(diǎn)定位成果與分析 26294573.6本章小結(jié) 3012837第4章人臉幾何特性向量匹配辨認(rèn) 3145654.1人臉幾何特性向量構(gòu)造 31228284.2特性向量相似度計(jì)算 32226274.3特性向量相似度分析 374484.4本章小結(jié) 3923697第5章視頻序列多目的人臉檢測(cè)實(shí)驗(yàn)與成果分析 4091045.1基于視頻序列多目的人臉檢測(cè) 40296075.2視頻序列多目的人臉檢測(cè)成果與分析 41209525.3本章小結(jié) 4721207第6章結(jié)論 4810327參照文獻(xiàn) 5023760在校研究成果 539513道謝 54第1章緒論1.1人臉檢測(cè)辦法研究目及意義人臉檢測(cè)是生物檢測(cè)技術(shù)一種重要方向，因其操作簡(jiǎn)樸、直觀、非接觸等特點(diǎn)作為選用生物特性重要考量核心，信息系統(tǒng)安全保障性重要運(yùn)用人臉視覺特性信息進(jìn)行檢測(cè)、辨認(rèn)以及分析，由于人臉圖像蘊(yùn)含著豐富信息，因此近年來始終受到研究者青睞，投入大量精力進(jìn)一步摸索。人們尋常生活生產(chǎn)以及社會(huì)發(fā)展離不開學(xué)科技術(shù)對(duì)人臉圖像研究，特別隨著對(duì)人臉檢測(cè)技術(shù)研究不斷進(jìn)一步，提取和解決簡(jiǎn)樸環(huán)境和復(fù)雜環(huán)境下人臉圖像成為計(jì)算機(jī)視覺系統(tǒng)中重要研究領(lǐng)域[1]。單目的人臉檢測(cè)系統(tǒng)是最初應(yīng)用領(lǐng)域，以往單目的人臉檢測(cè)是模式辨認(rèn)以及圖像解決領(lǐng)域主流研究課題[2]。單目的人臉檢測(cè)(FaceDetection)即判斷圖像中人臉存在，擬定人臉數(shù)量，位置及大小，并從背景中分離出來。人臉唯一性決定人臉檢測(cè)技術(shù)在隱私性、安全性強(qiáng)鄰域有著更為廣泛應(yīng)用，與其她生物特性相比，例如掌紋、指紋、靜脈、虹膜等生物特性人臉具備非接觸性強(qiáng)大優(yōu)勢(shì)，更易于被各領(lǐng)域所接受[3]。訪問限制、司法領(lǐng)域、電子商務(wù)、視頻監(jiān)控等都在個(gè)人身份辨認(rèn)應(yīng)用范疇之內(nèi)[4]。隨著技術(shù)不斷進(jìn)一步改革，單目的人臉圖像檢測(cè)無法滿足社會(huì)科技發(fā)展，單目的已無法滿足科研者需要，多目的人臉檢測(cè)技術(shù)更是成為研究熱點(diǎn)。多目的人臉檢測(cè)成為一種亟待進(jìn)一步挖掘生物檢測(cè)領(lǐng)域，多目的人臉檢測(cè)技術(shù)不但應(yīng)用在國(guó)際公共安全防護(hù)系統(tǒng)；在尋常身份驗(yàn)證、公安抓捕罪犯、金融持卡人安全防護(hù)等重要各個(gè)領(lǐng)域中有著極其現(xiàn)實(shí)應(yīng)用價(jià)值，多目的人臉檢測(cè)速率和精確率都是重要研究方向。多目的人臉檢測(cè)是指待檢測(cè)圖像中包括多幅人臉圖像，將檢測(cè)出人臉某些提取出來，與此同步人臉圖像檢測(cè)成果與提取圖像質(zhì)量直接關(guān)系到人臉檢測(cè)技術(shù)整體水平[5]。另一方面，基于人臉某些檢測(cè)成果進(jìn)行人臉特性點(diǎn)定位檢查，特性點(diǎn)定位可以呈現(xiàn)面部特性信息。人臉特性點(diǎn)定位不但可以應(yīng)用在人臉姿態(tài)與表情分析，還可以對(duì)圖像中人臉實(shí)時(shí)跟蹤[6]。最后運(yùn)用提取幾何特性信息進(jìn)行匹配辨認(rèn)，對(duì)人臉圖像特性數(shù)據(jù)進(jìn)行變換找到可以反映本質(zhì)特性。由人臉檢測(cè)、人臉特性點(diǎn)定位以及人臉幾何特性向量匹配結(jié)合多目的人臉檢測(cè)辦法，不但系統(tǒng)有著易于大眾接受、操作以便、以便進(jìn)行檢查與驗(yàn)證等長(zhǎng)處，同步還可以實(shí)現(xiàn)視頻序列中多目的人臉圖像動(dòng)態(tài)分析。總體來說，多目的人臉檢測(cè)技術(shù)將圖像解決、模式辨認(rèn)、計(jì)算機(jī)視覺以及數(shù)學(xué)等諸多學(xué)科融為一體，具備十分廣泛應(yīng)用價(jià)值。由此可見，通過大量資料研究得出多目的人臉檢測(cè)辦法研究課題具備現(xiàn)實(shí)研究意義、必要技術(shù)研究、學(xué)術(shù)價(jià)值以及無限前景，必將成為信息技術(shù)發(fā)展炙手可熱研究課題，因而多目的人臉檢測(cè)辦法研究題目選取具備研究?jī)r(jià)值和必要性。1.2多目的人臉檢測(cè)辦法研究動(dòng)態(tài)1.2.1多目的人臉檢測(cè)研究現(xiàn)狀多目的人臉檢測(cè)辦法研究中，人臉檢測(cè)是首要技術(shù)環(huán)節(jié)也是人臉圖像解決、人臉辨認(rèn)、人臉特性提取、人臉追蹤必要工作，檢測(cè)技術(shù)可以作為單獨(dú)一項(xiàng)研究也可以與辨認(rèn)、跟蹤相結(jié)合應(yīng)用[7]。多目的人臉檢測(cè)是實(shí)現(xiàn)單目的人臉檢測(cè)并行計(jì)算。人臉檢測(cè)辦法研究蓬勃發(fā)展于20世紀(jì)90年代，在人臉檢測(cè)領(lǐng)域獲得了卓越學(xué)術(shù)成果[8]。該技術(shù)重要是運(yùn)用計(jì)算機(jī)對(duì)人臉圖像進(jìn)行分析并提取人臉位置、姿態(tài)等信息，運(yùn)用不同提取特性辦法進(jìn)一步分析生物特性。隨著計(jì)算機(jī)硬件和軟件水平整體提高，人臉檢測(cè)系統(tǒng)中魯棒性這一性能成為技術(shù)發(fā)展核心之舉[9]。20世紀(jì)90年代以來，人臉圖像整體檢測(cè)和部件單獨(dú)分析相結(jié)合研究辦法成為各研究人員關(guān)注熱點(diǎn)，重要運(yùn)用人臉各類特性信息，結(jié)合人臉構(gòu)造特性、分布規(guī)律、記錄規(guī)律等等提出眾多新人臉檢測(cè)算法[10]。M.H[11]采用稀疏逼近窗口網(wǎng)絡(luò)學(xué)習(xí)辦法、Sung采用特性矢量訓(xùn)練出判斷人臉辦法、S.C等人基于二維離散余弦變換辦法實(shí)現(xiàn)人臉檢測(cè)。在人臉檢測(cè)技術(shù)開始向現(xiàn)實(shí)領(lǐng)域拓展，將人臉檢測(cè)領(lǐng)域不斷應(yīng)用在實(shí)際生產(chǎn)生活中[12]。當(dāng)前多目的人臉檢測(cè)領(lǐng)域重要有兩個(gè)研究方向：第一種是1991年Turk和AlexPent-land[13]采用K-L變換辦法提取人臉整體生物特性，將主成分分析（PrincipalComponentAnalysis）引入到人臉檢測(cè)系統(tǒng)中[14]。PCA重要是對(duì)矩陣做變換和投影提取人臉代數(shù)特性。如Bledsoe[15]提出了一種基于人臉特性間距、比例半自動(dòng)下人臉檢測(cè)和辨認(rèn)系統(tǒng)。Sung等提出了人臉圖像樣本到各類中心距離訓(xùn)練學(xué)習(xí)辦法；第二種是基于特性分析，描述臉部特性形狀參數(shù)或者類別參數(shù)等構(gòu)成人臉檢測(cè)與辨認(rèn)向量，可以保存人臉圖像之間拓?fù)潢P(guān)系。通過對(duì)部件分析提取局部特性信息以及灰度記錄規(guī)律，實(shí)現(xiàn)部件檢測(cè)[16]。基于部件特性提取局部輪廓和灰度信息算法不斷推陳出新。Lam[17]提出一種基于整體分析與局某些析相結(jié)合人臉檢測(cè)辦法。針對(duì)視頻序列多目的人臉檢測(cè)是視頻監(jiān)控對(duì)圖像序列視覺分析過程，重要任務(wù)是分析視頻序列中目的行為特性。視頻序列多目的人臉檢測(cè)辦法可以有諸各種類，簡(jiǎn)介3種基于視頻序列多目的人臉檢測(cè)辦法，重要分為光流法、背景減差法、幀差法[18]。光流法光流法是老式視頻序列持續(xù)目的檢測(cè)算法之一，由于視頻序列是持續(xù)幀靜態(tài)圖像，人臉圖像在每一幀圖像上不斷運(yùn)動(dòng)，相應(yīng)人臉亮度模式也在變化。光流法檢測(cè)原理基于變化人臉圖像隨時(shí)間變化光流特性，運(yùn)用位移向量光流場(chǎng)定位人臉外部輪廓，基于外部輪廓實(shí)現(xiàn)多目的人臉檢測(cè)?；诠饬鞣ǘ嗄康臋z測(cè)打破視頻幀間運(yùn)動(dòng)干擾，可以解決間隔很大位移，但是光流法計(jì)算量很大，比較復(fù)雜同步噪聲影響很大，無法實(shí)現(xiàn)多目的實(shí)時(shí)檢測(cè)。背景減差法靜止背景下多目的檢測(cè)慣用辦法是背景減差法。背景減差法核心思想是將幀圖像與背景作差，選用閾值判斷差分圖像與否是運(yùn)動(dòng)目的，檢測(cè)出多目的位置、大小及形狀特性信息。背景減差法長(zhǎng)處在于操作簡(jiǎn)樸、計(jì)算量較低、檢測(cè)速度比較快，然而卻容易受到光照影響，減少檢測(cè)率。因此，背景減差法對(duì)背景更新機(jī)制有更為嚴(yán)格規(guī)定。幀差法幀差法最直接應(yīng)用是檢測(cè)視頻序列中持續(xù)幀之間多目的圖像變化狀況。幀差法采用計(jì)算兩幀圖像之間相應(yīng)像素點(diǎn)間灰度差分，計(jì)算閾值提取目的。三幀差法改進(jìn)了幀差法中檢測(cè)目的過大現(xiàn)象，將第k幀圖像與第k-1幀、第k+1圖像與第k幀圖像分別作差用二值差分圖像。幀差法實(shí)現(xiàn)視頻序列多目的檢測(cè)對(duì)場(chǎng)景光照狀況不敏感，有較好魯棒性，檢測(cè)效果穩(wěn)定，但是無法提取詳細(xì)特性像素，容易產(chǎn)生空洞現(xiàn)象，特別圖像之間間隔過大，目的運(yùn)動(dòng)速度過快會(huì)導(dǎo)致檢測(cè)不精確。多目的人臉檢測(cè)技術(shù)應(yīng)用廣泛，針對(duì)多目的下各種姿態(tài)都可以實(shí)現(xiàn)迅速有效實(shí)時(shí)人臉檢測(cè)。當(dāng)前針對(duì)多目的人臉檢測(cè)方面研究國(guó)內(nèi)外學(xué)者獲得大量研究成果。在現(xiàn)實(shí)應(yīng)用方面，現(xiàn)今流行某些數(shù)碼產(chǎn)品，例如相機(jī)、手機(jī)等可以再拍攝過程自動(dòng)實(shí)現(xiàn)人臉進(jìn)行對(duì)焦，美國(guó)Visionics公司提出了一整套基于局部特性分析（LocalFeatureAnalysis）算法人臉檢測(cè)系統(tǒng)；VisageGallery身份驗(yàn)證系統(tǒng)；國(guó)外手機(jī)操作系統(tǒng)基于Eigenface技術(shù)推出手機(jī)人臉解鎖功能。在國(guó)內(nèi)研究學(xué)者不懈努力下，國(guó)內(nèi)在多目的人臉檢測(cè)技術(shù)研究領(lǐng)域也獲得巨大成就。遼寧省大連市使用人臉辨認(rèn)技術(shù)作為機(jī)場(chǎng)安檢防護(hù)手段、公安部采用人臉辨認(rèn)技術(shù)作為追捕逃犯、防止恐怖勢(shì)力和維護(hù)國(guó)家安全重要手段；同步在學(xué)術(shù)研究方面，以北京大學(xué)、清華大學(xué)和中科院為首許多科研人員都在從事人臉檢測(cè)研究，關(guān)于圖像解決、計(jì)算機(jī)模式辨認(rèn)、生物辨認(rèn)國(guó)際高質(zhì)量論文刊登狀況也是令人自豪[19]。1.2.2多目的人臉檢測(cè)研究?jī)?nèi)容多目的人臉檢測(cè)辦法研究重要涉及如下內(nèi)容：（1）人臉檢測(cè)當(dāng)前以不同視角和背景下人臉檢測(cè)為主流研究課題，人臉檢測(cè)重要是受光照、姿態(tài)、表情影響，人臉檢測(cè)精準(zhǔn)度是研究過程中重要指標(biāo)，研究者提出各類算法最后目是提高人臉檢測(cè)精度。從人臉檢測(cè)技術(shù)發(fā)展方向來看，大體可將檢測(cè)技術(shù)分為基于特性辦法和基于圖像辦法兩大類[20]。人臉膚色、對(duì)稱性、構(gòu)造特性都是人臉模式特性重要因素，膚色特性是可以迅速定位到人臉一種辦法，不考慮人臉面部細(xì)節(jié)特性，從而對(duì)面部表情多姿態(tài)變化有著更好魯棒性，高斯膚色模型、混合高斯膚色模型[21]以及直方圖膚色模型是建立膚色模型重要三種膚色模型，還涉及基于神經(jīng)網(wǎng)絡(luò)膚色模型、基于貝葉斯辦法膚色模型，膚色模型與色彩空間息息有關(guān)；另一方面基于圖像辦法進(jìn)行人臉檢測(cè)，檢測(cè)實(shí)質(zhì)是記錄模型建立，通過選用不同記錄辦法進(jìn)行二分類，基本思路是采用小窗口掃描搜索人臉區(qū)域[22]。無論是基于特性還是圖像均有各自長(zhǎng)處或缺陷，基于特性辦法有較好檢測(cè)速度，而基于圖像辦法更為可靠?；谌四槞z測(cè)發(fā)展之下，Govindaraju等提出基于檢測(cè)橢圓來進(jìn)行人臉檢測(cè)，通過邊沿檢測(cè)、提取邊沿曲線特性和評(píng)估人臉曲線來檢測(cè)人臉；Lee等運(yùn)用建立膚色模型將人臉從復(fù)雜背景中檢測(cè)和分離出來；Zabrodsky等基于檢測(cè)圓形區(qū)域辦法提出對(duì)稱持續(xù)檢測(cè)[23]，判斷人臉存在與否；Marques采用分割投影實(shí)現(xiàn)人臉檢測(cè)；P.Viola提出AdaBoost人臉檢測(cè)算法是當(dāng)前人臉檢測(cè)研究核心，應(yīng)用最為廣泛。（2）人臉特性點(diǎn)定位基于人臉精確檢測(cè)之下，提取人臉特性重要涉及幾何特性、代數(shù)特性提取辦法。幾何特性可以反映人臉器官幾何聯(lián)系和器官自身屬性，人臉特性點(diǎn)之間歐氏距離、長(zhǎng)度、面積、角度以及曲率都是幾何特性重要參數(shù)。針對(duì)人臉局部特性點(diǎn)定位涉及基于輪廓檢測(cè)眼睛定位算法[24]、基于區(qū)域投影人眼精準(zhǔn)定位算法[25]、基于改進(jìn)型拋物線Hough變換眼睛特性點(diǎn)定位等等[26]，重要涉及雙眼定位、眼睛區(qū)域分割、人眼特性提取三個(gè)方面，一種彩色空間分布嘴巴定位，基于紋理分布特性虹膜辨認(rèn)算法以及基于Gabor小波人臉特性提取等等，由于局部定位是針對(duì)某些人臉器官，因此人臉特性點(diǎn)數(shù)量有限，不能全面滿足人們對(duì)特性點(diǎn)需求。全局特性點(diǎn)定位辦法可以定位各種特性點(diǎn)，將輸入人臉圖像視作整體變量，通過度析建模提取目的特性信息，涉及人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)(SVM)等記錄模型算法，但是普通此類辦法缺陷是計(jì)算量大、系統(tǒng)耗時(shí)長(zhǎng)。Kanada[27]最早提出對(duì)二值圖像使用積分投影函數(shù)提取人臉指定特性點(diǎn)，Poggio和Brunelli[28]又對(duì)算法進(jìn)行了改進(jìn)，使算法對(duì)光照適應(yīng)性增強(qiáng)；Feng等提出運(yùn)用特性方向上像素灰度值方差提取特性，算法對(duì)復(fù)雜背景下人臉特性提取魯棒性增強(qiáng)；MohamedRizon采用邊沿信息、色度和谷算子進(jìn)行人眼定位，但是受光照和速度影響很大，不夠穩(wěn)定，運(yùn)算量比較大。（3）人臉辨認(rèn)人臉辨認(rèn)技術(shù)應(yīng)用范疇很寬闊，涉及表情辨認(rèn)、姿態(tài)分析、臉部合成、人臉融合等方面，人們提出不同算法提取出人臉特性信息，按照一定分類方略與各個(gè)人臉特性信息進(jìn)行對(duì)比[29]。人臉辨認(rèn)種類也是各種各樣，涉及復(fù)雜背景和簡(jiǎn)樸背景、靜態(tài)動(dòng)態(tài)圖像、彩色灰色圖像等等。人臉辨認(rèn)是人臉圖像解決復(fù)雜任務(wù)，起始于20世紀(jì)60年代涌現(xiàn)出許多人臉辨認(rèn)辦法和思路，發(fā)展階段歷經(jīng)人臉正面辨認(rèn)過程、多表情多姿態(tài)辨認(rèn)、動(dòng)態(tài)跟蹤人臉辨認(rèn)、人臉三維辨認(rèn)[30]。ZhaoHT提出一種改進(jìn)優(yōu)化子空間線性鑒別分析辦法，在人臉數(shù)據(jù)庫(kù)中進(jìn)行測(cè)試獲得較好辨認(rèn)率[31]；Cottrell等使用級(jí)聯(lián)BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)對(duì)受損人臉圖像、光照影響嚴(yán)重人臉圖像進(jìn)行人臉辨認(rèn)；Jonsson提出支持向量機(jī)分類可以辨認(rèn)不同人臉，但支持向量機(jī)辦法求解過程復(fù)雜、耗時(shí)無法預(yù)測(cè)甚至無法執(zhí)行程序[32]；Lai將小波變化、傅里葉變換以及平面幾何變換相結(jié)合辦法辨認(rèn)人臉。隨著當(dāng)代計(jì)算機(jī)視覺技術(shù)不斷成熟和完善，人臉辨認(rèn)技術(shù)已向三維方向發(fā)展，由此人臉技術(shù)發(fā)展空間很大[33]。當(dāng)前人臉辨認(rèn)辦法實(shí)現(xiàn)經(jīng)常需要訓(xùn)練人臉樣本，但是樣本采集和建立都是復(fù)雜過程，耗費(fèi)大量時(shí)間和精力。隨著信息技術(shù)不斷發(fā)展，多目的人臉檢測(cè)基于選用圖像作為模板，大大縮短了時(shí)間，是人臉辨認(rèn)重要研究方向之一。1.3本文工作概述和構(gòu)造本文重要針對(duì)多目的人臉檢測(cè)辦法研究。一方面將視頻序列轉(zhuǎn)換為一幀幀持續(xù)靜態(tài)圖像，對(duì)選用第一幀圖像進(jìn)行人臉粗定位，涉及位置及大小，基于第一幀人臉圖像作為多目的人臉檢測(cè)模板；另一方面運(yùn)用灰度記錄和五官分布規(guī)律結(jié)合辦法定位雙眼瞳孔、眼角點(diǎn)、鼻尖、嘴角點(diǎn)以及嘴中線點(diǎn)等10個(gè)特性點(diǎn)提取人臉特性信息構(gòu)造特性向量；最后基于幾何特性向量人臉辨認(rèn)辦法構(gòu)造7個(gè)人臉幾何特性向量，計(jì)算該圖像幾何特性向量與模板人臉圖像特性向量之間加權(quán)歐氏距離，選用最優(yōu)閾值作為匹配根據(jù)，對(duì)背面輸入圖像中人臉圖像進(jìn)行檢測(cè)以及定位。本文構(gòu)造安排如下：第一章簡(jiǎn)介多目的人臉檢測(cè)辦法研究目、意義以及國(guó)內(nèi)外研究動(dòng)態(tài)，簡(jiǎn)介了多目的人臉檢測(cè)研究?jī)?nèi)容涉及人臉檢測(cè)、人臉特性點(diǎn)定位以及人臉匹配辨認(rèn)研究辦法進(jìn)行分析，最后簡(jiǎn)介了本文研究?jī)?nèi)容和構(gòu)造安排。第二章簡(jiǎn)介基于AdaBoost算法實(shí)現(xiàn)多目的人臉檢測(cè)粗定位。一方面簡(jiǎn)介AdaBoost算法以矩形特性為基本分類器構(gòu)造；另一方面針對(duì)視頻序列人臉圖像對(duì)AdaBoost檢測(cè)算法進(jìn)行分析，分析檢測(cè)人臉圖像合用條件以及視頻序列人臉檢測(cè)浮現(xiàn)漏檢與誤檢分析；最后結(jié)合視頻序列對(duì)多目的人臉圖像檢測(cè)成果與分析。第三章簡(jiǎn)介基于人臉圖像粗定位基本之上，實(shí)現(xiàn)人臉特性點(diǎn)定位。一方面基于AdaBoost實(shí)現(xiàn)人臉圖像粗定位，人臉特性點(diǎn)選用；另一方面簡(jiǎn)介眼睛、鼻子以及嘴特性點(diǎn)定位辦法以及成果，并且基于特性點(diǎn)定位成果進(jìn)行驗(yàn)證與分析；最后結(jié)合ORL人臉數(shù)據(jù)庫(kù)與視頻序列圖像給出人臉特性點(diǎn)定位檢測(cè)成果。第四章簡(jiǎn)介基于人臉幾何特性向量匹配辨認(rèn)辦法。一方面簡(jiǎn)介人臉幾何特性向量構(gòu)造辦法以及選用理由；另一方面對(duì)幾何特性向量相似度進(jìn)行計(jì)算與分析；最后通過計(jì)算幾何特性向量間加權(quán)歐氏距離，結(jié)合人臉數(shù)據(jù)庫(kù)選用最優(yōu)閾值實(shí)現(xiàn)多目的人臉匹配成果。第五章基于視頻序列多目的人臉檢測(cè)實(shí)驗(yàn)成果與分析。通過拍攝視頻序列，結(jié)合人臉檢測(cè)粗定位、人臉特性點(diǎn)定位、幾何特性向量匹配辨認(rèn)，整體運(yùn)營(yíng)多目的人臉檢測(cè)算法，對(duì)目的人物進(jìn)行動(dòng)態(tài)分析，對(duì)人臉圖像在視頻序列中檢測(cè)及定位給出精確成果。采用多目的人臉檢測(cè)辦法給出實(shí)驗(yàn)成果，證明辦法有效性。第六章對(duì)論文整體工作進(jìn)行總結(jié)。第2章基于AdaBoost人臉檢測(cè)辦法研究隨著人臉檢測(cè)算法不斷成熟，人臉檢測(cè)所涉及范疇十分廣泛，可以提出一系列檢測(cè)算法。多目的人臉檢測(cè)辦法指輸入圖像中包括若干個(gè)人臉圖像，提取人臉圖像某些進(jìn)行人臉特性點(diǎn)定位，構(gòu)造幾何特性向量用于多目的人臉圖像匹配辨認(rèn)，多目的人臉檢測(cè)辦法研究領(lǐng)域涉及各種方面。多目的人臉檢測(cè)整體流程圖如圖2.1所示。圖2.1多目的人臉檢測(cè)流程圖Fig.2.1Flowchartofmulti-facedetection如圖2.1多目的人臉檢測(cè)流程圖所示，人臉圖像粗定位作為多目的人臉檢測(cè)首要環(huán)節(jié)，同步多目的人臉檢測(cè)成果直接影響后續(xù)特性點(diǎn)定位以及幾何特性向量構(gòu)造，因此本文采用AdaBoost人臉檢測(cè)算法判斷圖像中存在人臉位置、大小、個(gè)數(shù)等，這是人臉檢測(cè)所需要必要數(shù)據(jù)。AdaBoost算法提出使人臉檢測(cè)研究更加進(jìn)一步，高效率和高性能等優(yōu)勢(shì)成為在人臉檢測(cè)領(lǐng)域最前沿辦法之一。Freund和Schapire提出AdaBoost算法實(shí)質(zhì)是通過迭代辦法不斷調(diào)節(jié)樣本權(quán)重實(shí)現(xiàn)[34-36]。本章將對(duì)人臉檢測(cè)算法原理、人臉檢測(cè)算法合用條件以及基于視頻序列圖像進(jìn)行人臉檢測(cè)成果分析。2.1AdaBoost人臉檢測(cè)算法原理為了區(qū)別人臉和非人臉，AdaBoost人臉檢測(cè)算法核心在于采用積分圖計(jì)算辦法，積分圖可以迅速計(jì)算矩形特性。由于矩形特性是作為分類基本，因此計(jì)算矩形特性辦法成為核心。積分圖在樣本集中提取矩形特性，一種弱分類器表達(dá)一種矩形特性，不同矩形特性產(chǎn)生了不同弱分類器，人臉檢測(cè)算法目在于弱分類器組合成強(qiáng)分類器，同步級(jí)聯(lián)強(qiáng)分類器用于人臉精準(zhǔn)檢測(cè)。2.1.1積分圖與矩形特性矩形特性（Haar-like特性）[37]是由Papagcorgiou提出用于區(qū)別人臉與非人臉，可以描述人臉特性信息。有人臉灰度分布規(guī)律可知，眼睛周邊區(qū)域顏色比眼睛淺、鼻子顏色比鼻子兩側(cè)周邊淺、嘴唇周邊區(qū)域顏色同樣淺于嘴唇等等。人臉檢測(cè)核心問題在于提取矩形特性，矩形特性形式如圖2.2所示。a2-矩形特性b3-矩形特性c4-矩形特性圖2.2矩形特性Fig.2.2Featuresofrectangular由圖2.2可以看出，矩形特性都是由形狀大小相似矩形構(gòu)成，可以反映人臉圖像特性信息。重要涉及2-矩形特性、3-矩形特性、4-矩形特性這三種類型矩形特性。2-矩形特性：由2個(gè)大小形狀相似矩形構(gòu)成，有相鄰和垂直兩種形式代表圖像邊沿特性信息。3-矩形特性：明顯由3個(gè)相似水平或者垂直放置矩形構(gòu)成，與2-矩形特性不同是它代表著線性特性。4-矩形特性：由4個(gè)大小相似矩陣構(gòu)成，包括對(duì)角線特性。所謂矩形特性特性值將白色矩形內(nèi)所有像素灰度值減去黑色矩形內(nèi)所有像素灰度值。如圖2.2中三種矩形特性，2-矩形特性值是兩個(gè)大小相似黑色和白色矩形像素值之和作差；3-矩形特性特性值是兩個(gè)白色矩形所有像素值之和與黑色矩形所有像素值之和作差；4-矩形特性值是對(duì)角線上兩個(gè)矩形內(nèi)部所有像素和與此外一條對(duì)角線上兩個(gè)矩形內(nèi)部所有像素和作差值得到。對(duì)于不同大小檢測(cè)窗口來說，檢測(cè)窗口越大，相應(yīng)特性矩形數(shù)量就越龐大，計(jì)算量就越大。不同大小檢測(cè)窗口中相應(yīng)矩形特性數(shù)量如表2.1所示。表2.1檢測(cè)窗口大小與矩形特性相應(yīng)關(guān)系Tab.2.1Thenumberofrectanglefeatureindifferentdetection-window檢測(cè)窗口大小 16×1620×2024×2430×3036×36矩形特性3238478460162336394725816264由上述表2.1可以看出，對(duì)于一種30×30大小檢測(cè)窗口來說，包括394725個(gè)矩形特性，遠(yuǎn)遠(yuǎn)不不大于檢測(cè)窗口中像素個(gè)數(shù)。因而迅速計(jì)算特性值成為人臉檢測(cè)核心問題。Voila等人提出用積分圖來解決矩形特性計(jì)算問題，提高了檢測(cè)窗口運(yùn)營(yíng)速度如圖2.3所示。AAAAAAa像素點(diǎn)A積分值b矩形區(qū)域積分計(jì)算圖2.3像素點(diǎn)A和矩形區(qū)域積分圖像值Fig.2.3ComputetheintegralvaluefortheregionandpointA積分圖思想：計(jì)算圖像中任意一點(diǎn)圖像積分等效于圖像上該點(diǎn)左上方所有像素灰度值和。特性點(diǎn)積分值直接決定矩形特性值大小，與其她任何因素?zé)o關(guān)。計(jì)算像素點(diǎn)積分值就可以不久計(jì)算矩形區(qū)域積分圖像值。如圖2.3a所示，圖中黑色陰影某些代表A積分值，即點(diǎn)A左上方區(qū)域所有像素灰度值進(jìn)行求和。圖2.3b中矩形區(qū)域積分圖像值求解辦法為：點(diǎn)1積分圖像值(f1)=矩形A區(qū)域像素灰度值之和；點(diǎn)2積分圖像值(f2)=矩形A區(qū)域像素灰度值總和+矩形B區(qū)域像素灰度值總和；點(diǎn)3積分圖像值(f3)=矩形A區(qū)像素域灰度值總和+矩形C區(qū)域像素灰度值總和；點(diǎn)4積分圖像值(f4)=矩形A+B+C+D區(qū)域所有像素灰度值總和；由此可見，矩形區(qū)域D積分圖像值=f4+f1-f2-f3即可。采用積分圖思路計(jì)算矩形特性辦法使人臉檢測(cè)邁向新階梯，重要貢獻(xiàn)是提高計(jì)算速度，可以有效避免重復(fù)計(jì)算。人臉檢測(cè)重要是結(jié)合矩形特性某些信息，矩形特性可以存在人臉圖像任意區(qū)域，大小一定不能超過人臉圖像尺寸，開始時(shí)設(shè)立較小矩形特性初始值，遍歷整個(gè)圖像過程中不斷放大，直到檢測(cè)出人臉圖像位置及大小之后結(jié)束檢測(cè)。如圖2.4所示，人臉圖像中眼睛亮度低于鼻梁和臉頰亮度；鼻梁亮度低于兩側(cè)臉頰亮度；嘴亮度低于周邊區(qū)域亮度，上述矩形特性充分反映出人臉灰度分布特點(diǎn)。檢測(cè)人臉過程需要大量不同大小、類型、位置矩形特性，總體得出結(jié)論，檢測(cè)人臉核心點(diǎn)在于尋找圖像中矩形特性。圖2.4矩形特性與人臉結(jié)合Fig.2.4TheintegrationofHaarfeatureandface2.1.2分類器設(shè)計(jì)采用矩形特性人臉檢測(cè)辦法核心是AdaBoost算法，目是將分類能力普通弱分類器通過特定辦法疊加變成分類能力強(qiáng)級(jí)聯(lián)分類器。弱分類器構(gòu)建與矩形特性密不可分，每個(gè)矩形特性代表著一種弱分類器，弱分類器分類效果（最強(qiáng)分類效果為1）略不不大于0.5，在弱分類器基本之上按照一定規(guī)則組合成一種分類精度高強(qiáng)分類器。弱分類器重要考慮矩形特性值、閾值、批示不等號(hào)因素影響，詳細(xì)定義公式為：（2.1）其中fi(x)代表檢測(cè)窗口x第i個(gè)特性值；Pi代表批示不等號(hào)即決定不等號(hào)方向；為分類器閾值。一方面選用人臉圖像和非人臉圖像作為訓(xùn)練樣本，對(duì)其權(quán)重初始化、歸一化解決；另一方面對(duì)積分圖中計(jì)算出特性值構(gòu)建弱分類器，選用誤差最小化閾值和批示不等號(hào)；最后最優(yōu)弱分類器重新更新樣本權(quán)重使錯(cuò)誤樣本權(quán)值逐漸增大，將非人臉圖像凸顯出來。弱分類器目的是選用誤差率最低矩形特性。各種弱分類器構(gòu)成強(qiáng)分類器，人臉與非人臉樣本分類效果明顯增強(qiáng)。強(qiáng)分類器將多次迭代訓(xùn)練弱分類器，對(duì)錯(cuò)誤率最小最優(yōu)弱分類器加權(quán)求和，構(gòu)造出強(qiáng)分類器，強(qiáng)分類器表達(dá)式如2.2所示。（2.2）充分考慮到人臉檢測(cè)辦法需要更強(qiáng)實(shí)時(shí)性，因此級(jí)聯(lián)分類器提出大大提高人臉檢測(cè)精準(zhǔn)度和速度。例如設(shè)計(jì)一種20組分類器，每組包括10分類器，這樣就可以有效取代由200個(gè)分類器。級(jí)聯(lián)分類器由AdaBoost算法訓(xùn)練出來強(qiáng)分類器組合而成，待檢測(cè)圖像需要需要通過層層篩選，任何一種強(qiáng)分類器判斷為非人臉窗口，就無法送至下一層強(qiáng)分類器，只有通過所有強(qiáng)分類器最后鑒定為人臉窗口[38]。級(jí)聯(lián)分類器設(shè)計(jì)重點(diǎn)在于賦予前幾層較少弱分類器而背面幾層較多弱分類器，這樣設(shè)計(jì)可以加快非人臉窗口圖像排除、提高檢測(cè)精準(zhǔn)度、予以背面檢測(cè)窗口更精密檢測(cè)，輸入圖像檢測(cè)過程如圖2.5所示。圖2.5級(jí)聯(lián)分類器Fig.2.5Cascadeclassifierstructure 通過級(jí)聯(lián)分類器可以看出，在多層分類器共同作用下有效區(qū)別人臉圖像和非人臉圖像，如果成果為‘YES’直接傳遞給下一層分類器；如果鑒定成果為‘NO’直接作為裁減檢測(cè)窗口。同樣最后誤檢率和檢測(cè)率與每一層分類器誤檢率、檢測(cè)率有關(guān)。通過測(cè)試可以變化每一層分類器檢測(cè)率、誤檢率，使最后檢測(cè)檢測(cè)率達(dá)到99%以上即可停止運(yùn)算。一種涉及M層級(jí)聯(lián)分類器是由M個(gè)強(qiáng)分類器構(gòu)成，最后檢測(cè)率等于每一種強(qiáng)分類器檢測(cè)率累積，同樣誤檢率也是M個(gè)強(qiáng)分類器誤檢率累積，由此可見，級(jí)聯(lián)分類器作用就是提高檢測(cè)率、減少誤檢率、加快運(yùn)營(yíng)速度。2.2人臉檢測(cè)算法分析2.2.1人臉檢測(cè)算法合用條件輸入人臉圖像中涉及人臉個(gè)數(shù)從1個(gè)到14個(gè)不等，至少人臉圖像中包括1個(gè)人臉而最多人臉圖像中包括14個(gè)人臉；隨著人臉數(shù)量不斷增長(zhǎng)導(dǎo)致人臉辨別率逐漸減小，這樣導(dǎo)致人臉檢測(cè)算法無法從復(fù)雜背景中提取人臉圖像，針對(duì)AdaBoost人臉檢測(cè)算法從光照因素、人臉辨別率、人臉左右旋轉(zhuǎn)角度、上下仰俯角度以及水平旋轉(zhuǎn)角度方面分析檢測(cè)效果。分別選用四組不同人臉圖像進(jìn)行人臉檢測(cè)，第一組選用視頻拍攝圖像大小為320×240包括不同光線照射人臉圖像，檢測(cè)成果如a圖所示；第二組選用ASM人臉數(shù)據(jù)640×480大小，包括人臉左右不同旋轉(zhuǎn)角度人臉圖像，檢測(cè)成果如圖b所示；第三組同樣選用ASM人臉數(shù)據(jù)庫(kù)640×480大小包括人臉上下仰俯角度人臉圖像，檢測(cè)成果如圖c所示；第四組選用720×480大小人臉圖像，包括不同尺度人臉檢測(cè)成果如圖d所示；基于AdaBoost人臉檢測(cè)算法在不同條件下檢測(cè)人臉整體成果如圖2.6所示。a不同光照b不同旋轉(zhuǎn)角度c不同仰俯角度d不同辨別率圖2.6不同條件下人臉檢測(cè)成果Fig.2.6Thedetectionresultsindifferentcondition基于視頻序列圖像和ASM人臉數(shù)據(jù)庫(kù)中人臉圖像進(jìn)行人臉檢測(cè)，如圖2.6a所示，在正常光照下可以實(shí)現(xiàn)較高檢測(cè)率，圖2.6可以檢測(cè)人臉有一定左右旋轉(zhuǎn)角度，圖2.6c可以檢測(cè)人臉有一定水平旋轉(zhuǎn)角度，圖2.6d可以看出人臉檢測(cè)算法可以檢測(cè)不同辨別率大小人臉圖像，解決了人臉圖像在視頻序列中由于距離拍攝鏡頭遠(yuǎn)近導(dǎo)致人臉圖像多尺度問題。人臉檢測(cè)算法矩形特性使得檢測(cè)成果對(duì)光照不敏感；在光照條件灰暗時(shí)，人臉圖像中眼睛、鼻子灰度值與周邊區(qū)域差別變小，特性值不明顯導(dǎo)致強(qiáng)分類器分類能力削弱，浮現(xiàn)漏檢、誤檢狀況，通過不斷測(cè)試可以找到人臉檢測(cè)圖像基本屬性。人臉檢測(cè)基本條件如下：（1）檢測(cè)人臉圖像辨別率要不不大于或者等于20×20；（2）檢測(cè)人臉圖像左右側(cè)面旋轉(zhuǎn)角度不大于或者等于20度；（3）檢測(cè)人臉圖像上下仰俯角度不大于或者等于20度；（4）檢測(cè)人臉圖像水平旋轉(zhuǎn)不大于或者等于15度。普通狀況下夸張動(dòng)作幅度會(huì)影響矩形特性構(gòu)造人臉檢測(cè)器，就會(huì)影響人臉檢測(cè)成果，但是在安全監(jiān)控系統(tǒng)中普通不會(huì)有夸張動(dòng)作和面部表情，可以直接裁減掉這樣圖像。綜合上述影響人臉檢測(cè)成果因素，滿足正常光線完全可以進(jìn)行人臉檢測(cè)。對(duì)于人臉檢測(cè)場(chǎng)景涉及室內(nèi)場(chǎng)景、室外停車場(chǎng)、電梯廳等等一系列可以應(yīng)用人臉檢測(cè)算法檢測(cè)人臉圖像。由此可見，人臉檢測(cè)中人臉圖像辨別率最小臨界值為20×20，不大于20×20大小圖像早已無法分清面部五官特性，雖然可以進(jìn)行人臉檢測(cè)初步定位也無法進(jìn)行人臉特性點(diǎn)定位，就無法實(shí)現(xiàn)人臉匹配辨認(rèn)，最后也將裁減圖像，無法作為多目的人臉檢測(cè)核心素材。多目的人臉檢測(cè)辦法重要是針對(duì)視頻持續(xù)圖像進(jìn)行人臉檢測(cè)，如果遇到人臉辨別率太小無法進(jìn)行人臉特性點(diǎn)定位狀況，可以繼續(xù)對(duì)下一幀圖像進(jìn)行人臉檢測(cè)，持續(xù)對(duì)人臉圖像進(jìn)行追蹤定位。2.2.2視頻序列人臉檢測(cè)算法漏檢與誤檢分析人臉檢測(cè)算法在現(xiàn)實(shí)生活中應(yīng)用受到許多因素影響，涉及場(chǎng)景障礙物、目的配飾、人臉面部表情等等，會(huì)浮現(xiàn)誤判、漏檢狀況。通過對(duì)電梯、停車場(chǎng)某些安全監(jiān)控系統(tǒng)中經(jīng)常浮現(xiàn)場(chǎng)景進(jìn)行測(cè)試，基于AdaBoost人臉檢測(cè)算法針對(duì)視頻序列中包括不同光照、表情、姿態(tài)有較好檢測(cè)率，而誤檢和漏檢狀況也會(huì)浮現(xiàn)，不能檢測(cè)出人臉圖像狀況如圖2.7所示。圖中沒有檢測(cè)出人臉圖像涉及由于視頻中人臉動(dòng)作幅度過大，導(dǎo)致視頻轉(zhuǎn)換成幀圖像比較模糊；光線太暗，人臉圖像灰度信息不明顯；人臉仰俯動(dòng)作夸張等因素導(dǎo)致無法檢測(cè)人臉矩形特性，導(dǎo)致檢測(cè)器失效。圖2.7沒有檢測(cè)出人臉圖像Fig.2.7Theimageswithoutdetectedface綜合上述圖2.7中漏檢與誤檢浮現(xiàn)狀況：（1）人臉圖像剛浮現(xiàn)時(shí)；（2）人臉圖像上下晃動(dòng)明顯；（3）視頻中人臉圖像發(fā)型遮擋臉部嚴(yán)重；（4）人臉圖像移動(dòng)距離過大；（5）某一幀圖像浮現(xiàn)漏判后會(huì)有一系列誤判；（6）新人臉圖像剛浮現(xiàn)前幾幀浮現(xiàn)漏判。基于上述人臉檢測(cè)對(duì)漏檢和誤檢狀況分析，由于視頻拍攝圖像普通可以達(dá)到每秒10幀到30幀圖像，并且每秒內(nèi)圖像變化不會(huì)很大，因此在進(jìn)行視頻序列人臉檢測(cè)與定位過程中，如果浮現(xiàn)上述幾種狀況，可以緊接著對(duì)背面持續(xù)幾幀圖像進(jìn)行檢測(cè)，起到一種驗(yàn)證作用，同步采用特性點(diǎn)輔助定位也可以更加準(zhǔn)的確現(xiàn)多目的人臉檢測(cè)及定位。2.3基于AdaBoost算法人臉圖像粗定位多目的人臉檢測(cè)辦法一方面基于AdaBoost算法檢測(cè)出輸入圖像中所有人臉某些，涉及人臉圖像位置、大小；在此基本之上進(jìn)行人臉特性點(diǎn)定位，提取人臉特性信息；最后構(gòu)造人臉幾何特性向量進(jìn)行匹配辨認(rèn)。人臉圖像粗定位精確性為人臉特性點(diǎn)定位及幾何特性向量人臉辨認(rèn)打下堅(jiān)實(shí)基本。從持續(xù)視頻序列第一幀圖像開始，基于AdaBoost檢測(cè)算法提取人臉，中心校正后特性點(diǎn)構(gòu)造幾何特性向量逐個(gè)放入自建人臉庫(kù)中，視頻序列自建人臉庫(kù)涉及整個(gè)視頻序列中浮現(xiàn)所有人臉圖像，在后續(xù)圖像中新進(jìn)入拍攝鏡頭人臉圖像由于無法與初始人臉庫(kù)中人臉圖像匹配則自動(dòng)將新目的加入視頻人臉庫(kù)中。作為多目的人臉檢測(cè)首要環(huán)節(jié)，基于AdaBoost人臉檢測(cè)精準(zhǔn)度直接影響后續(xù)檢測(cè)成果，由于AdaBoost是一種采用權(quán)值更新辦法以及級(jí)聯(lián)分類器相結(jié)合人臉檢測(cè)算法，使得在檢測(cè)過程中對(duì)人臉圖像夸張面部表情、風(fēng)格迥異發(fā)型、衣物裝飾品魯棒性很強(qiáng)，精確率不會(huì)受到影響，在某些現(xiàn)實(shí)生活場(chǎng)景中具備較高檢測(cè)效果。輸入任意一張圖像，掃描整個(gè)圖像，AdaBoost人臉檢測(cè)詳細(xì)環(huán)節(jié)如下：（1）輸入圖像辨別率為M×N，掃描窗口為m×n，系數(shù)窗口不斷變大；（2）掃描窗口遍歷整個(gè)輸入圖像；（3）標(biāo)記檢測(cè)為人臉矩形掃描窗口位置和大??；（4）不斷更新掃描窗口，直到無法變大，退出檢測(cè)系統(tǒng)，輸出檢測(cè)成果。實(shí)驗(yàn)基于AdaBoost算法實(shí)現(xiàn)人臉檢測(cè)，基于簡(jiǎn)樸背景和復(fù)雜背景多目的人臉粗定位成果如圖2.8所示。a復(fù)雜背景下2個(gè)人人臉檢測(cè)成果b多目的人臉檢測(cè)成果圖2.8人臉圖像粗定位Fig.2.8Thefirstlocalizationoffacialimage由圖2.8可以看出a為復(fù)雜背景下2人人臉檢測(cè)成果以及2人以上多目的人臉檢測(cè)成果，實(shí)驗(yàn)成果表白基于AdaBoost人臉檢測(cè)算法可以對(duì)頭部有輕微傾斜、頭部有少量遮擋、佩戴眼鏡狀況下精確檢測(cè)出人臉某些，證明AdaBoost人臉檢測(cè)算法檢測(cè)效果可以應(yīng)用于多目的人臉檢測(cè)辦法研究。實(shí)驗(yàn)通過攝像頭采集640×480大小圖像，涉及表情、光照、辨別率、左右旋轉(zhuǎn)角以及水平旋轉(zhuǎn)角差別多目的人臉圖像，共計(jì)拍攝5組視頻序列圖像，選用每組視頻20幀圖像，采用AdaBoost人臉檢測(cè)算法進(jìn)行粗定位，視頻序列圖像多目的人臉粗定位成果如表2.2所示。表2.2視頻圖像多目的人臉檢測(cè)成果Tab.2.2Thedetectionresultsofmultiplefaceinvideoimages視頻圖組總幀數(shù)人臉總數(shù)對(duì)的檢測(cè)檢測(cè)率誤檢數(shù)漏檢數(shù)第一組20幀585696.5%11第二組20幀767396%21第三組20幀989495.9%22第四組20幀15915396.2%24第五組20幀20019095%64基于實(shí)驗(yàn)成果可以看出，AdaBoost人臉檢測(cè)算法對(duì)于視頻圖像檢測(cè)效果有較強(qiáng)適應(yīng)性和魯棒性，在實(shí)際拍攝現(xiàn)實(shí)場(chǎng)景應(yīng)用范疇較廣泛；同步人臉檢測(cè)率在第五組視頻檢測(cè)中，每幀圖像涉及10個(gè)人臉圖像檢測(cè)率可以達(dá)到95%，而無法檢測(cè)人臉圖像重要發(fā)生于人臉圖像仰俯幅度過大、旋轉(zhuǎn)角過大狀況之下導(dǎo)致矩形特性人臉檢測(cè)分類器失效。2.4本章小結(jié)文章簡(jiǎn)介一種基于AdaBoost人臉檢測(cè)算法實(shí)現(xiàn)多目的人臉檢測(cè)粗定位。通過積分圖對(duì)矩形特性迅速計(jì)算出特性值，基于特性值構(gòu)造弱分類器進(jìn)行分類，不斷更新權(quán)重將人臉圖像與非人臉圖像差別化分離，將若干個(gè)弱分類器組合成分類效果更好強(qiáng)分類器和級(jí)聯(lián)分類器實(shí)現(xiàn)人臉檢測(cè)。通過對(duì)ASM人臉數(shù)據(jù)庫(kù)和視頻序列圖像進(jìn)行人臉檢測(cè)，分析AdaBoost人臉檢測(cè)算法合用條件，面對(duì)不同光照、不同表情、不同姿態(tài)檢測(cè)成果，同步分析視頻序列人臉檢測(cè)算法不可以檢測(cè)出人臉圖像因素。第3章人臉特性點(diǎn)定位辦法研究3.1人臉特性點(diǎn)選用人臉特性點(diǎn)是構(gòu)造人臉幾何特性向量核心，根據(jù)臉部器官屬性和互相位置關(guān)系選用可以反映特性信息特性點(diǎn)，特性點(diǎn)分布在人臉外部輪廓、眉毛、眼睛、鼻子、嘴等器官區(qū)域之中[39]?；诨叶扔涗浐臀骞贅?gòu)造分布規(guī)律辦法進(jìn)行人臉特性點(diǎn)定位可以提高人臉檢測(cè)成果，提高多目的人臉檢測(cè)精度。人臉特性點(diǎn)選用重要考慮因素有：（1）提取特性點(diǎn)個(gè)數(shù)。特性點(diǎn)數(shù)量既要可以包括臉部足夠特性信息又不能太過于繁瑣，由于復(fù)雜特性點(diǎn)會(huì)增長(zhǎng)算法時(shí)間維度，減少運(yùn)營(yíng)速度，減少精確率。（2）特性點(diǎn)選用對(duì)表情變化魯棒性。即人臉特性點(diǎn)對(duì)表情變化不敏感，不影響特性點(diǎn)定位精準(zhǔn)度，可以進(jìn)行人臉有效辨認(rèn)。綜上所述，特性點(diǎn)選用對(duì)于后續(xù)檢測(cè)對(duì)的性與否起到極其重要作用。綜合上述考慮因素，因而本文選用了10個(gè)人臉特性點(diǎn)，它們分別是雙眼瞳孔點(diǎn)、雙眼左右眼角點(diǎn)、鼻尖、左右嘴角點(diǎn)以及嘴中線點(diǎn)，特性點(diǎn)可以全面反映臉部特性信息如圖3.1所示。依照特性點(diǎn)角度不變性長(zhǎng)處，與此同步與其她測(cè)量辦法比起來，本文選用特性點(diǎn)更容易從人臉圖像中提取出來并且加以測(cè)量和計(jì)算，為后續(xù)構(gòu)造幾何特性向量打下堅(jiān)實(shí)基本，增長(zhǎng)算法精準(zhǔn)度。圖3.1人臉特性點(diǎn)選用示意圖Fig.3.1Schematicdiagramoffacialfeaturepoints由于瞳孔間距受光照和表情影響比較小，作為特性點(diǎn)選取比較穩(wěn)定，特別在人臉辨認(rèn)中瞳孔點(diǎn)選取是必不可少；眼睛、鼻子、嘴等各個(gè)面部器官形狀和互有關(guān)系是作為人臉辨認(rèn)重要根據(jù)。由于現(xiàn)實(shí)中視頻圖像拍攝受到光照、攝像技術(shù)以及人物動(dòng)作表情影響，因此在特性點(diǎn)定位之前，普通需要對(duì)人臉圖像進(jìn)行預(yù)解決。一方面要將彩色RGB圖像轉(zhuǎn)換為灰度圖像；同步，灰度化圖像要保持圖像自身不能失真，失真人臉圖像會(huì)影響特性點(diǎn)提取，減少人臉檢測(cè)精確性。良好灰度化圖像是特性點(diǎn)定位基本，既可以提高特性點(diǎn)定位精準(zhǔn)度又減少定位難度。圖像預(yù)解決過程詳細(xì)涉及圖像祛除噪聲、彩色圖像轉(zhuǎn)換灰度圖像、圖像二值化等等，圖像均衡化解決消除光照對(duì)圖像影響。3.2眼睛特性點(diǎn)定位眼睛位于人臉特殊區(qū)域，人與人之間可以通過眼睛傳達(dá)不同訊息，因而眼睛特性點(diǎn)必不可少。由于雙眼瞳孔之間距離受外界因素影響非常小，因此特性點(diǎn)比較穩(wěn)定。眼睛特性點(diǎn)定位是所有特性點(diǎn)定位第一步，直接影響鼻子、嘴特性點(diǎn)精確性[40]?；谌四樏娌科鞴俜植家?guī)律可以粗略提取眼部區(qū)域，與此同步人臉圖像中眼睛灰度值普通較周邊區(qū)域偏小，運(yùn)用該特性記錄提取人眼區(qū)域水平方向和垂直方向灰度值之和可以實(shí)現(xiàn)眼睛特性點(diǎn)定位，眼睛特性點(diǎn)定位流程圖如圖3.2所示。 圖3.2眼睛特性點(diǎn)定位流程圖Fig.3.2Flowchartofeyesfeaturepointspositioning依照五官分布規(guī)律，人臉構(gòu)造遵循著一定構(gòu)造原則。眼睛區(qū)域高度是人臉圖像從上到下1/5-1/3，寬度從左到右為人臉圖像1/5-4/5，粗略提取眼睛區(qū)域，依照上述辦法提取眼睛區(qū)域可以避免眉毛對(duì)眼睛特性點(diǎn)定位精準(zhǔn)度；記錄水平方向和垂直方向上灰度值，分別求出兩個(gè)方向上所有灰度值和，找到水平方向和垂直方向上灰度值波谷點(diǎn)，擬定雙眼瞳孔特性點(diǎn)如圖3.3所示a眼睛區(qū)域提取b水平灰度c垂直灰度d瞳孔點(diǎn)定位成果。a眼睛區(qū)域提取b水平灰度c垂直灰度d瞳孔特性點(diǎn)定位圖3.3瞳孔特性點(diǎn)定位成果Fig.3.3Localizationresultsofpupilfeaturepoints采用灰度記錄和人臉分布規(guī)律定位眼睛特性點(diǎn)，基于雙眼瞳孔特性點(diǎn)定位基本之上，劃分雙眼區(qū)域進(jìn)行眼角點(diǎn)特性點(diǎn)定位。由于受到眼瞼、眼白、魚尾紋影響無法直接提取外部輪廓，因此眼角定位采用Canny邊沿檢測(cè)算子，轉(zhuǎn)化為有邊沿輪廓二值圖像，灰度值起伏變化大地方為邊沿，Canny算子檢測(cè)核心在于閾值選取，選用不同閾值邊沿提取效果不同，因此通過灰度值記錄選用最優(yōu)閾值；雙眼邊沿檢測(cè)成果如圖3.4所示，二值化圖像如圖3.4中a與b圖，對(duì)二值化后圖像從左向右逐列掃描，找到第一種浮現(xiàn)‘1’點(diǎn)為左眼角點(diǎn)，從右向左逐列掃描擬定右眼角點(diǎn)。a左眼b右眼圖3.4雙眼邊沿檢測(cè)成果Fig.3.4Edgedetectionresultofeyesregion眼睛特性點(diǎn)定位成果如圖3.5所示，眼睛特性點(diǎn)定位算法基于ORL人臉數(shù)據(jù)庫(kù)中不同人物眼睛特性點(diǎn)定位成果如圖3.6所示。圖3.5眼睛特性點(diǎn)定位成果Fig.3.5Theresultofeyesfeaturepoints圖3.6ORL數(shù)據(jù)庫(kù)中眼睛定位成果Fig.3.6EyespointspositionresultsofORLdatabase由于眼睛特性點(diǎn)定位作為人臉特性點(diǎn)定位首要環(huán)節(jié)，直接影響鼻子和嘴特性點(diǎn)定位成果，因此眼睛特性點(diǎn)定位成果精確率是重要研究根據(jù)。針對(duì)ORL人臉數(shù)據(jù)庫(kù)得到眼睛特性點(diǎn)成果如表3.1，從中可以看出眼睛特性點(diǎn)精確率可以達(dá)到97%，定位效果最佳是右眼瞳孔點(diǎn)達(dá)到100%。眼睛特性點(diǎn)辦法可以有效應(yīng)對(duì)表情變換、達(dá)到一定精確率。同步基于人臉圖像檢測(cè)粗定位需要對(duì)人臉圖像進(jìn)行中心校正，基于雙眼瞳孔位置連線與圖像水平方向旋轉(zhuǎn)，因此眼睛特性點(diǎn)定位是整體特性點(diǎn)定位過程中核心環(huán)節(jié)，基于灰度分析和面部構(gòu)造結(jié)合眼睛特性點(diǎn)定位辦法可以應(yīng)用與多目的人臉檢測(cè)。表3.1眼睛特性點(diǎn)精準(zhǔn)定位成果Tab.3.1Theeyefeaturepointslocalizationresultsofthehumanface人臉特性點(diǎn)圖片總數(shù)正擬定位精確率左眼瞳孔點(diǎn)400幅395幅98.75%右眼瞳孔點(diǎn)400幅400幅100%左眼左眼角400幅387幅96.75%左眼右眼角400幅389幅97.25%右眼左眼角400幅393幅98.25%右眼右眼角400幅398幅99.50%3.3鼻子特性點(diǎn)定位鼻子是人臉中最亮部位，最能體現(xiàn)人臉凹凸感，鼻子既位于人臉中間位置又位于眼睛下方，基于眼睛特性點(diǎn)定位成果之上提取鼻子區(qū)域進(jìn)行鼻子特性點(diǎn)定位。普通狀況下，人臉左右旋轉(zhuǎn)角度在一定范疇之內(nèi)，鼻尖特性點(diǎn)橫坐標(biāo)即雙眼瞳孔坐標(biāo)點(diǎn)橫坐標(biāo)中點(diǎn)；計(jì)算鼻子區(qū)域垂直方向灰度值之和，灰度曲線波谷點(diǎn)即為鼻尖特性點(diǎn)縱坐標(biāo)，鼻子特性點(diǎn)定位成果如圖3.7所示a鼻子區(qū)域提取b鼻子特性點(diǎn)定位成果以及c數(shù)據(jù)庫(kù)中鼻子特性點(diǎn)定位成果。a鼻子區(qū)域提取b鼻子特性點(diǎn)定位c數(shù)據(jù)庫(kù)中鼻子特性點(diǎn)定位成果圖3.7鼻子特性點(diǎn)定位成果Fig.3.7Nosefeaturespointpositionresults普通，由于人臉數(shù)據(jù)庫(kù)或者視頻序列人臉圖像受到人臉圖像辨別率、光照、以及鼻子左右擺動(dòng)幅度影響，本文所采用辦法實(shí)現(xiàn)鼻子特性點(diǎn)定位可以對(duì)鼻子有輕微傾斜和仰俯角度人臉圖像進(jìn)行定位，基于人臉五官構(gòu)造分布和灰度記錄辦法可以有效實(shí)現(xiàn)鼻子特性點(diǎn)定位，因而鼻子特性點(diǎn)研究辦法具備現(xiàn)實(shí)意義。3.4嘴特性點(diǎn)定位在人臉面部器官中，嘴特性點(diǎn)提取重要性僅次與眼睛特性點(diǎn)提取，正是由于人類嘴部輪廓各種各樣、各不相似，才干將嘴特性考慮加入到人臉辨認(rèn)中。嘴位置位于鼻子正下方，嘴角點(diǎn)能凸顯出嘴部輪廓整體曲線，嘴特性點(diǎn)在人臉辨認(rèn)中占有重要地位。由于生活中人們受到各種因素影響，夸張面部表情導(dǎo)致嘴輪廓變形，因此嘴特性點(diǎn)定位精確性較眼睛、鼻子等特性點(diǎn)偏低，這也是人臉特性點(diǎn)定位難點(diǎn)之一。重要難點(diǎn)在于有些圖像辨別率過小，導(dǎo)致提取嘴區(qū)域過小、嘴輪廓線不夠清晰；另一方面受到面部表情影響，嘴輪廓變形嚴(yán)重，如圖3.8所示。圖3.8嘴輪廓變形圖像Fig.3.8Mouthcontourdistortionimages

一方面基于人臉圖像提取出嘴輪廓區(qū)域圖像，在嘴特性點(diǎn)定位之前，需要對(duì)嘴圖像進(jìn)行預(yù)解決。依照每個(gè)圖像灰度值，記錄出最優(yōu)閾值進(jìn)行Canny邊沿檢測(cè)，閾值選用是將不大于閾值灰度值賦0，相反不不大于閾值灰度值用1來表達(dá)，閾值選用越精準(zhǔn)，嘴輪廓越明顯，這樣使得特性點(diǎn)定位更加精確并對(duì)圖像采用中值濾波祛除圖像中某些孤立點(diǎn)，通過二值化解決得到邊沿輪廓線，如圖3.9所示。 圖3.9嘴部邊沿檢測(cè)成果Fig.3.9Edgedetectionresultofmouth由邊沿檢測(cè)持續(xù)性，對(duì)預(yù)解決后二值圖像從左向右依次逐列搜索，初次浮現(xiàn)坐標(biāo)點(diǎn)即為左嘴角點(diǎn)；從右向左逐列掃描，初次浮現(xiàn)坐標(biāo)點(diǎn)為右嘴角點(diǎn)，這樣就擬定出嘴角點(diǎn)；嘴中線縱坐標(biāo)為嘴區(qū)域灰度值求和波谷點(diǎn)，橫坐標(biāo)為臉部中線。通過ORL人臉數(shù)據(jù)中人臉圖像嘴特性點(diǎn)定位成果如圖3.10所示。圖3.10ORL數(shù)據(jù)庫(kù)中嘴部特性點(diǎn)定位成果Fig.3.10MouthfeaturepointspositionresultsofORLdatabase普通狀況下，嘴特性點(diǎn)定位受到表情變化影響，還要考慮到胡子和遮擋物某些因素干擾，特性點(diǎn)定位精準(zhǔn)度會(huì)減少，通過本文對(duì)微笑面部特性（嘴唇分離狀態(tài)）、有胡須遮擋嘴輪廓人臉圖像進(jìn)行了嘴特性點(diǎn)定位，圖3.10所示實(shí)驗(yàn)成果表白可以實(shí)現(xiàn)對(duì)有面部表情和少量遮擋嘴部進(jìn)行特性點(diǎn)定位。3.5人臉特性點(diǎn)定位成果與分析采用人臉五官分布規(guī)律和灰度記錄相結(jié)合人臉特性點(diǎn)定位算法，與其她特性點(diǎn)定位辦法相比可以更快、更精準(zhǔn)、更實(shí)用實(shí)現(xiàn)特性點(diǎn)定位。由于特性點(diǎn)定位精準(zhǔn)度直接影響構(gòu)造幾何特性向量、人臉匹配辨認(rèn)成果，因此在特性點(diǎn)定位之后，需要對(duì)成果進(jìn)行互相驗(yàn)證，進(jìn)一步提高人臉特性點(diǎn)定位算法精確度。以O(shè)RL人臉數(shù)據(jù)庫(kù)作為測(cè)試目的，ORL人臉圖像辨別率為92×112大小，普通地瞳孔大小寬度為6個(gè)像素大小，介于眼瞼周邊對(duì)瞳孔有少量遮擋，因此本文將雙眼瞳孔形狀看作近似6×6大小正方形，以瞳孔6×6大小正方形中心為基準(zhǔn)，雙眼瞳孔模型示意圖如圖3.11所示。兩個(gè)像素一種像素眼睛輪廓圖3.11雙眼瞳孔示意圖Fig.3.11Schematicdiagramofpupil求出2個(gè)瞳孔點(diǎn)及4個(gè)眼角點(diǎn)特性點(diǎn)定位成果與原則人臉特性點(diǎn)距離值，基于ORL人臉數(shù)據(jù)庫(kù)中人臉眼睛特性點(diǎn)定位成果如表3.2所示。人臉特性點(diǎn)定位成果在2個(gè)像素值以內(nèi)，可以進(jìn)行背面幾何特性向量構(gòu)造和人臉匹配辨認(rèn)；超過2個(gè)像素值特性點(diǎn)定位成果，則需要進(jìn)行重新定位甚至是裁減數(shù)據(jù)成果。如表3.2所示，眼睛共計(jì)6個(gè)特性點(diǎn)，1個(gè)像素值最高為右眼瞳孔點(diǎn)，可以達(dá)到100%，最低為左眼左眼角點(diǎn)為96.75%；2個(gè)像素值之上數(shù)值所有為0%，1個(gè)像素值和2個(gè)像素值狀況不會(huì)影響后續(xù)幾何特性向量構(gòu)造實(shí)驗(yàn)成果。表3.2人臉眼睛特性點(diǎn)定位成果Tab.3.2Theresultsofeyesfeaturepointspositioning人臉特性點(diǎn)圖片1個(gè)像素2個(gè)像素2個(gè)以上左眼瞳孔點(diǎn)400幅98.75%1.25%0右眼瞳孔點(diǎn)400幅100%0%0左眼左眼角400幅96.75%3.25%0左眼右眼角400幅97.25%2.75%0右眼左眼角400幅98.25%1.75%0右眼右眼角400幅99.50%0.5%0依照上述表數(shù)值可以反映出人臉特性點(diǎn)定位成果精準(zhǔn)度，證明基于灰度記錄和五官分布規(guī)律相結(jié)合人臉特性點(diǎn)定位辦法可以實(shí)現(xiàn)較高特性點(diǎn)定位成果，為構(gòu)造幾何特性向量分析打下堅(jiān)實(shí)基本，避免由于特性點(diǎn)定位成果偏差影響多目的人臉檢測(cè)整體檢測(cè)率，因此人臉特性點(diǎn)定位辦法比較穩(wěn)定、實(shí)用可以合用于多目的人臉檢測(cè)；鼻子及嘴特性點(diǎn)定位成果如表3.3所示。表3.3鼻子及嘴特性點(diǎn)定位成果Tab.3.3Theresultsofnoseandmouthfeaturepointspositioning人臉特性點(diǎn)圖片1個(gè)像素2個(gè)像素2個(gè)以上左嘴角400幅98.25%1.75%0嘴中線400幅97.75%2.25%0右嘴角400幅99%1.00%0鼻子400幅98.50%1.5%0圖3.12鼻子特性點(diǎn)校驗(yàn)Fig.3.12Thecalibrationofnosefeaturepoints通過實(shí)驗(yàn)數(shù)據(jù)分析，眼睛特性點(diǎn)定位成果最大距離為2個(gè)像素大小，由圖3.12可以看出，分別以對(duì)的坐標(biāo)點(diǎn)和有2個(gè)像素點(diǎn)坐標(biāo)點(diǎn)提取鼻子區(qū)域，實(shí)驗(yàn)證明，雙眼瞳孔點(diǎn)實(shí)驗(yàn)數(shù)據(jù)不影響鼻子區(qū)域提取過程，意味著不不會(huì)干擾幾何特性向量構(gòu)造過程，同步鼻子特性點(diǎn)定位在1個(gè)像素內(nèi)為98.50%，別的1.5%為2個(gè)像素，實(shí)驗(yàn)數(shù)據(jù)均可采納。依照表3.2和3.3中數(shù)據(jù)可以明確看出，人臉特性點(diǎn)定位成果都在2個(gè)像素值以內(nèi)，均不影響構(gòu)造人臉幾何特性向量，實(shí)驗(yàn)證明人臉特性點(diǎn)定位數(shù)據(jù)所有可以采納，具備實(shí)際意義，精確度達(dá)到原則?；谔匦渣c(diǎn)初步定位成果，對(duì)其進(jìn)行數(shù)據(jù)校驗(yàn)，可以起到互相驗(yàn)證作用，提高算法精準(zhǔn)度，維持特性點(diǎn)定位算法穩(wěn)定性，人臉特性點(diǎn)定位整體成果如圖3.13所示。圖3.13ORL人臉數(shù)據(jù)庫(kù)特性點(diǎn)定位成果Fig.3.13ThefeaturelocationresultsofORLdatabase拍攝人臉圖像大小為640×480進(jìn)行人臉特性點(diǎn)定位成果如圖3.14所示。圖3.14視頻序列人臉圖像特性點(diǎn)定位成果Fig.3.14Thefeaturelocationresultsofvideofaceimages通過選用視頻序列圖像，選用200幅人臉圖像進(jìn)行特性點(diǎn)定位成果如表3.4所示。表3.4視頻序列人臉特性點(diǎn)精準(zhǔn)定位成果Tab.3.4Thefacialfeaturepointslocalizationresultsofthevideo人臉特性點(diǎn)圖片總數(shù)正擬定位精確率左眼瞳孔點(diǎn)200幅195幅97.5%右眼瞳孔點(diǎn)200幅200幅100%鼻尖點(diǎn)200幅197幅98.5%嘴部中點(diǎn)200幅194幅97%左嘴角點(diǎn)200幅197幅98.5%右嘴角點(diǎn)200幅198幅99%左眼左眼角點(diǎn)200幅196幅98%左眼右眼角點(diǎn)200幅200幅100%右眼左眼角點(diǎn)200幅198幅99%右眼右眼角點(diǎn)200幅195幅97.5%由表3.4實(shí)驗(yàn)成果可以看出，基于視頻序列人臉圖像進(jìn)行人臉特性點(diǎn)定位，其中右眼瞳孔點(diǎn)與左眼右眼角點(diǎn)精確率達(dá)到100%；左嘴角點(diǎn)精確率為99%；鼻尖和左嘴角點(diǎn)精確率達(dá)到98.5%；嘴部中點(diǎn)精確率達(dá)到97%，嘴受表情影響比較大，微笑導(dǎo)致上下嘴唇分開因此特性點(diǎn)定位難度較大；左眼瞳孔點(diǎn)和右眼右眼角點(diǎn)精確率為97.5%。實(shí)驗(yàn)成果表白采用灰度記錄和人臉構(gòu)造分布規(guī)律人臉特性點(diǎn)算法可以有效對(duì)視頻序列人臉圖像特性點(diǎn)定位，有較好精確率可以達(dá)到97%以上，對(duì)于有面部表情、佩戴眼鏡、嘴唇分開、有胡須遮擋人臉圖像可以精確進(jìn)行定位。3.6本章小結(jié)本章基于AdaBoost人臉檢測(cè)算法粗定位人臉某些，采用灰度記錄和面部規(guī)律結(jié)合人臉特性點(diǎn)定位辦法，依照人臉幾何特性向量匹配辨認(rèn)需要選用人臉10個(gè)特性點(diǎn)。一方面簡(jiǎn)介人臉特性點(diǎn)選用，分別為雙眼瞳孔點(diǎn)，左右眼睛眼角點(diǎn)，鼻尖，嘴中線以及嘴角點(diǎn)；另一方面采用局部特性點(diǎn)定位辦法實(shí)現(xiàn)人臉特性點(diǎn)定位，并對(duì)人臉特性點(diǎn)定位成果進(jìn)行分析和驗(yàn)證；最后依照ORL人臉數(shù)據(jù)庫(kù)和拍攝圖像可以實(shí)現(xiàn)人臉特性點(diǎn)定位，具備較好精確性，可以穩(wěn)定在現(xiàn)實(shí)場(chǎng)景進(jìn)行應(yīng)用。第4章人臉幾何特性向量匹配辨認(rèn)4.1人臉幾何特性向量構(gòu)造人臉幾何特性向量是基于人臉特性點(diǎn)定位進(jìn)行構(gòu)造，對(duì)選定特性點(diǎn)之間連線構(gòu)造距離值?；谔匦渣c(diǎn)構(gòu)造幾何特性向量可以精準(zhǔn)體現(xiàn)出臉部比例關(guān)系以及各個(gè)器官自身屬性[41]。將人臉之間差別等價(jià)于幾何特性向量之間差別，人臉圖像匹配等價(jià)于幾何特性向量之間匹配辨認(rèn)[42]。每個(gè)人臉圖像都會(huì)構(gòu)造一組幾何特性向量，通過計(jì)算兩個(gè)幾何特性向量相似性，從而判斷人臉圖像匹配性。特性向量選用既要全面反映人臉特性信息又不能過于復(fù)雜導(dǎo)致多目的人臉檢測(cè)計(jì)算量增長(zhǎng)，因此依照幾何特性角度以及尺度不變性，基于10個(gè)特性點(diǎn)選用7個(gè)距離特性值，構(gòu)造人臉幾何特性向量如圖4.1所示。圖4.1人臉特性向量Fig.4.1Thefacialeigenvectors特性向量選用是為凸顯人臉面部特性，易于實(shí)現(xiàn)人臉圖像匹配及辨認(rèn)[43]。依照特性點(diǎn)選用構(gòu)造7個(gè)幾何特性向量，其中特性向量d1代表是雙眼之間距離，即雙眼瞳孔之間連線。由于雙眼距離在普通狀況下對(duì)光照、表情姿態(tài)魯棒性極強(qiáng)，因而特性向量d1是構(gòu)造人臉幾何特性向量典型向量之一，與此同步雙眼之間距離可以反映出每個(gè)人臉部寬度比例。特性向量d2、d3、d4分別體現(xiàn)人臉器官之間比例關(guān)系。d2代表眼角與嘴角之間距離，可以反映人臉外部輪廓，同步d2數(shù)值可以反映出臉部高度這一特性；d3表達(dá)眼睛和鼻尖之間距離，折射出眼睛與鼻子之間區(qū)域?qū)θ四樥麄€(gè)區(qū)域分派比重。特性向量d6、d7分別代表眼睛寬度和嘴寬度，構(gòu)造幾何特性向量進(jìn)行原則化變換，因此待檢測(cè)圖像中人臉都在同一大小和位置上，只需比較器官特性大小即可反映不同人臉面部差別。由于人臉眼睛和嘴容易受到表情影響，導(dǎo)致眼睛和嘴輪廓變形，通過構(gòu)造眼睛和嘴寬度，可以充分體現(xiàn)出人臉器官比例。幾何特性向量核心設(shè)計(jì)在于特性向量d5選用，由圖4.1可知，特性向量d6已經(jīng)反映嘴器官屬性，而特性向量d5是嘴中線到嘴角距離，由于受到圖像辨別率和表情影響，與眼睛和鼻子相比，嘴變形更為嚴(yán)重。正常狀況下，在沒有表情干擾下特性向量d6大小應(yīng)近似等于特性向量d52倍，而受到表情影響，這種數(shù)量關(guān)系就此變化，因此d5選用就是為了更好與d6進(jìn)行驗(yàn)證，增長(zhǎng)幾何特性向量精確性，排除人臉表情、辨別率等其她因素對(duì)幾何特性影響。4.2特性向量相似度計(jì)算基于人臉特性點(diǎn)定位成果，選用兩個(gè)特性點(diǎn)坐標(biāo)p1(x1,y1)和p2(x2,y2),則兩點(diǎn)之間直線距離為構(gòu)造特性向量，公式即為：(4.1)依照幾何特向量構(gòu)造辦法，構(gòu)造幾何特性向量人臉圖像如圖4.2所示。圖4.2構(gòu)造幾何特性向量人臉圖像Fig.4.2Constructgeometricfeaturevectorsoffaceimages基于圖4.2中構(gòu)造幾何特性向量人臉圖像，描述人臉幾何特性特性向量數(shù)值如表4.1所示。表4.1幾何特性向量Tab.4.1Geometricfeaturevectors特性向量圖像1圖像2圖像3圖像4圖像5均值M方差VT10.95401.01600.97600.97101.0540T21.02650.99550.95571.04870.8926T31.03840.86071.02701.01011.2241T40.48740.46120.42360.43300.5509T50.40750.47320.39200.44480.5043T60.85060.98170.89750.93751.0174T70.50590.43780.48040.46880.5216依照幾何特性向量可以凸顯人臉面部比例，以及人臉圖像之間差別。由于在其她人臉圖像中構(gòu)造圖像大小不同導(dǎo)致幾何向量數(shù)值不同，因此在構(gòu)造幾何特性向量基本之上將數(shù)值與嘴中線到眼睛中線距離做比值，即為原則化幾何特性向量。原則化幾何特性向量可以針對(duì)不同辨別率大小人臉圖像實(shí)現(xiàn)匹配辨認(rèn)，尺度不變可以迅速有效實(shí)現(xiàn)人臉辨認(rèn)?；贠RL人臉數(shù)據(jù)庫(kù)，人臉特性向量可以大體分為兩類：類內(nèi)特性向量和類間特性向量。所謂類內(nèi)特性向量，即指同一種人人臉圖像構(gòu)造幾何特性向量；類間特性向量即不同人之間構(gòu)造特性向量。依照選用7個(gè)原則化特性向量T1-T7，選用來自同一種人10幅不同姿態(tài)圖像和10幅來自不同人臉圖像樣本，分別計(jì)算每一種特性向量均值和方差，針對(duì)是同個(gè)人和非同一人特性向量之間方差如表4.2和圖4.3所示。表4.2特性向量參數(shù)Tab.4.2Theparametersofeigenvectors類內(nèi)特性向量類間特性向量特性向量均值M方差V均值M方差VT10.99430.00671.02420.0356T20.98380.00801.01340.0237T30.60080.00370.67650.1007T40.47140.00910.51200.0089T50.44440.00340.46240.1241T60.93660.00580.90110.0675T70.48290.00230.55970.0736圖4.3方差分析成果Fig.4.3Theresultsofvariancaanalysis如圖4.3可以看出，同一種人人臉圖像方差較小如藍(lán)色折線表達(dá)，方差大小分布在0-0.02；而非同一人人臉圖像方差數(shù)值較大如紅色折線表達(dá)分布在0.02-0.12之間。通過實(shí)驗(yàn)數(shù)據(jù)可以看出，不同特性向量之間方差可以直接反映出人臉特性差別，證明幾何特性向量可以用于多目的人臉檢測(cè)中人臉匹配辨認(rèn)，總結(jié)出人臉辨認(rèn)最后歸類為幾何特性向量之間辨認(rèn)。為了分析人臉幾何特性向量之間相似性，實(shí)現(xiàn)人臉圖像匹配辨認(rèn)，通過計(jì)算特性向量之間距離判斷人臉圖像相似度，歐氏距離是一種應(yīng)用極為廣泛相似性判斷函數(shù)，由于歐氏距離計(jì)算簡(jiǎn)樸直觀計(jì)算圖像之間差別大小，忽視幾何特性向量重要限度差別，因此計(jì)算成果不夠精準(zhǔn)。加權(quán)歐氏距離引入在歐氏距離基本之上充分考慮構(gòu)造這7個(gè)特性向量在人臉匹配辨認(rèn)中不同地位，提高歐氏距離判斷人臉圖像類別精確率，并且仍舊保持著簡(jiǎn)易迅速計(jì)算優(yōu)勢(shì)。詳細(xì)定義為：（4.2）如上述4.2公式中，De代表不同特性向量之間距離，距離越小證明相似度越高，越貼近，可以通過實(shí)驗(yàn)選用閾值，只有距離值不大于選用閾值滿足2個(gè)特性向量匹配成功。在這里Ti和Xi分別指代不同人臉圖像幾何特性向量某一分量，n為構(gòu)造幾何特性向量總數(shù)，ωi代表特性向量權(quán)重，不同重要限度狀況下權(quán)值大小各不相似。權(quán)值大小與特性向量方差有很大關(guān)聯(lián)，方差數(shù)值越小，證明與均值偏離限度越小，表白特性向量穩(wěn)定性極強(qiáng)；方差數(shù)值越大，證明波動(dòng)性越大，特性向量不夠穩(wěn)定，因此權(quán)值賦予較小。權(quán)值計(jì)算公式如下：（4.3）（4.4）如公式4.3中所示，σ2表達(dá)特性向量方差，計(jì)算過程中特性向量權(quán)值之和必為1。公式4.3和公式4.4中權(quán)值運(yùn)算過程較為清晰簡(jiǎn)潔，耗時(shí)較少，同步也有助于提高人臉辨認(rèn)精確率。權(quán)值計(jì)算整體思路就是削弱波動(dòng)較大不穩(wěn)定特性向量比例，減少辨認(rèn)錯(cuò)誤率，將性能穩(wěn)定特性向量加強(qiáng)在人臉匹配辨認(rèn)作用，使人臉辨認(rèn)成果更加可信。通過拍攝持續(xù)視頻圖像選用同一種人500張圖像，涉及不同表情、不同姿態(tài)、不同光照、臉部不同旋轉(zhuǎn)角度人臉圖像，基于AdaBoost算法人臉檢測(cè)粗定位、五官分布和灰度記錄進(jìn)行人臉特性點(diǎn)定位成果構(gòu)造幾何特性向量，依照公式4.3和4.4公式得到幾何特性向量權(quán)值如表4.3所示，權(quán)值大小直接凸顯出特性向量穩(wěn)定限度。表4.3特性向量權(quán)值Tab.4.3Theweightvalueofeigenvectors特性向量權(quán)值特性向量權(quán)值T10.1124T50.0263T20.3523T60.1847T30.0451T70.1206T40.1586依照表4.3可以明顯看出特性向量T3權(quán)值最大為0.3523，證明T3最穩(wěn)定，不會(huì)容易受到表情因素干擾；T1、T4、T6以及T7也相對(duì)穩(wěn)定；而T5和T2權(quán)值在整體特性向量中權(quán)值相對(duì)較小，表白這2個(gè)特性向量容易受到其她因素干