多目標人臉檢測方法研究樣本

摘要隨著信息技術飛速發(fā)展，人臉檢測是計算機機器視覺重要研究領域，視頻安全監(jiān)控系統(tǒng)中普通需要針對各種目的人臉圖像進行檢測，因此社會發(fā)展生產生活離不開多目的人臉檢測技術。多目的人臉檢測技術在生物檢測辨認技術迅猛發(fā)展今天，應用尤為廣泛。多目的人臉檢測是指輸入圖像內包括各種人臉圖像，基于人臉圖像進行人臉特性點定位構造幾何特性向量進行人臉圖像進一步驗證和匹配辨認。人臉幾何特性可用于人臉檢測，是一種穩(wěn)定面部特性，對于多目的人臉檢測技術具備實用價值和研究意義。本文針對多目的人臉檢測辦法進行進一步研究，基于視頻序列圖像研究人臉檢測，人臉特性點定位，幾何特性向量人臉匹配辨認辦法。一方面基于視頻序列持續(xù)幀圖像采用AdaBoost檢測算法實現(xiàn)多目的人臉圖像粗定位，涉及個數(shù)、位置及大小，分析人臉檢測算法合用人臉圖像辨別率、左右旋轉角度、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造分布規(guī)律進行人臉特性點定位，包括眼睛、鼻子及嘴等特性點，特性點定位進一步驗證人臉檢測精確性；最后依照特性點間連線距離值構造幾何特性向量，特性向量可以全面反映人臉比例關系以及器官屬性，通過計算人臉幾何特性向量加權歐氏距離進行身份辨認。采用多目的人臉檢測技術在視頻圖像進行實驗，可以達到良好多目的檢測效果。實驗表白，多目的人臉檢測辦法可以有效對視頻序列中不同光照、姿態(tài)、表情人臉圖像進行檢測，對持續(xù)幀圖像多目的人臉圖像進行動態(tài)分析，有較高檢測率和較好魯棒性。核心詞：多目的，人臉檢測，特性點定位，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人臉檢測辦法研究目及意義 1327501.2多目的人臉檢測辦法研究動態(tài) 2304261.2.1多目的人臉檢測研究現(xiàn)狀 2181121.2.2多目的人臉檢測研究內容 488281.3本文工作概述和構造 512465第2章基于AdaBoost人臉檢測辦法研究 7222172.1AdaBoost人臉檢測算法原理 750042.1.1積分圖與矩形特性 8114052.1.2分類器設計 1077722.2人臉檢測算法分析 11211052.2.1人臉檢測算法合用條件 1166182.2.2視頻序列人臉檢測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 1912988第3章人臉特性點定位辦法研究 2012743.1人臉特性點選用 20207153.2眼睛特性點定位 21117223.3鼻子特性點定位 24314993.4嘴特性點定位 25137903.5人臉特性點定位成果與分析 26294573.6本章小結 3012837第4章人臉幾何特性向量匹配辨認 3145654.1人臉幾何特性向量構造 31228284.2特性向量相似度計算 32226274.3特性向量相似度分析 374484.4本章小結 3923697第5章視頻序列多目的人臉檢測實驗與成果分析 4091045.1基于視頻序列多目的人臉檢測 40296075.2視頻序列多目的人臉檢測成果與分析 41209525.3本章小結 4721207第6章結論 4810327參照文獻 5023760在校研究成果 539513道謝 54第1章緒論1.1人臉檢測辦法研究目及意義人臉檢測是生物檢測技術一種重要方向，因其操作簡樸、直觀、非接觸等特點作為選用生物特性重要考量核心，信息系統(tǒng)安全保障性重要運用人臉視覺特性信息進行檢測、辨認以及分析，由于人臉圖像蘊含著豐富信息，因此近年來始終受到研究者青睞，投入大量精力進一步摸索。人們尋常生活生產以及社會發(fā)展離不開學科技術對人臉圖像研究，特別隨著對人臉檢測技術研究不斷進一步，提取和解決簡樸環(huán)境和復雜環(huán)境下人臉圖像成為計算機視覺系統(tǒng)中重要研究領域[1]。單目的人臉檢測系統(tǒng)是最初應用領域，以往單目的人臉檢測是模式辨認以及圖像解決領域主流研究課題[2]。單目的人臉檢測(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技術在隱私性、安全性強鄰域有著更為廣泛應用，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大優(yōu)勢，更易于被各領域所接受[3]。訪問限制、司法領域、電子商務、視頻監(jiān)控等都在個人身份辨認應用范疇之內[4]。隨著技術不斷進一步改革，單目的人臉圖像檢測無法滿足社會科技發(fā)展，單目的已無法滿足科研者需要，多目的人臉檢測技術更是成為研究熱點。多目的人臉檢測成為一種亟待進一步挖掘生物檢測領域，多目的人臉檢測技術不但應用在國際公共安全防護系統(tǒng)；在尋常身份驗證、公安抓捕罪犯、金融持卡人安全防護等重要各個領域中有著極其現(xiàn)實應用價值，多目的人臉檢測速率和精確率都是重要研究方向。多目的人臉檢測是指待檢測圖像中包括多幅人臉圖像，將檢測出人臉某些提取出來，與此同步人臉圖像檢測成果與提取圖像質量直接關系到人臉檢測技術整體水平[5]。另一方面，基于人臉某些檢測成果進行人臉特性點定位檢查，特性點定位可以呈現(xiàn)面部特性信息。人臉特性點定位不但可以應用在人臉姿態(tài)與表情分析，還可以對圖像中人臉實時跟蹤[6]。最后運用提取幾何特性信息進行匹配辨認，對人臉圖像特性數(shù)據(jù)進行變換找到可以反映本質特性。由人臉檢測、人臉特性點定位以及人臉幾何特性向量匹配結合多目的人臉檢測辦法，不但系統(tǒng)有著易于大眾接受、操作以便、以便進行檢查與驗證等長處，同步還可以實現(xiàn)視頻序列中多目的人臉圖像動態(tài)分析?？傮w來說，多目的人臉檢測技術將圖像解決、模式辨認、計算機視覺以及數(shù)學等諸多學科融為一體，具備十分廣泛應用價值。由此可見，通過大量資料研究得出多目的人臉檢測辦法研究課題具備現(xiàn)實研究意義、必要技術研究、學術價值以及無限前景，必將成為信息技術發(fā)展炙手可熱研究課題，因而多目的人臉檢測辦法研究題目選取具備研究價值和必要性。1.2多目的人臉檢測辦法研究動態(tài)1.2.1多目的人臉檢測研究現(xiàn)狀多目的人臉檢測辦法研究中，人臉檢測是首要技術環(huán)節(jié)也是人臉圖像解決、人臉辨認、人臉特性提取、人臉追蹤必要工作，檢測技術可以作為單獨一項研究也可以與辨認、跟蹤相結合應用[7]。多目的人臉檢測是實現(xiàn)單目的人臉檢測并行計算。人臉檢測辦法研究蓬勃發(fā)展于20世紀90年代，在人臉檢測領域獲得了卓越學術成果[8]。該技術重要是運用計算機對人臉圖像進行分析并提取人臉位置、姿態(tài)等信息，運用不同提取特性辦法進一步分析生物特性。隨著計算機硬件和軟件水平整體提高，人臉檢測系統(tǒng)中魯棒性這一性能成為技術發(fā)展核心之舉[9]。20世紀90年代以來，人臉圖像整體檢測和部件單獨分析相結合研究辦法成為各研究人員關注熱點，重要運用人臉各類特性信息，結合人臉構造特性、分布規(guī)律、記錄規(guī)律等等提出眾多新人臉檢測算法[10]。M.H[11]采用稀疏逼近窗口網絡學習辦法、Sung采用特性矢量訓練出判斷人臉辦法、S.C等人基于二維離散余弦變換辦法實現(xiàn)人臉檢測。在人臉檢測技術開始向現(xiàn)實領域拓展，將人臉檢測領域不斷應用在實際生產生活中[12]。當前多目的人臉檢測領域重要有兩個研究方向：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）引入到人臉檢測系統(tǒng)中[14]。PCA重要是對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、比例半自動下人臉檢測和辨認系統(tǒng)。Sung等提出了人臉圖像樣本到各類中心距離訓練學習辦法；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)等構成人臉檢測與辨認向量，可以保存人臉圖像之間拓撲關系。通過對部件分析提取局部特性信息以及灰度記錄規(guī)律，實現(xiàn)部件檢測[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合人臉檢測辦法。針對視頻序列多目的人臉檢測是視頻監(jiān)控對圖像序列視覺分析過程，重要任務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辦法可以有諸各種類，簡介3種基于視頻序列多目的人臉檢測辦法，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動，相應人臉亮度模式也在變化。光流法檢測原理基于變化人臉圖像隨時間變化光流特性，運用位移向量光流場定位人臉外部輪廓，基于外部輪廓實現(xiàn)多目的人臉檢測。基于光流法多目的檢測打破視頻幀間運動干擾，可以解決間隔很大位移，但是光流法計算量很大，比較復雜同步噪聲影響很大，無法實現(xiàn)多目的實時檢測。背景減差法靜止背景下多目的檢測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動目的，檢測出多目的位置、大小及形狀特性信息。背景減差法長處在于操作簡樸、計算量較低、檢測速度比較快，然而卻容易受到光照影響，減少檢測率。因此，背景減差法對背景更新機制有更為嚴格規(guī)定。幀差法幀差法最直接應用是檢測視頻序列中持續(xù)幀之間多目的圖像變化狀況。幀差法采用計算兩幀圖像之間相應像素點間灰度差分，計算閾值提取目的。三幀差法改進了幀差法中檢測目的過大現(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。幀差法實現(xiàn)視頻序列多目的檢測對場景光照狀況不敏感，有較好魯棒性，檢測效果穩(wěn)定，但是無法提取詳細特性像素，容易產生空洞現(xiàn)象，特別圖像之間間隔過大，目的運動速度過快會導致檢測不精確。多目的人臉檢測技術應用廣泛，針對多目的下各種姿態(tài)都可以實現(xiàn)迅速有效實時人臉檢測。當前針對多目的人臉檢測方面研究國內外學者獲得大量研究成果。在現(xiàn)實應用方面，現(xiàn)今流行某些數(shù)碼產品，例如相機、手機等可以再拍攝過程自動實現(xiàn)人臉進行對焦，美國Visionics公司提出了一整套基于局部特性分析（LocalFeatureAnalysis）算法人臉檢測系統(tǒng)；VisageGallery身份驗證系統(tǒng)；國外手機操作系統(tǒng)基于Eigenface技術推出手機人臉解鎖功能。在國內研究學者不懈努力下，國內在多目的人臉檢測技術研究領域也獲得巨大成就。遼寧省大連市使用人臉辨認技術作為機場安檢防護手段、公安部采用人臉辨認技術作為追捕逃犯、防止恐怖勢力和維護國家安全重要手段；同步在學術研究方面，以北京大學、清華大學和中科院為首許多科研人員都在從事人臉檢測研究，關于圖像解決、計算機模式辨認、生物辨認國際高質量論文刊登狀況也是令人自豪[19]。1.2.2多目的人臉檢測研究內容多目的人臉檢測辦法研究重要涉及如下內容：（1）人臉檢測當前以不同視角和背景下人臉檢測為主流研究課題，人臉檢測重要是受光照、姿態(tài)、表情影響，人臉檢測精準度是研究過程中重要指標，研究者提出各類算法最后目是提高人臉檢測精度。從人臉檢測技術發(fā)展方向來看，大體可將檢測技術分為基于特性辦法和基于圖像辦法兩大類[20]。人臉膚色、對稱性、構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，不考慮人臉面部細節(jié)特性，從而對面部表情多姿態(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，還涉及基于神經網絡膚色模型、基于貝葉斯辦法膚色模型，膚色模型與色彩空間息息有關；另一方面基于圖像辦法進行人臉檢測，檢測實質是記錄模型建立，通過選用不同記錄辦法進行二分類，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處或缺陷，基于特性辦法有較好檢測速度，而基于圖像辦法更為可靠?；谌四槞z測發(fā)展之下，Govindaraju等提出基于檢測橢圓來進行人臉檢測，通過邊沿檢測、提取邊沿曲線特性和評估人臉曲線來檢測人臉；Lee等運用建立膚色模型將人臉從復雜背景中檢測和分離出來；Zabrodsky等基于檢測圓形區(qū)域辦法提出對稱持續(xù)檢測[23]，判斷人臉存在與否；Marques采用分割投影實現(xiàn)人臉檢測；P.Viola提出AdaBoost人臉檢測算法是當前人臉檢測研究核心，應用最為廣泛。（2）人臉特性點定位基于人臉精確檢測之下，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，人臉特性點之間歐氏距離、長度、面積、角度以及曲率都是幾何特性重要參數(shù)。針對人臉局部特性點定位涉及基于輪廓檢測眼睛定位算法[24]、基于區(qū)域投影人眼精準定位算法[25]、基于改進型拋物線Hough變換眼睛特性點定位等等[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某些人臉器官，因此人臉特性點數(shù)量有限，不能全面滿足人們對特性點需求。全局特性點定位辦法可以定位各種特性點，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，涉及人工神經網絡（ANN）、支持向量機(SVM)等記錄模型算法，但是普通此類辦法缺陷是計算量大、系統(tǒng)耗時長。Kanada[27]最早提出對二值圖像使用積分投影函數(shù)提取人臉指定特性點，Poggio和Brunelli[28]又對算法進行了改進，使算法對光照適應性增強；Feng等提出運用特性方向上像素灰度值方差提取特性，算法對復雜背景下人臉特性提取魯棒性增強；MohamedRizon采用邊沿信息、色度和谷算子進行人眼定位，但是受光照和速度影響很大，不夠穩(wěn)定，運算量比較大。（3）人臉辨認人臉辨認技術應用范疇很寬闊，涉及表情辨認、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人臉特性信息進行對比[29]。人臉辨認種類也是各種各樣，涉及復雜背景和簡樸背景、靜態(tài)動態(tài)圖像、彩色灰色圖像等等。人臉辨認是人臉圖像解決復雜任務，起始于20世紀60年代涌現(xiàn)出許多人臉辨認辦法和思路，發(fā)展階段歷經人臉正面辨認過程、多表情多姿態(tài)辨認、動態(tài)跟蹤人臉辨認、人臉三維辨認[30]。ZhaoHT提出一種改進優(yōu)化子空間線性鑒別分析辦法，在人臉數(shù)據(jù)庫中進行測試獲得較好辨認率[31]；Cottrell等使用級聯(lián)BP(BackPropagation)神經網絡對受損人臉圖像、光照影響嚴重人臉圖像進行人臉辨認；Jonsson提出支持向量機分類可以辨認不同人臉，但支持向量機辦法求解過程復雜、耗時無法預測甚至無法執(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合辦法辨認人臉。隨著當代計算機視覺技術不斷成熟和完善，人臉辨認技術已向三維方向發(fā)展，由此人臉技術發(fā)展空間很大[33]。當前人臉辨認辦法實現(xiàn)經常需要訓練人臉樣本，但是樣本采集和建立都是復雜過程，耗費大量時間和精力。隨著信息技術不斷發(fā)展，多目的人臉檢測基于選用圖像作為模板，大大縮短了時間，是人臉辨認重要研究方向之一。1.3本文工作概述和構造本文重要針對多目的人臉檢測辦法研究。一方面將視頻序列轉換為一幀幀持續(xù)靜態(tài)圖像，對選用第一幀圖像進行人臉粗定位，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模板；另一方面運用灰度記錄和五官分布規(guī)律結合辦法定位雙眼瞳孔、眼角點、鼻尖、嘴角點以及嘴中線點等10個特性點提取人臉特性信息構造特性向量；最后基于幾何特性向量人臉辨認辦法構造7個人臉幾何特性向量，計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歐氏距離，選用最優(yōu)閾值作為匹配根據(jù)，對背面輸入圖像中人臉圖像進行檢測以及定位。本文構造安排如下：第一章簡介多目的人臉檢測辦法研究目、意義以及國內外研究動態(tài)，簡介了多目的人臉檢測研究內容涉及人臉檢測、人臉特性點定位以及人臉匹配辨認研究辦法進行分析，最后簡介了本文研究內容和構造安排。第二章簡介基于AdaBoost算法實現(xiàn)多目的人臉檢測粗定位。一方面簡介AdaBoost算法以矩形特性為基本分類器構造；另一方面針對視頻序列人臉圖像對AdaBoost檢測算法進行分析，分析檢測人臉圖像合用條件以及視頻序列人臉檢測浮現(xiàn)漏檢與誤檢分析；最后結合視頻序列對多目的人臉圖像檢測成果與分析。第三章簡介基于人臉圖像粗定位基本之上，實現(xiàn)人臉特性點定位。一方面基于AdaBoost實現(xiàn)人臉圖像粗定位，人臉特性點選用；另一方面簡介眼睛、鼻子以及嘴特性點定位辦法以及成果，并且基于特性點定位成果進行驗證與分析；最后結合ORL人臉數(shù)據(jù)庫與視頻序列圖像給出人臉特性點定位檢測成果。第四章簡介基于人臉幾何特性向量匹配辨認辦法。一方面簡介人臉幾何特性向量構造辦法以及選用理由；另一方面對幾何特性向量相似度進行計算與分析；最后通過計算幾何特性向量間加權歐氏距離，結合人臉數(shù)據(jù)庫選用最優(yōu)閾值實現(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實驗成果與分析。通過拍攝視頻序列，結合人臉檢測粗定位、人臉特性點定位、幾何特性向量匹配辨認，整體運營多目的人臉檢測算法，對目的人物進行動態(tài)分析，對人臉圖像在視頻序列中檢測及定位給出精確成果。采用多目的人臉檢測辦法給出實驗成果，證明辦法有效性。第六章對論文整體工作進行總結。第2章基于AdaBoost人臉檢測辦法研究隨著人臉檢測算法不斷成熟，人臉檢測所涉及范疇十分廣泛，可以提出一系列檢測算法。多目的人臉檢測辦法指輸入圖像中包括若干個人臉圖像，提取人臉圖像某些進行人臉特性點定位，構造幾何特性向量用于多目的人臉圖像匹配辨認，多目的人臉檢測辦法研究領域涉及各種方面。多目的人臉檢測整體流程圖如圖2.1所示。圖2.1多目的人臉檢測流程圖Fig.2.1Flowchartofmulti-facedetection如圖2.1多目的人臉檢測流程圖所示，人臉圖像粗定位作為多目的人臉檢測首要環(huán)節(jié)，同步多目的人臉檢測成果直接影響后續(xù)特性點定位以及幾何特性向量構造，因此本文采用AdaBoost人臉檢測算法判斷圖像中存在人臉位置、大小、個數(shù)等，這是人臉檢測所需要必要數(shù)據(jù)。AdaBoost算法提出使人臉檢測研究更加進一步，高效率和高性能等優(yōu)勢成為在人臉檢測領域最前沿辦法之一。Freund和Schapire提出AdaBoost算法實質是通過迭代辦法不斷調節(jié)樣本權重實現(xiàn)[34-36]。本章將對人臉檢測算法原理、人臉檢測算法合用條件以及基于視頻序列圖像進行人臉檢測成果分析。2.1AdaBoost人臉檢測算法原理為了區(qū)別人臉和非人臉，AdaBoost人臉檢測算法核心在于采用積分圖計算辦法，積分圖可以迅速計算矩形特性。由于矩形特性是作為分類基本，因此計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，一種弱分類器表達一種矩形特性，不同矩形特性產生了不同弱分類器，人臉檢測算法目在于弱分類器組合成強分類器，同步級聯(lián)強分類器用于人臉精準檢測。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周邊淺、嘴唇周邊區(qū)域顏色同樣淺于嘴唇等等。人臉檢測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個大小形狀相似矩形構成，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個相似水平或者垂直放置矩形構成，與2-矩形特性不同是它代表著線性特性。4-矩形特性：由4個大小相似矩陣構成，包括對角線特性。所謂矩形特性特性值將白色矩形內所有像素灰度值減去黑色矩形內所有像素灰度值。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-矩形特性值是對角線上兩個矩形內部所有像素和與此外一條對角線上兩個矩形內部所有像素和作差值得到。對于不同大小檢測窗口來說，檢測窗口越大，相應特性矩形數(shù)量就越龐大，計算量就越大。不同大小檢測窗口中相應矩形特性數(shù)量如表2.1所示。表2.1檢測窗口大小與矩形特性相應關系Tab.2.1Thenumberofrectanglefeatureindifferentdetection-window檢測窗口大小 16×1620×2024×2430×3036×36矩形特性3238478460162336394725816264由上述表2.1可以看出，對于一種30×30大小檢測窗口來說，包括394725個矩形特性，遠遠不不大于檢測窗口中像素個數(shù)。因而迅速計算特性值成為人臉檢測核心問題。Voila等人提出用積分圖來解決矩形特性計算問題，提高了檢測窗口運營速度如圖2.3所示。AAAAAAa像素點A積分值b矩形區(qū)域積分計算圖2.3像素點A和矩形區(qū)域積分圖像值Fig.2.3ComputetheintegralvaluefortheregionandpointA積分圖思想：計算圖像中任意一點圖像積分等效于圖像上該點左上方所有像素灰度值和。特性點積分值直接決定矩形特性值大小，與其她任何因素無關。計算像素點積分值就可以不久計算矩形區(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A左上方區(qū)域所有像素灰度值進行求和。圖2.3b中矩形區(qū)域積分圖像值求解辦法為：點1積分圖像值(f1)=矩形A區(qū)域像素灰度值之和；點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。采用積分圖思路計算矩形特性辦法使人臉檢測邁向新階梯，重要貢獻是提高計算速度，可以有效避免重復計算。人臉檢測重要是結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，開始時設立較小矩形特性初始值，遍歷整個圖像過程中不斷放大，直到檢測出人臉圖像位置及大小之后結束檢測。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。檢測人臉過程需要大量不同大小、類型、位置矩形特性，總體得出結論，檢測人臉核心點在于尋找圖像中矩形特性。圖2.4矩形特性與人臉結合Fig.2.4TheintegrationofHaarfeatureandface2.1.2分類器設計采用矩形特性人臉檢測辦法核心是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級聯(lián)分類器。弱分類器構建與矩形特性密不可分，每個矩形特性代表著一種弱分類器，弱分類器分類效果（最強分類效果為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分類器。弱分類器重要考慮矩形特性值、閾值、批示不等號因素影響，詳細定義公式為：（2.1）其中fi(x)代表檢測窗口x第i個特性值；Pi代表批示不等號即決定不等號方向；為分類器閾值。一方面選用人臉圖像和非人臉圖像作為訓練樣本，對其權重初始化、歸一化解決；另一方面對積分圖中計算出特性值構建弱分類器，選用誤差最小化閾值和批示不等號；最后最優(yōu)弱分類器重新更新樣本權重使錯誤樣本權值逐漸增大，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。各種弱分類器構成強分類器，人臉與非人臉樣本分類效果明顯增強。強分類器將多次迭代訓練弱分類器，對錯誤率最小最優(yōu)弱分類器加權求和，構造出強分類器，強分類器表達式如2.2所示。（2.2）充分考慮到人臉檢測辦法需要更強實時性，因此級聯(lián)分類器提出大大提高人臉檢測精準度和速度。例如設計一種20組分類器，每組包括10分類器，這樣就可以有效取代由200個分類器。級聯(lián)分類器由AdaBoost算法訓練出來強分類器組合而成，待檢測圖像需要需要通過層層篩選，任何一種強分類器判斷為非人臉窗口，就無法送至下一層強分類器，只有通過所有強分類器最后鑒定為人臉窗口[38]。級聯(lián)分類器設計重點在于賦予前幾層較少弱分類器而背面幾層較多弱分類器，這樣設計可以加快非人臉窗口圖像排除、提高檢測精準度、予以背面檢測窗口更精密檢測，輸入圖像檢測過程如圖2.5所示。圖2.5級聯(lián)分類器Fig.2.5Cascadeclassifierstructure 通過級聯(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’直接作為裁減檢測窗口。同樣最后誤檢率和檢測率與每一層分類器誤檢率、檢測率有關。通過測試可以變化每一層分類器檢測率、誤檢率，使最后檢測檢測率達到99%以上即可停止運算。一種涉及M層級聯(lián)分類器是由M個強分類器構成，最后檢測率等于每一種強分類器檢測率累積，同樣誤檢率也是M個強分類器誤檢率累積，由此可見，級聯(lián)分類器作用就是提高檢測率、減少誤檢率、加快運營速度。2.2人臉檢測算法分析2.2.1人臉檢測算法合用條件輸入人臉圖像中涉及人臉個數(shù)從1個到14個不等，至少人臉圖像中包括1個人臉而最多人臉圖像中包括14個人臉；隨著人臉數(shù)量不斷增長導致人臉辨別率逐漸減小，這樣導致人臉檢測算法無法從復雜背景中提取人臉圖像，針對AdaBoost人臉檢測算法從光照因素、人臉辨別率、人臉左右旋轉角度、上下仰俯角度以及水平旋轉角度方面分析檢測效果。分別選用四組不同人臉圖像進行人臉檢測，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角度人臉圖像，檢測成果如圖b所示；第三組同樣選用ASM人臉數(shù)據(jù)庫640×480大小包括人臉上下仰俯角度人臉圖像，檢測成果如圖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成果如圖d所示；基于AdaBoost人臉檢測算法在不同條件下檢測人臉整體成果如圖2.6所示。a不同光照b不同旋轉角度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成果Fig.2.6Thedetectionresultsindifferentcondition基于視頻序列圖像和ASM人臉數(shù)據(jù)庫中人臉圖像進行人臉檢測，如圖2.6a所示，在正常光照下可以實現(xiàn)較高檢測率，圖2.6可以檢測人臉有一定左右旋轉角度，圖2.6c可以檢測人臉有一定水平旋轉角度，圖2.6d可以看出人臉檢測算法可以檢測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近導致人臉圖像多尺度問題。人臉檢測算法矩形特性使得檢測成果對光照不敏感；在光照條件灰暗時，人臉圖像中眼睛、鼻子灰度值與周邊區(qū)域差別變小，特性值不明顯導致強分類器分類能力削弱，浮現(xiàn)漏檢、誤檢狀況，通過不斷測試可以找到人臉檢測圖像基本屬性。人臉檢測基本條件如下：（1）檢測人臉圖像辨別率要不不大于或者等于20×20；（2）檢測人臉圖像左右側面旋轉角度不大于或者等于20度；（3）檢測人臉圖像上下仰俯角度不大于或者等于20度；（4）檢測人臉圖像水平旋轉不大于或者等于15度。普通狀況下夸張動作幅度會影響矩形特性構造人臉檢測器，就會影響人臉檢測成果，但是在安全監(jiān)控系統(tǒng)中普通不會有夸張動作和面部表情，可以直接裁減掉這樣圖像。綜合上述影響人臉檢測成果因素，滿足正常光線完全可以進行人臉檢測。對于人臉檢測場景涉及室內場景、室外停車場、電梯廳等等一系列可以應用人臉檢測算法檢測人臉圖像。由此可見，人臉檢測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，雖然可以進行人臉檢測初步定位也無法進行人臉特性點定位，就無法實現(xiàn)人臉匹配辨認，最后也將裁減圖像，無法作為多目的人臉檢測核心素材。多目的人臉檢測辦法重要是針對視頻持續(xù)圖像進行人臉檢測，如果遇到人臉辨別率太小無法進行人臉特性點定位狀況，可以繼續(xù)對下一幀圖像進行人臉檢測，持續(xù)對人臉圖像進行追蹤定位。2.2.2視頻序列人臉檢測算法漏檢與誤檢分析人臉檢測算法在現(xiàn)實生活中應用受到許多因素影響，涉及場景障礙物、目的配飾、人臉面部表情等等，會浮現(xiàn)誤判、漏檢狀況。通過對電梯、停車場某些安全監(jiān)控系統(tǒng)中經常浮現(xiàn)場景進行測試，基于AdaBoost人臉檢測算法針對視頻序列中包括不同光照、表情、姿態(tài)有較好檢測率，而誤檢和漏檢狀況也會浮現(xiàn)，不能檢測出人臉圖像狀況如圖2.7所示。圖中沒有檢測出人臉圖像涉及由于視頻中人臉動作幅度過大，導致視頻轉換成幀圖像比較模糊；光線太暗，人臉圖像灰度信息不明顯；人臉仰俯動作夸張等因素導致無法檢測人臉矩形特性，導致檢測器失效。圖2.7沒有檢測出人臉圖像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；（2）人臉圖像上下晃動明顯；（3）視頻中人臉圖像發(fā)型遮擋臉部嚴重；（4）人臉圖像移動距離過大；（5）某一幀圖像浮現(xiàn)漏判后會有一系列誤判；（6）新人臉圖像剛浮現(xiàn)前幾幀浮現(xiàn)漏判?；谏鲜鋈四槞z測對漏檢和誤檢狀況分析，由于視頻拍攝圖像普通可以達到每秒10幀到30幀圖像，并且每秒內圖像變化不會很大，因此在進行視頻序列人臉檢測與定位過程中，如果浮現(xiàn)上述幾種狀況，可以緊接著對背面持續(xù)幾幀圖像進行檢測，起到一種驗證作用，同步采用特性點輔助定位也可以更加準的確現(xiàn)多目的人臉檢測及定位。2.3基于AdaBoost算法人臉圖像粗定位多目的人臉檢測辦法一方面基于AdaBoost算法檢測出輸入圖像中所有人臉某些，涉及人臉圖像位置、大?。辉诖嘶局线M行人臉特性點定位，提取人臉特性信息；最后構造人臉幾何特性向量進行匹配辨認。人臉圖像粗定位精確性為人臉特性點定位及幾何特性向量人臉辨認打下堅實基本。從持續(xù)視頻序列第一幀圖像開始，基于AdaBoost檢測算法提取人臉，中心校正后特性點構造幾何特性向量逐個放入自建人臉庫中，視頻序列自建人臉庫涉及整個視頻序列中浮現(xiàn)所有人臉圖像，在后續(xù)圖像中新進入拍攝鏡頭人臉圖像由于無法與初始人臉庫中人臉圖像匹配則自動將新目的加入視頻人臉庫中。作為多目的人臉檢測首要環(huán)節(jié)，基于AdaBoost人臉檢測精準度直接影響后續(xù)檢測成果，由于AdaBoost是一種采用權值更新辦法以及級聯(lián)分類器相結合人臉檢測算法，使得在檢測過程中對人臉圖像夸張面部表情、風格迥異發(fā)型、衣物裝飾品魯棒性很強，精確率不會受到影響，在某些現(xiàn)實生活場景中具備較高檢測效果。輸入任意一張圖像，掃描整個圖像，AdaBoost人臉檢測詳細環(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）掃描窗口遍歷整個輸入圖像；（3）標記檢測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，退出檢測系統(tǒng)，輸出檢測成果。實驗基于AdaBoost算法實現(xiàn)人臉檢測，基于簡樸背景和復雜背景多目的人臉粗定位成果如圖2.8所示。a復雜背景下2個人人臉檢測成果b多目的人臉檢測成果圖2.8人臉圖像粗定位Fig.2.8Thefirstlocalizationoffacialimage由圖2.8可以看出a為復雜背景下2人人臉檢測成果以及2人以上多目的人臉檢測成果，實驗成果表白基于AdaBoost人臉檢測算法可以對頭部有輕微傾斜、頭部有少量遮擋、佩戴眼鏡狀況下精確檢測出人臉某些，證明AdaBoost人臉檢測算法檢測效果可以應用于多目的人臉檢測辦法研究。實驗通過攝像頭采集640×480大小圖像，涉及表情、光照、辨別率、左右旋轉角以及水平旋轉角差別多目的人臉圖像，共計拍攝5組視頻序列圖像，選用每組視頻20幀圖像，采用AdaBoost人臉檢測算法進行粗定位，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成果Tab.2.2Thedetectionresultsofmultiplefaceinvideoimages視頻圖組總幀數(shù)人臉總數(shù)對的檢測檢測率誤檢數(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基于實驗成果可以看出，AdaBoost人臉檢測算法對于視頻圖像檢測效果有較強適應性和魯棒性，在實際拍攝現(xiàn)實場景應用范疇較廣泛；同步人臉檢測率在第五組視頻檢測中，每幀圖像涉及10個人臉圖像檢測率可以達到95%，而無法檢測人臉圖像重要發(fā)生于人臉圖像仰俯幅度過大、旋轉角過大狀況之下導致矩形特性人臉檢測分類器失效。2.4本章小結文章簡介一種基于AdaBoost人臉檢測算法實現(xiàn)多目的人臉檢測粗定位。通過積分圖對矩形特性迅速計算出特性值，基于特性值構造弱分類器進行分類，不斷更新權重將人臉圖像與非人臉圖像差別化分離，將若干個弱分類器組合成分類效果更好強分類器和級聯(lián)分類器實現(xiàn)人臉檢測。通過對ASM人臉數(shù)據(jù)庫和視頻序列圖像進行人臉檢測，分析AdaBoost人臉檢測算法合用條件，面對不同光照、不同表情、不同姿態(tài)檢測成果，同步分析視頻序列人臉檢測算法不可以檢測出人臉圖像因素。第3章人臉特性點定位辦法研究3.1人臉特性點選用人臉特性點是構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系選用可以反映特性信息特性點，特性點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]?；诨叶扔涗浐臀骞贅嬙旆植家?guī)律辦法進行人臉特性點定位可以提高人臉檢測成果，提高多目的人臉檢測精度。人臉特性點選用重要考慮因素有：（1）提取特性點個數(shù)。特性點數(shù)量既要可以包括臉部足夠特性信息又不能太過于繁瑣，由于復雜特性點會增長算法時間維度，減少運營速度，減少精確率。（2）特性點選用對表情變化魯棒性。即人臉特性點對表情變化不敏感，不影響特性點定位精準度，可以進行人臉有效辨認。綜上所述，特性點選用對于后續(xù)檢測對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個人臉特性點，它們分別是雙眼瞳孔點、雙眼左右眼角點、鼻尖、左右嘴角點以及嘴中線點，特性點可以全面反映臉部特性信息如圖3.1所示。依照特性點角度不變性長處，與此同步與其她測量辦法比起來，本文選用特性點更容易從人臉圖像中提取出來并且加以測量和計算，為后續(xù)構造幾何特性向量打下堅實基本，增長算法精準度。圖3.1人臉特性點選用示意圖Fig.3.1Schematicdiagramoffacialfeaturepoints由于瞳孔間距受光照和表情影響比較小，作為特性點選取比較穩(wěn)定，特別在人臉辨認中瞳孔點選取是必不可少；眼睛、鼻子、嘴等各個面部器官形狀和互有關系是作為人臉辨認重要根據(jù)。由于現(xiàn)實中視頻圖像拍攝受到光照、攝像技術以及人物動作表情影響，因此在特性點定位之前，普通需要對人臉圖像進行預解決。一方面要將彩色RGB圖像轉換為灰度圖像；同步，灰度化圖像要保持圖像自身不能失真，失真人臉圖像會影響特性點提取，減少人臉檢測精確性。良好灰度化圖像是特性點定位基本，既可以提高特性點定位精準度又減少定位難度。圖像預解決過程詳細涉及圖像祛除噪聲、彩色圖像轉換灰度圖像、圖像二值化等等，圖像均衡化解決消除光照對圖像影響。3.2眼睛特性點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不同訊息，因而眼睛特性點必不可少。由于雙眼瞳孔之間距離受外界因素影響非常小，因此特性點比較穩(wěn)定。眼睛特性點定位是所有特性點定位第一步，直接影響鼻子、嘴特性點精確性[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現(xiàn)眼睛特性點定位，眼睛特性點定位流程圖如圖3.2所示。 圖3.2眼睛特性點定位流程圖Fig.3.2Flowchartofeyesfeaturepointspositioning依照五官分布規(guī)律，人臉構造遵循著一定構造原則。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)域可以避免眉毛對眼睛特性點定位精準度；記錄水平方向和垂直方向上灰度值，分別求出兩個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，擬定雙眼瞳孔特性點如圖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瞳孔特性點定位圖3.3瞳孔特性點定位成果Fig.3.3Localizationresultsofpupilfeaturepoints采用灰度記錄和人臉分布規(guī)律定位眼睛特性點，基于雙眼瞳孔特性點定位基本之上，劃分雙眼區(qū)域進行眼角點特性點定位。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邊沿檢測算子，轉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；雙眼邊沿檢測成果如圖3.4所示，二值化圖像如圖3.4中a與b圖，對二值化后圖像從左向右逐列掃描，找到第一種浮現(xiàn)‘1’點為左眼角點，從右向左逐列掃描擬定右眼角點。a左眼b右眼圖3.4雙眼邊沿檢測成果Fig.3.4Edgedetectionresultofeyesregion眼睛特性點定位成果如圖3.5所示，眼睛特性點定位算法基于ORL人臉數(shù)據(jù)庫中不同人物眼睛特性點定位成果如圖3.6所示。圖3.5眼睛特性點定位成果Fig.3.5Theresultofeyesfeaturepoints圖3.6ORL數(shù)據(jù)庫中眼睛定位成果Fig.3.6EyespointspositionresultsofORLdatabase由于眼睛特性點定位作為人臉特性點定位首要環(huán)節(jié)，直接影響鼻子和嘴特性點定位成果，因此眼睛特性點定位成果精確率是重要研究根據(jù)。針對ORL人臉數(shù)據(jù)庫得到眼睛特性點成果如表3.1，從中可以看出眼睛特性點精確率可以達到97%，定位效果最佳是右眼瞳孔點達到100%。眼睛特性點辦法可以有效應對表情變換、達到一定精確率。同步基于人臉圖像檢測粗定位需要對人臉圖像進行中心校正，基于雙眼瞳孔位置連線與圖像水平方向旋轉，因此眼睛特性點定位是整體特性點定位過程中核心環(huán)節(jié)，基于灰度分析和面部構造結合眼睛特性點定位辦法可以應用與多目的人臉檢測。表3.1眼睛特性點精準定位成果Tab.3.1Theeyefeaturepointslocalizationresultsofthehumanface人臉特性點圖片總數(shù)正擬定位精確率左眼瞳孔點400幅395幅98.75%右眼瞳孔點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，基于眼睛特性點定位成果之上提取鼻子區(qū)域進行鼻子特性點定位。普通狀況下，人臉左右旋轉角度在一定范疇之內，鼻尖特性點橫坐標即雙眼瞳孔坐標點橫坐標中點；計算鼻子區(qū)域垂直方向灰度值之和，灰度曲線波谷點即為鼻尖特性點縱坐標，鼻子特性點定位成果如圖3.7所示a鼻子區(qū)域提取b鼻子特性點定位成果以及c數(shù)據(jù)庫中鼻子特性點定位成果。a鼻子區(qū)域提取b鼻子特性點定位c數(shù)據(jù)庫中鼻子特性點定位成果圖3.7鼻子特性點定位成果Fig.3.7Nosefeaturespointpositionresults普通，由于人臉數(shù)據(jù)庫或者視頻序列人臉圖像受到人臉圖像辨別率、光照、以及鼻子左右擺動幅度影響，本文所采用辦法實現(xiàn)鼻子特性點定位可以對鼻子有輕微傾斜和仰俯角度人臉圖像進行定位，基于人臉五官構造分布和灰度記錄辦法可以有效實現(xiàn)鼻子特性點定位，因而鼻子特性點研究辦法具備現(xiàn)實意義。3.4嘴特性點定位在人臉面部器官中，嘴特性點提取重要性僅次與眼睛特性點提取，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中。嘴位置位于鼻子正下方，嘴角點能凸顯出嘴部輪廓整體曲線，嘴特性點在人臉辨認中占有重要地位。由于生活中人們受到各種因素影響，夸張面部表情導致嘴輪廓變形，因此嘴特性點定位精確性較眼睛、鼻子等特性點偏低，這也是人臉特性點定位難點之一。重要難點在于有些圖像辨別率過小，導致提取嘴區(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，在嘴特性點定位之前，需要對嘴圖像進行預解決。依照每個圖像灰度值，記錄出最優(yōu)閾值進行Canny邊沿檢測，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，閾值選用越精準，嘴輪廓越明顯，這樣使得特性點定位更加精確并對圖像采用中值濾波祛除圖像中某些孤立點，通過二值化解決得到邊沿輪廓線，如圖3.9所示。 圖3.9嘴部邊沿檢測成果Fig.3.9Edgedetectionresultofmouth由邊沿檢測持續(xù)性，對預解決后二值圖像從左向右依次逐列搜索，初次浮現(xiàn)坐標點即為左嘴角點；從右向左逐列掃描，初次浮現(xiàn)坐標點為右嘴角點，這樣就擬定出嘴角點；嘴中線縱坐標為嘴區(qū)域灰度值求和波谷點，橫坐標為臉部中線。通過ORL人臉數(shù)據(jù)中人臉圖像嘴特性點定位成果如圖3.10所示。圖3.10ORL數(shù)據(jù)庫中嘴部特性點定位成果Fig.3.10MouthfeaturepointspositionresultsofORLdatabase普通狀況下，嘴特性點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，特性點定位精準度會減少，通過本文對微笑面部特性（嘴唇分離狀態(tài)）、有胡須遮擋嘴輪廓人臉圖像進行了嘴特性點定位，圖3.10所示實驗成果表白可以實現(xiàn)對有面部表情和少量遮擋嘴部進行特性點定位。3.5人臉特性點定位成果與分析采用人臉五官分布規(guī)律和灰度記錄相結合人臉特性點定位算法，與其她特性點定位辦法相比可以更快、更精準、更實用實現(xiàn)特性點定位。由于特性點定位精準度直接影響構造幾何特性向量、人臉匹配辨認成果，因此在特性點定位之后，需要對成果進行互相驗證，進一步提高人臉特性點定位算法精確度。以ORL人臉數(shù)據(jù)庫作為測試目的，ORL人臉圖像辨別率為92×112大小，普通地瞳孔大小寬度為6個像素大小，介于眼瞼周邊對瞳孔有少量遮擋，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，雙眼瞳孔模型示意圖如圖3.11所示。兩個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個瞳孔點及4個眼角點特性點定位成果與原則人臉特性點距離值，基于ORL人臉數(shù)據(jù)庫中人臉眼睛特性點定位成果如表3.2所示。人臉特性點定位成果在2個像素值以內，可以進行背面幾何特性向量構造和人臉匹配辨認；超過2個像素值特性點定位成果，則需要進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6個特性點，1個像素值最高為右眼瞳孔點，可以達到100%，最低為左眼左眼角點為96.75%；2個像素值之上數(shù)值所有為0%，1個像素值和2個像素值狀況不會影響后續(xù)幾何特性向量構造實驗成果。表3.2人臉眼睛特性點定位成果Tab.3.2Theresultsofeyesfeaturepointspositioning人臉特性點圖片1個像素2個像素2個以上左眼瞳孔點400幅98.75%1.25%0右眼瞳孔點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定位成果精準度，證明基于灰度記錄和五官分布規(guī)律相結合人臉特性點定位辦法可以實現(xiàn)較高特性點定位成果，為構造幾何特性向量分析打下堅實基本，避免由于特性點定位成果偏差影響多目的人臉檢測整體檢測率，因此人臉特性點定位辦法比較穩(wěn)定、實用可以合用于多目的人臉檢測；鼻子及嘴特性點定位成果如表3.3所示。表3.3鼻子及嘴特性點定位成果Tab.3.3Theresultsofnoseandmouthfeaturepointspositioning人臉特性點圖片1個像素2個像素2個以上左嘴角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鼻子特性點校驗Fig.3.12Thecalibrationofnosefeaturepoints通過實驗數(shù)據(jù)分析，眼睛特性點定位成果最大距離為2個像素大小，由圖3.12可以看出，分別以對的坐標點和有2個像素點坐標點提取鼻子區(qū)域，實驗證明，雙眼瞳孔點實驗數(shù)據(jù)不影響鼻子區(qū)域提取過程，意味著不不會干擾幾何特性向量構造過程，同步鼻子特性點定位在1個像素內為98.50%，別的1.5%為2個像素，實驗數(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，人臉特性點定位成果都在2個像素值以內，均不影響構造人臉幾何特性向量，實驗證明人臉特性點定位數(shù)據(jù)所有可以采納，具備實際意義，精確度達到原則?；谔匦渣c初步定位成果，對其進行數(shù)據(jù)校驗，可以起到互相驗證作用，提高算法精準度，維持特性點定位算法穩(wěn)定性，人臉特性點定位整體成果如圖3.13所示。圖3.13ORL人臉數(shù)據(jù)庫特性點定位成果Fig.3.13ThefeaturelocationresultsofORLdatabase拍攝人臉圖像大小為640×480進行人臉特性點定位成果如圖3.14所示。圖3.14視頻序列人臉圖像特性點定位成果Fig.3.14Thefeaturelocationresultsofvideofaceimages通過選用視頻序列圖像，選用200幅人臉圖像進行特性點定位成果如表3.4所示。表3.4視頻序列人臉特性點精準定位成果Tab.3.4Thefacialfeaturepointslocalizationresultsofthevideo人臉特性點圖片總數(shù)正擬定位精確率左眼瞳孔點200幅195幅97.5%右眼瞳孔點200幅200幅100%鼻尖點200幅197幅98.5%嘴部中點200幅194幅97%左嘴角點200幅197幅98.5%右嘴角點200幅198幅99%左眼左眼角點200幅196幅98%左眼右眼角點200幅200幅100%右眼左眼角點200幅198幅99%右眼右眼角點200幅195幅97.5%由表3.4實驗成果可以看出，基于視頻序列人臉圖像進行人臉特性點定位，其中右眼瞳孔點與左眼右眼角點精確率達到100%；左嘴角點精確率為99%；鼻尖和左嘴角點精確率達到98.5%；嘴部中點精確率達到97%，嘴受表情影響比較大，微笑導致上下嘴唇分開因此特性點定位難度較大；左眼瞳孔點和右眼右眼角點精確率為97.5%。實驗成果表白采用灰度記錄和人臉構造分布規(guī)律人臉特性點算法可以有效對視頻序列人臉圖像特性點定位，有較好精確率可以達到97%以上，對于有面部表情、佩戴眼鏡、嘴唇分開、有胡須遮擋人臉圖像可以精確進行定位。3.6本章小結本章基于AdaBoost人臉檢測算法粗定位人臉某些，采用灰度記錄和面部規(guī)律結合人臉特性點定位辦法，依照人臉幾何特性向量匹配辨認需要選用人臉10個特性點。一方面簡介人臉特性點選用，分別為雙眼瞳孔點，左右眼睛眼角點，鼻尖，嘴中線以及嘴角點；另一方面采用局部特性點定位辦法實現(xiàn)人臉特性點定位，并對人臉特性點定位成果進行分析和驗證；最后依照ORL人臉數(shù)據(jù)庫和拍攝圖像可以實現(xiàn)人臉特性點定位，具備較好精確性，可以穩(wěn)定在現(xiàn)實場景進行應用。第4章人臉幾何特性向量匹配辨認4.1人臉幾何特性向量構造人臉幾何特性向量是基于人臉特性點定位進行構造，對選定特性點之間連線構造距離值?；谔匦渣c構造幾何特性向量可以精準體現(xiàn)出臉部比例關系以及各個器官自身屬性[41]。將人臉之間差別等價于幾何特性向量之間差別，人臉圖像匹配等價于幾何特性向量之間匹配辨認[42]。每個人臉圖像都會構造一組幾何特性向量，通過計算兩個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雜導致多目的人臉檢測計算量增長，因此依照幾何特性角度以及尺度不變性，基于10個特性點選用7個距離特性值，構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，易于實現(xiàn)人臉圖像匹配及辨認[43]。依照特性點選用構造7個幾何特性向量，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光照、表情姿態(tài)魯棒性極強，因而特性向量d1是構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表達眼睛和鼻尖之間距離，折射出眼睛與鼻子之間區(qū)域對人臉整個區(qū)域分派比重。特性向量d6、d7分別代表眼睛寬度和嘴寬度，構造幾何特性向量進行原則化變換，因此待檢測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，導致眼睛和嘴輪廓變形，通過構造眼睛和嘴寬度，可以充分體現(xiàn)出人臉器官比例。幾何特性向量核心設計在于特性向量d5選用，由圖4.1可知，特性向量d6已經反映嘴器官屬性，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，嘴變形更為嚴重。正常狀況下，在沒有表情干擾下特性向量d6大小應近似等于特性向量d52倍，而受到表情影響，這種數(shù)量關系就此變化，因此d5選用就是為了更好與d6進行驗證，增長幾何特性向量精確性，排除人臉表情、辨別率等其她因素對幾何特性影響。4.2特性向量相似度計算基于人臉特性點定位成果，選用兩個特性點坐標p1(x1,y1)和p2(x2,y2),則兩點之間直線距離為構造特性向量，公式即為：(4.1)依照幾何特向量構造辦法，構造幾何特性向量人臉圖像如圖4.2所示。圖4.2構造幾何特性向量人臉圖像Fig.4.2Constructgeometricfeaturevectorsoffaceimages基于圖4.2中構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造圖像大小不同導致幾何向量數(shù)值不同，因此在構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不同辨別率大小人臉圖像實現(xiàn)匹配辨認，尺度不變可以迅速有效實現(xiàn)人臉辨認?；贠RL人臉數(shù)據(jù)庫，人臉特性向量可以大體分為兩類：類內特性向量和類間特性向量。所謂類內特性向量，即指同一種人人臉圖像構造幾何特性向量；類間特性向量即不同人之間構造特性向量。依照選用7個原則化特性向量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，分別計算每一種特性向量均值和方差，針對是同個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色折線表達，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分布在0.02-0.12之間。通過實驗數(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中人臉匹配辨認，總結出人臉辨認最后歸類為幾何特性向量之間辨認。為了分析人臉幾何特性向量之間相似性，實現(xiàn)人臉圖像匹配辨認，通過計算特性向量之間距離判斷人臉圖像相似度，歐氏距離是一種應用極為廣泛相似性判斷函數(shù)，由于歐氏距離計算簡樸直觀計算圖像之間差別大小，忽視幾何特性向量重要限度差別，因此計算成果不夠精準。加權歐氏距離引入在歐氏距離基本之上充分考慮構造這7個特性向量在人臉匹配辨認中不同地位，提高歐氏距離判斷人臉圖像類別精確率，并且仍舊保持著簡易迅速計算優(yōu)勢。詳細定義為：（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，可以通過實驗選用閾值，只有距離值不大于選用閾值滿足2個特性向量匹配成功。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為構造幾何特性向量總數(shù)，ωi代表特性向量權重，不同重要限度狀況下權值大小各不相似。權值大小與特性向量方差有很大關聯(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；方差數(shù)值越大，證明波動性越大，特性向量不夠穩(wěn)定，因此權值賦予較小。權值計算公式如下：（4.3）（4.4）如公式4.3中所示，σ2表達特性向量方差，計算過程中特性向量權值之和必為1。公式4.3和公式4.4中權值運算過程較為清晰簡潔，耗時較少，同步也有助于提高人臉辨認精確率。權值計算整體思路就是削弱波動較大不穩(wěn)定特性向量比例，減少辨認錯誤率，將性能穩(wěn)定特性向量加強在人臉匹配辨認作用，使人臉辨認成果更加可信。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、臉部不同旋轉角度人臉圖像，基于AdaBoost算法人臉檢測粗定位、五官分布和灰度記錄進行人臉特性點定位成果構造幾何特性向量，依照公式4.3和4.4公式得到幾何特性向量權值如表4.3所示，權值大小直接凸顯出特性向量穩(wěn)定限度。表4.3特性向量權值Tab.4.3Theweightvalueofeigenvectors特性向量權值特性向量權值T10.1124T50.0263T20.3523T60.1847T30.0451T70.1206T40.1586依照表4.3可以明顯看出特性向量T3權值最大為0.3523，證明T3最穩(wěn)定，不會容易受到表情因素干擾；T1、T4、T6以及T7也相對穩(wěn)定；而T5和T2權值在整體特性向量中權值相對較小，表白這2個特性向量容易受到其她因素干