基于Ｏｐ∞ＣＶ的人脸跟踪识别系统研究继承和发展。Ｖｉｏｌａ等人还将该算法应用到了人体检测领域，同样取得了良好的效果。Ｖｉｏｌａ人脸检测方法是一种基于积分图、级联检钡４器和Ａｄａｂｏｏｓｔ算法的方法，方法框架可以分为以下三大部分：１、使用Ｈａｒｔ－ｌｉｋｅ特征表示人脸，使用积分图实现特征数值的快速计算；２、使用Ａｄａｂｏｏｓｔ算法挑选出一些最能代表人脸的矩形特征（弱分类器）按照加权投票的方式将弱分类器构造为一个强分类器：３、将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。Ａｄａｂｏｏｓｔ人脸检测算法检测效果如下图示：怨孕■，一述拦ｔ一第二章人脸检测识别方法∞多人脸各种表情图２１Ａｄａｂｏｏｓｔ人脸检测结果图２．１中（ａ）、（ｂ）、（ｃ）、（ｄ）均为单人脸检测，（ｃ）、（０、（ｇ）为多人脸检测。图（ａ）（”为同一人在不同距离下的人脸检测结果，由图可知图像质量较差，人脸部光线很暗；圈（ｃＸｄ）为人脸在偏转和微侧情况下的检测结果，这两幅图像质量稍好于图（ａ）（ｂ）；图（ｅ）（０为多人脸检涮，其中（ｅ）图中人脸有些许遮挡，但也并不影响检测效果；图（ｇ）中的人脸数目更多，且图像中人脸舍有各种表情和姿态，图像背景较复杂，但图像光照条件较好，图像质量较高。由以上分析可阻看出：Ａｄａｂｏｏｓｔ人脸检测算法在对远近距离下的人脸，正面、侧面人脸以及多表情多人脸的检测中具有较精确的检测效果，而且对于图像的光照条件要求较低、鲁棒性强。所以，在本文所设计的跟踪识别系统中采用了Ａｄａｂｏｏｓｔ算法用于人脸的检测。２．２人脸识别方法概述目前，国外对人脸识别９１１问韪的研究很多，比较著名的有麻省理工（Ｍｒｆ），卡内基美隆大学（ＣＭＵ）等：国内的清华大学、中科院计算机所、北京工业大学和自动化所等都有科研人员从事人脸识别相关的研究。目前的研究也有三个方向：１４基于ＯｐｅｎＣＶ的人脸跟踪识别系统研究基于几何特征的识别方法，基于代数特征的识别方法，基于连接机制的识别方法。其算法各有优缺点：基于几何特征的识别其困难在于没有形成一个特征提取标准，不过由于各种优秀的特征提取算法（如：弹性图匹配）的提出，使得人脸的几何特征描述越来越充分；基于代数特征的识别法由于代数矢量具有一定的稳定性，识别系统对不同人之间的倾斜度、表情有一定的鲁棒性，但对表情的描述不够充分，难以用于表情分析；基于连接机制的识别法采用了神经网络，在编码压缩与信息处理方式等方面具有一定优势，但神经元数目多，训练时间很长，完全基于神经网络的识别法在现有的计算机系统上也有其内在的局限性。因此近些年来很多研究学者采取将多分类器结合的方法来提取较稳定、受人脸姿态变化和光照条件等因素影响小的识别特征，取得了良好的识别效果。人脸识别技术作为模式识别领域的一个研究热点，每年都有许多相应的研究成果发表，并且涌现出各种各样的识别方法，可以说信息处理领域的各种新方法的研究和算法的改进都在人脸识别中得到应用。人脸识别方法的分类，根据研究角度的不同，可以有不同的分类方法，这是研究人脸识别方法首先遇到的问题。根据图像来源的不同，人脸识别技术可分为两大类：静态人脸识别和动态人脸识别。静态人脸识别，即人脸为稳定的二维图像，如照片。如果人脸的来源是一段视频图像，则人脸识别就属于动态人脸识别。在头部运动和表情变化状态下的人脸识别都可以看作动态人脸识别，如视频监视中的人脸识别。动态人脸识别具有更大的难度。首先，视频输出的图像质量较差；其次，背景较复杂，目前对动态人脸识别的研究还局限于简单背景，较少人物的情况，对静态人脸识别的研究比较多。本文研究的人脸识别也是基于静止图像的。根据图像中人脸的角度，又可将人脸识别技术分为基于正面、侧面、倾斜人脸图像的识别，由于实际情况的要求，对人脸正面模式的研究最多，这也是本文的研究重点。下面介绍一下目前常用的人脸识别方法：２．２．１几种常用识别方法目前人脸识别的方法有很多种，本节介绍四种常用的人脸识别方法，并对其稍作论述。１、基于几何特征识别弹性图匹配（ＥＧＭ）方法可采用属性拓扑图来表达人脸，其拓扑图的任一顶点均包含一特征矢量，它记录了人脸在该顶点位置的分布信息，最初的拓扑图是矩形的，并没有注重节点的位置。后来，Ｗｉｓｋｏｔｔ［３２】提出～种基于关键点的图匹配算法，称为弹性束图（ｅｌａｓｔｉｃｂｕｎｃｈｇｒａｐｈ），其节点一般定位在如眼球、眼角等灰度变化剧烈，信息丰富的地方。特征点先是手工定位，经过一段学习以后，即可达到自第二章人脸检测识别方法１５动定位。如此几十个节点，其分离能力是不同的，并且前向、半侧、侧面人脸分离能力较好的节点分布范围也不一样，ｇ＿，－ｕｇｅｒｔ３３】深入研究了这一问题，他给每个节点不同的权重，与该节点的分离能力成正比。统计表明，眼在前向和半侧的人脸中是最重要的分离特征，而鼻尖是侧面人脸最重要的分离特征。Ｗｕｒｔｚ【３４】研究了多分辨的情况，他假定在两幅人脸图中只有一部分节点有较好的对应，一些节点根本没有对应节点，它们将干扰识别。因此在匹配的过程中只保留对应良好的节点，并且将背景（包括头发区域）去掉。由于弹性匹配对每个存储的人脸需计算其模型图，计算量大，存储量大，Ｌｅｅ【３５】等提出了一种基于弹性图动态链接模型的方法，既取得较高的识别速度，也获得了较理想的识别率，在一定程度上克服了以往方法总是在速度与识别率之间进行折中的缺点。２、基于代数特征识别主分量分析（Ｐｒｉｎｃｉｐａｌ．ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）是一种常用的方法。它根据图像的统计特性进行的正交变换（Ｋ．Ｌ变换），以消除原有向量各个分量间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸１３６１。Ｔｕｒｋ和Ｐｅｎｔｌａｎｄ［３７】进一步提出了“特征脸”方法，该方法以训练样本集的总体散布矩阵为产生矩阵得到的一组特征矢量，称作“特征脸”，这样就可产生了一个由“特征脸”矢量组成的子空间，每一幅人脸图像其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间的位置，实验表明该方法具有较强的稳定性，可以作为人脸识别的依据。特征脸方法使用由各个特征脸扩展的空间来表示人脸，虽然可以有效地表示人脸信息，但是并不能有效地鉴别和区分人脸。Ｓｗｅｔｓ和Ｗｅｎ９１３８】提出ＰＣＡ的基础上使用ＬＤＡ（ＬｉｌｌｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ，线性鉴别矢量），也称Ｆｉｓｈｅｒ脸方法【３９】。它选择以类内散布正交的矢量作为特征脸空间，从而能压制图像之间与识别信息无关的差异，对光照及人脸表情变化都不太敏感。Ｍｏｇｈａｄｄａｍｔ４０】等提出了贝叶斯人脸识别方法。他们提出了一种基于概率的图像相似度度量方法，将人脸图像之间的差异分为两类类间差异（即不同人的人脸图像之间的差异）和类内差异（即同一个人的不同人脸图像之间的差异）。他们提出了类间差异和类内差异度量的概率模型和计算方法。由于贝叶斯相似度的计算涉及复杂的非线性的快速计算方法。这种人脸识别方法在１９９６年美国ＤＡＰＡＲ组织的ＦＥＲＥＴ人脸测试中是效果最好的方法之一。Ｙａｎｇ［４ｌ】等人考虑高阶统计量，从而提出了核特征脸（ＫｅｒｎｅｌＥｉｇｅｎｆａｃｅ）应用ＫｅｒｎｅｌＰＣＡ将人脸对应的向量映射到高维空间中，然后应用ＰＣＡ。这种做法避免了高维统计量计算中的组合爆炸问题，同时，还考虑了高维相关性。由于ＰＣＡ为基础的传统特征脸方法没有利用人脸的几何拓扑特征，为此Ａｌｂｅｒｔｔ４２１等将ＰＣＡ与人脸１６基于ＯｐｅｎＣＶ的人脸跟踪识别系统研究拓扑关系结合起来提出ＴＲＣＡ（ｔｏｐｏｌｏｇｉｃａｌｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ）方法，使识别率较单一的ＰＣＡ类方法有所提高。３、隐马尔科夫模型（ＨＭＭ）隐马尔科夫模霎ｊ．ｔ４３１（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ，ＨＭＭ）是用于描述信号统计特性的一组统计模型。ＨＭＭ使用马尔科夫链来模拟信号统计特性的变化，而这种变化又是间接地通过观察序列来描述的，因此，隐马尔科夫过程是一个双重的随机过程。用采集的脸像构造观察向量，观察向量和人脸的五官特征之间的关系可以用一个一维的隐Ｍａｒｋｏｖ模型（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ，ＨＭＭ）来表示，该模型的参数能较好地表征具体的人脸模型，在人脸识别领域已取得到了初步成效州。这种方法至少有两个问题，一个是直接采用灰度值作为观察值矢量会受到噪声、光线等很多随机因素的影响，另外一个是计算量很大，学习和识别速度都比较慢。伪二维ＨＭＭ（Ｐ２．ＤＨＭＭ）模型是一维ＨＭＭ模型的一种推广。Ｐ２．ＤＨＭＭ由一组主状态组成，每一个主状态又包括了一个一维ＨＭＭ。相当于将一组一维ＨＭＭ模型嵌入另外一组ＨＭＭ模型中，因为这种结构并不是真正的二维ＨＭＭ模型，因此取名为伪二维ＨＭＭ模型。可以看出这种结构利用了图像的二维特征，更适合于图像识别，因此采用了这种ＨＭＭ结构用于人脸识别。４、支持向量机法（ＳＶＭ）支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）是Ｖａｐｎｉｋ等提出的基于结构风险用于分最小化原理（ＳｔｒｕｃｔｕｒａｌＲｉ．ｓｋＭｉｎｉｍｉｚａｔｉｏｎＰｒｉｎｃｉｐｌｅ，ＳＲＭ）统计学习理论ｍｌ，类与回归问题。ＳＲＭ使ｖｃ（ｖａｐｎｉｋＣｈｅｒｏｖｎｅｎｋｉｓ）维数的上限最小化，而经验风险最小化（ＥｍｐｉｒｉｃａｌＲｉｓｋＭｉｎｉｍｉｚａｔｉｏｎＰｒｉｎｃｉｐｌｅ，ＥＲＭ）使相对于训练数据的误差最小化，这使得ＳＶＭ方法比基于ＥＲＭ的ＡＮＮ方法具有更好的泛化能力。ＳＶＭ最初是针对分类问题提出来的，目前也被推广到回归问题中。直接使用ＳＶＭ方法解决人脸识别问题面临两个困难：（１）训练ＳＶＭ需要求解二次规划问题，计算复杂度高、内存需求量巨大；（２）在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持矢量会很多（约占训练样本总数的２０％），使得分类器的计算量过高。为了解决以上问题Ｏｓｕｎａｌ４６】等人提出了分解算法，目的都是为了把求解原始的大规模ＱＰ问题，转化成与之等价的一系列较小规模二次规划子问（ｑｕａｄｒａｔｉｃｐｒｏｇｒａｍｍｉｎｇ，ＱＰ）。Ｐｌａｔｔ进一步提出了ＳＭＯ［４７１（Ｓｅｑｕｅｎｔｉａｌｍｉｎｉｍａｌｐｔｉｍｉｚａｔｉｏｎ）算法，ＳＭＯ算法把每一步ＱＰ子问题的规模降到最小，选择两个违例样本进行优化。Ｋｅｅｒｔｈｉ等人对ＳＭＯ算法的违例样本选取进行改进使得ＳＭＯ算法的速度有了很大的提高。ＧｕｏｄｏｎｇＧｕｏｔ４８】等人采用两个人脸数据库，一个是含有４００幅图象，另一个含有１０７９幅图象，并将ＳＶＭ方法与其它算法进行了比较，证明ＳＶＭ方法的错识率最低。比较遗憾的是，虽然ＳＶＭ方法在理论上具有很突出的优势，但与其理论研
基于OpenCV的人脸跟踪识别系统研究 - 图文
