基于opencv的人脸检测系统设计

1摘要：人脸检测(FaceDetection)是人脸识别(FaceRecognition)的一项核心技术，近年来产生了很多的算法，本文简要的分析了Adaboost人脸检测算法及介绍了在VisualStudio2013上利用VisualC++基于OpenCV3.0对人脸检测的MFC应用程序系统设计，系统主要功能为对任意图像中的人脸进行检测提取。ofalgorithmsinrecentyears,thispaperbrieffacedetectioninViOpenCV(OpenSourceComputerVisionLibrary)是一个基于(开源)发行的轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了很多通用算法。由于其源代码完全开源、高效性、可移植性好，近年来基于人脸检测(FaceDetection)是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回一脸的位置、大小和姿态。人脸检测问题最初来源于上个世纪六、七十年代的人脸识别(FaceRecognition),随着计算机网络传输、监控及视人脸识别成为最有潜力的生物身份验证手段，这种应用背景系统能够对一般图像具有一定的识别能力，由此所面临的一计算机视觉领域内一项受到普遍重视、研究十分活跃的课题的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视2本系统是Windows8.1系统上进行搭建，首先在VisualStudio2013创建一个MFC单文档的应用程序，命名为FaceDetection,然后添加相应的相应的最后对OpenCV函数库的中Adaboost算法的调用，来与人脸特征库进行比较Adaboost(AdaptiveBoosting)是一种迭代算法，该方法是由Freund和练不同的分类器(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)。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征，并放在关键的训练数据2.初始化样本权重为1/n,即为训练样本的初始(1)训练样本的概率分布相当下，训练弱分类器；(2)计算弱分类器的错误率；(4)更新样本权重；经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分其中每一次迭代，都要对权重进行更新，更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率，最终的3voidCFaceDetectionView:OnFileOpen()//打开相关图片事件{cvShowlmage("原始图像",sre);/显示打开的图片voidCFaceDetectionView::OnFacedetectedO//人脸检测事件cascade=(CvHaarClassifierCascade*)cvLoad(cascade_name,0,0,0);/加载特征库cvReleaselmage(&sre);/释放图像内存-记S//设置颜色库CvSeq*faces=cvHaarDetectObjects(small_img,cascade,storaevShowlmage("人脸检测结果",img):/显示相关检测结果}为了测试本系统，我选择了两张照片：一张是多人的合照，内容和背景都比较复杂；另外一张是一个人的照片，照片内容相对单一。打开人脸测试应用程序，打开相关相关文件，进行人脸检测得到结果分别如下：4图1合照原始图图2合照检测结果图3单人照原始图图4单人照检测结果由上述结果分析可知，不分国籍、古今、男女、老幼，人脸全部都已检测到了，达到了预期的需求，这将在人脸识别中发挥重大的作用。但是随着图像分辨率的降低或者人的面目倾斜度过大都会对检测造成一定的干扰。本文简要介绍了Adaboost算法，并在次基础上简要的阐述了在VisualStudio2013上基于OpenCV开发人脸检测的MFC应用程序的过程及相关代码的分析，并对结果进行了简要的分析。分析结果表明，该算法的可靠性、快速性以及经济性都是毋庸置疑的，系统可单独运行在Windows操作系统上，不再依赖开发平台，这给软件的普及带来了方便。OpenCV给VisualC++数字图像处理确实带来了不少的便利，未来将应用到更多的领域。参考文献5[3]陆珂.基于OpenCV的人脸检测与跟踪算法研究[