多目标人脸检测方法研究样本

摘要随着信息技术飞速发展，人脸检测是计算机机器视觉重要研究领域，视频安全监控系统中普通需要针对各种目的人脸图像进行检测，因此社会发展生产生活离不开多目的人脸检测技术。多目的人脸检测技术在生物检测辨认技术迅猛发展今天，应用尤为广泛。多目的人脸检测是指输入图像内包括各种人脸图像，基于人脸图像进行人脸特性点定位构造几何特性向量进行人脸图像进一步验证和匹配辨认。人脸几何特性可用于人脸检测，是一种稳定面部特性，对于多目的人脸检测技术具备实用价值和研究意义。本文针对多目的人脸检测办法进行进一步研究，基于视频序列图像研究人脸检测，人脸特性点定位，几何特性向量人脸匹配辨认办法。一方面基于视频序列持续帧图像采用AdaBoost检测算法实现多目的人脸图像粗定位，涉及个数、位置及大小，分析人脸检测算法合用人脸图像辨别率、左右旋转角度、上下仰俯角度以及视频序列人脸图像漏检与误检状况；另一方面基于灰度记录和面部构造分布规律进行人脸特性点定位，包括眼睛、鼻子及嘴等特性点，特性点定位进一步验证人脸检测精确性；最后依照特性点间连线距离值构造几何特性向量，特性向量可以全面反映人脸比例关系以及器官属性，通过计算人脸几何特性向量加权欧氏距离进行身份辨认。采用多目的人脸检测技术在视频图像进行实验，可以达到良好多目的检测效果。实验表白，多目的人脸检测办法可以有效对视频序列中不同光照、姿态、表情人脸图像进行检测，对持续帧图像多目的人脸图像进行动态分析，有较高检测率和较好鲁棒性。核心词：多目的，人脸检测，特性点定位，几何特性向量，相似度判断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，Facedetection，Facialfeaturepointslocalization，Geometriceigenvectors，Similarityjudgment目录TOC\o"1-3"\h\u24078摘要 I6976Abstract II6640第1章绪论 1229441.1人脸检测办法研究目及意义 1327501.2多目的人脸检测办法研究动态 2304261.2.1多目的人脸检测研究现状 2181121.2.2多目的人脸检测研究内容 488281.3本文工作概述和构造 512465第2章基于AdaBoost人脸检测办法研究 7222172.1AdaBoost人脸检测算法原理 750042.1.1积分图与矩形特性 8114052.1.2分类器设计 1077722.2人脸检测算法分析 11211052.2.1人脸检测算法合用条件 1166182.2.2视频序列人脸检测算法漏检与误检分析 14225472.3基于AdaBoost算法人脸图像粗定位 15250192.4本章小结 1912988第3章人脸特性点定位办法研究 2012743.1人脸特性点选用 20207153.2眼睛特性点定位 21117223.3鼻子特性点定位 24314993.4嘴特性点定位 25137903.5人脸特性点定位成果与分析 26294573.6本章小结 3012837第4章人脸几何特性向量匹配辨认 3145654.1人脸几何特性向量构造 31228284.2特性向量相似度计算 32226274.3特性向量相似度分析 374484.4本章小结 3923697第5章视频序列多目的人脸检测实验与成果分析 4091045.1基于视频序列多目的人脸检测 40296075.2视频序列多目的人脸检测成果与分析 41209525.3本章小结 4721207第6章结论 4810327参照文献 5023760在校研究成果 539513道谢 54第1章绪论1.1人脸检测办法研究目及意义人脸检测是生物检测技术一种重要方向，因其操作简朴、直观、非接触等特点作为选用生物特性重要考量核心，信息系统安全保障性重要运用人脸视觉特性信息进行检测、辨认以及分析，由于人脸图像蕴含着丰富信息，因此近年来始终受到研究者青睐，投入大量精力进一步摸索。人们寻常生活生产以及社会发展离不开学科技术对人脸图像研究，特别随着对人脸检测技术研究不断进一步，提取和解决简朴环境和复杂环境下人脸图像成为计算机视觉系统中重要研究领域[1]。单目的人脸检测系统是最初应用领域，以往单目的人脸检测是模式辨认以及图像解决领域主流研究课题[2]。单目的人脸检测(FaceDetection)即判断图像中人脸存在，拟定人脸数量，位置及大小，并从背景中分离出来。人脸唯一性决定人脸检测技术在隐私性、安全性强邻域有着更为广泛应用，与其她生物特性相比，例如掌纹、指纹、静脉、虹膜等生物特性人脸具备非接触性强大优势，更易于被各领域所接受[3]。访问限制、司法领域、电子商务、视频监控等都在个人身份辨认应用范畴之内[4]。随着技术不断进一步改革，单目的人脸图像检测无法满足社会科技发展，单目的已无法满足科研者需要，多目的人脸检测技术更是成为研究热点。多目的人脸检测成为一种亟待进一步挖掘生物检测领域，多目的人脸检测技术不但应用在国际公共安全防护系统；在寻常身份验证、公安抓捕罪犯、金融持卡人安全防护等重要各个领域中有着极其现实应用价值，多目的人脸检测速率和精确率都是重要研究方向。多目的人脸检测是指待检测图像中包括多幅人脸图像，将检测出人脸某些提取出来，与此同步人脸图像检测成果与提取图像质量直接关系到人脸检测技术整体水平[5]。另一方面，基于人脸某些检测成果进行人脸特性点定位检查，特性点定位可以呈现面部特性信息。人脸特性点定位不但可以应用在人脸姿态与表情分析，还可以对图像中人脸实时跟踪[6]。最后运用提取几何特性信息进行匹配辨认，对人脸图像特性数据进行变换找到可以反映本质特性。由人脸检测、人脸特性点定位以及人脸几何特性向量匹配结合多目的人脸检测办法，不但系统有着易于大众接受、操作以便、以便进行检查与验证等长处，同步还可以实现视频序列中多目的人脸图像动态分析。总体来说，多目的人脸检测技术将图像解决、模式辨认、计算机视觉以及数学等诸多学科融为一体，具备十分广泛应用价值。由此可见，通过大量资料研究得出多目的人脸检测办法研究课题具备现实研究意义、必要技术研究、学术价值以及无限前景，必将成为信息技术发展炙手可热研究课题，因而多目的人脸检测办法研究题目选取具备研究价值和必要性。1.2多目的人脸检测办法研究动态1.2.1多目的人脸检测研究现状多目的人脸检测办法研究中，人脸检测是首要技术环节也是人脸图像解决、人脸辨认、人脸特性提取、人脸追踪必要工作，检测技术可以作为单独一项研究也可以与辨认、跟踪相结合应用[7]。多目的人脸检测是实现单目的人脸检测并行计算。人脸检测办法研究蓬勃发展于20世纪90年代，在人脸检测领域获得了卓越学术成果[8]。该技术重要是运用计算机对人脸图像进行分析并提取人脸位置、姿态等信息，运用不同提取特性办法进一步分析生物特性。随着计算机硬件和软件水平整体提高，人脸检测系统中鲁棒性这一性能成为技术发展核心之举[9]。20世纪90年代以来，人脸图像整体检测和部件单独分析相结合研究办法成为各研究人员关注热点，重要运用人脸各类特性信息，结合人脸构造特性、分布规律、记录规律等等提出众多新人脸检测算法[10]。M.H[11]采用稀疏逼近窗口网络学习办法、Sung采用特性矢量训练出判断人脸办法、S.C等人基于二维离散余弦变换办法实现人脸检测。在人脸检测技术开始向现实领域拓展，将人脸检测领域不断应用在实际生产生活中[12]。当前多目的人脸检测领域重要有两个研究方向：第一种是1991年Turk和AlexPent-land[13]采用K-L变换办法提取人脸整体生物特性，将主成分分析（PrincipalComponentAnalysis）引入到人脸检测系统中[14]。PCA重要是对矩阵做变换和投影提取人脸代数特性。如Bledsoe[15]提出了一种基于人脸特性间距、比例半自动下人脸检测和辨认系统。Sung等提出了人脸图像样本到各类中心距离训练学习办法；第二种是基于特性分析，描述脸部特性形状参数或者类别参数等构成人脸检测与辨认向量，可以保存人脸图像之间拓扑关系。通过对部件分析提取局部特性信息以及灰度记录规律，实现部件检测[16]。基于部件特性提取局部轮廓和灰度信息算法不断推陈出新。Lam[17]提出一种基于整体分析与局某些析相结合人脸检测办法。针对视频序列多目的人脸检测是视频监控对图像序列视觉分析过程，重要任务是分析视频序列中目的行为特性。视频序列多目的人脸检测办法可以有诸各种类，简介3种基于视频序列多目的人脸检测办法，重要分为光流法、背景减差法、帧差法[18]。光流法光流法是老式视频序列持续目的检测算法之一，由于视频序列是持续帧静态图像，人脸图像在每一帧图像上不断运动，相应人脸亮度模式也在变化。光流法检测原理基于变化人脸图像随时间变化光流特性，运用位移向量光流场定位人脸外部轮廓，基于外部轮廓实现多目的人脸检测。基于光流法多目的检测打破视频帧间运动干扰，可以解决间隔很大位移，但是光流法计算量很大，比较复杂同步噪声影响很大，无法实现多目的实时检测。背景减差法静止背景下多目的检测惯用办法是背景减差法。背景减差法核心思想是将帧图像与背景作差，选用阈值判断差分图像与否是运动目的，检测出多目的位置、大小及形状特性信息。背景减差法长处在于操作简朴、计算量较低、检测速度比较快，然而却容易受到光照影响，减少检测率。因此，背景减差法对背景更新机制有更为严格规定。帧差法帧差法最直接应用是检测视频序列中持续帧之间多目的图像变化状况。帧差法采用计算两帧图像之间相应像素点间灰度差分，计算阈值提取目的。三帧差法改进了帧差法中检测目的过大现象，将第k帧图像与第k-1帧、第k+1图像与第k帧图像分别作差用二值差分图像。帧差法实现视频序列多目的检测对场景光照状况不敏感，有较好鲁棒性，检测效果稳定，但是无法提取详细特性像素，容易产生空洞现象，特别图像之间间隔过大，目的运动速度过快会导致检测不精确。多目的人脸检测技术应用广泛，针对多目的下各种姿态都可以实现迅速有效实时人脸检测。当前针对多目的人脸检测方面研究国内外学者获得大量研究成果。在现实应用方面，现今流行某些数码产品，例如相机、手机等可以再拍摄过程自动实现人脸进行对焦，美国Visionics公司提出了一整套基于局部特性分析（LocalFeatureAnalysis）算法人脸检测系统；VisageGallery身份验证系统；国外手机操作系统基于Eigenface技术推出手机人脸解锁功能。在国内研究学者不懈努力下，国内在多目的人脸检测技术研究领域也获得巨大成就。辽宁省大连市使用人脸辨认技术作为机场安检防护手段、公安部采用人脸辨认技术作为追捕逃犯、防止恐怖势力和维护国家安全重要手段；同步在学术研究方面，以北京大学、清华大学和中科院为首许多科研人员都在从事人脸检测研究，关于图像解决、计算机模式辨认、生物辨认国际高质量论文刊登状况也是令人自豪[19]。1.2.2多目的人脸检测研究内容多目的人脸检测办法研究重要涉及如下内容：（1）人脸检测当前以不同视角和背景下人脸检测为主流研究课题，人脸检测重要是受光照、姿态、表情影响，人脸检测精准度是研究过程中重要指标，研究者提出各类算法最后目是提高人脸检测精度。从人脸检测技术发展方向来看，大体可将检测技术分为基于特性办法和基于图像办法两大类[20]。人脸肤色、对称性、构造特性都是人脸模式特性重要因素，肤色特性是可以迅速定位到人脸一种办法，不考虑人脸面部细节特性，从而对面部表情多姿态变化有着更好鲁棒性，高斯肤色模型、混合高斯肤色模型[21]以及直方图肤色模型是建立肤色模型重要三种肤色模型，还涉及基于神经网络肤色模型、基于贝叶斯办法肤色模型，肤色模型与色彩空间息息有关；另一方面基于图像办法进行人脸检测，检测实质是记录模型建立，通过选用不同记录办法进行二分类，基本思路是采用小窗口扫描搜索人脸区域[22]。无论是基于特性还是图像均有各自长处或缺陷，基于特性办法有较好检测速度，而基于图像办法更为可靠。基于人脸检测发展之下，Govindaraju等提出基于检测椭圆来进行人脸检测，通过边沿检测、提取边沿曲线特性和评估人脸曲线来检测人脸；Lee等运用建立肤色模型将人脸从复杂背景中检测和分离出来；Zabrodsky等基于检测圆形区域办法提出对称持续检测[23]，判断人脸存在与否；Marques采用分割投影实现人脸检测；P.Viola提出AdaBoost人脸检测算法是当前人脸检测研究核心，应用最为广泛。（2）人脸特性点定位基于人脸精确检测之下，提取人脸特性重要涉及几何特性、代数特性提取办法。几何特性可以反映人脸器官几何联系和器官自身属性，人脸特性点之间欧氏距离、长度、面积、角度以及曲率都是几何特性重要参数。针对人脸局部特性点定位涉及基于轮廓检测眼睛定位算法[24]、基于区域投影人眼精准定位算法[25]、基于改进型抛物线Hough变换眼睛特性点定位等等[26]，重要涉及双眼定位、眼睛区域分割、人眼特性提取三个方面，一种彩色空间分布嘴巴定位，基于纹理分布特性虹膜辨认算法以及基于Gabor小波人脸特性提取等等，由于局部定位是针对某些人脸器官，因此人脸特性点数量有限，不能全面满足人们对特性点需求。全局特性点定位办法可以定位各种特性点，将输入人脸图像视作整体变量，通过度析建模提取目的特性信息，涉及人工神经网络（ANN）、支持向量机(SVM)等记录模型算法，但是普通此类办法缺陷是计算量大、系统耗时长。Kanada[27]最早提出对二值图像使用积分投影函数提取人脸指定特性点，Poggio和Brunelli[28]又对算法进行了改进，使算法对光照适应性增强；Feng等提出运用特性方向上像素灰度值方差提取特性，算法对复杂背景下人脸特性提取鲁棒性增强；MohamedRizon采用边沿信息、色度和谷算子进行人眼定位，但是受光照和速度影响很大，不够稳定，运算量比较大。（3）人脸辨认人脸辨认技术应用范畴很宽阔，涉及表情辨认、姿态分析、脸部合成、人脸融合等方面，人们提出不同算法提取出人脸特性信息，按照一定分类方略与各个人脸特性信息进行对比[29]。人脸辨认种类也是各种各样，涉及复杂背景和简朴背景、静态动态图像、彩色灰色图像等等。人脸辨认是人脸图像解决复杂任务，起始于20世纪60年代涌现出许多人脸辨认办法和思路，发展阶段历经人脸正面辨认过程、多表情多姿态辨认、动态跟踪人脸辨认、人脸三维辨认[30]。ZhaoHT提出一种改进优化子空间线性鉴别分析办法，在人脸数据库中进行测试获得较好辨认率[31]；Cottrell等使用级联BP(BackPropagation)神经网络对受损人脸图像、光照影响严重人脸图像进行人脸辨认；Jonsson提出支持向量机分类可以辨认不同人脸，但支持向量机办法求解过程复杂、耗时无法预测甚至无法执行程序[32]；Lai将小波变化、傅里叶变换以及平面几何变换相结合办法辨认人脸。随着当代计算机视觉技术不断成熟和完善，人脸辨认技术已向三维方向发展，由此人脸技术发展空间很大[33]。当前人脸辨认办法实现经常需要训练人脸样本，但是样本采集和建立都是复杂过程，耗费大量时间和精力。随着信息技术不断发展，多目的人脸检测基于选用图像作为模板，大大缩短了时间，是人脸辨认重要研究方向之一。1.3本文工作概述和构造本文重要针对多目的人脸检测办法研究。一方面将视频序列转换为一帧帧持续静态图像，对选用第一帧图像进行人脸粗定位，涉及位置及大小，基于第一帧人脸图像作为多目的人脸检测模板；另一方面运用灰度记录和五官分布规律结合办法定位双眼瞳孔、眼角点、鼻尖、嘴角点以及嘴中线点等10个特性点提取人脸特性信息构造特性向量；最后基于几何特性向量人脸辨认办法构造7个人脸几何特性向量，计算该图像几何特性向量与模板人脸图像特性向量之间加权欧氏距离，选用最优阈值作为匹配根据，对背面输入图像中人脸图像进行检测以及定位。本文构造安排如下：第一章简介多目的人脸检测办法研究目、意义以及国内外研究动态，简介了多目的人脸检测研究内容涉及人脸检测、人脸特性点定位以及人脸匹配辨认研究办法进行分析，最后简介了本文研究内容和构造安排。第二章简介基于AdaBoost算法实现多目的人脸检测粗定位。一方面简介AdaBoost算法以矩形特性为基本分类器构造；另一方面针对视频序列人脸图像对AdaBoost检测算法进行分析，分析检测人脸图像合用条件以及视频序列人脸检测浮现漏检与误检分析；最后结合视频序列对多目的人脸图像检测成果与分析。第三章简介基于人脸图像粗定位基本之上，实现人脸特性点定位。一方面基于AdaBoost实现人脸图像粗定位，人脸特性点选用；另一方面简介眼睛、鼻子以及嘴特性点定位办法以及成果，并且基于特性点定位成果进行验证与分析；最后结合ORL人脸数据库与视频序列图像给出人脸特性点定位检测成果。第四章简介基于人脸几何特性向量匹配辨认办法。一方面简介人脸几何特性向量构造办法以及选用理由；另一方面对几何特性向量相似度进行计算与分析；最后通过计算几何特性向量间加权欧氏距离，结合人脸数据库选用最优阈值实现多目的人脸匹配成果。第五章基于视频序列多目的人脸检测实验成果与分析。通过拍摄视频序列，结合人脸检测粗定位、人脸特性点定位、几何特性向量匹配辨认，整体运营多目的人脸检测算法，对目的人物进行动态分析，对人脸图像在视频序列中检测及定位给出精确成果。采用多目的人脸检测办法给出实验成果，证明办法有效性。第六章对论文整体工作进行总结。第2章基于AdaBoost人脸检测办法研究随着人脸检测算法不断成熟，人脸检测所涉及范畴十分广泛，可以提出一系列检测算法。多目的人脸检测办法指输入图像中包括若干个人脸图像，提取人脸图像某些进行人脸特性点定位，构造几何特性向量用于多目的人脸图像匹配辨认，多目的人脸检测办法研究领域涉及各种方面。多目的人脸检测整体流程图如图2.1所示。图2.1多目的人脸检测流程图Fig.2.1Flowchartofmulti-facedetection如图2.1多目的人脸检测流程图所示，人脸图像粗定位作为多目的人脸检测首要环节，同步多目的人脸检测成果直接影响后续特性点定位以及几何特性向量构造，因此本文采用AdaBoost人脸检测算法判断图像中存在人脸位置、大小、个数等，这是人脸检测所需要必要数据。AdaBoost算法提出使人脸检测研究更加进一步，高效率和高性能等优势成为在人脸检测领域最前沿办法之一。Freund和Schapire提出AdaBoost算法实质是通过迭代办法不断调节样本权重实现[34-36]。本章将对人脸检测算法原理、人脸检测算法合用条件以及基于视频序列图像进行人脸检测成果分析。2.1AdaBoost人脸检测算法原理为了区别人脸和非人脸，AdaBoost人脸检测算法核心在于采用积分图计算办法，积分图可以迅速计算矩形特性。由于矩形特性是作为分类基本，因此计算矩形特性办法成为核心。积分图在样本集中提取矩形特性，一种弱分类器表达一种矩形特性，不同矩形特性产生了不同弱分类器，人脸检测算法目在于弱分类器组合成强分类器，同步级联强分类器用于人脸精准检测。2.1.1积分图与矩形特性矩形特性（Haar-like特性）[37]是由Papagcorgiou提出用于区别人脸与非人脸，可以描述人脸特性信息。有人脸灰度分布规律可知，眼睛周边区域颜色比眼睛浅、鼻子颜色比鼻子两侧周边浅、嘴唇周边区域颜色同样浅于嘴唇等等。人脸检测核心问题在于提取矩形特性，矩形特性形式如图2.2所示。a2-矩形特性b3-矩形特性c4-矩形特性图2.2矩形特性Fig.2.2Featuresofrectangular由图2.2可以看出，矩形特性都是由形状大小相似矩形构成，可以反映人脸图像特性信息。重要涉及2-矩形特性、3-矩形特性、4-矩形特性这三种类型矩形特性。2-矩形特性：由2个大小形状相似矩形构成，有相邻和垂直两种形式代表图像边沿特性信息。3-矩形特性：明显由3个相似水平或者垂直放置矩形构成，与2-矩形特性不同是它代表着线性特性。4-矩形特性：由4个大小相似矩阵构成，包括对角线特性。所谓矩形特性特性值将白色矩形内所有像素灰度值减去黑色矩形内所有像素灰度值。如图2.2中三种矩形特性，2-矩形特性值是两个大小相似黑色和白色矩形像素值之和作差；3-矩形特性特性值是两个白色矩形所有像素值之和与黑色矩形所有像素值之和作差；4-矩形特性值是对角线上两个矩形内部所有像素和与此外一条对角线上两个矩形内部所有像素和作差值得到。对于不同大小检测窗口来说，检测窗口越大，相应特性矩形数量就越庞大，计算量就越大。不同大小检测窗口中相应矩形特性数量如表2.1所示。表2.1检测窗口大小与矩形特性相应关系Tab.2.1Thenumberofrectanglefeatureindifferentdetection-window检测窗口大小 16×1620×2024×2430×3036×36矩形特性3238478460162336394725816264由上述表2.1可以看出，对于一种30×30大小检测窗口来说，包括394725个矩形特性，远远不不大于检测窗口中像素个数。因而迅速计算特性值成为人脸检测核心问题。Voila等人提出用积分图来解决矩形特性计算问题，提高了检测窗口运营速度如图2.3所示。AAAAAAa像素点A积分值b矩形区域积分计算图2.3像素点A和矩形区域积分图像值Fig.2.3ComputetheintegralvaluefortheregionandpointA积分图思想：计算图像中任意一点图像积分等效于图像上该点左上方所有像素灰度值和。特性点积分值直接决定矩形特性值大小，与其她任何因素无关。计算像素点积分值就可以不久计算矩形区域积分图像值。如图2.3a所示，图中黑色阴影某些代表A积分值，即点A左上方区域所有像素灰度值进行求和。图2.3b中矩形区域积分图像值求解办法为：点1积分图像值(f1)=矩形A区域像素灰度值之和；点2积分图像值(f2)=矩形A区域像素灰度值总和+矩形B区域像素灰度值总和；点3积分图像值(f3)=矩形A区像素域灰度值总和+矩形C区域像素灰度值总和；点4积分图像值(f4)=矩形A+B+C+D区域所有像素灰度值总和；由此可见，矩形区域D积分图像值=f4+f1-f2-f3即可。采用积分图思路计算矩形特性办法使人脸检测迈向新阶梯，重要贡献是提高计算速度，可以有效避免重复计算。人脸检测重要是结合矩形特性某些信息，矩形特性可以存在人脸图像任意区域，大小一定不能超过人脸图像尺寸，开始时设立较小矩形特性初始值，遍历整个图像过程中不断放大，直到检测出人脸图像位置及大小之后结束检测。如图2.4所示，人脸图像中眼睛亮度低于鼻梁和脸颊亮度；鼻梁亮度低于两侧脸颊亮度；嘴亮度低于周边区域亮度，上述矩形特性充分反映出人脸灰度分布特点。检测人脸过程需要大量不同大小、类型、位置矩形特性，总体得出结论，检测人脸核心点在于寻找图像中矩形特性。图2.4矩形特性与人脸结合Fig.2.4TheintegrationofHaarfeatureandface2.1.2分类器设计采用矩形特性人脸检测办法核心是AdaBoost算法，目是将分类能力普通弱分类器通过特定办法叠加变成分类能力强级联分类器。弱分类器构建与矩形特性密不可分，每个矩形特性代表着一种弱分类器，弱分类器分类效果（最强分类效果为1）略不不大于0.5，在弱分类器基本之上按照一定规则组合成一种分类精度高强分类器。弱分类器重要考虑矩形特性值、阈值、批示不等号因素影响，详细定义公式为：（2.1）其中fi(x)代表检测窗口x第i个特性值；Pi代表批示不等号即决定不等号方向；为分类器阈值。一方面选用人脸图像和非人脸图像作为训练样本，对其权重初始化、归一化解决；另一方面对积分图中计算出特性值构建弱分类器，选用误差最小化阈值和批示不等号；最后最优弱分类器重新更新样本权重使错误样本权值逐渐增大，将非人脸图像凸显出来。弱分类器目的是选用误差率最低矩形特性。各种弱分类器构成强分类器，人脸与非人脸样本分类效果明显增强。强分类器将多次迭代训练弱分类器，对错误率最小最优弱分类器加权求和，构造出强分类器，强分类器表达式如2.2所示。（2.2）充分考虑到人脸检测办法需要更强实时性，因此级联分类器提出大大提高人脸检测精准度和速度。例如设计一种20组分类器，每组包括10分类器，这样就可以有效取代由200个分类器。级联分类器由AdaBoost算法训练出来强分类器组合而成，待检测图像需要需要通过层层筛选，任何一种强分类器判断为非人脸窗口，就无法送至下一层强分类器，只有通过所有强分类器最后鉴定为人脸窗口[38]。级联分类器设计重点在于赋予前几层较少弱分类器而背面几层较多弱分类器，这样设计可以加快非人脸窗口图像排除、提高检测精准度、予以背面检测窗口更精密检测，输入图像检测过程如图2.5所示。图2.5级联分类器Fig.2.5Cascadeclassifierstructure 通过级联分类器可以看出，在多层分类器共同作用下有效区别人脸图像和非人脸图像，如果成果为‘YES’直接传递给下一层分类器；如果鉴定成果为‘NO’直接作为裁减检测窗口。同样最后误检率和检测率与每一层分类器误检率、检测率有关。通过测试可以变化每一层分类器检测率、误检率，使最后检测检测率达到99%以上即可停止运算。一种涉及M层级联分类器是由M个强分类器构成，最后检测率等于每一种强分类器检测率累积，同样误检率也是M个强分类器误检率累积，由此可见，级联分类器作用就是提高检测率、减少误检率、加快运营速度。2.2人脸检测算法分析2.2.1人脸检测算法合用条件输入人脸图像中涉及人脸个数从1个到14个不等，至少人脸图像中包括1个人脸而最多人脸图像中包括14个人脸；随着人脸数量不断增长导致人脸辨别率逐渐减小，这样导致人脸检测算法无法从复杂背景中提取人脸图像，针对AdaBoost人脸检测算法从光照因素、人脸辨别率、人脸左右旋转角度、上下仰俯角度以及水平旋转角度方面分析检测效果。分别选用四组不同人脸图像进行人脸检测，第一组选用视频拍摄图像大小为320×240包括不同光线照射人脸图像，检测成果如a图所示；第二组选用ASM人脸数据640×480大小，包括人脸左右不同旋转角度人脸图像，检测成果如图b所示；第三组同样选用ASM人脸数据库640×480大小包括人脸上下仰俯角度人脸图像，检测成果如图c所示；第四组选用720×480大小人脸图像，包括不同尺度人脸检测成果如图d所示；基于AdaBoost人脸检测算法在不同条件下检测人脸整体成果如图2.6所示。a不同光照b不同旋转角度c不同仰俯角度d不同辨别率图2.6不同条件下人脸检测成果Fig.2.6Thedetectionresultsindifferentcondition基于视频序列图像和ASM人脸数据库中人脸图像进行人脸检测，如图2.6a所示，在正常光照下可以实现较高检测率，图2.6可以检测人脸有一定左右旋转角度，图2.6c可以检测人脸有一定水平旋转角度，图2.6d可以看出人脸检测算法可以检测不同辨别率大小人脸图像，解决了人脸图像在视频序列中由于距离拍摄镜头远近导致人脸图像多尺度问题。人脸检测算法矩形特性使得检测成果对光照不敏感；在光照条件灰暗时，人脸图像中眼睛、鼻子灰度值与周边区域差别变小，特性值不明显导致强分类器分类能力削弱，浮现漏检、误检状况，通过不断测试可以找到人脸检测图像基本属性。人脸检测基本条件如下：（1）检测人脸图像辨别率要不不大于或者等于20×20；（2）检测人脸图像左右侧面旋转角度不大于或者等于20度；（3）检测人脸图像上下仰俯角度不大于或者等于20度；（4）检测人脸图像水平旋转不大于或者等于15度。普通状况下夸张动作幅度会影响矩形特性构造人脸检测器，就会影响人脸检测成果，但是在安全监控系统中普通不会有夸张动作和面部表情，可以直接裁减掉这样图像。综合上述影响人脸检测成果因素，满足正常光线完全可以进行人脸检测。对于人脸检测场景涉及室内场景、室外停车场、电梯厅等等一系列可以应用人脸检测算法检测人脸图像。由此可见，人脸检测中人脸图像辨别率最小临界值为20×20，不大于20×20大小图像早已无法分清面部五官特性，虽然可以进行人脸检测初步定位也无法进行人脸特性点定位，就无法实现人脸匹配辨认，最后也将裁减图像，无法作为多目的人脸检测核心素材。多目的人脸检测办法重要是针对视频持续图像进行人脸检测，如果遇到人脸辨别率太小无法进行人脸特性点定位状况，可以继续对下一帧图像进行人脸检测，持续对人脸图像进行追踪定位。2.2.2视频序列人脸检测算法漏检与误检分析人脸检测算法在现实生活中应用受到许多因素影响，涉及场景障碍物、目的配饰、人脸面部表情等等，会浮现误判、漏检状况。通过对电梯、停车场某些安全监控系统中经常浮现场景进行测试，基于AdaBoost人脸检测算法针对视频序列中包括不同光照、表情、姿态有较好检测率，而误检和漏检状况也会浮现，不能检测出人脸图像状况如图2.7所示。图中没有检测出人脸图像涉及由于视频中人脸动作幅度过大，导致视频转换成帧图像比较模糊；光线太暗，人脸图像灰度信息不明显；人脸仰俯动作夸张等因素导致无法检测人脸矩形特性，导致检测器失效。图2.7没有检测出人脸图像Fig.2.7Theimageswithoutdetectedface综合上述图2.7中漏检与误检浮现状况：（1）人脸图像刚浮现时；（2）人脸图像上下晃动明显；（3）视频中人脸图像发型遮挡脸部严重；（4）人脸图像移动距离过大；（5）某一帧图像浮现漏判后会有一系列误判；（6）新人脸图像刚浮现前几帧浮现漏判。基于上述人脸检测对漏检和误检状况分析，由于视频拍摄图像普通可以达到每秒10帧到30帧图像，并且每秒内图像变化不会很大，因此在进行视频序列人脸检测与定位过程中，如果浮现上述几种状况，可以紧接着对背面持续几帧图像进行检测，起到一种验证作用，同步采用特性点辅助定位也可以更加准的确现多目的人脸检测及定位。2.3基于AdaBoost算法人脸图像粗定位多目的人脸检测办法一方面基于AdaBoost算法检测出输入图像中所有人脸某些，涉及人脸图像位置、大小；在此基本之上进行人脸特性点定位，提取人脸特性信息；最后构造人脸几何特性向量进行匹配辨认。人脸图像粗定位精确性为人脸特性点定位及几何特性向量人脸辨认打下坚实基本。从持续视频序列第一帧图像开始，基于AdaBoost检测算法提取人脸，中心校正后特性点构造几何特性向量逐个放入自建人脸库中，视频序列自建人脸库涉及整个视频序列中浮现所有人脸图像，在后续图像中新进入拍摄镜头人脸图像由于无法与初始人脸库中人脸图像匹配则自动将新目的加入视频人脸库中。作为多目的人脸检测首要环节，基于AdaBoost人脸检测精准度直接影响后续检测成果，由于AdaBoost是一种采用权值更新办法以及级联分类器相结合人脸检测算法，使得在检测过程中对人脸图像夸张面部表情、风格迥异发型、衣物装饰品鲁棒性很强，精确率不会受到影响，在某些现实生活场景中具备较高检测效果。输入任意一张图像，扫描整个图像，AdaBoost人脸检测详细环节如下：（1）输入图像辨别率为M×N，扫描窗口为m×n，系数窗口不断变大；（2）扫描窗口遍历整个输入图像；（3）标记检测为人脸矩形扫描窗口位置和大小；（4）不断更新扫描窗口，直到无法变大，退出检测系统，输出检测成果。实验基于AdaBoost算法实现人脸检测，基于简朴背景和复杂背景多目的人脸粗定位成果如图2.8所示。a复杂背景下2个人人脸检测成果b多目的人脸检测成果图2.8人脸图像粗定位Fig.2.8Thefirstlocalizationoffacialimage由图2.8可以看出a为复杂背景下2人人脸检测成果以及2人以上多目的人脸检测成果，实验成果表白基于AdaBoost人脸检测算法可以对头部有轻微倾斜、头部有少量遮挡、佩戴眼镜状况下精确检测出人脸某些，证明AdaBoost人脸检测算法检测效果可以应用于多目的人脸检测办法研究。实验通过摄像头采集640×480大小图像，涉及表情、光照、辨别率、左右旋转角以及水平旋转角差别多目的人脸图像，共计拍摄5组视频序列图像，选用每组视频20帧图像，采用AdaBoost人脸检测算法进行粗定位，视频序列图像多目的人脸粗定位成果如表2.2所示。表2.2视频图像多目的人脸检测成果Tab.2.2Thedetectionresultsofmultiplefaceinvideoimages视频图组总帧数人脸总数对的检测检测率误检数漏检数第一组20帧585696.5%11第二组20帧767396%21第三组20帧989495.9%22第四组20帧15915396.2%24第五组20帧20019095%64基于实验成果可以看出，AdaBoost人脸检测算法对于视频图像检测效果有较强适应性和鲁棒性，在实际拍摄现实场景应用范畴较广泛；同步人脸检测率在第五组视频检测中，每帧图像涉及10个人脸图像检测率可以达到95%，而无法检测人脸图像重要发生于人脸图像仰俯幅度过大、旋转角过大状况之下导致矩形特性人脸检测分类器失效。2.4本章小结文章简介一种基于AdaBoost人脸检测算法实现多目的人脸检测粗定位。通过积分图对矩形特性迅速计算出特性值，基于特性值构造弱分类器进行分类，不断更新权重将人脸图像与非人脸图像差别化分离，将若干个弱分类器组合成分类效果更好强分类器和级联分类器实现人脸检测。通过对ASM人脸数据库和视频序列图像进行人脸检测，分析AdaBoost人脸检测算法合用条件，面对不同光照、不同表情、不同姿态检测成果，同步分析视频序列人脸检测算法不可以检测出人脸图像因素。第3章人脸特性点定位办法研究3.1人脸特性点选用人脸特性点是构造人脸几何特性向量核心，根据脸部器官属性和互相位置关系选用可以反映特性信息特性点，特性点分布在人脸外部轮廓、眉毛、眼睛、鼻子、嘴等器官区域之中[39]。基于灰度记录和五官构造分布规律办法进行人脸特性点定位可以提高人脸检测成果，提高多目的人脸检测精度。人脸特性点选用重要考虑因素有：（1）提取特性点个数。特性点数量既要可以包括脸部足够特性信息又不能太过于繁琐，由于复杂特性点会增长算法时间维度，减少运营速度，减少精确率。（2）特性点选用对表情变化鲁棒性。即人脸特性点对表情变化不敏感，不影响特性点定位精准度，可以进行人脸有效辨认。综上所述，特性点选用对于后续检测对的性与否起到极其重要作用。综合上述考虑因素，因而本文选用了10个人脸特性点，它们分别是双眼瞳孔点、双眼左右眼角点、鼻尖、左右嘴角点以及嘴中线点，特性点可以全面反映脸部特性信息如图3.1所示。依照特性点角度不变性长处，与此同步与其她测量办法比起来，本文选用特性点更容易从人脸图像中提取出来并且加以测量和计算，为后续构造几何特性向量打下坚实基本，增长算法精准度。图3.1人脸特性点选用示意图Fig.3.1Schematicdiagramoffacialfeaturepoints由于瞳孔间距受光照和表情影响比较小，作为特性点选取比较稳定，特别在人脸辨认中瞳孔点选取是必不可少；眼睛、鼻子、嘴等各个面部器官形状和互有关系是作为人脸辨认重要根据。由于现实中视频图像拍摄受到光照、摄像技术以及人物动作表情影响，因此在特性点定位之前，普通需要对人脸图像进行预解决。一方面要将彩色RGB图像转换为灰度图像；同步，灰度化图像要保持图像自身不能失真，失真人脸图像会影响特性点提取，减少人脸检测精确性。良好灰度化图像是特性点定位基本，既可以提高特性点定位精准度又减少定位难度。图像预解决过程详细涉及图像祛除噪声、彩色图像转换灰度图像、图像二值化等等，图像均衡化解决消除光照对图像影响。3.2眼睛特性点定位眼睛位于人脸特殊区域，人与人之间可以通过眼睛传达不同讯息，因而眼睛特性点必不可少。由于双眼瞳孔之间距离受外界因素影响非常小，因此特性点比较稳定。眼睛特性点定位是所有特性点定位第一步，直接影响鼻子、嘴特性点精确性[40]。基于人脸面部器官分布规律可以粗略提取眼部区域，与此同步人脸图像中眼睛灰度值普通较周边区域偏小，运用该特性记录提取人眼区域水平方向和垂直方向灰度值之和可以实现眼睛特性点定位，眼睛特性点定位流程图如图3.2所示。 图3.2眼睛特性点定位流程图Fig.3.2Flowchartofeyesfeaturepointspositioning依照五官分布规律，人脸构造遵循着一定构造原则。眼睛区域高度是人脸图像从上到下1/5-1/3，宽度从左到右为人脸图像1/5-4/5，粗略提取眼睛区域，依照上述办法提取眼睛区域可以避免眉毛对眼睛特性点定位精准度；记录水平方向和垂直方向上灰度值，分别求出两个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点，拟定双眼瞳孔特性点如图3.3所示a眼睛区域提取b水平灰度c垂直灰度d瞳孔点定位成果。a眼睛区域提取b水平灰度c垂直灰度d瞳孔特性点定位图3.3瞳孔特性点定位成果Fig.3.3Localizationresultsofpupilfeaturepoints采用灰度记录和人脸分布规律定位眼睛特性点，基于双眼瞳孔特性点定位基本之上，划分双眼区域进行眼角点特性点定位。由于受到眼睑、眼白、鱼尾纹影响无法直接提取外部轮廓，因此眼角定位采用Canny边沿检测算子，转化为有边沿轮廓二值图像，灰度值起伏变化大地方为边沿，Canny算子检测核心在于阈值选取，选用不同阈值边沿提取效果不同，因此通过灰度值记录选用最优阈值；双眼边沿检测成果如图3.4所示，二值化图像如图3.4中a与b图，对二值化后图像从左向右逐列扫描，找到第一种浮现‘1’点为左眼角点，从右向左逐列扫描拟定右眼角点。a左眼b右眼图3.4双眼边沿检测成果Fig.3.4Edgedetectionresultofeyesregion眼睛特性点定位成果如图3.5所示，眼睛特性点定位算法基于ORL人脸数据库中不同人物眼睛特性点定位成果如图3.6所示。图3.5眼睛特性点定位成果Fig.3.5Theresultofeyesfeaturepoints图3.6ORL数据库中眼睛定位成果Fig.3.6EyespointspositionresultsofORLdatabase由于眼睛特性点定位作为人脸特性点定位首要环节，直接影响鼻子和嘴特性点定位成果，因此眼睛特性点定位成果精确率是重要研究根据。针对ORL人脸数据库得到眼睛特性点成果如表3.1，从中可以看出眼睛特性点精确率可以达到97%，定位效果最佳是右眼瞳孔点达到100%。眼睛特性点办法可以有效应对表情变换、达到一定精确率。同步基于人脸图像检测粗定位需要对人脸图像进行中心校正，基于双眼瞳孔位置连线与图像水平方向旋转，因此眼睛特性点定位是整体特性点定位过程中核心环节，基于灰度分析和面部构造结合眼睛特性点定位办法可以应用与多目的人脸检测。表3.1眼睛特性点精准定位成果Tab.3.1Theeyefeaturepointslocalizationresultsofthehumanface人脸特性点图片总数正拟定位精确率左眼瞳孔点400幅395幅98.75%右眼瞳孔点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鼻子特性点定位鼻子是人脸中最亮部位，最能体现人脸凹凸感，鼻子既位于人脸中间位置又位于眼睛下方，基于眼睛特性点定位成果之上提取鼻子区域进行鼻子特性点定位。普通状况下，人脸左右旋转角度在一定范畴之内，鼻尖特性点横坐标即双眼瞳孔坐标点横坐标中点；计算鼻子区域垂直方向灰度值之和，灰度曲线波谷点即为鼻尖特性点纵坐标，鼻子特性点定位成果如图3.7所示a鼻子区域提取b鼻子特性点定位成果以及c数据库中鼻子特性点定位成果。a鼻子区域提取b鼻子特性点定位c数据库中鼻子特性点定位成果图3.7鼻子特性点定位成果Fig.3.7Nosefeaturespointpositionresults普通，由于人脸数据库或者视频序列人脸图像受到人脸图像辨别率、光照、以及鼻子左右摆动幅度影响，本文所采用办法实现鼻子特性点定位可以对鼻子有轻微倾斜和仰俯角度人脸图像进行定位，基于人脸五官构造分布和灰度记录办法可以有效实现鼻子特性点定位，因而鼻子特性点研究办法具备现实意义。3.4嘴特性点定位在人脸面部器官中，嘴特性点提取重要性仅次与眼睛特性点提取，正是由于人类嘴部轮廓各种各样、各不相似，才干将嘴特性考虑加入到人脸辨认中。嘴位置位于鼻子正下方，嘴角点能凸显出嘴部轮廓整体曲线，嘴特性点在人脸辨认中占有重要地位。由于生活中人们受到各种因素影响，夸张面部表情导致嘴轮廓变形，因此嘴特性点定位精确性较眼睛、鼻子等特性点偏低，这也是人脸特性点定位难点之一。重要难点在于有些图像辨别率过小，导致提取嘴区域过小、嘴轮廓线不够清晰；另一方面受到面部表情影响，嘴轮廓变形严重，如图3.8所示。图3.8嘴轮廓变形图像Fig.3.8Mouthcontourdistortionimages

一方面基于人脸图像提取出嘴轮廓区域图像，在嘴特性点定位之前，需要对嘴图像进行预解决。依照每个图像灰度值，记录出最优阈值进行Canny边沿检测，阈值选用是将不大于阈值灰度值赋0，相反不不大于阈值灰度值用1来表达，阈值选用越精准，嘴轮廓越明显，这样使得特性点定位更加精确并对图像采用中值滤波祛除图像中某些孤立点，通过二值化解决得到边沿轮廓线，如图3.9所示。 图3.9嘴部边沿检测成果Fig.3.9Edgedetectionresultofmouth由边沿检测持续性，对预解决后二值图像从左向右依次逐列搜索，初次浮现坐标点即为左嘴角点；从右向左逐列扫描，初次浮现坐标点为右嘴角点，这样就拟定出嘴角点；嘴中线纵坐标为嘴区域灰度值求和波谷点，横坐标为脸部中线。通过ORL人脸数据中人脸图像嘴特性点定位成果如图3.10所示。图3.10ORL数据库中嘴部特性点定位成果Fig.3.10MouthfeaturepointspositionresultsofORLdatabase普通状况下，嘴特性点定位受到表情变化影响，还要考虑到胡子和遮挡物某些因素干扰，特性点定位精准度会减少，通过本文对微笑面部特性（嘴唇分离状态）、有胡须遮挡嘴轮廓人脸图像进行了嘴特性点定位，图3.10所示实验成果表白可以实现对有面部表情和少量遮挡嘴部进行特性点定位。3.5人脸特性点定位成果与分析采用人脸五官分布规律和灰度记录相结合人脸特性点定位算法，与其她特性点定位办法相比可以更快、更精准、更实用实现特性点定位。由于特性点定位精准度直接影响构造几何特性向量、人脸匹配辨认成果，因此在特性点定位之后，需要对成果进行互相验证，进一步提高人脸特性点定位算法精确度。以ORL人脸数据库作为测试目的，ORL人脸图像辨别率为92×112大小，普通地瞳孔大小宽度为6个像素大小，介于眼睑周边对瞳孔有少量遮挡，因此本文将双眼瞳孔形状看作近似6×6大小正方形，以瞳孔6×6大小正方形中心为基准，双眼瞳孔模型示意图如图3.11所示。两个像素一种像素眼睛轮廓图3.11双眼瞳孔示意图Fig.3.11Schematicdiagramofpupil求出2个瞳孔点及4个眼角点特性点定位成果与原则人脸特性点距离值，基于ORL人脸数据库中人脸眼睛特性点定位成果如表3.2所示。人脸特性点定位成果在2个像素值以内，可以进行背面几何特性向量构造和人脸匹配辨认；超过2个像素值特性点定位成果，则需要进行重新定位甚至是裁减数据成果。如表3.2所示，眼睛共计6个特性点，1个像素值最高为右眼瞳孔点，可以达到100%，最低为左眼左眼角点为96.75%；2个像素值之上数值所有为0%，1个像素值和2个像素值状况不会影响后续几何特性向量构造实验成果。表3.2人脸眼睛特性点定位成果Tab.3.2Theresultsofeyesfeaturepointspositioning人脸特性点图片1个像素2个像素2个以上左眼瞳孔点400幅98.75%1.25%0右眼瞳孔点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依照上述表数值可以反映出人脸特性点定位成果精准度，证明基于灰度记录和五官分布规律相结合人脸特性点定位办法可以实现较高特性点定位成果，为构造几何特性向量分析打下坚实基本，避免由于特性点定位成果偏差影响多目的人脸检测整体检测率，因此人脸特性点定位办法比较稳定、实用可以合用于多目的人脸检测；鼻子及嘴特性点定位成果如表3.3所示。表3.3鼻子及嘴特性点定位成果Tab.3.3Theresultsofnoseandmouthfeaturepointspositioning人脸特性点图片1个像素2个像素2个以上左嘴角400幅98.25%1.75%0嘴中线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图3.12鼻子特性点校验Fig.3.12Thecalibrationofnosefeaturepoints通过实验数据分析，眼睛特性点定位成果最大距离为2个像素大小，由图3.12可以看出，分别以对的坐标点和有2个像素点坐标点提取鼻子区域，实验证明，双眼瞳孔点实验数据不影响鼻子区域提取过程，意味着不不会干扰几何特性向量构造过程，同步鼻子特性点定位在1个像素内为98.50%，别的1.5%为2个像素，实验数据均可采纳。依照表3.2和3.3中数据可以明确看出，人脸特性点定位成果都在2个像素值以内，均不影响构造人脸几何特性向量，实验证明人脸特性点定位数据所有可以采纳，具备实际意义，精确度达到原则。基于特性点初步定位成果，对其进行数据校验，可以起到互相验证作用，提高算法精准度，维持特性点定位算法稳定性，人脸特性点定位整体成果如图3.13所示。图3.13ORL人脸数据库特性点定位成果Fig.3.13ThefeaturelocationresultsofORLdatabase拍摄人脸图像大小为640×480进行人脸特性点定位成果如图3.14所示。图3.14视频序列人脸图像特性点定位成果Fig.3.14Thefeaturelocationresultsofvideofaceimages通过选用视频序列图像，选用200幅人脸图像进行特性点定位成果如表3.4所示。表3.4视频序列人脸特性点精准定位成果Tab.3.4Thefacialfeaturepointslocalizationresultsofthevideo人脸特性点图片总数正拟定位精确率左眼瞳孔点200幅195幅97.5%右眼瞳孔点200幅200幅100%鼻尖点200幅197幅98.5%嘴部中点200幅194幅97%左嘴角点200幅197幅98.5%右嘴角点200幅198幅99%左眼左眼角点200幅196幅98%左眼右眼角点200幅200幅100%右眼左眼角点200幅198幅99%右眼右眼角点200幅195幅97.5%由表3.4实验成果可以看出，基于视频序列人脸图像进行人脸特性点定位，其中右眼瞳孔点与左眼右眼角点精确率达到100%；左嘴角点精确率为99%；鼻尖和左嘴角点精确率达到98.5%；嘴部中点精确率达到97%，嘴受表情影响比较大，微笑导致上下嘴唇分开因此特性点定位难度较大；左眼瞳孔点和右眼右眼角点精确率为97.5%。实验成果表白采用灰度记录和人脸构造分布规律人脸特性点算法可以有效对视频序列人脸图像特性点定位，有较好精确率可以达到97%以上，对于有面部表情、佩戴眼镜、嘴唇分开、有胡须遮挡人脸图像可以精确进行定位。3.6本章小结本章基于AdaBoost人脸检测算法粗定位人脸某些，采用灰度记录和面部规律结合人脸特性点定位办法，依照人脸几何特性向量匹配辨认需要选用人脸10个特性点。一方面简介人脸特性点选用，分别为双眼瞳孔点，左右眼睛眼角点，鼻尖，嘴中线以及嘴角点；另一方面采用局部特性点定位办法实现人脸特性点定位，并对人脸特性点定位成果进行分析和验证；最后依照ORL人脸数据库和拍摄图像可以实现人脸特性点定位，具备较好精确性，可以稳定在现实场景进行应用。第4章人脸几何特性向量匹配辨认4.1人脸几何特性向量构造人脸几何特性向量是基于人脸特性点定位进行构造，对选定特性点之间连线构造距离值。基于特性点构造几何特性向量可以精准体现出脸部比例关系以及各个器官自身属性[41]。将人脸之间差别等价于几何特性向量之间差别，人脸图像匹配等价于几何特性向量之间匹配辨认[42]。每个人脸图像都会构造一组几何特性向量，通过计算两个几何特性向量相似性，从而判断人脸图像匹配性。特性向量选用既要全面反映人脸特性信息又不能过于复杂导致多目的人脸检测计算量增长，因此依照几何特性角度以及尺度不变性，基于10个特性点选用7个距离特性值，构造人脸几何特性向量如图4.1所示。图4.1人脸特性向量Fig.4.1Thefacialeigenvectors特性向量选用是为凸显人脸面部特性，易于实现人脸图像匹配及辨认[43]。依照特性点选用构造7个几何特性向量，其中特性向量d1代表是双眼之间距离，即双眼瞳孔之间连线。由于双眼距离在普通状况下对光照、表情姿态鲁棒性极强，因而特性向量d1是构造人脸几何特性向量典型向量之一，与此同步双眼之间距离可以反映出每个人脸部宽度比例。特性向量d2、d3、d4分别体现人脸器官之间比例关系。d2代表眼角与嘴角之间距离，可以反映人脸外部轮廓，同步d2数值可以反映出脸部高度这一特性；d3表达眼睛和鼻尖之间距离，折射出眼睛与鼻子之间区域对人脸整个区域分派比重。特性向量d6、d7分别代表眼睛宽度和嘴宽度，构造几何特性向量进行原则化变换，因此待检测图像中人脸都在同一大小和位置上，只需比较器官特性大小即可反映不同人脸面部差别。由于人脸眼睛和嘴容易受到表情影响，导致眼睛和嘴轮廓变形，通过构造眼睛和嘴宽度，可以充分体现出人脸器官比例。几何特性向量核心设计在于特性向量d5选用，由图4.1可知，特性向量d6已经反映嘴器官属性，而特性向量d5是嘴中线到嘴角距离，由于受到图像辨别率和表情影响，与眼睛和鼻子相比，嘴变形更为严重。正常状况下，在没有表情干扰下特性向量d6大小应近似等于特性向量d52倍，而受到表情影响，这种数量关系就此变化，因此d5选用就是为了更好与d6进行验证，增长几何特性向量精确性，排除人脸表情、辨别率等其她因素对几何特性影响。4.2特性向量相似度计算基于人脸特性点定位成果，选用两个特性点坐标p1(x1,y1)和p2(x2,y2),则两点之间直线距离为构造特性向量，公式即为：(4.1)依照几何特向量构造办法，构造几何特性向量人脸图像如图4.2所示。图4.2构造几何特性向量人脸图像Fig.4.2Constructgeometricfeaturevectorsoffaceimages基于图4.2中构造几何特性向量人脸图像，描述人脸几何特性特性向量数值如表4.1所示。表4.1几何特性向量Tab.4.1Geometricfeaturevectors特性向量图像1图像2图像3图像4图像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依照几何特性向量可以凸显人脸面部比例，以及人脸图像之间差别。由于在其她人脸图像中构造图像大小不同导致几何向量数值不同，因此在构造几何特性向量基本之上将数值与嘴中线到眼睛中线距离做比值，即为原则化几何特性向量。原则化几何特性向量可以针对不同辨别率大小人脸图像实现匹配辨认，尺度不变可以迅速有效实现人脸辨认。基于ORL人脸数据库，人脸特性向量可以大体分为两类：类内特性向量和类间特性向量。所谓类内特性向量，即指同一种人人脸图像构造几何特性向量；类间特性向量即不同人之间构造特性向量。依照选用7个原则化特性向量T1-T7，选用来自同一种人10幅不同姿态图像和10幅来自不同人脸图像样本，分别计算每一种特性向量均值和方差，针对是同个人和非同一人特性向量之间方差如表4.2和图4.3所示。表4.2特性向量参数Tab.4.2Theparametersofeigenvectors类内特性向量类间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图4.3方差分析成果Fig.4.3Theresultsofvariancaanalysis如图4.3可以看出，同一种人人脸图像方差较小如蓝色折线表达，方差大小分布在0-0.02；而非同一人人脸图像方差数值较大如红色折线表达分布在0.02-0.12之间。通过实验数据可以看出，不同特性向量之间方差可以直接反映出人脸特性差别，证明几何特性向量可以用于多目的人脸检测中人脸匹配辨认，总结出人脸辨认最后归类为几何特性向量之间辨认。为了分析人脸几何特性向量之间相似性，实现人脸图像匹配辨认，通过计算特性向量之间距离判断人脸图像相似度，欧氏距离是一种应用极为广泛相似性判断函数，由于欧氏距离计算简朴直观计算图像之间差别大小，忽视几何特性向量重要限度差别，因此计算成果不够精准。加权欧氏距离引入在欧氏距离基本之上充分考虑构造这7个特性向量在人脸匹配辨认中不同地位，提高欧氏距离判断人脸图像类别精确率，并且仍旧保持着简易迅速计算优势。详细定义为：（4.2）如上述4.2公式中，De代表不同特性向量之间距离，距离越小证明相似度越高，越贴近，可以通过实验选用阈值，只有距离值不大于选用阈值满足2个特性向量匹配成功。在这里Ti和Xi分别指代不同人脸图像几何特性向量某一分量，n为构造几何特性向量总数，ωi代表特性向量权重，不同重要限度状况下权值大小各不相似。权值大小与特性向量方差有很大关联，方差数值越小，证明与均值偏离限度越小，表白特性向量稳定性极强；方差数值越大，证明波动性越大，特性向量不够稳定，因此权值赋予较小。权值计算公式如下：（4.3）（4.4）如公式4.3中所示，σ2表达特性向量方差，计算过程中特性向量权值之和必为1。公式4.3和公式4.4中权值运算过程较为清晰简洁，耗时较少，同步也有助于提高人脸辨认精确率。权值计算整体思路就是削弱波动较大不稳定特性向量比例，减少辨认错误率，将性能稳定特性向量加强在人脸匹配辨认作用，使人脸辨认成果更加可信。通过拍摄持续视频图像选用同一种人500张图像，涉及不同表情、不同姿态、不同光照、脸部不同旋转角度人脸图像，基于AdaBoost算法人脸检测粗定位、五官分布和灰度记录进行人脸特性点定位成果构造几何特性向量，依照公式4.3和4.4公式得到几何特性向量权值如表4.3所示，权值大小直接凸显出特性向量稳定限度。表4.3特性向量权值Tab.4.3Theweightvalueofeigenvectors特性向量权值特性向量权值T10.1124T50.0263T20.3523T60.1847T30.0451T70.1206T40.1586依照表4.3可以明显看出特性向量T3权值最大为0.3523，证明T3最稳定，不会容易受到表情因素干扰；T1、T4、T6以及T7也相对稳定；而T5和T2权值在整体特性向量中权值相对较小，表白这2个特性向量容易受到其她因素干