3.3 臉部檢測(cè)方法

　　OpenCV采用一種叫做Haar cascade classifier 的人臉檢測(cè)器，他利用保存在XML 文件中的數(shù)據(jù)來確定每一個(gè)局部搜索圖像的位置，先用cvLoad（）從文件中加載CvHaarClassifierCascade 變量， 然后利用cvHaarDetectObjects（）來進(jìn)行檢測(cè)，函數(shù)使用針對(duì)某目標(biāo)物體訓(xùn)練的級(jí)聯(lián)分類器在圖像中找到包含目標(biāo)物體的矩形區(qū)域，并且將這些區(qū)域作為一序列的矩形框返回，最終檢測(cè)結(jié)果保存在cvRect 變量中。

　　3.4 臉部識(shí)別方法

　　識(shí)別步驟及所需函數(shù)如圖2 所示。

　　圖2 識(shí)別步驟（visio）

　　PCA 方法（即特征臉方法）是M.Turk 和A.Pentland在文獻(xiàn)中提出的，該方法的基本思想是將圖像向量經(jīng)過K-L 變換后由高維向量轉(zhuǎn)換為低維向量，并形成低維線性向量空間，即特征子空間，然后將人臉投影到該低維空間，用所得到的投影系數(shù)作為識(shí)別的特征向量。識(shí)別人臉時(shí)，只需將待識(shí)別樣本的投影系數(shù)與數(shù)據(jù)庫(kù)中目標(biāo)樣本集的投影系數(shù)進(jìn)行比對(duì)，以確定與哪一類最近。

　　PCA 算法分為兩步：核心臉數(shù)據(jù)庫(kù)生成階段，即訓(xùn)練階段以及識(shí)別階段。

　　3.4.1 訓(xùn)練階段

　　主要需要經(jīng)過如下的幾步：

　?。?） 需要一個(gè)訓(xùn)練人臉照片集。

　　（2） 在訓(xùn)練人臉照片集上計(jì)算特征臉，即計(jì)算特征值，保存最大特征值所對(duì)應(yīng)的的M 張圖片。這M 張圖片定義了“特征臉空間”（原空間的一個(gè)子空間）。當(dāng)有新的人臉添加進(jìn)來時(shí)，這個(gè)特征臉可以進(jìn)行更新和重新計(jì)算得到。

　?。?） 在“特征臉空間”上，將要識(shí)別的各個(gè)個(gè)體圖片投影到各個(gè)軸（特征臉）上，計(jì)算得到一個(gè)M 維的權(quán)重向量。簡(jiǎn)單而言，就是計(jì)算得到各個(gè)個(gè)體所對(duì)應(yīng)于M 維權(quán)重空間的坐標(biāo)值。

　　OpenCV 實(shí)現(xiàn)為：先用cvLoadImage（）載入圖片并利用cvCvtcolor（）轉(zhuǎn)換為灰度圖片，建立自定義的迭代標(biāo)準(zhǔn)CvTermCriteria，調(diào)用cvCalcEigenObjects（）進(jìn)行PCA 操作，計(jì)算出的Eigenface 都存放在向量組成的數(shù)組中，利用cvEigenDecomposite（）將每一個(gè)訓(xùn)練圖片投影在PCA 子空間（eigenspace）上，結(jié)果保存在矩陣數(shù)組中，用cvWrite《datatype》（）將訓(xùn)練結(jié)果保存至XML文件中。下面圖3 為訓(xùn)練得到的部分特征臉圖像。

　　圖3 特征臉圖像

　　3.4.2 身份識(shí)別階段

　　在識(shí)別新的人臉圖片時(shí)，具體的操作方法流程如下：

　?。?） 基于前面得到的M 個(gè)特征臉，將新采集的圖片投影到各個(gè)特征臉，計(jì)算得到一個(gè)權(quán)重集合（權(quán)重向量）。

　?。?） 判斷新圖片是否是一幅人臉圖像，即通過判斷圖像是否足夠靠近人臉空間。

　?。?） 如果是人臉圖像，則根據(jù)前面計(jì)算的權(quán)重集合（權(quán)重向量），利用權(quán)重模式將這個(gè)人臉分類劃歸到初始時(shí)計(jì)算得到的各個(gè)個(gè)體或者是成為一個(gè)新 的個(gè)體照片。簡(jiǎn)單而言，就是計(jì)算新權(quán)重到原來各個(gè)個(gè)體權(quán)重的距離，選擇最近的，認(rèn)為是識(shí)別成這個(gè)個(gè)體；如果最近的距離超出閾值，則認(rèn)為是一個(gè)新的個(gè)體。

　?。?） 更新特征臉或者是權(quán)重模式。

　?。?） 如果一個(gè)未知的人臉，出現(xiàn)了很多次，也就意味著，對(duì)這個(gè)人臉沒有記錄，那么計(jì)算它的特征權(quán)重（向量），然后將其添加到已知人臉中［6］。

　　OpenCV 實(shí)現(xiàn)調(diào)用cvRead《datatype》（）加載訓(xùn)練結(jié)果XML 文件，調(diào)cvEigenDecomposite（）將采集圖片映射至PCA 子空間，利用最近距離匹配方法SquaredEuclidean Distance，計(jì)算要識(shí)別圖片同每一個(gè)訓(xùn)練結(jié)果的距離，找出距離最近的即可。

　　3.5 臉部表情識(shí)別

　　臉部運(yùn)動(dòng)跟蹤利用了Camshift 算法，該算法利用目標(biāo)的顏色直方圖模型將圖像轉(zhuǎn)換為顏色概率分布圖，初始化一個(gè)搜索窗的大小和位置，并根據(jù)上一幀得到的結(jié)果自適應(yīng)調(diào)整搜索窗口的位置和大小， 從而定位出當(dāng)前圖像中目標(biāo)的中心位置。

　　Camshift 能有效解決目標(biāo)變形和遮擋的問題，對(duì)系統(tǒng)資源要求不高，時(shí)間復(fù)雜度低，在簡(jiǎn)單背景下能夠取得良好的跟蹤效果。

　　Camshift 的OpenCV 實(shí)現(xiàn)分以下幾步：

　?。?）調(diào)用cvCvtColor（）將色彩空間轉(zhuǎn)化到HSI 空間，調(diào)用cvSplit（）獲得其中的H 分量。

　?。?） 調(diào)用cvCreateHist（）計(jì)算H 分量的直方圖，即1D 直方圖。

　　（3） 調(diào)用cvCalcBackProject（）計(jì)算Back Projection.

　?。?） 調(diào)用cvCamShift（）輸出新的Search Window 的位置和面積。

　　我們利用光流算法評(píng)估了兩幀圖像的之間的變化，Lucas–Kanade 光流算法是一種兩幀差分的光流估計(jì)算法。它計(jì)算兩幀在時(shí)間t 到t +δt 之間每個(gè)每個(gè)像素點(diǎn)位置的移動(dòng)。是基于圖像信號(hào)的泰勒級(jí)數(shù)，就是對(duì)于空間和時(shí)間坐標(biāo)使用偏導(dǎo)數(shù)。

　　首先要用到shi-Tomasi 算法，該算法主要用于提取特征點(diǎn)，即圖中哪些是我們感興趣需要跟蹤的點(diǎn)，對(duì)應(yīng)函數(shù)為cvGoodFeaturesToTrack（），可以自定義第一幀特征點(diǎn)的數(shù)目，函數(shù)將輸出所找到特征值。接下來是cvCalcOpticalFlowPyrLK 函數(shù)， 實(shí)現(xiàn)了金字塔中Lucas-Kanade 光流計(jì)算的稀疏迭代版本。 它根據(jù)給出的前一幀特征點(diǎn)坐標(biāo)計(jì)算當(dāng)前視頻幀上的特征點(diǎn)坐標(biāo)。輸入?yún)?shù)包括跟蹤圖像的前一幀和當(dāng)前幀，以及上面函數(shù)輸出的前一幀圖像特征值，自定義的迭代標(biāo)準(zhǔn)，輸出所找到的當(dāng)前幀的特征值點(diǎn)。這些點(diǎn)可以確定面部局部區(qū)域的特征 如眼部，鼻子高度與寬度，嘴部?jī)蓚?cè)與底部的夾角等等，利用與前一幀的特征比較，可得出反應(yīng)臉部動(dòng)態(tài)變化的參數(shù)，這些數(shù)據(jù)可以與臉部的一些簡(jiǎn)單表情相關(guān)聯(lián)。下面圖4 為跟蹤眼睛上下眨動(dòng)的圖像。

　　圖4 跟蹤眼部上下眨動(dòng)圖像

　　4 總結(jié)

　　本文以O(shè)penCV 圖像處理庫(kù)為核心，以QT 庫(kù)所提供的界面框架為基礎(chǔ)，提出了人臉識(shí)別系統(tǒng)設(shè)計(jì)方案，實(shí)驗(yàn)證明本方案具有較好的實(shí)用性，可移植性。但仍有許多不足之處，如身份與表情識(shí)別部分可以通過引入神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)SVM 進(jìn)行分類，可以使識(shí)別準(zhǔn)確率與識(shí)別種類數(shù)得到提高，這些也是后續(xù)工作中步需要改進(jìn)的。