基于OpenCV的人脸检测算法研究

２２０淮阴师范学院学报（自然科学版）第８卷

图１程序运行范例

得到更好的应用，它为用户提供了一整套的图像处理以及图像与模式分析函数，而且这些函数在Ｉｎｔｅｌ的处理器下执行是最优的．另外结合ＭｉｃｒｏｓｏｆｔＤｉｒｅｃｔＸ技术ＯｐｅｎＣｖ可以对数字视频进行处理，用于实现人脸检测与识别、运动分析及环境的实时监控等．本文的基于Ｏｐｅｎｅｒ的人脸检测算法识别效果好、实时性好、检测速度快，其检测速度不逊于目前公布的最快的算法，它的简单实用性为我们下一步诸如人脸姿态分析以及人脸姿态仿真㈨等的研发打下了坚实的基础．

参考文献：

［１］孙宁，邹采荣，赵力．人脸检测综述［Ｊ］．电路与系统学报，２００６，１１（６）：１０１—１０７．

［２］黎松，平西建，丁益洪．开放源代码的计算机视觉类库ＯｐｅｎＣｖ的应用［Ｊ］．计算机应用与软件，２００５，２２（８）：１３４一１３６．［３］林维训，潘纲，吴朝晖，等．脸部特征定位方法［Ｊ］．中国图象图形学报，２００３，８（８）：８４７—８５９．

［４］ＹｏｓｈｉｎｏｂｕＥｂｉｓａｗａ，ＹｕｊｉＮｕｒｉｋａｂｅ．ＦａｃｅＰｏｓｅＥｓｔｉｍａｔｉｏｎＢａｓｅｄＯｉｌ３ＤＤｅｔｅｃｔｉｏｎｏｆＰｕｐｈａｎｄＮｏｓｔｒｉｌｓ［Ａ］．ＶＥＣＩＭＳ２００５ＩＥＥＥｈｔｅｍａｔｉｏｎａｌＣｏｒｌｆｅｒｅｒｌＰ沱ｏｎＶｉｒｔｕａｌＥｎｖｉｒｏｎｍｅｎｔｓ，Ｈｕｍａｎ－ＣｏｍｐｕｔｅｒＩｎｔｅｒｆａｃｅｓ，ａｎｄＭｅａｓｕｒｅｍｅｎｔＳｙｓｔ黜ＧｉａｒｄｉｒｆｉＮａｘｏｓ［Ｃ］，Ｉｔａｙ，２００５．

［５］ＭａｔｈｅｗＰｒｉｃｅ．ＵｓｉｒＩｇｔｈｅＩｎｔｅｌＯｐｅｎＣＶＬｉｂｒａｒｙ［Ｍ］．Ｅｂｉｓａｗａ：Ｐ．ｐｉｔｓａｎｄＮｏｓｔｒｉｌｓ，２００４．

［６］陈磊．计算机视觉类库ＯｐｅｎＣＶ在ｖＣ中的应用［Ｊ］．微计算机信息，２００７，２３（４）：１６９—１７１．

［７］李全彬，孙巧榆，刘锦高，等．复杂背景和光照多变的人脸检测方法［Ｊ］．计算机工程与应用，２００９，４５（８）：２２—２４．［８］赵松，潘可，张培仁．型相关分析在人脸姿态估计中的应用［Ｊ］．小型微型计算机系统，２００９，５（５）：９８３—９８７．

ＡｃｃｏｒｄｉｎｇｔｏＯｐｅｎＣＶＰｅｒｓｏｎＦａｃｅ

ＥｘａｍｉｎａｔｉｏｎｔｈｅＣａｌｃｕｌａｔｅＷａｙＳｔｕｄｙ

ＱＩＪｉｎ－ｓｈａｈ

（Ｓｃｈｏｏｌ０ｆＣｏｍｐｕｔｅｒＳｃｉｍｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｉｈ｜ａｉｙｉＩＩＮｏｒｍａｌＵｍｖｅｒｓｉｔｙ，ＨｕａｉａｎＪｉａｎｇｍ２２３３００，Ｃｈｉａｎ）

Ａｂｓｔｒａｃｔ：ＴｈｉｓｔｅｘｔｉｎｔｒｏｄｕｃｅｄａｋｉｎｄｏｆｃａｌｃｕｌａｔｏｒｓｅｎｓｅｏｆｖｉｓｉｏｎｄａｔａｂａｓｅｔｈａｔｏｐｅｎｓａＳｏｌｌｒｏ弛ｃｏｄｅＯｐｅｎＣｖａｎｄｅｌａｂｏｒａｔｅｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｓｔｒｕｃｔｕｒｅｏｆｔｈａｔｓｏｆｔｗａｒｅ．ａｎｄａｓｔｏｉｔ’ｓａｔＶｉｓｕａｌＣ＋＋ｕｎｄｅｒ２００５ｄｅｖｅｌｏｐｍｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓｏｆｔｈｅａｌｌｏｃａｔｉｏｎｌｎａｄｅｅｘｐａｔｉａｔｉｏｎ，ｔｈｅｎｐｕｔｆｏｒｗａｒｄａｌｌａｃｃｏｒｄｉｎｇｔｏＯｐｅｎＣｖｐｅｒｓｏｎｆａｃｅｅｘａｍｉｎａｔｉｏｎｃａｌｃｕｌａｔｅｗａｙ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｅｘｐｒｅｓｓｅｓｔｈａｔｔｈａｔｃａｌｃｕｌａｔｅｗａｙｈａｓｔｏｉｄｅｎｔｉｆｙａｓａｒｅｓｕｌｔｅｆｆｅｃｔｉｖｅａｎｄｓｏｈｄ懈ｇｏｏｄ，ｅｘａｍｉｎａｔｉｏｎｓｐｅｅｄｑｕｉｃｋｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．

Ｋｅｙｗｏｒｄｓ：ＯｐｅｎＣＶ；ｐｅｒｓｏｎｓｆａｃｅｅｘａｍｉｎｅｓ；ＩｐｌＩｍａｇｅ

［责任编辑：李晓薇］

基于OpenCV的人脸检测算法研究

作者：齐金山， QI Jin-shan

作者单位：淮阴师范学院,计算机科学与技术学院,江苏,淮安,223300

刊名：

淮阴师范学院学报（自然科学版）

英文刊名：JOURNAL OF HUAIYIN TEACHERS COLLEGE(NATURAL SCIENCE EDITION)

年，卷(期)：2009，8(3)

被引用次数：0次

参考文献(8条)

1.孙宁.邹采荣.赵力人脸检测综述 2006(06)

2.黎松.平西建.丁益洪开放源代码的计算机视觉类库OpenCv的应用 2005(08)

3.林维训.潘纲.吴朝晖脸部特征定位方法 2003(08)

4.Yoshinobu Ebisawa.Yuji Nurikabe Face Pose Estimation Based on 3D Detection of Pupils and Nostrils 2005

5.Mathew Price Using the lntel OpenCV Library 2004

6.陈磊计算机视觉类库OpenCV在VC中的应用 2007(04)

7.李全彬.孙巧榆.刘锦高复杂背景和光照多变的人脸检测方法 2009(08)

8.赵松.潘可.张培仁型相关分析在人脸姿态估计中的应用 2009(05)

相似文献(10条)

1.期刊论文时磊.谢晓方.乔勇军基于SURF算法和OpenCV的人脸特征检测技术研究-计算机与数字工程2010,38(2) 人脸检测和人脸跟踪[1]技术已成为计算机视觉领域研究的热点.针对SURF算法的优点,首先将SURF算法应用于人脸特征检测与跟踪,阐述了人脸跟踪系统设计方法,首先使用OpenCV技术实现了基于SURF算法的人脸特征跟踪系统.实验结果表明,基于SURF算法和OpenCV技术的人脸跟踪系统匹配识别效果和实时性较好,对人脸旋转、尺寸变化和环境光照变化具有较好鲁棒性[2].

2.学位论文刘文达基于OpenCV的人脸检测识别及跟踪的研究2009

人脸检测定位与跟踪是计算机视觉与模式识别领域中重要的基础研究课题，在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能人机交互等方面有着重要的应用价值。

本文阐述了国内外人脸识别技术研究也应用的发展现状，介绍了常见的人脸检测识别方法，重点分析了集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在本文中着重讨论了Viola等提出的基于AdaBoost的实时人脸检测算法，该方法使用了Harr—like特征表示图像，引入了“积分图”概念，提高了特征的计算速度，采用AdaBoost方法选择少量特征组成强分类器，使用了“Cascade”策略提高人脸检测速度，取得较好检测性能。文中还详细阐述了当今国内外流行的人脸跟踪算法，并且讨论了各算法的优缺点，最后基于Meanshift跟踪算法，并以卡尔曼滤波器作为目标估计方法，实现了视频中人脸的跟踪。

本文还改进了Meanshift的人脸跟踪算法，在该算法引入自适应跟踪窗口，使其够连续准确地对目标进行跟踪，制作了训练系统框架，讨论了跟踪窗口的建立与管理，多目标的序贯跟踪，目标的对应问题，及目标队列的更新，并对比了不同人脸检测方法使用的样本集规模，在文中详细介绍了Adaboost分类器的训练原理及方法，训练分类器的详细设计过程并给出训练程序的代码。

本文中人脸算法的研究是基于OpenCV开源代码的。在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型，由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以VisualC++集成开发环境做平台搭建了一个基于OpenCV的人脸检测跟踪系统，最后就人脸检测率、误检率、检测速度、鲁棒性与文献[37]的方法进行了比较，对在采用Kalman滤波器前后的收敛次数进行了比较。测试结果表明，本文的人脸检测器检测率接近90％，同时具有较低的误检率，跟踪效果良好。

3.期刊论文Adaboost人脸检测算法研究及OpenCV实现-哈尔滨理工大学学报2009,14(5)

针对复杂背景条件下人脸检测的检测率低速度慢的问题,选用了基于统计的人脸检测算法.详细介绍了Adaboost人脸检测算法的原理及训练流程.利用OpenCV图像处理软件与Adaboost人脸检测算法的结合模块,选取扩展的Haar特征,实现了人脸检测并给出了检测结果.设计的检测器对592个人脸漏检62个,可达倒20帧/s左右.因此该方法具有较高的准确度和实时性.

4.学位论文陈抒高速监控视频中的人脸检测研究与实现2009

随着交通的不断发展，人均拥有私家车的数值不断攀升，高速交通的安全问题也越来越受到人们的关心。目前各大高速公路上都已安装了监控设备，来提升监管力度，杜绝交通安全隐患，更是作为事后责任追究的重要手段。但是每天24小时的交通视频量是巨大的，传统方式上往往采用人工定位分析检测视频录像，效率低下。如何在信息量巨大的视频中，快速有效的找到有效信息，成为了当前研究的热门。基于这个大背景下，本论文从小处着手，重点研究监控视频中的人脸检测。它是基于内容视频检索应用的一个重要前提，并具有重大的应用价值。

由于人脸模式的错综复杂、易受干扰，现有的人脸检测算法普遍存在着计算量大、速度慢、鲁棒性差等缺点。肤色检测算法具有简单、快速的特点，但是不能很好地克服光照、背景颜色干扰等因素的影响。

本文首先阐述了现阶段高速视频监控系统的发展情况，引出了在高速公路视频监控系统中应用人脸检测技术的必要性，在这基础上分析和研究了当前人脸检测技术发展现状以及存在的一些研究难点，然后针对Adaboost算法在人脸检测技术领域的优越性，本文详细分析其人脸检测的特征依据，算法的基本思想及重要内容。在这些理论研究的基础上，本文设计和实现了一个基于Adaboost的视频中人脸快速检测系统，在系统中提出了一种视频帧随机抽取策略以及基于肤色的人脸粗检测算法的预过滤机制，可以减少系统的处理帧数及系统计算量，极大的提高了视频处理效率，最后详细阐述了该系统的设计方案和实现过程。最后，介绍了OpenCV的相关理论与技术，并利用了VC++6．0和OpenCV技术实现了该系统方案，结合实验结果，分析了系统所存在的一些不足，提出了相应的一些解决方案，并对人脸检测技术的发展进行了展望。

5.期刊论文董杨基于OpenCV计算机视觉库的人脸检测的研究-现代企业教育2010(24)

安全领域中高科技图形图像设备的普及所产生的海量信息带来了系统利用率低、有效信息提取困难的问题,而视频图像识别分析技术则可以解决这个问题,因此渐渐被广泛应用于这类系统中.本文使用一个相对比较成熟的开源计算机视觉库OpenCV,通过对输入图片的分析来实现简单人脸识别技术,并就计算机视觉的一些基本特点进行分析.

6.期刊论文刘奇.黄英.刘云锋.LIU Qi.HUANG Ying.LIU Yun-feng基于肤色及AdaBoost算法的自动调焦人脸检测

-现代电子技术2010,33(22)

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法.采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用AdaBoost算法进行人脸检测.实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果.

7.期刊论文杨华.张显库.YANG Hua.ZHANG Xianku基于图像处理的船舶值班监控算法-大连海事大学学报

2010,36(3)

为降低海运事故发生率,提高海上交通安全,运用VC++和计算机视觉处理技术OpenCV,结合肤色的YCbCr模型开发船用值班视频监控的核心算法.该算法以人脸识别为核心,用OpenCV结合肤色的YCbCr模型定位和标识值班人员的位置,根据其精神状态判断是否警示.该算法精度高、运算速度快,且系统的实现成本低.

8.期刊论文李巍基于OpenCV和Adaboost算法的人脸检测-硅谷2010(6)

通过OpenCV软件,选取扩展的Harr-like特征,实现人脸检测分类器的训练,并最终通过实验深入分析不同分类器训练样本库大小对实验结果的直接影响,通过比较给出一个较合适的通用分类器样本库大小.

9.学位论文聂江浩基于DM642的人脸检测系统的设计与实现2009

人脸检测技术一直是计算机视觉研究领域的一大热点，其目标是在给定的静态图片或视频序列中判断是否存在人脸，如果有则找出并确定所有人脸的位置和大小。人脸检测作为所有人脸处理技术的基础步骤，在身份识别、视频监控、基于内容的检索、新一代人机界面等领域有着日益广泛的应用。目前人脸检测技术的主流产品都是基于通用的台式电脑，其庞大的体积、巨大的功耗和不稳定的性能都是限制该技术进一步产业化的因素。根据这一现状，本课题设计并实现了一套基于DSP(Digital Signal Processor)的嵌入式人脸检测系统。本文主要工作如下：

(1)人脸检测算法可以分为基于先验知识的检测算法和基于统计模型的检测算法两类。本文通过分析这两类算法，并结合系统硬件条件，采用基于统计模型的Adaboost算法，它是一种基于积分图和矩形特征的分级分类器算法，具有较高的检测效率和鲁棒性。同时在详细介绍了Adaboost算法之后，本文通过大量实验，选择较好的性能参数。

(2)在研究过程中，本文从硬件和软件两方面对系统进行了规划。硬件方面，本文选用TI公司的TMS320DM642芯片作为主控芯片，辅以摄像头、CPLD、视频编解码芯片、储存芯片和电视机搭建了系统硬件平台。软件方面，本文基于CCS(Code Composer Studio)3.1，利用其集成的实时操作系统DSP/BIOS进行软件开发，在RF5(Reference Framework5)框架下，将工作流程分为图像采集、处理和显示三个任务，任务间使用消息进行同步通信并传递图像数据。另外，本文在算法实现过程中裁剪并移植了开源计算机视觉库OpenCV，并利用其加快开发速度。

(3)系统依照TMS320C6000系列芯片的开发流程进行开发，并利用CCS提供的各类调试工具对C语言代码进行分析调试，对需要优化的部分根据DM642的硬件特点采用浮点转定点运算、使用EDMA传输等方法进行优化，以加快处理速度。

实验结果表明，本系统能较为准确的检测到人脸，并基本满足实时性要求，这为今后人脸检测技术的进一步应用奠定了一定的基础。

10.学位论文雷静基于OpenCV的人脸跟踪识别系统研究2010

人脸在社会交往中扮演着十分重要的角色，是人类在确定一个人身份时所采用的最普通的生物特征，研究人脸跟踪识别及其相关技术具有十分重要的理论价值和应用价值。彩色图像序列的人脸检测、跟踪与识别技术是随着计算机技术的高速发展和视频监控等应用的需要在近几年才逐渐成为一个研究热点。

本文着重构建一套人脸跟踪识别系统，致力于精确实时地对彩色视频中的人脸图像检测跟踪，并可以将跟踪到的人脸图片传输到识别端进行身份识别。系统分为客户端和服务器两部分。针对传统Camshift跟踪算法进行形态学处理、分配多个跟踪器等改进后的算法应用于客户端进行多人脸的跟踪。服务器端首先将人脸图像按其主要特征进行分块，再对分块图执行Eigenface算法实现人脸身份的识别。这套系统完成了对多人脸的跟踪效果，可广泛的应用于各种安防系统之中如：ATM机监控系统，门禁系统等。

本文链接：https://www.sodocs.net/doc/691460327.html,/Periodical_huaiysfxyxb200903010.aspx

授权使用：武汉科技大学(whkjdx)，授权号：4887b244-4bed-46cf-8905-9ecc00f43d7d

下载时间：2011年4月21日

人脸识别过程和相关算法(2013)

人 脸 识 别 过 程 图1 人脸识别流程图 1． 人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获 取人脸或人脸上的某些器官在图像上的位置。 2． 特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出 一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。 3． 识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点：规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对

b)缺点：难以将人类知识转化为明确的规则。 基于特征的方法 c)优点：可以依据面部器官的几何关系进行人脸检测。 d)缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算 法难以使用。 基于模版匹配的方法 e)优点：简单高效。 f)缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点：通过大量的样本训练使得人脸识别的精确度高。 h)缺点：算法复杂。 基于肤色的系统 i)优点：不受人脸姿态变化的影响。 j)缺点：受光照等外在因素影响较大。

人脸识别方法 基于几何特征的识别方法 a)优点： i.符合人类识别人脸的机理，易于理解。 ii.对每幅图像只需存储一个特征矢量，存储量小。 iii.对光照变化不太敏感。 b)缺点： i.从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法 c)优点：人脸识别率高。 d)缺点：算法实现复杂。 基于连接机制的方法 e)优点： i.能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。 ii.以并行的方式处理信息，配以硬件实现，可以显著地提高速度。 f)缺点：算法实现复杂。

基于PCA算法的人脸识别毕业设计论文

太原科技大学 毕业设计（论文） 设计(论文)题目：基于PCA算法的人脸识别

毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期： Ⅰ

学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日 Ⅰ

基于opencv的人脸识别程序-代码详解

#include "cv.h" #include "highgui.h" #include #ifdef _EiC #define WIN32 #endif static CvMemStorage* storage = 0; static CvHaarClassifierCascade* cascade = 0; void detect_and_draw( IplImage* image ); const char* cascade_name = "haarcascade_frontalface_alt.xml";//人脸检测分类器 int main( int argc, char** argv ) { CvCapture* capture = 0; IplImage *frame, *frame_copy = 0; int optlen = strlen("--cascade="); const char* input_name; if( argc > 1 && strncmp( argv[1], "--cascade=", optlen ) == 0 ) { cascade_name = argv[1] + optlen; input_name = argc > 2 ? argv[2] : 0; } else { cascade_name = "E:\毕业设计\智能机器人动态人脸识别系统\陈建州程序.xml";//分类器路径 input_name = argc > 1 ? argv[1] : 0; } cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 ); if( !cascade )//如果没有找到分类器，输出以下 { fprintf( stderr, "ERROR: Could not load classifier cascade\n" ); fprintf( stderr, "Usage: facedetect --cascade=\"\" [filename|camera_index]\n" ); return -1;

人脸检测算法原理及OPENCV人脸检测程序分析

人脸检测算法原理及OpenCV 人脸检测程序分析 罗海风 2011-3-30 人脸检测研究背景：人脸检测 基于肤色特征基于灰度特征 启发模型统计模型 肤色区域分割方法人脸模板方法等特征空间方法PCA 、fisherfaces 方法等ANN SVM 概率模型方法 贝叶斯概率模型HMM 集成机器学习 以上所列方法中，基于统计模型的方法是目前比较流行的方法[1]，具有较大的优越性。其优点有： 1.不依赖于人脸的先验知识和参数模型，可以避免不精确或不完整的知识造成的错误； 2.采用实例学习的方法获取模型的参数，统计意义上更加可靠； 3.通过增加学习的实例可以扩种检测模式范围，提高鲁棒性。 在统计模型方法中，2001年左右由Viola 和Jones 提出的基于集成机器学习的人脸检测算法相对于其他方法具有明显优势[123]。近期文献也表明目前尚未发现优于Viola &Jones 方法的其他人脸检测方法[4]。该方法不仅检测精度高，最关键的是其运算速度大大快于其他方法。Viola &Jones 人脸检测方法原理： 该方法中几个关键性概念[5]： 1.Haar-like 特征 Haar-like 型特征是Viola 等人提出的一种简单矩形特征，因为类似Haar 小波而得名。Haar

型特征的定义是黑色矩形和白色矩形在图像子窗口中对应的区域的权重灰度级总和之差。上图显示了两种最简单的特征算子。在上述图中，可以看到，在人脸特定结构处，算子计算得到较大的值。 2.积分图 算子数量庞大时上述计算量显得太大，Viola等人发明了积分图方法，使得计算速度大大加快。积分图如上所示，点1处的值为A区域的像素积分，点2处的值为AB区域的像素积分。对整张图片进行一次积分操作，便可以方便的计算出任一区域D像素积分值为4+1-2-3。 3.Adaboost训练算法 在离散Adaboost算法中，Haar-like特征算子计算结果减去某阈值，便可视为一个人脸检测器。因为其准确率不高，称为弱分类器。Adaboost算法的循环中，首先利用各种弱分类器对训练图片库进行分类，准确度最高的弱分类器保留下来，同时提高判断错误的图片的权重，进入下一循环。最终将每次循环所保留的弱分类器组合起来，成为一个准确的人脸检测器，称为强分类器。具体计算流程见[35]。 4.瀑布型级联检测器 瀑布型级联检测器是针对人脸检测速度问题提出的一种检测结构。瀑布的每一层是一个由adaboost算法训练得到的强分类器。设置每层的阈值，是的大多数人脸能够通过，在此基础上尽量抛弃反例。位置越靠后的层越复杂，具有越强的分类能力。 这样的检测器结构就想一系列筛孔大小递减的筛子，每一步都能筛除一些前面筛子楼下的反例，最终通过所有筛子的样本被接受为人脸。瀑布型检测器训练算法见[3]。 OpenCV人脸检测程序流程[6]： OpenCV的人脸检测程序采用了Viola&Jones人脸检测方法，主要是调用训练好的瀑布级联分类器cascade来进行模式匹配。 cvHaarDetectObjects，先将图像灰度化，根据传入参数判断是否进行canny边缘处理(默认不

人脸识别技术的主要研究方法

1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且

[作业]OPENCV人脸识别

摘要 人脸检测主要是基于计算机识别的一项数字化技术，用以准确获取人的脸部大小和位置信息，在进行人脸检测时，突出主要的脸部特征，淡化次要的环境、衣着等因素。对于某些情况下，人脸检测也可以计算出人脸，如眼睛，鼻子和嘴等精确的微妙特征。由于在安全检测系统，医学，档案管理，视频会议和人机交互等领域人脸检测系统都有光明的应用前景，因此人脸检测逐渐成为了两个跨学科领域研究的热门话题:人工智能和当前模式识别。本文基于OpenCV视觉库具体的设计并开发了对数字图像中的人脸检测的程序，所采用的人脸检测的原理主要是分类器训练模式(Adaboost算法)提取Haar特征的方法。它在整个软件极其重要的作用，图像中人脸的准确定位和识别都受图像处理好坏的直接影响。本次所设计的软件在图像处理部分所采用的方法是基于Adaboost算法进行Haar特征的提取，在此之上加以通过积分图方法来获取完整的级联分类器结构，进行人脸检测时，OpenCV级联分类器通过Adaboost人脸检测算法进行训练，此后采用不同情况下的实验样本完成精确定位以及检测试验。经过代码的设计和调试，在最后的测试中针对数字图像进行的人脸检测和定位达到了较好的效果，提高了定位和识别的正确率。 关键词：人脸检测，AdaBoost，分类器，OpenCV

Abstract Face detection is mainly based on computer recognition of a digital technology,face size and location information to accurately obtain the person,during face detection, highlight the main facial features,dilute the secondary environment,clothing,and other factors.For some cases,face detection can also calculate a person's face,such as eyes, nose and mouth,and other subtle features accurate.Because in the field of human security detection systems,medical records management,video conferencing,and human-computer interaction face detection system has bright prospects,and therefore face detection is becoming a two interdisciplinary research fields hot topic:artificial intelligence and The current pattern recognition.This article is based.penCV vision library designed and developed specifically for digital image face detection process,the principles used face detection methods are mainly classifier training mode(Adaboost algorithm)to extract Haar features.It is in the vital role of the software,the image of the human face accurately locate and identify all that is good or bad a direct impact on the image processing.This software is designed image processing method used in part based Haar Adaboost algorithm to extract features,on top of this to be to get the full cascade classifier structure by integrating the diagram method for face detection,OpenCV cascade classifier is trained by Adaboost face detection algorithm,then the use of the experimental sample under different circumstances for accurate positioning and testing.Through design and debugging code,face detection and location in the final test for digital images to achieve better results and improve the accuracy of positioning and recognition. Keywords:face detection;AdaBoost;classifier;openCV

基于LBP的人脸识别算法研究

基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。 人脸识别目前主要运用在如下三个方面： 第一，刑侦破案方面。例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。 第二，证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。 第三，人口控制方面。此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述： （1）人脸检测，主要的方法有：基于轮廓（或肤色等）信息人脸检测方法，基于Adaboost 算法人脸检测方法，基于支持向量机（SVM）人脸检测方法以及基于神经网络的人脸检测方法等； （2）人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征（PCA）特征提取方法，基于独立元特征的特征提取算法，如Gabor等，还有2D 和3D 形变模型方法等； （3）人脸特征降维，主要方法：线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入

基于Opencv的人脸检测源程序(附详细使用说明)

基于Opencv的人脸检测程序 我的电脑上是用visual studio 2015，配置opencv2.4.9，visuanl studio加载opencv的方法百度上可以找到很多，按照要求配置好后以后进行一下操作： 第一步：新建win32应用程序的工程，在该工程以下程序复杂被覆盖win32的几行程序， #include"stdafx.h" #include"opencv2/objdetect.hpp" #include"opencv2/videoio.hpp" #include"opencv2/highgui.hpp" #include"opencv2/imgproc.hpp" #include #include using namespace std; using namespace cv; /** Function Headers */ void detectAndDisplay(Mat frame); /** Global variables */ String face_cascade_name = "haarcascade_frontalface_alt.xml"; String eyes_cascade_name = "haarcascade_eye_tree_eyeglasses.xml"; CascadeClassifier face_cascade; CascadeClassifier eyes_cascade; String window_name = "Capture - Face detection"; /** @function main */ int main(void) { VideoCapture capture; Mat frame; //-- 1. Load the cascades if (!face_cascade.load(face_cascade_name)) { printf("--(!)Error loading face cascade\n"); return -1; }; if (!eyes_cascade.load(eyes_cascade_name)) { printf("--(!)Error loading eyes cascade\n"); return -1; }; //-- 2. Read the video stream capture.open(-1); if (!capture.isOpened()) { printf("--(!)Error opening video capture\n"); return -1; }

人脸识别主要算法原理

人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）

人脸识别技术的几个主要研究方向

人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大

基于matlab的人脸识别算法(PCA)

3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)

基于Opencv的视频人脸检测程序源代码(可运行)

1．打开Microsoft Visual Studio 2008，新建一个Win32控制台项目； 2．配置好项目的包含文件和库文件； 3．将……\OpenCV\data\haarcascades中的haarcascade_frontalface_alt.xml拷贝到所建项目的文件夹中； 4．然后添加代码： #include"stdafx.h" #include"cv.h" #include"highgui.h" #include int_tmain(int argc, _TCHAR* argv[]) { CvCapture* capture=0; /*初始化一个视频捕获操作。告诉底层的捕获api我想从Capture1.avi中捕获图片，底层api将检测并选择相应的解码器并做好准备工作*/ capture = cvCaptureFromFile( "F:\\1.avi"); //设置要读的视频（avi格式） static CvMemStorage* storage = 0; static CvHaarClassifierCascade* cascade = 0; cascade = (CvHaarClassifierCascade*)cvLoad("haarcascade_frontalface_alt.xml",0,0,0); if( !cascade || !capture ) return -1; storage = cvCreateMemStorage(0); /*创建一个窗口，用“Video”作为窗口的标识符*/ cvNamedWindow( "Video",1); /*如果初始化失败，那么capture为空指针，程序停止，否则进入捕获循环*/ if( capture ) { for(;;) { IplImage* frame = cvQueryFrame( capture ); IplImage* img = NULL; CvSeq* faces; if( !frame ) break; img = cvCloneImage(frame);

基于OpenCV的视频人脸识别系统的设计与实现

摘要 基于生物特征识别的身份认证方法和系统研究一直以来都是计算机图形学和模式识别领域研究的热点，其中，由于人脸的稳定性和可见性，针对人脸识别的算法研究和系统应用最为广泛，本文针对校园内实验室和宿舍安全管理需求，设计和实现了一套针对监控视频的基于OpenCV的人脸识别原型系统，开发语言选用C++，全文内容包括： （1）构建了基于OpenCV的视频人脸识别的技术框架。针对实验室和宿舍安全管理需要，构建了基于OpenCV的视频人脸识别的技术框架，能够完成基于视频的实时人脸识别和身份认定； （2）设计了基于OpenCV的视频人脸快速检测算法。人脸检测是人脸识别的前提，本文采用基于OpenCV的快速人脸检测算法实现视频图像中人脸的快速定位和提取； （3）设计了基于AdaBoost算法的视频人脸识别方法。应用AdaBoost算法实现了针对视频流的快速人脸定位和身份识别，能够实现实时身份认定。 系统基于.NET平台设计，使用C++语言进行实现，完成了基于视频的实时人脸身份认定。 关键词：人脸检测； OpenCV；人脸识别； C++； 1

Abstract Based on the research of identity authentication method and system of biometric recognition has been a hot research field of computer graphics, pattern recognition and the stability and visibility, the face, the algorithm research and system applications of face recognition is the most widely, according to the laboratory and dormitory safety management needs of the campus, designed and implemented. A face recognition system based on OpenCV in surveillance video, development language is C++, the main content of this thesis includes: （1）Constructed the technical framework for video based face recognition based on OpenCV. According to the laboratory and the dormitory safety management needs, establishes a framework for video based face recognition based on OpenCV, which can complete real-time face recognition and identity based on video identification; （2）Design of a fast face detection algorithm in video based on OpenCV. Face detection is the precondition of face recognition, this paper uses OpenCV fast face detection algorithm to locate face in video image and extraction based on;The design use application of OpenCV to provide strong support, based https://www.sodocs.net/doc/691460327.html, platform design. （3）Design of video based face recognition method based on AdaBoost algorithm. Application of AdaBoost algorithm for fast face location and recognition of video stream, which can realize real-time identification. System based https://www.sodocs.net/doc/691460327.html, platform design, implementation is carried out using C++ language, completed the real-time face identity recognition based on video Key word：Face detection；OpenCV；Face recognition；C++；

基于eigenfaces的人脸识别算法实现大学论文

河北农业大学 本科毕业论文(设计) 题目：基于Eigenfaces的人脸识别算法实现 摘要 随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。 本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识 别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。 关键词:人脸识别PCA算法奇异值分解定理欧几里得距离

ABSTRACT With the rapid development of technology, video surveillance technology has become increasingly diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas. In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. KEYWORDS: face recognition PCA algorithm SVD Euclidean distance

人脸识别技术研究背景与方法

人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将