openCV人脸检测系统的设计方案探究

　　摘要： 通过对基于 Adaboost 人脸检测算法的研究，利用该算法与计算机视觉类库 openCV 进行人脸检测系统的设计，实现了对出现在视频或图像中的人脸检测。 此外，在 VC++6.0 环境下实现了对一个简单的人脸检测系统软件的界面开发，该系统对人脸检测的速度较快，检测结果较为准确，可以作为其他人脸检测或人脸模式识别的系统的开发基础。

　　随着计算机与数字信号处理技术的高速发展，人脸检测

　　技术在众多领域得到广泛应用。 人脸检测技术是指在视频或

　　图像中检测出现人脸位置、大小的过程。 作为人脸信息处理

　　中的一项关键技术，人脸检测技术已经超出了其它人脸识别

　　模式的应用范畴，在视频处理，图像处理，身份验证，安全监

　　测等方面有着重要的应用价值。 随着计算机语言算法的发

　　展，近年来出现了大量的人脸检测的算法，其中，能够较好的

　　解决人脸的检测速度与检测效果的算法， 是在 2001 年由Paul

　　Viola 和 Michael Jones 首先提出的 Adaboost 算法。 openCV［1］是

　　由 Intel 提供的一系列包括 C 与 C++的提供计算机视觉和图

　　像处理的开源软件包，它为视频或图像处理搭建了很好的软

　　件平台。 本系统就是基于 openCV，利用 Adaboost 算法设计的

　　一个简单的人脸检测系统，该系统能够快速、准确的检测到

　　图像或视频中的人脸。

　　1 AdaBoost 人脸检测算法

　　对人脸检测的研究最初可以追溯到 20 世纪 70 年代 ，早

　　期的研究方向与现在的研究方向与方法不同。 目前在实际

　　中应用的人脸检测方法较为普遍的是基于 Adaboost 算法的

　　方法。

　　Viola 的人脸检测方法是一种基于积分图、级联分类检测

　　　器和 Adaboost 算法的方法，方法框架可以分为以下 3 大步骤：

　　1）使用 Haar-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，训练得到的强级联结构能有效地提高分类器的检

　　测速度。

　　1.1 Haar-like 特征

　　haar 特征是基于灰度图 ，首先通过大量的具有比较明显

　　的 haar 特征 （矩形 ）的物体图像用模式识别的方法训练出分

　　类器，分类器是个级联的，每级都以大概相同的识别率保留

　　进入下一级的具有物体特征的候选物体，而每一级的子分类

　　器则由许多 haar 特征构成 （由积分图像计算得到 ，并保存下

　　位置），有水平的、竖直的、倾斜的，并且每个特征带一个阈值

　　和两个分支值，每级子分类器带一个总的阈值。 识别物体的

　　时候 ，同样计算积分图像为后面计算 haar 特征做准备 ，然后

　　采用与训练的时候有物体的窗口同样大小的窗口遍历整幅

　　图像，以后逐渐放大窗口，同样做遍历搜索物体；每当窗口移

　　动到一个位置 ，即计算该窗口内的 haar 特征 ，加权后与分类

　　器中 haar 特征的阈值比较从而选择左或者右分支值 ，累加一