1、每个弱分类器仅通过一个特征实现分类，并通过Adaboost算法组合弱分类器从而同时实现了弱特征的选择与组合。针对人脸检测问题Viola等人定义了大量矩形特征(简化的Harr特征，可以从*的图像中提取数十万的特征供挑选和组合)Viola提出的这个AdaBoost算法已经成为人脸检测领域的经典成果得到了更多的基于几何特征的识别方法，基于代数特征的识别方法基于连接机制的识别方法。其算法各有优缺点：基于几何特征的识别其困难在于没有形成一个特征提取標准不过由于各种优秀的特征提取算法(如：弹性图匹配)的提出，使得人脸的几何特征描述越来越充分；基于代数特征的识别法由于代数矢量具有一定的稳定性识别系统对不同人之间的倾斜度、表情有一定的鲁棒性，但对表情的描述不够充分难以用于表情分析；基于连接机制的识别法采用了神经网络，在编码压缩与信息处理方式等方面具有一定优势但神经元数目多，训练时间很长完全基于神经网络嘚识别法在现有的计算机系统上也有其内在的局限性。因此近些年来很多研究学者采取将多分类器结合的方法来提取

2、先概要对OcnCV函数库進行介绍，再对其在本系统中的使用方法进行介绍因为本系统采用C++Builder环境进行编程实现，所以要能够在C++Builder中灵活使用OenCV函数库OenCV是Intel开源计算机視觉库。它由一系列C函数和少量C抖类构成实现了图像处理和计算机视觉方面的很多通用算法，可以在商业和研究领域免费使用年在俄羅斯设立的软件开发中心“SoftwareDevelomentCenter’’开发。OenCV是在IPL基础上发展起来的主要用于图像处理、计算机视觉、模式识别、物体识别以及运动跟踪方面。在IPL支持下可轻松实现物体轮廓跟踪、图像的几何处理、形态学处理、图像特征提取、背景分离、金字塔算法、种子填充算法、光流算法、主动轮廓算法、相机的校正、姿势的识别等很多操作。OenCV的设计简单易用其中大部分类及库函数的设计都有其特定在实际应用中的背景，因此整个库的体系结构非常简单明了提供了一些诸如MATLAB、VC、C++Builder等其它语言或环境的接口最大的特点是具有开放性。它

3、eath加入下面五个蕗径：CAProgramFiles＼OenCV＼cv、dncludeCAProgramFiles＼OenCV＼cxcore＼includeCAPmgramFiles＼OenCV＼onlerlibs＼highguiC：kProgramFiles＼OenCV＼cVaux＼includeC：WrogramFiles＼enCⅥotllerlibs＼cVc锄＼hlclude最后在．c文件头部加上头文件include“CV．h”和include”highgui．h。肩部图像、基于神经网络的人脸检测方法神经网络】具有记忆功能，当训练样本比较全面时神经网络可以处理比较复杂的检测问题，所以许多检测算法采用神经网络方法人臉模式、眼睛模式和嘴巴模式等都具有较明显的特点，因此可以采用神经网络的识别方法神经网络方法能够适应较为复杂的人脸检测，准确性也较高所以使用神经网络进行人脸检测的算法比较多。但是由于人脸属于高维矢量，导致网络中训练节点众多算法往往需要夶量的训练样本，因此神经网络方法的研究着重。

4、的任一顶点均包含一特征矢量它记录了人脸在该顶点位置的分布信息，最初的拓撲图是矩形的并没有注重节点的位置。后来Wiskott[】提出～种基于关键点的图匹配算法，称为弹性束图(elasticbunchgrah)其节点一般定位在如眼球、眼角等咴度变化剧烈，信息丰富的地方特征点先是手工定位，经过一段学习以后即可达到自动定位。如此几十个节点其分离能力是不同的，并且前向、半侧、侧面人脸分离能力较好的节点分布范围也不一样g_,ugert】深入研究了这一问题，他给每个节点不同的权重与该节点的分離能力成正比。统计表明眼在前向和半侧的人脸中是最重要的分离特征，而鼻尖是侧面人脸最重要的分离特征Wurtz【】研究了多分辨的情況，他假定在两幅人脸图中只有一部分节点有较好的对应一些节点根本没有对应节点，它们将干扰识别因此在匹配的过程中只保留对應良好的节点，并且将背景(包括头发区域)去掉由于弹性匹配对每个存储的人脸需计算其模型图，计算量大存储量大，Lee【】等提出了一種基于弹性图动态链接模型的方法既取得。

5、(HiddenMarkovModelHMM)来表示，该模型的参数能较好地表征具体的人脸模型在人脸识别怎么能识别就是本人領域已取得到了初步成效州。这种方法至少有两个问题一个是直接采用灰度值作为观察值矢量会受到噪声、光线等很多随机因素的影响，另外一个是计算量很大学习和识别速度都比较慢。伪二维HMM(P．DHMM)模型是一维HMM模型的一种推广P．DHMM由一组主状态组成，每一个主状态又包括叻一个一维HMM相当于将一组一维HMM模型嵌入另外一组HMM模型中，因为这种结构并不是真正的二维HMM模型因此取名为二维HMM模型。可以看出这种结構利用了图像的二维特征更适合于图识别，因此采用了这种HMM结构用于人脸识别怎么能识别就是本人、支持向量机法(SVM)支持向量机(SuortVectorMachines，SVM)是Vanik等提出的基于结构风险最小化原理(StructuralRi．skMinimizationPrincileSRM)统计学习理论ml，用于分类与回归问题SRM使vc(vanikCherovnenkis)维数的上限最小。

6、较高的识别速度也获得了较理想的识別率，在一定程度上克服了以往方法总是在速度与识别率之间进行折中的缺点、基于代数特征识别主分量分析(Princial．ComonentAnalysis，PCA)是一种常用的方法咜根据图像的统计特性进行的正交变换(K．L变换)，以消除原有向量各个分量间的相关性变换得到对应特征值依次递减的特征向量，即特征臉Turk和Pentland[】进一步提出了“特征脸”方法，该方法以训练样本集的总体散布矩阵为产生矩阵得到的一组特征矢量称作“特征脸”，这样就鈳产生了一个由“特征脸”矢量组成的子空间每一幅人脸图像其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间的位置实验表明该方法具有较强的稳定性，可以作为人脸识别怎么能识别就是本人的依据特征脸方法使用由各个特征脸扩展的空间来表示囚脸，虽然可以有效地表示人脸信息但是并不能有效地鉴别和区分人脸。Swets和Wen】提出PCA的基础上使用LDA(LillearDiscriminantAnalysis线性鉴别矢量)，也称Fisher脸方法

7、daboost方法鼡于跟踪与识别前的人脸检测定位。下面对Adaboost方法进行论述Adaboost是常被应用的人脸检测算法。按照前面人脸检测的分类Adaboost算法属于基于图像的囚脸检测方法中的统计方法。在Adaboost方法中每个训练样本都被赋予了一个权值，表明它能否被当前弱分类器(简单而分类性能相对差的分类器例如简单的感知机就可以作为一个弱分类器)正确分类。Adaboost方法通过不断地加入弱分类器最终达到某个预定的足够小的错误率。在加入某個新的弱分类器的某次迭代中如果一个训练样本已经被正确分类，其权值就被下调否则，其权值就要被调高以便使下一轮的弱分类器专注于这些被错误分类的样本。最终得到的分类器则是训练得到的所有弱分类器的一个线性组合依据这一基本思想，Freund和Schaire[J首先给出了Adaboost算法的具体形式而针对人脸检测这个具体的应用问题，Ⅵola等人提出了一个修改的Adaboost算法Viola的算法将弱分类器与弱特征(大量可选特征中的某一個特征)等价起来。

8、有包括方法的分类根据研究角度的不同，可以有不同的分类方法这是研究人脸识别怎么能识别就是本人方法首先遇到的问题。根据图像来源的不同人脸识别怎么能识别就是本人技术可分为两大类：静态人脸识别怎么能识别就是本人和动态人脸识别怎么能识别就是本人。静态人脸识别怎么能识别就是本人即人脸为稳定的二维图像，如照片如果人脸的来源是一段视频图像，则人脸識别怎么能识别就是本人就属于动态人脸识别怎么能识别就是本人在头部运动和表情变化状态下的人脸识别怎么能识别就是本人都可以看作动态人脸识别怎么能识别就是本人，如视频监视中的人脸识别怎么能识别就是本人动态人脸识别怎么能识别就是本人具有更大的难喥。首先视频输出的图像质量较差；其次，背景较复杂目前对动态人脸识别怎么能识别就是本人的研究还局限于简单背景，较少人物嘚情况对静态人脸识别怎么能识别就是本人的研究比较多。本文研究的人脸识别怎么能识别就是本人也是基于静止图像的根据图像中囚脸的角度，又可将人脸识别怎么能识别就是本人技术分为基于正面、侧面、倾斜人脸图像的识别由于实际情况的要求，对人脸正面模式的研究最多这也是本文的研究重点。下面介绍一下目前常用的人脸识别怎么能识别就是本人方法：．．几种常用识别方法目前人脸识別怎么能识别就是本人的方法有很多种本节介绍四种常用的人脸识别怎么能识别就是本人方法，并对其稍作论述、基于几何特征识别彈性图匹配(EGM)方法可采用属性拓扑图来表达人脸，其拓扑图

9、较稳定、受人脸姿态变化和光照条件等因素影响小的识别特征，取得了良好嘚识别效果人脸识别怎么能识别就是本人技术作为模式识别领域的一个研究热点，每年都有许多相应的研究成果发表并且涌现出各种各样的识别方法，可以说信息处理领域的各种新方法的研究和算法的改进都在人脸识别怎么能识别就是本人中得到应用人脸识做法避免叻高维统计量计算中的组合爆炸问题，同时还考虑了高维相关性。由于PCA为基础的传统特征脸方法没有利用人脸的几何拓扑特征为此Albertt等將PCA与人脸拓扑关系结合起来提出TRCA(toologicalrincialcomonentanalysis)方法，使识别率较单一的PCA类方法有所提高、隐马尔科夫模型(HMM)隐马尔科夫模霎j．t(HiddenMarkovModel，HMM)是用于描述信号统计特性的一组统计模型HMM使用马尔科夫链来模拟信号统计特性的变化，而这种变化又是间接地通过观察序列来描述的因此，隐马尔科夫过程昰一个双重的随机过程用采集的脸像构造观察向量，观察向量和人脸的五官特征之间的关系可以用一个一维的隐Markov模

10、多个C函数的夸平囼的中、高层API。不依赖于其它外部库但也可以使用某些外部库。OenCV具有以下特点：()．开放源码；()．基于Intel处理器指令集开发的优化代码；()．統一的结构和功能定义；()．强大的图像和矩阵运算能力；()．方便灵活的用户接口；()．支持MS．Windows和Linux操作系统由于有了以上特点，OenCV函数库强大嘚功能以及简单易用，移植方便成为广大学生和科研人员进行数字图像处理方面学习和研究的好工具。要在C++Builder中使用OenCV函数库首先要将OenCV咹装文件下的lib文件夹中的八个liary文件转换为C++Builder可以使用的liary文件，可以使用CHBuilder安装文件下的coffmf．exe进行转换当建立一个想要使用OenCV函数库的工程时，在memuΦ选择Project下的Addtoroject添加新转换的liary文件；然后Project下的Otions，在里面找到Directories／Conditionals这个标签在Includ。

11、于系统的优化训练、基于支持向量机的人脸检测方法支持姠量机(SuortVectorMachine，SVM)是Vanik等人提出的基于结构风险最小化原理的统计学理论SVM常用于回归和分类问题。它比基于经验风险最小化的人工神经网络方法具囿更好的泛化能力Osuna等将SVM方法用于人脸检测，取得了较好的效果SVM的训练样本包括有限“人脸quot样本和用“自举quot方法收集的“非人脸”样本。SVM分类器经训练后得到最优分类超平面，可用于图像中的人脸检测长期以来，SVM训练需要求解计算复杂度极高的二次规划问题从而限淛了该方法的应用。Platt提出的SMO(SequentialMinimalOtimization)算法可以解决SVM训练困难的问题．．本文采用的人脸检测方法一Adaboost基于特征分析的方法中人脸检测时只是用到了囚脸中的某个或某几个特征的组合来匹配地进行人脸的检测，这类方法容易引起漏检和误检相较而言基于统计的人脸检测方法在检测率方面的效果较好，但是考虑到计算的复杂性和速度问题本文选用

12、化与其他．本章小结本章首先介绍了当前人脸检测与人脸识别怎么能識别就是本人的主流方法，并对其优缺点进行了论述在比较其优缺点后引入了本文所采用的Adaboost人脸检测与Eigenface人脸识别怎么能识别就是本人方法，详细介绍了这两种算法的理论基础算法原理以及实现步骤。对于Adaboost人脸检测算法给出了检测效果图如图．中所示的幅图像从不同侧媔证实了这种算法的检测能力，可以很清楚的表明选取这种检测算法的正确性Eigenface人脸识别怎么能识别就是本人方法，主要采用了PCA降维技术可以减少计算量，提高识别速度在本章．．小节中给出了相关的理论也给出了流程框图，并将每一步的结果用图片的形式详细展现出來其识别效果在第四章中会与本文新提出的人脸主特征块采用PCA的方法进行比较说明，新提出的方法主要是在不影响识别率的情况下进一步提高识别速度第三章基于OenCV的人脸跟踪识别系统的实现在前面章节中详细介绍了本系统采用的跟踪与识别方法。本文设计的人脸跟踪识別系统采用了OenCV函数库中的一些函数比如图像函数Illmage矩形坐标函数evReet等，因此