陶建航 張琪

摘 要：人臉檢測(cè)是指使用計(jì)算機(jī)在動(dòng)態(tài)的場(chǎng)景或復(fù)雜的背景中檢測(cè)出人臉的存在，并確定所有人臉的位置與大小的過(guò)程。人臉檢測(cè)技術(shù)是人臉識(shí)別、表情識(shí)別、人臉跟蹤等技術(shù)的重要前提條件，同時(shí)在模式識(shí)別、人機(jī)交互、智能監(jiān)控、視頻檢索等領(lǐng)域也有廣泛的應(yīng)用。

JavaCV在OpenCV基礎(chǔ)上提供了進(jìn)行人臉識(shí)別的API。本文介紹了PC上使用Eclipse集成開發(fā)環(huán)境搭建了基于JavaCV的人臉檢測(cè)的算法及其系統(tǒng)。

關(guān)鍵詞：人臉檢測(cè)；JavaCV；OpenCV

一、 人臉檢測(cè)現(xiàn)狀分析

人臉檢測(cè)問(wèn)題最初來(lái)源于人臉識(shí)別，任何一個(gè)自動(dòng)的人臉識(shí)別系統(tǒng)首先必須對(duì)人臉進(jìn)行準(zhǔn)確的定位，因此實(shí)時(shí)而有效的人臉檢測(cè)顯得尤為重要。跟其他生物特征識(shí)別方法相比，人臉識(shí)別具有更加直接、方便、友好的特點(diǎn)，因其非侵犯性更容易被用戶所接受。而且，通過(guò)對(duì)人臉的表情、姿勢(shì)等作分析，還能獲得其他識(shí)別系統(tǒng)難以獲得的信息，因此人臉識(shí)別成為最有潛力的生物身份驗(yàn)證手段。早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖像（如無(wú)背景的圖像），因此假設(shè)人臉容易獲得或在手工交互下運(yùn)用，而人臉檢測(cè)問(wèn)題并未得到重視。

近年來(lái)，隨著信號(hào)處理理論和計(jì)算機(jī)的出現(xiàn)及其發(fā)展，人們開始用攝像機(jī)獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號(hào)，用計(jì)算機(jī)實(shí)現(xiàn)對(duì)視覺信息的處理，這就形成了計(jì)算機(jī)視覺。計(jì)算機(jī)視覺是當(dāng)前計(jì)算機(jī)科學(xué)中的一個(gè)非?；钴S的領(lǐng)域，其基本假設(shè)是：可以用計(jì)算的方式來(lái)模擬人類的視覺機(jī)制。

人臉的自動(dòng)識(shí)別是一種重要的生物特征識(shí)別技術(shù)，與其它身份識(shí)別方法相比，人臉識(shí)別具有直接、方便、友好等特點(diǎn)，因而人臉自動(dòng)識(shí)別問(wèn)題的研究不僅具有重要的應(yīng)用價(jià)值，而且具有重要的理論意義?，F(xiàn)在，隨著科學(xué)技術(shù)和電子商務(wù)的發(fā)展，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、計(jì)算機(jī)視覺、人機(jī)交互等方面都有著重要的應(yīng)用價(jià)值。

人臉識(shí)別通過(guò)計(jì)算機(jī)提取人臉的特征，并根據(jù)這些特征進(jìn)行身份驗(yàn)證。人臉與其他生物特征（指紋、虹膜等）一樣與生俱來(lái)不可改變，它們所具有的唯一性和不易被復(fù)制的良好特性為身份鑒別提供了必要的前提，同其他生物特征識(shí)別技術(shù)相比，人臉識(shí)別技術(shù)具有操作簡(jiǎn)單、結(jié)果直觀、隱蔽性好的優(yōu)越性。人臉識(shí)別一般包括三個(gè)步驟：人臉檢測(cè)、人臉特征提取和人臉的識(shí)別與驗(yàn)證。其處理流程如圖1所示。

圖1 人臉識(shí)別的一般步驟

二、 使用JavaCV進(jìn)行人臉識(shí)別的方法

人臉檢測(cè)一種主流的方法就是類haar adaboost方法，OpenCV中也是用的這種方法。這種方法可以推廣到剛性物體的檢測(cè)，前提是要訓(xùn)練好級(jí)聯(lián)分類器（比如說(shuō)用類haar特征），一旦訓(xùn)練數(shù)據(jù)弄好了，直接調(diào)用OpenCV中的類CascadeClassifier，用它的幾個(gè)簡(jiǎn)單的成員函數(shù)就可以完成檢測(cè)功能。

2.1 Adaboost算法簡(jiǎn)介

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。使用Adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特徵，并將關(guān)鍵放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。Adaboost 算法是1995 年提出的一種快速人臉檢測(cè)算法，是人臉檢測(cè)領(lǐng)域里程碑式的進(jìn)步，這種算法根據(jù)弱學(xué)習(xí)的反饋，適應(yīng)性地調(diào)整假設(shè)的錯(cuò)誤率，使在效率不降低的情況下，檢測(cè)正確率得到了很大的提高。

Adaboost算法是目前在人臉檢測(cè)方面檢測(cè)速度較快、檢測(cè)效果較好的一種檢測(cè)方法，它是一種把弱分類器采用級(jí)聯(lián)的方式訓(xùn)練成為強(qiáng)分類器的方法。這些弱分類器只需要滿足比隨機(jī)猜測(cè)好一點(diǎn)，就能通過(guò)不斷的修正每個(gè)弱分類器的權(quán)值，即挑選那些比較好的分類器，拋棄不好的分類器，從而最終形成由這些弱分類器組成的強(qiáng)分類器，相比較其他的方法而言，Adaboost方法對(duì)每個(gè)弱分類器的權(quán)值的形成都是無(wú)人值守的，完全自動(dòng)化的，因而Adaboost算法有著比較好的易用性。大量的實(shí)驗(yàn)證明，Adaboost算法是有效的將多弱分類器強(qiáng)化成為強(qiáng)分類器的一種方法，經(jīng)過(guò)訓(xùn)練的分類器具有比較好的分類效果，而且速度較快。

2.2 Google識(shí)圖

本系統(tǒng)采用Google識(shí)圖技術(shù)，Google識(shí)圖的關(guān)鍵技術(shù)叫做感知哈希算法（Perceptual Hash Algorithm），它的作用是對(duì)每張圖片生成一個(gè)"指紋"（fingerprint）字符串，然后比較不同圖片的指紋，結(jié)果越接近，說(shuō)明圖片越相似。

下面是一個(gè)最簡(jiǎn)單的實(shí)現(xiàn)：

第一步，縮小尺寸。

將圖片縮小到8x8的尺寸，總共64個(gè)像素。這一步的作用是去除圖片的細(xì)節(jié)，只保留結(jié)構(gòu)、明暗等基本信息，摒棄不同尺寸、比例帶來(lái)的圖片差異。

第二步，簡(jiǎn)化色彩。

將縮小后的圖片，轉(zhuǎn)為64級(jí)灰度。也就是說(shuō)，所有像素點(diǎn)總共只有64種顏色。

第三步，計(jì)算平均值。

計(jì)算所有64個(gè)像素的灰度平均值。

第四步，比較像素的灰度。

將每個(gè)像素的灰度，與平均值進(jìn)行比較。大于或等于平均值，記為1；小于平均值，記為0。

第五步，計(jì)算哈希值。

將上一步的比較結(jié)果，組合在一起，就構(gòu)成了一個(gè)64位的整數(shù)，這就是這張圖片的指紋。組合的次序并不重要，只要保證所有圖片都采用同樣次序就行了。

得到指紋以后，就可以對(duì)比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同于計(jì)算"漢明距離"（Hamming distance）。如果不相同的數(shù)據(jù)位不超過(guò)5，就說(shuō)明兩張圖片很相似；如果大于10，就說(shuō)明這是兩張不同的圖片。圖2給出了Google識(shí)圖的流程圖

圖2 Google識(shí)圖的流程圖

這種算法的優(yōu)點(diǎn)是簡(jiǎn)單快速，不受圖片大小縮放的影響，缺點(diǎn)是圖片的內(nèi)容不能變更。如果在圖片上加幾個(gè)文字，它就認(rèn)不出來(lái)了。所以，它的最佳用途是根據(jù)縮略圖，找出原圖。

本論文就是在此基礎(chǔ)上運(yùn)用人臉識(shí)別算法找出靜態(tài)圖片人臉位置后，進(jìn)行截圖，并根據(jù)其他靜態(tài)圖片的人臉截圖進(jìn)行相似度比對(duì)，判別是否同一人。

三、實(shí)驗(yàn)分析和研究

本系統(tǒng)應(yīng)用JavaCV進(jìn)行人臉識(shí)別，于靜態(tài)的圖片上截取人臉后，使用Google識(shí)圖的原理，將圖片與其他靜態(tài)圖片的頭像進(jìn)行比對(duì)，當(dāng)相似度在一定范圍內(nèi)時(shí)，則認(rèn)為為同一人。

而在視頻等動(dòng)態(tài)圖中尋找人臉，我們是使用了ffmpeg的軟件對(duì)視頻按時(shí)間進(jìn)行截圖，命名方式就是以時(shí)間命名，之后的人臉比對(duì)就是靜態(tài)圖片之間的人臉比對(duì)了，當(dāng)發(fā)現(xiàn)與要求人物所在圖片時(shí)，根據(jù)圖片取名字，即可得到當(dāng)前人物在視頻中出現(xiàn)的時(shí)間，以此給出結(jié)果。

圖3給出了本系統(tǒng)進(jìn)行比對(duì)的流程圖。

圖3 系統(tǒng)人臉識(shí)別的流程

本系統(tǒng)可較好地實(shí)現(xiàn)人臉的識(shí)別和判斷，但由于本身的學(xué)習(xí)數(shù)據(jù)不足，并不是每個(gè)人臉都能檢測(cè)出來(lái)。特別是在圖片邊界上的人臉，也就是被遮擋了部分的人臉，基本檢測(cè)不出來(lái)。還有，在人眼不是特別正的情況下，也不易檢測(cè)，這應(yīng)為訓(xùn)練數(shù)據(jù)不充分或OpenCV算法的原因。另外，本系統(tǒng)中拍攝圖片時(shí)的光線強(qiáng)度和人臉的相對(duì)傾斜都對(duì)系統(tǒng)的人臉識(shí)別有一定的影響，這也有待系統(tǒng)算法的改進(jìn)。

四、結(jié)論

本文使用JavaCV進(jìn)行人臉圖像的采集、處理和檢驗(yàn)，基本實(shí)現(xiàn)了人臉的識(shí)別和檢驗(yàn)。但系統(tǒng)還存在一些不足，可在下面兩點(diǎn)進(jìn)一步改進(jìn)，首先需要改進(jìn)人臉的識(shí)別，使得在圖片中的人臉?biāo)褜?zhǔn)確率提高。其次，在進(jìn)行人臉圖片比對(duì)時(shí)，應(yīng)使用不易被光線影響的計(jì)算人臉特征值的算法進(jìn)行計(jì)算，減少某些因素的影響，提高系統(tǒng)識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

[1] 蘇草，林亞明.基于人臉識(shí)別的移動(dòng)終端課堂考勤系統(tǒng)[J].計(jì)算機(jī)光盤軟件與應(yīng)用， 2014（4）：112-113

[2] 秦小文，等.基于OpenCV的圖像處理[J]， 電子測(cè)試，2011（7）：51-53

[3] 曹瑩，等. AdaBoost算法研究進(jìn)展與展望[J]， 自動(dòng)化學(xué)報(bào)，2013（6）：89-92

[4] 黑吧安全網(wǎng). 利用OpenCV實(shí)現(xiàn)人臉檢測(cè)[J/OL].2014-6. www.myhack58.com/Article/68/2014/49692.htm

[5]阮一峰. 相似圖片搜索的原理[J/OL].2013-3. www.ruanyifeng.com/blog/2011/07/principle_of_similar_image_search.html

作者簡(jiǎn)介：

陶建航（1991.10-），男，漢族，浙江溫州人，本科學(xué)生，研究方向：手機(jī)及網(wǎng)絡(luò)系統(tǒng)開發(fā)與應(yīng)用

張琪（1972.9-），男，漢族，江蘇南京人，碩士，副教授，研究方向：物聯(lián)網(wǎng)及其應(yīng)用技術(shù)等；