沈娟 安慶職業(yè)技術(shù)學(xué)院 徐英君 安慶市公安局

隨著互聯(lián)網(wǎng)的普及，以及移動(dòng)網(wǎng)絡(luò)網(wǎng)的大踏步發(fā)展，互聯(lián)網(wǎng)滲透到人們生活的每一個(gè)角落。人臉識(shí)別也得到了更廣泛的應(yīng)用如人臉解鎖、人臉付款、人臉追蹤等。人臉識(shí)別的第一步通常是篩選和定位出圖片或視頻中的人臉，也就是人臉檢測(cè)。人臉檢測(cè)是指對(duì)于任意一幅給定的圖像，采用一定的策略對(duì)其進(jìn)行搜索以確定其中是否含有人臉，如果是則返回人臉的位置、大小和姿態(tài)。

OpenCV(Open Source Computer Vision Library)由 Intel公司開發(fā)，是開源的視覺算法庫，由C 和 C++ 函數(shù)組成。本文借助OpenCV 的人臉檢測(cè)程序采用了統(tǒng)計(jì)模型方法中的的Viola & Jones人臉檢測(cè)方法，與Adaboost 算法相結(jié)合，Adaboost 算法的循環(huán)中，首先利用各種弱分類器對(duì)訓(xùn)練圖片庫進(jìn)行分類，準(zhǔn)確度最高的弱分類器保留下來，同時(shí)提高判斷錯(cuò)誤圖片的權(quán)重，進(jìn)入下一個(gè)循環(huán)最終將每次的循環(huán)所保留的弱分類組合起來，成為一個(gè)準(zhǔn)確的人臉檢測(cè)器稱為強(qiáng)分類器。

1 OpenCV 人臉檢測(cè)原理

OpenCV 的人臉檢測(cè)程序采用了統(tǒng)計(jì)模型方法中的的Viola &Jones 人臉檢測(cè)方法，Viola & Jones 人臉檢測(cè)方法是由Viola 和Jones于2001 年左右提出。

Viola & Jones 人臉檢測(cè)方法原理

該方法中幾個(gè)關(guān)鍵性概念：

1.1 Haar-like 特征

Haar-like 型特征是Viola 等人提出的一種簡(jiǎn)單矩形特征，因?yàn)轭愃艸aar 小波而得名。Haar 型特征的定義是黑色矩形和白色矩形在圖像子窗口中對(duì)應(yīng)的區(qū)域的權(quán)重灰度級(jí)總和之差。上圖顯示了兩種最簡(jiǎn)單的特征算子。在上述圖中，可以看到，在人臉特定結(jié)構(gòu)處，算子計(jì)算得到較大的值。

1.2 積分圖

算子數(shù)量龐大時(shí)上述計(jì)算量會(huì)太大，Viola 等人發(fā)明了積分圖方法，使得計(jì)算速度大大加快。積分圖如上所示，點(diǎn)1 處的值為A 區(qū)域的像素積分，點(diǎn)2 處的值為AB 區(qū)域的像素積分。對(duì)整張圖片進(jìn)行一次積分操作，便可以方便的計(jì)算出任一區(qū)域D 像素積分值為4+1-2-3.

1.3 Adaboost 訓(xùn)練算法

在離散Adaboot 算法中，Haar-like 特征算子計(jì)算結(jié)果減去某閾值，便可視為一個(gè)人臉檢測(cè)器。因?yàn)闇?zhǔn)確率不高，稱為弱分類器。Adaboost算法的循環(huán)中，首先利用各種弱分類器對(duì)訓(xùn)練圖片庫進(jìn)行分類，準(zhǔn)確度最高的弱分類器保留下來，同時(shí)提高判斷錯(cuò)誤圖片的權(quán)重，進(jìn)入下一個(gè)循環(huán)最終將每次的循環(huán)所保留的弱分類組合起來，成為一個(gè)準(zhǔn)確的人臉檢測(cè)器稱為強(qiáng)分類器。

1.4 瀑布型級(jí)聯(lián)檢測(cè)器

瀑布型級(jí)聯(lián)檢測(cè)器是針對(duì)人臉檢測(cè)速度問題提出的一種檢測(cè)結(jié)構(gòu)。瀑布的每一層是一個(gè)由Adaboost 算法訓(xùn)練得到的強(qiáng)分類器。設(shè)置每層的閾，能夠使大多數(shù)人臉通過，在此基礎(chǔ)上盡可拋棄反例。位置越靠后的層越復(fù)雜，具有越強(qiáng)的分類能力。

瀑布型級(jí)聯(lián)檢測(cè)器結(jié)構(gòu)就像一系列的篩孔大小遞減的篩子，每一步都能篩除一些漏下反例，最終通過所有篩子的樣本被接受為人臉。

2 開發(fā)環(huán)境OpenCV

OpenCV是一個(gè)基于BSD 許可（開源）發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺庫，可以運(yùn)行在Linux、Windows、Android 和Mac OS 操作系統(tǒng)上。它輕量級(jí)而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時(shí)提供了Python、Ruby、MATLAB 等語言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。

3 基于OpenCV 的Python 的人臉檢測(cè)的實(shí)現(xiàn)

OpenCV 中對(duì)于人臉檢測(cè)的模型已經(jīng)建立了一個(gè)XML 文件，其中包含了上面面提到的harr 特征的分類器訓(xùn)練結(jié)果，我們可以通過加載這個(gè)文件而省略掉自己建立級(jí)聯(lián)表過程。有了級(jí)聯(lián)表，我們只需要將待檢測(cè)圖片和和級(jí)聯(lián)表一同傳遞給OpenCV 的目標(biāo)檢測(cè)算法即可得到一個(gè)檢測(cè)到人臉的集合。

3.1 配置軟件環(huán)境

（1) 下載Python2.73,安裝,并配置Python 環(huán)境變量："C：Program FilesPython27；"(這里我們安裝在C 盤下，亦可以安裝在其他位置)

(2)下載OpenCV2.46,安裝,并配置OpenCV 環(huán)境變量："D：Program Filesopencvuildx86vc10in"；(這里我們安裝在d盤下，亦可以安裝在其他位置

(3) 下 載NumPy1.62,安 裝,版 本：numpy-1.6.2-win32-superpack-python2.7；（注意：要與Python 版本必須兼容,即文件名需含有“python2.7”）

(4) 把OpenCV 目 錄 "D：Program Filesopencvuildpython2.7" 下的文件 "cv2.pyd"

復(fù)制 到Python 目錄 "c：Program FilesPython27Libsitepackages"下。

3.2 代碼實(shí)現(xiàn)

步驟一：獲取幀及圖片預(yù)處理

讀取視頻中一個(gè)幀(一張圖片)，然后對(duì)這張圖片進(jìn)行一些預(yù)處理：

讀取視頻中的幀（一張圖片）

將圖片從RGB 模式轉(zhuǎn)為灰度圖

進(jìn)行灰度圖直方圖均衡化操作

Python 代碼：

步驟二：檢測(cè)并標(biāo)記目標(biāo)

OpenCV 中的XML 文件已包含harr 特征的分類器的訓(xùn)練結(jié)果，這里我們直接加載這個(gè)文件而不是自建立級(jí)聯(lián)表。接下來我們只需要將待檢測(cè)的圖片和級(jí)聯(lián)表一同傳遞給OpenCV 的目標(biāo)檢測(cè)算法，就可得到一個(gè)檢測(cè)發(fā)現(xiàn)到的人臉的集合。

Python 代碼：

#detect 函數(shù)是參照級(jí)聯(lián)表cascade 對(duì)圖片imge 進(jìn)行檢測(cè)，返回人臉的集合

步驟三：保存含有人臉的幀（圖片）到指定的地址

如果幀中（圖片）中存在人臉，將此幀保存到指定的文件中。

Python 代碼：

效果圖1：

經(jīng)試驗(yàn)測(cè)試，本程序可以完成大部分人臉的檢測(cè)，但在角度、光照、遮擋等因素的影響下，任有部分人臉不能正確檢測(cè)。

4 結(jié)論

本文介紹了如何使用OpenCV 來實(shí)現(xiàn)對(duì)視頻文件進(jìn)行人臉檢測(cè)，從而幫助視頻偵查時(shí)減輕肉眼檢測(cè)視頻的勞動(dòng)強(qiáng)度。相對(duì)于功能強(qiáng)大的OpenCV 及大量的算法實(shí)現(xiàn)來說，文中涉及到的內(nèi)容只是計(jì)算機(jī)視覺中很小的一部分。讀者可以考慮將其應(yīng)用到更為廣泛的領(lǐng)域中，如將其應(yīng)用到視屏監(jiān)控的實(shí)時(shí)檢測(cè)記錄中以及遠(yuǎn)程監(jiān)控中，使得其在視頻偵查中得到更為廣泛的應(yīng)用。