基于opencv的人脸检测算法

基于MB-LBP人脸检测算法

张伦，楚如峰，向世明，廖胜才，斯坦·李

生物识别与安全技术研究中心，中国科学院自动化模式识别研究所，国家重点实验室

摘要

通过使用基于AdaBoost学习算法的矩阵Haar-like特征方法，有效和实时脸部检测已经成为可能。在本文中，我们介绍了一组新的独特的人脸检测矩阵特征方法，称为多块局部二值模式（MB-LBP）。通过局部二进制模式操作，MB-LBP将矩阵区域编码成强度，得到的二值模式可以描述图像的多种局部结构。基于MB-LBP特征，研究出了一种基于AdaBoost学习算法的人脸检测方法。为了处理MB-LBP特征的非度量特征值，算法采用多分支回归树作为弱分类。实验表明，基于MB-LBP弱分类比Haar特征和原始LBP特征更加有区别度。鉴于相同的许多特征，在一个给定的0.001误报率下，所提出的人脸检测比haar-like特征高15％的正确率，比原始LBP特征高8％的正确率。这表明，MB-LBP特征可以捕获更多的图像结构信息，同时在简单地测量矩阵之间的差异下，比传统haar-like特征有更突出的性能。MB-LBP特征的另一优点是其较小的特征集，这使得训练时间要少得多。

1引言

人脸检测具有广泛的应用，例如自动

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中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。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，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Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中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。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，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Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中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。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，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Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中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。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，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Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中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。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，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Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

文献综述正文范例

基于Adaboost算法的人脸检测

文献综述

一、 人脸检测概述

随着社会的发展，各个方面对快速有效的自动身份验证和识别的要求日益迫切。人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，具有很强的个体差异性、自身稳定性、唯一性和不易被复制的良好特性，因而它们为身份鉴别提供了必要的前提；并且同其他生物特征识别技术相比，人脸是一个信息极丰富的模式集合，是人类互相判别、认识、记忆的主要标志[1]，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性，也是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一[2]。

所谓人脸识别，是指给定一个场景的静态图像或动态视频，判断其中是否存在人脸，如果存在人脸则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息并且依据这些信息进一步提取每张人脸蕴含的身份特征，将其与已知人脸库中的人脸进行对比，从而识别场景中单个或者多个人的身份[3]。

人脸识别过程可分为人脸检测（判断输入图像中是否存在人脸)、人脸特征提取(检测每个人脸的主要器官位置和形状)和人脸识别(将人脸特征提取结果与库中人脸对比)三个阶段。使用Adaboost算法进行人脸识别流程[5] ，如图 1所示。在这一

基于Adaboost算法的人脸检测研究及实现

西安理工大学

硕士学位论文

基于Adaboost算法的人脸检测研究及实现

姓名：林鹏

申请学位级别：硕士

专业：信号与信息处理

指导教师：张二虎

20070301

基于Adaboost算法的人脸检测研究及实现

摘要

论文题目：基于Ａｄａｂｏｏｓｔ算法的人脸检测研究及实现

学科专业：信号与信息处理

研究生：林鹏

指导教师：张二虎教授签名：签名：越

摘要

人脸检测技术作为机器视觉和模式识别研究领域中长期关注的一个重要课题，具有

极高的学术研究价值和商业应用价值。随着智能计算技术发展的日新月异，新方法、新技术的不断引入，给人脸检测研究注入了更多活力，检测效果越来越好，检测速度越来越快。

课题研究工作从基于Ａｄａｂｏｏｓｔ算法的人脸检测出发，分别从训练过程、检测过程对

该算法进行优化，并在此基础上开发了人脸检测与跟踪实验系统。

首先，根据经典Ａｄａｂｏｏｓｔ算法的原理，分别实现了Ａｄａｂｏｏｓｔ算法的训练过程和检

测过程。其次，鉴于Ａｄａｂｏｏｓｔ算法的训练过程时间过长，研究中分别对特征数量和训练流程进行了优化，使训练时间缩短了近５０％。然后，从实时检测系统对速度要求的角度出发，提出了一种基于Ａｄａｂｏｏｓｔ算法的人脸跟踪算法，使处理一帧图像的平

重庆邮电大学本科毕业设计（论文）

实验报告

题目：人脸识别

学生姓名： 万程程 鲍智成 李军 专 业：自动化 班 级：2012320103 学 号：18 14 12 指导老师：梁华刚 完成日期：2015.9.25

- I -

重庆邮电大学本科毕业设计（论文）

摘 要

随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论。本文研究的就是基于PCA的人脸识别算法的实现。

本文按照完整人脸识别流程来分析基于PCA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

重庆邮电大学本科毕业设计（论文）

实验报告

题目：人脸识别

学生姓名： 万程程 鲍智成 李军 专 业：自动化 班 级：2012320103 学 号：18 14 12 指导老师：梁华刚 完成日期：2015.9.25

- I -

重庆邮电大学本科毕业设计（论文）

摘 要

随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论。本文研究的就是基于PCA的人脸识别算法的实现。

本文按照完整人脸识别流程来分析基于PCA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