基于OpenCV的人臉識別設計方案

3.2 圖像預處理

由于大部分的臉部檢測算法對光照，臉部大小，位置表情等非常敏感， 當檢測到臉部后需利用cvCvtcolor（）轉化為灰度圖像，利用cvEqualizeHist（）進(jìn)行直方圖歸一化處理。

3.3 臉部檢測方法

OpenCV采用一種叫做Haar cascade classifier 的人臉檢測器，他利用保存在XML 文件中的數據來(lái)確定每一個(gè)局部搜索圖像的位置，先用cvLoad（）從文件中加載CvHaarClassifierCascade 變量， 然后利用cvHaarDetectObjects（）來(lái)進(jìn)行檢測，函數使用針對某目標物體訓練的級聯(lián)分類(lèi)器在圖像中找到包含目標物體的矩形區域，并且將這些區域作為一序列的矩形框返回，最終檢測結果保存在cvRect 變量中。

3.4 臉部識別方法

識別步驟及所需函數如圖2 所示。

圖2 識別步驟（visio）

PCA 方法（即特征臉?lè )椒ǎ┦荕.Turk 和A.Pentland在文獻中提出的，該方法的基本思想是將圖像向量經(jīng)過(guò)K-L 變換后由高維向量轉換為低維向量，并形成低維線(xiàn)性向量空間，即特征子空間，然后將人臉投影到該低維空間，用所得到的投影系數作為識別的特征向量。識別人臉時(shí)，只需將待識別樣本的投影系數與數據庫中目標樣本集的投影系數進(jìn)行比對，以確定與哪一類(lèi)最近。

PCA 算法分為兩步：核心臉數據庫生成階段，即訓練階段以及識別階段。

3.4.1 訓練階段

主要需要經(jīng)過(guò)如下的幾步：

（1） 需要一個(gè)訓練人臉照片集。

（2） 在訓練人臉照片集上計算特征臉，即計算特征值，保存最大特征值所對應的的M 張圖片。這M 張圖片定義了“特征臉空間”（原空間的一個(gè)子空間）。當有新的人臉添加進(jìn)來(lái)時(shí)，這個(gè)特征臉可以進(jìn)行更新和重新計算得到。

（3） 在“特征臉空間”上，將要識別的各個(gè)個(gè)體圖片投影到各個(gè)軸（特征臉）上，計算得到一個(gè)M 維的權重向量。簡(jiǎn)單而言，就是計算得到各個(gè)個(gè)體所對應于M 維權重空間的坐標值。

OpenCV 實(shí)現為：先用cvLoadImage（）載入圖片并利用cvCvtcolor（）轉換為灰度圖片，建立自定義的迭代標準CvTermCriteria，調用cvCalcEigenObjects（）進(jìn)行PCA 操作，計算出的Eigenface 都存放在向量組成的數組中，利用cvEigenDecomposite（）將每一個(gè)訓練圖片投影在PCA 子空間（eigenspace）上，結果保存在矩陣數組中，用cvWrite《datatype》（）將訓練結果保存至XML文件中。下面圖3 為訓練得到的部分特征臉圖像。

圖3 特征臉圖像