基于OpenCV的人臉識別設計方案

3.4.2 身份識別階段

在識別新的人臉圖片時(shí)，具體的操作方法流程如下：

（1） 基于前面得到的M 個(gè)特征臉，將新采集的圖片投影到各個(gè)特征臉，計算得到一個(gè)權重集合（權重向量）。

（2） 判斷新圖片是否是一幅人臉圖像，即通過(guò)判斷圖像是否足夠靠近人臉空間。

（3） 如果是人臉圖像，則根據前面計算的權重集合（權重向量），利用權重模式將這個(gè)人臉?lè )诸?lèi)劃歸到初始時(shí)計算得到的各個(gè)個(gè)體或者是成為一個(gè)新 的個(gè)體照片。簡(jiǎn)單而言，就是計算新權重到原來(lái)各個(gè)個(gè)體權重的距離，選擇最近的，認為是識別成這個(gè)個(gè)體；如果最近的距離超出閾值，則認為是一個(gè)新的個(gè)體。

（4） 更新特征臉或者是權重模式。

（5） 如果一個(gè)未知的人臉，出現了很多次，也就意味著(zhù)，對這個(gè)人臉沒(méi)有記錄，那么計算它的特征權重（向量），然后將其添加到已知人臉中［6］。

OpenCV 實(shí)現調用cvRead《datatype》（）加載訓練結果XML 文件，調cvEigenDecomposite（）將采集圖片映射至PCA 子空間，利用最近距離匹配方法SquaredEuclidean Distance，計算要識別圖片同每一個(gè)訓練結果的距離，找出距離最近的即可。

3.5 臉部表情識別

臉部運動(dòng)跟蹤利用了Camshift 算法，該算法利用目標的顏色直方圖模型將圖像轉換為顏色概率分布圖，初始化一個(gè)搜索窗的大小和位置，并根據上一幀得到的結果自適應調整搜索窗口的位置和大小， 從而定位出當前圖像中目標的中心位置。

Camshift 能有效解決目標變形和遮擋的問(wèn)題，對系統資源要求不高，時(shí)間復雜度低，在簡(jiǎn)單背景下能夠取得良好的跟蹤效果。

Camshift 的OpenCV 實(shí)現分以下幾步：

（1）調用cvCvtColor（）將色彩空間轉化到HSI 空間，調用cvSplit（）獲得其中的H 分量。

（2） 調用cvCreateHist（）計算H 分量的直方圖，即1D 直方圖。

（3） 調用cvCalcBackProject（）計算Back Projection.

（4） 調用cvCamShift（）輸出新的Search Window 的位置和面積。

我們利用光流算法評估了兩幀圖像的之間的變化，Lucas–Kanade 光流算法是一種兩幀差分的光流估計算法。它計算兩幀在時(shí)間t 到t +δt 之間每個(gè)每個(gè)像素點(diǎn)位置的移動(dòng)。是基于圖像信號的泰勒級數，就是對于空間和時(shí)間坐標使用偏導數。

首先要用到shi-Tomasi 算法，該算法主要用于提取特征點(diǎn)，即圖中哪些是我們感興趣需要跟蹤的點(diǎn)，對應函數為cvGoodFeaturesToTrack（），可以自定義第一幀特征點(diǎn)的數目，函數將輸出所找到特征值。接下來(lái)是cvCalcOpticalFlowPyrLK 函數， 實(shí)現了金字塔中Lucas-Kanade 光流計算的稀疏迭代版本。 它根據給出的前一幀特征點(diǎn)坐標計算當前視頻幀上的特征點(diǎn)坐標。輸入參數包括跟蹤圖像的前一幀和當前幀，以及上面函數輸出的前一幀圖像特征值，自定義的迭代標準，輸出所找到的當前幀的特征值點(diǎn)。這些點(diǎn)可以確定面部局部區域的特征 如眼部，鼻子高度與寬度，嘴部?jì)蓚扰c底部的夾角等等，利用與前一幀的特征比較，可得出反應臉部動(dòng)態(tài)變化的參數，這些數據可以與臉部的一些簡(jiǎn)單表情相關(guān)聯(lián)。下面圖4 為跟蹤眼睛上下眨動(dòng)的圖像。

圖4 跟蹤眼部上下眨動(dòng)圖像

4 總結

本文以OpenCV 圖像處理庫為核心，以QT 庫所提供的界面框架為基礎，提出了人臉識別系統設計方案，實(shí)驗證明本方案具有較好的實(shí)用性，可移植性。但仍有許多不足之處，如身份與表情識別部分可以通過(guò)引入神經(jīng)網(wǎng)絡(luò )或支持向量機SVM 進(jìn)行分類(lèi)，可以使識別準確率與識別種類(lèi)數得到提高，這些也是后續工作中步需要改進(jìn)的。