基于OpenCV 的人臉檢測系統設計與實(shí)現

1.引言

　　OpenCV（Intel·Open Source Computer Vision Library）是Intel 公司面向應用程序開(kāi)發(fā)者開(kāi)發(fā)的計算機視覺(jué)庫，其中包含大量的函數用來(lái)處理計算機視覺(jué)領(lǐng)域中常見(jiàn)的問(wèn)題，例如運動(dòng)分析和跟蹤、人臉識別、3D 重建和目標識別等[1].可以通過(guò)訪(fǎng)問(wèn)http://www.source- forge.net/projects/opencvlibrary 免費獲得OpenCV 庫以及相關(guān)的資料。另外， 還可以通過(guò)訪(fǎng)問(wèn)http://www.yahoogroups.com/group/OpenCV, 對于OpenCV使用中的一些問(wèn)題與經(jīng)驗進(jìn)行討論。

　　相對于其它圖像函數庫， OpenCV 是一種源碼開(kāi)放式的函數庫， 開(kāi)發(fā)者可以自由地調用函數庫中的相關(guān)處理函數。OpenCV 中包含300多個(gè)處理函數[1], 具備強大的圖像和矩陣運算能力， 可以大大減少開(kāi)發(fā)者的編程工作量， 有效提高開(kāi)發(fā)效率和程序運行的可靠性。另外， 由于OpenCV 具有很好的移植性， 開(kāi)發(fā)者可以根據需要在MS-Windows 和Linux 兩種平臺進(jìn)行開(kāi)發(fā)[2].

　　人臉檢測（Face Detection）是指在輸入圖像中確定所有人臉（如果存在）的位置、大小、位姿的過(guò)程。人臉檢測作為人臉信息處理中的一項關(guān)鍵技術(shù)， 近年來(lái)成為模式識別與計算機視覺(jué)領(lǐng)域內一項受到普遍重視、研究十分活躍的課題。人臉檢測問(wèn)題最初來(lái)源于人臉識別（FaceRecognition）。人臉識別的研究可以追溯到上個(gè)世紀六、七十年代， 經(jīng)過(guò)幾十年的曲折發(fā)展已日趨成熟。人臉檢測是自動(dòng)人臉識別系統中的一個(gè)關(guān)鍵環(huán)節， 但是早期的人臉識別研究主要針對具有較強約束條件的人臉圖像（如無(wú)背景的圖像）， 往往假設人臉位置已知或很容易獲得， 因此人臉檢測問(wèn)題并未受到重視。近幾年隨著(zhù)電子商務(wù)等應用的發(fā)展，人臉識別成為最有潛力的生物身份驗證手段， 這種應用背景要求自動(dòng)人臉識別系統能夠對一般由此所面臨的一系列問(wèn)題使得人臉檢測開(kāi)始作為一個(gè)獨立的課題受到研究者的重視。今天， 人臉檢測的應用背景已經(jīng)遠遠超出了人臉識別系統的范疇， 在基于內容的檢索、數字視頻處理、視覺(jué)監測等方面有著(zhù)重要的應用價(jià)值。

　　人臉檢測研究具有重要的學(xué)術(shù)價(jià)值。人臉是一類(lèi)具有相當復雜的細節變化的自然結構目標， 此類(lèi)目標的檢測問(wèn)題的挑戰性在于： （1）人臉由于外貌、表情、膚色等不同， 具有模式的可變性； （2）一般可能存在眼鏡、胡須等附屬物； （3）作為三維物體的人臉的影像不可避免地受由光照產(chǎn)生的陰影的影響。因此， 如果能夠找到解決這些問(wèn)題的方法， 成功構造出人臉檢測與跟蹤系統， 將為解決其它類(lèi)似的復雜模式檢測問(wèn)題提供重要的啟示。

　　目前， 國外對人臉檢測問(wèn)題的研究很多， 比較著(zhù)名的有MIT, CMU等； 國內的清華大學(xué)、北京工業(yè)大學(xué)、中科院計算所和自動(dòng)化所等都有人員從事人臉檢測相關(guān)的研究。而且， MPEG7 標準組織已經(jīng)建立了人臉識別草案小組， 人臉檢測算法也是一項征集的內容。隨著(zhù)人臉檢測研究的深入， 國際上發(fā)表的有關(guān)論文數量也大幅度增長(cháng)。

2.系統設計

　　本文采用OpenCV 實(shí)現人臉檢測的原理是基于A(yíng)daboost 算法， 該算法是一種分類(lèi)器算法， 其基本思想是利用大量的分類(lèi)能力一般的簡(jiǎn)單分類(lèi)器（Basic classifier）通過(guò)一定的方法疊加（boost）起來(lái)， 構成一個(gè)分類(lèi)能力很強的強分類(lèi)器（Stage classifier）， 再將若干個(gè)強分類(lèi)器串聯(lián)成為分級分類(lèi)器（classifier cascade）完成圖像搜索檢測。串聯(lián)的級數依賴(lài)于系統對錯誤率和識別速度的要求。

　　本系統由訓練和檢測兩個(gè)模塊完成， 兩部分的流程圖如圖1 和圖2 所示：

圖1 訓練程序流程圖

圖2 檢測程序流程圖

3.系統實(shí)現

　　本系統采用Microsoft VC++編程工具實(shí)現， 從OpenCV 官方網(wǎng)站上下載OpenCV 的最新版本后按照安裝說(shuō)明安裝OpenCV 開(kāi)發(fā)包， 并在VC++系統中配置好開(kāi)發(fā)環(huán)境。系統中實(shí)現的主要檢測函數如下， 其中調用了OpenCV 函數庫中的部分函數。

　　CRect CFaceDetect::DetectAndDrawFaces（ IplImage* img ）

　　{

　　CRect rc（0,0,0,0）；

　　if（ m_pHidCascade img ）

　　{

　　int scale = 2;

　　CvSize img_size = cvGetSize（ img ）；

　　IplImage* temp = cvCreateImage （ cvSize （img_size.width/2,

　　img_size.height/2）， 8, 3 ）；

　　int i;

　　cvPyrDown（ img, temp ）；

　　cvClearMemStorage（ m_pStorage ）；

　　if（ m_pHidCascade ）

　　{

　　CvSeq* faces = cvHaarDetectObjects （ temp,

　　m_pHidCascade, m_pStorage, 1.2, 2, 1 ）；

　　for（ i = 0; i （faces ? faces- >total : 0）； i++ ）

　　{

　　CvRect r = *（CvRect*）cvGetSeqElem（ faces, i ）；

　　cvRectangle（ img,

　　cvPoint（r.x*scale, r.y*scale），

　　cvPoint （（r.x+r.width）*scale, （r.y+r.height）

　　*scale），

　　CV_RGB（255,0,0）， 3 ）；

　　rc.left = r.x*scale;

　　rc.top = r.y*scale;

　　rc.right = （r.x+r.width）*scale;

　　rc.bottom = （r.y+r.height）*scale;

　　}

　　}

　　cvReleaseImage（ temp ）；

　　}

　　return rc;

　　}

　　其中函數cvHaarDetectObjects 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。函數以不同比例大小的掃描窗口對圖像進(jìn)行幾次搜索。每次都要對圖像中的這些重疊區域利用cvRunHaarClassifierCascade進(jìn)行檢測。有時(shí)候也會(huì )利用某些繼承（heuristics）技術(shù)以減少分析的候選區域， 例如利用Canny 裁減（pruning）方法。函數在處理和收集到候選的方框（全部通過(guò)級聯(lián)分類(lèi)器各層的區域） 科之后， 接著(zhù)對這些區域進(jìn)行組合并且返回一系列各個(gè)足夠大的組合中的平均矩形。調節程序中的缺省參數（scale_factor=1.1, min_neighbors=3,flags=0）用于對目標進(jìn)行更精確同時(shí)也是耗時(shí)較長(cháng)的進(jìn)一步檢測。為了能對視頻圖像進(jìn)行更快的實(shí)時(shí)檢測， 參數設置通常是： scale_factor=1.2,min_neighbors=2, flags=CV_HAAR_DO_CANNY_PRUNING,min_size =minimumpossible face size.

4.結束語(yǔ)

　　通過(guò)編程實(shí)現人臉檢測系統表明， 應用OpenCV 函數庫進(jìn)行圖像處理編程， 功能強大， 簡(jiǎn)捷高效， 可以使編程人員快速地實(shí)現算法。

　　OpenCV 確實(shí)為VC++編程處理數字圖像提供了極大的方便， 具有廣闊的應用前景。