主要有以下步驟：

1、人臉檢測(cè)

2、人臉預(yù)處理

3、從收集的人臉訓(xùn)練機(jī)器學(xué)習(xí)算法

4、人臉識(shí)別

5、收尾工作

人臉檢測(cè)算法：

基于Haar的臉部檢測(cè)器的基本思想是，對(duì)于面部正面大部分區(qū)域而言，會(huì)有眼睛所在區(qū)域應(yīng)該比前額和臉頰更暗，嘴巴應(yīng)該比臉頰更暗等情形。它通常執(zhí)行大約20個(gè)這樣的比較來(lái)決定所檢測(cè)的對(duì)象是否為人臉，實(shí)際上經(jīng)常會(huì)做上千次。

基于LBP的人臉檢測(cè)器基本思想與基于Haar的人臉檢測(cè)器類(lèi)似，但它比較的是像素亮度直方圖，例如，邊緣、角落和平坦區(qū)域的直方圖。

這兩種人臉檢測(cè)器可通過(guò)訓(xùn)練大的圖像集找到人臉，這些圖像集在opencv中存在XML文件中以便后續(xù)使用。

這些級(jí)聯(lián)分類(lèi)檢測(cè)器通常至少需使用1000個(gè)獨(dú)特的人臉圖像和10000個(gè)非人臉圖像作為訓(xùn)練，訓(xùn)練時(shí)間一般LBP要幾個(gè)小時(shí)，

Haar要一個(gè)星期。

項(xiàng)目中的關(guān)鍵代碼如下：

initDetectors
faceCascade.load(faceCascadeFilename);
eyeCascade1.load(eyeCascadeFilename1);
eyeCascade2.load(eyeCascadeFilename2);

initWebcam
videoCapture.open(cameraNumber);

cvtColor(img, gray, CV_BGR2GRAY);
//有需要?jiǎng)t縮小圖片使檢測(cè)運(yùn)行更快，之后要恢復(fù)原來(lái)大小
resize(gray, inputImg, Size(scaledWidth, scaledHeight));
equalizeHist(inputImg, equalizedImg);
cascade.detectMultiScale(equalizedImg......);

人臉預(yù)處理:

實(shí)際中通常訓(xùn)練（采集圖像）和測(cè)試（來(lái)自攝像機(jī)圖像）的圖像會(huì)有很大不同，受（如光照、人臉?lè)轿?、表情等）?/p>

結(jié)果會(huì)很差，因此用于訓(xùn)練的數(shù)據(jù)集很重要。

人臉預(yù)處理目的是減少這類(lèi)問(wèn)題，有助于提高整個(gè)人臉識(shí)別系統(tǒng)的可靠性。

人臉預(yù)處理的最簡(jiǎn)單形式就是使用equalizeHist()函數(shù)做直方圖均衡，這與人臉檢測(cè)那步一樣。

實(shí)際中，為了讓檢測(cè)算法更可靠，會(huì)使用面部特征檢測(cè)（如，檢測(cè)眼睛、鼻子、嘴巴和眉毛），本項(xiàng)目只使用眼睛檢測(cè)。

使用OpenCV自帶的訓(xùn)練好的眼部探測(cè)器。如，正面人臉檢測(cè)完畢后，得到一個(gè)人臉，在使用眼睛檢測(cè)器提取人臉的左眼區(qū)域和右眼區(qū)域，并對(duì)每個(gè)眼部區(qū)域進(jìn)行直方圖均衡。

這步涉及的操作有以下內(nèi)容：

1、幾何變換和裁剪

人臉對(duì)齊很重要，旋轉(zhuǎn)人臉使眼睛保持水平，縮放人臉使眼睛之間距離始終相同，平移人臉使眼睛總是在所需高度上水平居中，

裁剪人臉外圍（如圖像背景、頭發(fā)、額頭、耳朵和下巴）。

2、對(duì)人臉左側(cè)和右側(cè)分別用直方圖均衡

3、平滑

用雙邊濾波器來(lái)減少圖像噪聲

4、橢圓掩碼

將剩余頭發(fā)和人臉圖像背景去掉

項(xiàng)目中的關(guān)鍵代碼如下：

detectBothEyes(const Mat &face, CascadeClassifier &eyeCascade1, CascadeClassifier &eyeCascade2,
Point &leftEye, Point &rightEye, Rect *searchedLeftEye, Rect *searchedRightEye);
topLeftOfFace = face(Rect(leftX, topY, widthX, heightY));
//在左臉區(qū)域內(nèi)檢測(cè)左眼
detectLargestObject(topLeftOfFace, eyeCascade1, leftEyeRect, topLeftOfFace.cols);
//右眼類(lèi)似，這樣眼睛中心點(diǎn)就得到了
leftEye = Point(leftEyeRect.x + leftEyeRect.width/2, leftEyeRect.y + leftEyeRect.height/2);
//再得到兩眼的中點(diǎn)，然后計(jì)算兩眼之間的角度
Point2f eyesCenter = Point2f( (leftEye.x + rightEye.x) * 0.5f, (leftEye.y + rightEye.y) * 0.5f );
//仿射扭曲(Affine Warping)需要一個(gè)仿射矩陣
rot_mat = getRotationMatrix2D(eyesCenter, angle, scale);
//現(xiàn)在可變換人臉來(lái)得到檢測(cè)到的雙眼出現(xiàn)在人臉的所需位置
warpAffine(gray, warped, rot_mat, warped.size());

//先對(duì)人臉左側(cè)和右側(cè)分開(kāi)進(jìn)行直方圖均衡
equalizeHist(leftSide, leftSide);
equalizeHist(rightSide, rightSide);
//再合并，這里合并時(shí)左側(cè)1/4和右側(cè)1/4直接取像素值，中間的2/4區(qū)域像素值通過(guò)一定計(jì)算進(jìn)行處理。

//雙邊濾波
bilateralFilter(warped, filtered, 0, 20.0, 2.0);

//采用橢圓掩碼來(lái)刪除一些區(qū)域
filtered.copyTo(dstImg, mask);

收集并訓(xùn)練人臉：

一個(gè)好的數(shù)據(jù)集應(yīng)包含人臉變換的各種情形，這些變化可能出現(xiàn)在訓(xùn)練集中。如只測(cè)試正面人臉，則只需訓(xùn)練圖像有完全正面人臉即可。

因此一個(gè)好的訓(xùn)練集應(yīng)包含很多實(shí)際情形。

本項(xiàng)目收集的圖像之間至少有一秒的間隔，使用基于L2范數(shù)的相對(duì)錯(cuò)誤評(píng)價(jià)標(biāo)準(zhǔn)來(lái)比較兩幅圖像素之間的相似性。

errorL2 = norm(A, B, CV_L2);
similarity = errorL2 / (double)(A.rows * A.cols);

再與收集新人臉的閾值相比來(lái)決定是否收集這次圖像。

可用很多技巧來(lái)獲取更多的訓(xùn)練數(shù)據(jù)，如，使用鏡像人臉、加入隨機(jī)噪聲、改變?nèi)四槇D像的一些像素、旋轉(zhuǎn)等。

//翻轉(zhuǎn)
flip(preprocessedFace, mirroredFace, 1);

對(duì)每個(gè)人收集到足夠多的人臉圖像后，接下來(lái)必須選擇適合人臉識(shí)別的機(jī)器學(xué)習(xí)算法，通過(guò)它來(lái)學(xué)習(xí)收集的數(shù)據(jù)，從而訓(xùn)練出一個(gè)人臉識(shí)別系統(tǒng)。

人臉識(shí)別算法：

1、特征臉，也稱(chēng)PCA（主成分分析）

2、Fisher臉，也稱(chēng)LDA（線(xiàn)性判別分析）

3、局部二值模式直方圖（Local Binary Pattern Histograms，LBPH）

其他人臉識(shí)別算法：www.face-rec.org/algorithms/

OpenCV提供了CV::Algorithm類(lèi)，該類(lèi)有幾種不同的算法，用其中一種算法就可以完成簡(jiǎn)單而通用的人臉識(shí)別。

OpenCV的contrib模板中有一個(gè)FaceRecognizer類(lèi)，它實(shí)現(xiàn)以上這些人臉識(shí)別算法。

initModule_contrib();
model = Algorithm::create<FaceRecognizer>(facerecAlgorithm);

model->train(preprocessedFaces, faceLabels);

這一代碼將執(zhí)行所選人臉識(shí)別的整個(gè)訓(xùn)練算法。

人臉識(shí)別：

1、人臉識(shí)別：通過(guò)人臉來(lái)識(shí)別這個(gè)人

可以簡(jiǎn)單調(diào)用FaceRecognizer::predict()函數(shù)來(lái)識(shí)別照片中的人，

int identity = model->predict(preprocessedFace);

它帶來(lái)的問(wèn)題是它總能預(yù)測(cè)給定的人(即使輸入圖像不屬于訓(xùn)練集中的人)。

解決此問(wèn)題的辦法是制定置信度標(biāo)準(zhǔn)，置信度過(guò)低則可判讀是一個(gè)不認(rèn)識(shí)的人。

2、人臉驗(yàn)證：驗(yàn)證圖像中是否有想找的人

為了驗(yàn)證是否可靠，或者說(shuō)系統(tǒng)是否能對(duì)一個(gè)不認(rèn)識(shí)的人進(jìn)行正確識(shí)別，這需要進(jìn)行人臉驗(yàn)證。

這里計(jì)算置信度的方法是：

使用特征向量和特征值重構(gòu)人臉圖，然后將輸入的圖像與重構(gòu)圖進(jìn)行比較。如果一個(gè)人在訓(xùn)練集中有多張人臉圖，用特征向量和特征

值重構(gòu)后應(yīng)該有非常好的效果，如果沒(méi)有則差別很大，表明它可能是一個(gè)未知的人臉。

subspaceProject()函數(shù)將人臉圖像映射到特征空間，再用subspaceReconstruct()函數(shù)從特征空間重構(gòu)圖像。

收尾：交互式GUI

利用OpenCV函數(shù)很容易繪制一些組件，鼠標(biāo)點(diǎn)擊等。

以上就是本文的全部?jī)?nèi)容，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，同時(shí)也希望多多支持腳本之家！

最新評(píng)論