论文部分内容阅读
摘 要：近几年来计算机网络传输、监控及视频分析在社会上不断的兴起，数字信息已经超越了模拟信息其主要原因在于数字信息更易于存储和分析，因此，在视频监控领域采用计算机对视频信息进行采集、压缩、分析、存储得到了很多人的青睐。在生物特征检测技术中人脸检测不同于其他的计算机视觉检测技术，人脸检测通过将视觉信号转换为机器能够检测的数字信号，从而使用计算机来进行判断处理。计算机通过摄像头看到的东西要简单的多，就是一堆由数字组成的矩阵，这些数字表明了物体发出的光的强弱，摄像头的光敏元件将光信号转化成数字信号，将其量化为矩阵。基于OPENCV的人脸检测与检测系统在计算机模式计算和模式检测等方面具有极其重要的作用。在基于人脸检测，图像压缩，视频监控，运动物体检测等方面有着更重要的应用价值。近年来计算机视觉技术在视觉领域中取得了飞速的发展，并在其他领域中得到了广泛的应用。本论文以OPENCV库为基础，采用QT作为图形界面开发，具有人脸采集，图片训练，数据库管理及人脸检测等功能。增加了代码的可重用性和可移植性，提高了系统处理速度。从而增加了本系统的运行效率。
关键词：人脸检测系统;图像压缩;级联分类检测器
1 绪论
1.1研究背景
人脸检测与检测是计算机视觉与模式检测领域中重要的研究方向，人脸检测在图像处理与视频检索、视频监控、视频显示等方面占据着重要的位置[1]。本文提出了基于32位彩色图像对人脸进行检测的方法，介绍的主要内容是图像处理，重点分析基于OPENCV人脸检测与检测的原理及方法，采用基于OPENCV的级联分类检测器，能够根据视频图像提取人脸特征进行训练。
目前，高性能的微电子和视觉处理系统已经运用在各个领域中，特别是基于视觉处理系统中的人脸检测系统已经走在了科学前沿。在生物检测技术中人脸检测是运用最为广泛的技术，对图像进行处理主要用到，光线补偿技术、高斯平滑技术和二值化技术等。对图像先进行补光处理，处理过后的图片通过定位眼睛、鼻子、嘴唇来确定脸部区域，最后根据人脸固有的眼睛对称性来确定是否是一个人脸，再使用高斯平滑，用来消除图像的噪声，最后进行二值化处理，采用局部阈值来进行二值化，接下来就对图片中的人脸进行定位，特征提取和检测操作。经过验证，图像通过预处理对以后的检测率有很大的影响，可以提高人脸检测和检测的准确率。在其他国家，人脸检测技术已经运用在智能家居、智能机器人、以及军事安防和其他安全部门。
2 研究方案设计
2.1人脸扫描方案
在生物特征检测技术中人脸检测不同于其他的计算机视觉检测技术，人脸检测通过将视觉信号转换为机器能够检测的数字信号，从而使用计算机来进行判断处理。计算机通过摄像头看到的东西要简单的多，简单来说，就是一堆由数字组成的矩阵，这些数字表明了物体发出的光的强弱，摄像头的光敏元件将光信号转化成数字信号，将其量化为矩阵[2]。
2.2人脸检测技术
因为噪声会对视频图像产生干扰，为了提高检测精确度，经常使用的自适应加权均值滤波方法对视频图像进行去噪预处理，通过减弱噪声来提高检测精度。然后，将降噪后视频图像再进行一些优化，对后面进行图片的检测、检测有很大的帮助。
对目标的影响，在对噪声图像的预处理中，使用中值滤波法，中值滤波首先确定一个目标点，然后以该点为中心周围的像素进行排列，然后将获取的像素中间值作为该区域的所有像素的值。当目标区域中有运动物体时，可以使用中值滤波的方式对运动目标进行平滑处理[3]。
3 系统设计
本节介绍了该系统的运行流程和设计思路，详细的介绍各个模块的原理和功能，介绍各个模块的功能和他们之间的联系[4]。
3.1人脸区域获取
对图片中人脸区域的检测，主要是基于肤色来进行获取，通过非直线的肤色分割彩色变换技术来实现。非线性分段色彩变换得到的皮肤颜色模型，这种类型的色彩空间中的肤色模型的建立必须首先选择一个合适的色彩空间。
3.2图像处理详细设计
人脸检测的流程为，从摄像头采集图片后对图片进行灰度化处理。分配PCA存储空间，再使用级联分类检测器对图片进行特征提取训练[5]。提取出采集的人脸图片的特征，保存数据到flash中为facedata.xml文件。
图像的灰度回一直都处于很零散的状态，并且图像的特征模糊，原来采用高斯平滑技术对图像进行处理，然后进行灰度转换，但图像效果没有达到预期所想。最终采用均衡直方图的方法，使图像处理的效果处于比较理想的状态[6]。
4 系统调试与数据分析
基于OPENCV的人脸检测与检测系统主要由视频图像的采集、人脸的定位、特征的提取、人脸检测四个部分组成，视频图像的采集及处理对以后的检测阶段有很大的影响，因此在进行该系统的开发时我就对该系统进行了整体的安排和测试，对图像采集及处理模块上进行整体的检测及改进。测试图像灰度化模块图像是否会进行灰色的变换;测试高斯平滑技术能够进行模板的操作，通过对高斯平滑技术的测试可以得到模板参数;对图片进行平滑的操作可以增加检测率，测试图片对比度增强技术，看图像是否能够将特征进行明显的显示出来。
使用面向对象的思想来编写图像处理模块，并把该模块的各个功能进行独立出来，建立各个独立的类，从而减少了程序之间的耦合性，增加了代码的可重用性和可移植性，提高了系統处理速度。从而增加了本系统的运行效率。对于本系统的扩展，在该系统中建立了多层次类结构是可以修改和维护的。所有的类都是相互独立的，可以向其中添加新方法以满足新功能，而不会破坏系统的原有功能。
参考文献
[1]汤德俊.人脸识别中图像特征提取与匹配技术研究[D].大连海事大学，2013.
[2]何雪.人脸识别中光照问题研究[D].重庆三峡学院，2017.
[3]刘凯伦.视频监控中实时人脸识别系统的研究与实现[D].郑州大学社，2017.
[4]DanielLelisBaggio，博格，刘波.深入理解OpenCV：实用计算机视觉项目解析[M].机械工业出版社，2014.
[5]林妙真._基于深度学习的人脸识别研究[D].大连理工大学，2013.
[6]Brunelli R，Poggio T.Face recognition：Features versus templates.IEEE Transactions on Pattern Analysis&Machine Intelligence，[J]2016，15（10）：1042-1052.
关键词：人脸检测系统;图像压缩;级联分类检测器
1 绪论
1.1研究背景
人脸检测与检测是计算机视觉与模式检测领域中重要的研究方向，人脸检测在图像处理与视频检索、视频监控、视频显示等方面占据着重要的位置[1]。本文提出了基于32位彩色图像对人脸进行检测的方法，介绍的主要内容是图像处理，重点分析基于OPENCV人脸检测与检测的原理及方法，采用基于OPENCV的级联分类检测器，能够根据视频图像提取人脸特征进行训练。
目前，高性能的微电子和视觉处理系统已经运用在各个领域中，特别是基于视觉处理系统中的人脸检测系统已经走在了科学前沿。在生物检测技术中人脸检测是运用最为广泛的技术，对图像进行处理主要用到，光线补偿技术、高斯平滑技术和二值化技术等。对图像先进行补光处理，处理过后的图片通过定位眼睛、鼻子、嘴唇来确定脸部区域，最后根据人脸固有的眼睛对称性来确定是否是一个人脸，再使用高斯平滑，用来消除图像的噪声，最后进行二值化处理，采用局部阈值来进行二值化，接下来就对图片中的人脸进行定位，特征提取和检测操作。经过验证，图像通过预处理对以后的检测率有很大的影响，可以提高人脸检测和检测的准确率。在其他国家，人脸检测技术已经运用在智能家居、智能机器人、以及军事安防和其他安全部门。
2 研究方案设计
2.1人脸扫描方案
在生物特征检测技术中人脸检测不同于其他的计算机视觉检测技术，人脸检测通过将视觉信号转换为机器能够检测的数字信号，从而使用计算机来进行判断处理。计算机通过摄像头看到的东西要简单的多，简单来说，就是一堆由数字组成的矩阵，这些数字表明了物体发出的光的强弱，摄像头的光敏元件将光信号转化成数字信号，将其量化为矩阵[2]。
2.2人脸检测技术
因为噪声会对视频图像产生干扰，为了提高检测精确度，经常使用的自适应加权均值滤波方法对视频图像进行去噪预处理，通过减弱噪声来提高检测精度。然后，将降噪后视频图像再进行一些优化，对后面进行图片的检测、检测有很大的帮助。
对目标的影响，在对噪声图像的预处理中，使用中值滤波法，中值滤波首先确定一个目标点，然后以该点为中心周围的像素进行排列，然后将获取的像素中间值作为该区域的所有像素的值。当目标区域中有运动物体时，可以使用中值滤波的方式对运动目标进行平滑处理[3]。
3 系统设计
本节介绍了该系统的运行流程和设计思路，详细的介绍各个模块的原理和功能，介绍各个模块的功能和他们之间的联系[4]。
3.1人脸区域获取
对图片中人脸区域的检测，主要是基于肤色来进行获取，通过非直线的肤色分割彩色变换技术来实现。非线性分段色彩变换得到的皮肤颜色模型，这种类型的色彩空间中的肤色模型的建立必须首先选择一个合适的色彩空间。
3.2图像处理详细设计
人脸检测的流程为，从摄像头采集图片后对图片进行灰度化处理。分配PCA存储空间，再使用级联分类检测器对图片进行特征提取训练[5]。提取出采集的人脸图片的特征，保存数据到flash中为facedata.xml文件。
图像的灰度回一直都处于很零散的状态，并且图像的特征模糊，原来采用高斯平滑技术对图像进行处理，然后进行灰度转换，但图像效果没有达到预期所想。最终采用均衡直方图的方法，使图像处理的效果处于比较理想的状态[6]。
4 系统调试与数据分析
基于OPENCV的人脸检测与检测系统主要由视频图像的采集、人脸的定位、特征的提取、人脸检测四个部分组成，视频图像的采集及处理对以后的检测阶段有很大的影响，因此在进行该系统的开发时我就对该系统进行了整体的安排和测试，对图像采集及处理模块上进行整体的检测及改进。测试图像灰度化模块图像是否会进行灰色的变换;测试高斯平滑技术能够进行模板的操作，通过对高斯平滑技术的测试可以得到模板参数;对图片进行平滑的操作可以增加检测率，测试图片对比度增强技术，看图像是否能够将特征进行明显的显示出来。
使用面向对象的思想来编写图像处理模块，并把该模块的各个功能进行独立出来，建立各个独立的类，从而减少了程序之间的耦合性，增加了代码的可重用性和可移植性，提高了系統处理速度。从而增加了本系统的运行效率。对于本系统的扩展，在该系统中建立了多层次类结构是可以修改和维护的。所有的类都是相互独立的，可以向其中添加新方法以满足新功能，而不会破坏系统的原有功能。
参考文献
[1]汤德俊.人脸识别中图像特征提取与匹配技术研究[D].大连海事大学，2013.
[2]何雪.人脸识别中光照问题研究[D].重庆三峡学院，2017.
[3]刘凯伦.视频监控中实时人脸识别系统的研究与实现[D].郑州大学社，2017.
[4]DanielLelisBaggio，博格，刘波.深入理解OpenCV：实用计算机视觉项目解析[M].机械工业出版社，2014.
[5]林妙真._基于深度学习的人脸识别研究[D].大连理工大学，2013.
[6]Brunelli R，Poggio T.Face recognition：Features versus templates.IEEE Transactions on Pattern Analysis&Machine Intelligence，[J]2016，15（10）：1042-1052.