人臉識別系統(tǒng)的研究與實現(xiàn)畢業(yè)設計

1、WORD版本W(wǎng)ORD版本W(wǎng)ORD版本.人臉識別系統(tǒng)的研究與實現(xiàn)畢業(yè)設計目錄TOC o 1-5 h z HYPERLINK l bookmark0 第1章緒論1 HYPERLINK l bookmark2 1.1人臉識別的研究背景和意義1 HYPERLINK l bookmark4 1.1.1研究背景1 HYPERLINK l bookmark6 1.1.2研究意義2 HYPERLINK l bookmark8 1.2國外人臉識別技術研究現(xiàn)狀2 HYPERLINK l bookmark10 1.3本文所做的主要工作及論文容安排31.3.1本文所做的主要工作3 HYPERLINK l bookma

2、rk12 1.3.2論文容安排4 HYPERLINK l bookmark14 第2章人臉識別技術的綜述5 HYPERLINK l bookmark16 2.1人臉識別技術的基本原理5 HYPERLINK l bookmark18 2.2人臉識別技術包含的容5 HYPERLINK l bookmark20 2.2.1人臉檢測5 HYPERLINK l bookmark22 2.2.2人臉識別72.2.3人臉圖像的預處理82.2.4人臉跟蹤定位11 HYPERLINK l bookmark24 2.2.5人臉特征提取12 HYPERLINK l bookmark26 2.3基于Adaboost算

3、法的人臉細檢測13 HYPERLINK l bookmark28 Adaboost算法描述13 HYPERLINK l bookmark30 Haar特征與積分圖15 HYPERLINK l bookmark32 2.3.3基于Haar特征的Adaboost算法描述16 HYPERLINK l bookmark38 2.4基于隱馬爾可夫模型的人臉識別方法17隱馬爾可夫模型介紹17 HYPERLINK l bookmark40 HMM的三個基本問題18 HYPERLINK l bookmark42 HMM人臉模型20隱馬爾可夫模型訓練21 HYPERLINK l bookmark46 2.5基于

4、嵌入式隱馬爾可夫模型的人臉識別方法23嵌入式隱馬爾可夫模型24 HYPERLINK l bookmark50 最佳狀態(tài)鏈的確定25 HYPERLINK l bookmark52 2.5.3概率pG|九）的計算25 HYPERLINK l bookmark56 EHMM人臉識另U26 HYPERLINK l bookmark58 EHMM模型訓練27 HYPERLINK l bookmark60 2.6人臉識另的技術難點與發(fā)展方向28 HYPERLINK l bookmark62 2.6.1技術難點28 HYPERLINK l bookmark64 2.6.2發(fā)展方向29 HYPERLINK l

5、 bookmark66 3章人臉識另系統(tǒng)的需求分析301可行性分析30 HYPERLINK l bookmark68 3.1.1技術可行性30 HYPERLINK l bookmark70 3.1.2操作可行性30 HYPERLINK l bookmark72 2需求分析31 HYPERLINK l bookmark74 3.2.1功能需求分析31 HYPERLINK l bookmark76 3.2.2算法需求分析31 HYPERLINK l bookmark78 第4章系統(tǒng)的方案設計和實現(xiàn)331結構設計334.1.1人臉實時檢測跟蹤系統(tǒng)334.1.2人臉識另系統(tǒng)344.2功能設計34人臉實

6、時檢測跟蹤系統(tǒng)設計34人臉識另系統(tǒng)設計36 HYPERLINK l bookmark80 4.3人臉實時跟蹤系統(tǒng)功能的實現(xiàn)37 HYPERLINK l bookmark82 VS2010與0penCV庫簡介37 HYPERLINK l bookmark84 OpenCV環(huán)境配置38 HYPERLINK l bookmark86 4.3.30penCV中用于圖像處理的函數(shù)38 HYPERLINK l bookmark88 4.3.4基于OpenCV的目標檢測算法394.3.5人臉檢測跟蹤的核心算法40 HYPERLINK l bookmark90 4人臉識別系統(tǒng)功能實現(xiàn)41人臉數(shù)據(jù)庫簡介41 H

7、YPERLINK l bookmark92 系統(tǒng)框架42具體的實驗函數(shù)分析44 HYPERLINK l bookmark94 第5章系統(tǒng)的測試與分析46 HYPERLINK l bookmark96 1人臉實時檢測跟蹤系統(tǒng)46 HYPERLINK l bookmark98 系統(tǒng)測試46 HYPERLINK l bookmark100 結果分析47 HYPERLINK l bookmark102 2人臉識別系統(tǒng)47 HYPERLINK l bookmark104 系統(tǒng)測試47 HYPERLINK l bookmark106 結果分析51 HYPERLINK l bookmark108 第6章總結

8、與展望521總結526.2展望53 HYPERLINK l bookmark110 參考文獻54 HYPERLINK l bookmark112 附錄56 HYPERLINK l bookmark114 附錄A人臉實時檢測跟蹤算法程序。56 HYPERLINK l bookmark116 附錄B人臉識別算法程序。60附錄B1人員管理窗口程序60附錄B2參數(shù)設置窗口程序68附錄B3人臉識別窗口程序74附錄B4類行為管理程序82附錄B5人臉識別主程序84 HYPERLINK l bookmark118 致謝106第1章緒論人臉識別的研究背景和意義1.1.1研究背景早在古埃及時人們就開始通過人體生物

9、特征的測量（如人臉、人手等）來鑒別人的身份，在刑偵領域，人們也早已使用最有效的人體生物特征之一，指紋，來確定罪犯。隨著計算機技術的出現(xiàn)，人們開始憑借計算機的強大功能來研究和實現(xiàn)自動的身份鑒別系統(tǒng)。近年來，在美國、歐洲、香港等許多國家和地區(qū)的大學都成立了以人體生物識別技術為主要研究方向的實驗室或研究中心，同時許多公司也相繼先后開發(fā)出許多產(chǎn)品，并不斷地推向市場，逐步形成一個新興的、很有希望的產(chǎn)業(yè)。在我國，已經(jīng)涌現(xiàn)出很多專門機構廣泛開展人體生物識別技術方面的研究工作，有許多研究人員投身到這一新興研究領域，開展用于身份鑒別的人臉識別、話者識別、聯(lián)機簽名識別、指紋識別等多項研究工作，并取得了一定的成果。

10、目前，用于個人身份鑒別主要依靠ID卡（如身份證、工作證、儲蓄卡等）、密碼（如進入計算機系統(tǒng)、取款）等手段，而這些手段存在攜帶不便、密碼被竊等諸多問題。例如，信用卡問題：美國每年的信用卡欺詐損失超過數(shù)百萬美金；在失業(yè)救濟、健康保險、福利發(fā)放等領域，由于冒別人之名而損失極大；使用偽造證件非法移民等。人們希望有一種更加方便可靠的辦法來進行身份鑒別，生物特征識別技術給這一愿望帶來了實現(xiàn)的可能，人們可能會遺忘或丟失他們的卡片或密碼，但絕對不會遺忘或者丟失自己的生物特征，如人臉、指紋、虹膜、掌紋等。因此，基于生物特征識別技術的個人身份識別系統(tǒng)具有更好的安全性、可靠性和有效性，正越來越受到人們的重視，并開始

11、進入我們社會生活的各個領域，迎接新時代的挑戰(zhàn)。雖然與指紋識別技術、虹膜識別技術等相比，人臉識別技術更容易受到各種因素的干擾，比如光照、裝扮或者是人的表情等，但是人臉識別技術的發(fā)展空間和發(fā)展前景依然是非常巨大的?？梢詮囊韵碌娜齻€方面了解人臉識別技術的優(yōu)勢所在：（1）無侵犯性所謂無侵犯性是指在使用人臉識別技術進行識別的過程當中，不需要被識別者的主動參與、積極配合，從而避免了被識別者產(chǎn)生反感、拒絕等逆反心理,使得識別過程可以有效、迅速的執(zhí)行。（2）自然性好人臉識別技術具有良好的自然性。在這里，自然性是指我們使用的人臉識別技術是否WORD版本.WORD版本W(wǎng)ORD版本與人類用來互相識別區(qū)分的方法相似。

12、在日常生活當中，識別一個人最簡單最直接的方法就是識別他的臉部。（3）性價比高人臉識別技術所需求的硬件設備，相對于其他生物特征識別技術如指紋識別技術較為簡單，不需要其他特殊的外接設備，只需要采用高分辨率攝像頭即可。1.1.2研究意義人臉識別技術的研究無論在理論上還是在實踐中都有很大的意義，它涵蓋了數(shù)字圖像處理、神經(jīng)網(wǎng)絡、心理學、生理學、模式識別、計算機視覺以及人工智能等各方面的知識容，對推動各個學科領域的發(fā)展具有重要的理論意義。在公安、金融、網(wǎng)絡安全、物業(yè)管理以及考勤等各種領域也都有著巨大的應用價值。如人臉識別技術可以快速地計算出實時采集到臉部數(shù)據(jù)與人臉圖像數(shù)據(jù)庫中已知人員的臉部數(shù)據(jù)之間的相似度

13、，返回鑒別結果和相對應的可信度。如應用面像捕捉，人臉識別技術可以在監(jiān)控圍中跟蹤一個人并確定他的位置。如在商場、銀行、交易所等和金融相關場所，加以人臉識別智能監(jiān)控，排除不法分子的侵入。利用人臉識別技術，可以進行計算機的登錄控制，可以進行應用程序安全使用、數(shù)據(jù)庫安全訪問和文件加密，可以實現(xiàn)局域網(wǎng)和廣域網(wǎng)的安全控制，可以保護電子商務的安全性。如門禁控制，通過攝像機動態(tài)捕獲人臉,將人臉信息同數(shù)據(jù)庫中的人臉信息進行檢索對比,只有圖像信息符合的人才可以進入,否則拒絕進入。在日常生活中，人們識別周圍的人用的最多的是人臉。由于人臉識別的非侵犯性，具有直接、友好、方便的特點，是人們最容易接受的身份鑒別方式。國外

14、人臉識別技術研究現(xiàn)狀模式識別技術5早在上個世紀60年代就已經(jīng)有人提出，由于當時計算機處理速度的限制，只能從理論上證明是可行的。20世紀90年代以來，隨著高速度高性能計算機的出現(xiàn),人臉識別方法有了重大突破，進入了真正的機器自動識別階段,人臉識別研究也得到了前所未有的重視。歐美等各高校都建立了人臉識別的實驗室，其中著名的大學包括麻省理工學院（MIT）、卡基梅隆大學（CMU）等。在美國主要有麻神理工學院等研究實驗室提出的特征人臉對特征空間的投影來實現(xiàn)；在法國已經(jīng)把人臉識別身份認證技術應用到自助取款機上，在實際使用時需要用一臺3D攝像機，采集人的立體影像來鑒定身份。目前，美國許多研究小組相繼投入到人臉

15、識別方面的研究工作，他們的研究工作得到了美國軍方、警方和大公司的資助，進展迅速。美國軍方更是在每年組織人臉識別大賽（FERT），以促進人臉識別的研究。日本sony公司最新推出的數(shù)碼相機已經(jīng)整合了人臉自動識別功能，在拍照時，可以自動檢測出人臉區(qū)域并進行對焦，并且還具有識別笑臉的功能，能夠自動檢測出笑臉。2007年3月，美國NIST報告了2006年人臉識別供應商評測（FRVT2006）結果，對控制光照條件下的極高分辨率正面人臉圖像，最小錯誤接受率為0.001時，最小錯誤拒絕率已達到0.01，對高分辨率、低分辨率下的正面人臉圖像的識別，這個數(shù)據(jù)也分別達到了0.與0.。在一定條件，有些技術甚至超過了人

16、類的人臉識別力。國對于人臉識別的研究較之國外稍晚一些，但是發(fā)展速度很快，同時，國家對人臉識別技術的研究也給予了高度的重視。九十年代中后期以來，國眾多研究機構的研究組在國家自然科學基金、863計劃等資助下開始對人臉識別進行了研究。其中，具有代表性的人臉識別系統(tǒng)有：清華大學電子系丁曉青教授研究小組開發(fā)的THfacelD系統(tǒng)；中國科技大電子科學與技術系莊鎮(zhèn)泉教授研究小組開發(fā)的人臉識別考勤系統(tǒng)（KD-Face2.0）；中科院計算所高文研究組開發(fā)的GodEye系統(tǒng)；清華大學電子系蘇光大教授研究小組開發(fā)的大型人臉綜合識別系統(tǒng)；中科院自動化所子青研究小組開發(fā)的人臉識別系統(tǒng)等。2008年，在北京奧運會及殘奧會

17、開閉幕式，使用了由CBSR研制的人臉識別技術進行實名制門票查驗。在奧運會及殘奧會開閉幕式中，約36萬人次經(jīng)過了人臉識別系統(tǒng)的驗證后進入開閉幕式現(xiàn)場。為奧運會的安保工作做出了巨大的貢獻，該技術擁有完全獨立自主的知識產(chǎn)權，人臉識別系統(tǒng)的性能優(yōu)良，在國際上亦處于領先地位。2011年1月，由政府資助開發(fā)出了新型的人臉識別自動售貨機，該機器可以應用在某些特殊商品的銷售領域中，如保健產(chǎn)品、面膜、剃須刀等，該人臉識別自動售貨機可以根據(jù)消費者面部的特征向其推薦特定的商品。同時，人臉識別技術也可以幫助解決很多社會問題，比如，目前的解救乞討兒童的公益活動。其中，以中科院自動化所免費提供人臉識別相關的技術支持，并與

18、多個網(wǎng)絡平臺合作盡快的付諸于實踐。本文所做的主要工作及論文容安排1.3.1本文所做的主要工作本文針對實時視頻的人臉檢測跟蹤與靜態(tài)圖像的人臉識別展開研究，介紹了一種開放源代碼的計算機視覺類庫OpenCV，闡述了該軟件的特點及結構，并對其在VS2010開發(fā)環(huán)境下的配置作了詳細的說明，然后提出了一個基于OpenCV的人臉檢測算法血和基于隱馬爾可夫模型的人臉識別方法24。對人臉識別技術做了詳細綜述，著重討論了人臉識別過程中的幾個關鍵性問題，如圖像預處理、識別和檢測算法等。在分析和借鑒了國外人臉識別領域研究成果的基礎上，結合實際應用的目的，對人臉識別關鍵技術進行了深入研究，主要工作包含以下幾個方面：（1

19、）介紹了基于人臉識別的研究背景和意義，總結了現(xiàn)有的人臉識別的方法，分析比較了它們的特點以及存在的問題。（2）對人臉檢測和識別過程中的靜態(tài)圖像預處理技術和特征提取技術展開討論，重點分析了圖像的灰度變換、直方圖均衡化、邊緣檢測等問題。（3）對國外人臉檢測的Adaboost算法和人臉識別的隱馬爾可夫算法的研究進行了跟蹤，提出了一種基于Adaboost的人臉檢測算法，和一種基于嵌入式隱馬爾可夫模型的人臉識別算法，并對算法進行的實驗測試進行分析，實驗結果表明文章中提出的算法具有較好的人臉檢測和識別的準確率。（4）從應用的角度出發(fā)，結合前面兩章的研究成果，設計并實現(xiàn)了一個人臉檢測跟蹤系統(tǒng)和一個靜態(tài)人臉圖像

20、識別的人臉識別系統(tǒng)。基本思想是：利用文章中提出的的Adaboost算法先檢測出候選的人臉區(qū)域，再根據(jù)特定的算法提取出面部的人臉特征，確定并標示出人臉的位置；另外利用嵌入式隱馬爾可夫模型算法開發(fā)了一個人臉識別系統(tǒng)進行人臉識別。文章進行了大量的實驗測試，并對測試結果進行了分析。論文容安排針對研究容，本文的結構安排如下：第一章為緒論，介紹了人臉識別技術研究的背景及意義和國外的研究現(xiàn)狀。第二章為人臉識別技術的綜述，分析了人臉識別的基本原理和方法，重點討論了人臉識別中的關鍵算法，指出了現(xiàn)在人臉識別技術的研究難點。第三章為人臉識別系統(tǒng)的需求分析，分析了算法需求和功能需求，為系統(tǒng)的方案設計做好準備。第四章為

21、人臉識別系統(tǒng)的方案設計和實現(xiàn)，給出了系統(tǒng)的總體設計方案和各個功能模塊的設計，詳細闡述了整個系統(tǒng)和各個模塊的實現(xiàn)過程。第五章為人臉識別系統(tǒng)的系統(tǒng)測試，闡述了系統(tǒng)的功能測試和測試結果。第六章為總結與展望，闡述了自己論文的主要成果和仍需要做的改進。第2章人臉識別技術的綜述人體生物特征識別技術是依靠人體的生物特征來進行人的身份驗證的一種高科技識別技術。而人臉識別技術具有比其他生物特征識別技術更直觀、簡便、準確、可靠及可擴展性良好等眾多優(yōu)勢，因而應用廣泛。人臉識別技術的基本原理人臉識別技術是基于人的臉部特征，對輸入的人臉圖象或者視頻流，首先判斷其是否存在人臉，如果存在人臉，則進一步給出每個臉的位置、大小

22、和各個主要面部器官的位置信息。并依據(jù)這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而識別每個人臉的身份。廣義的人臉識別實際包括構建人臉識別系統(tǒng)的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統(tǒng)。人臉識別技術包含的容2.2.1人臉檢測人臉檢測是指在動態(tài)的場景與復雜的背景10中判斷是否存在面像，并分離出這種面像。下面是幾個主要的人臉檢測方法：（1）基于知識的方法：這種方法是基于規(guī)則的人臉檢測方法，規(guī)則來源于研究者關于人臉的先驗知識，將典型的人臉形成規(guī)則庫對人臉進行編碼

23、，通過面部特征之間的關系進行人臉定位。一般比較容易提出簡單的規(guī)則來描述人臉特征和它們的相互關系，如在一幅圖像中出現(xiàn)的人臉,通常具有互相對稱的兩只眼睛、一個鼻子和一嘴。特征之間的相互關系可以通過它們的相對距離和位置來描述，在輸入圖像中首先提取面部特征，確定基于編碼規(guī)則的人臉候選區(qū)域?；谥R的方法存在的問題是很難將人類知識轉(zhuǎn)換為明確定義的規(guī)則。如果規(guī)則太詳細（嚴格），由于不能通過所有的規(guī)則可能使得檢測失敗；如果規(guī)則太概括（通用），可能會有較高的錯誤接收率。此外，很難將這種方法擴展到在不同的位姿下檢測人臉，因為列舉所有的情況是一項很困難的工作。（2）基于特征不變性的方法：在姿態(tài)、視角或光照條件改變

24、的情況下找到存在的結構特征，然后使用這些特征確定人臉。這類方法主要有采用人臉特征檢測、基于皮膚顏色紋理特征檢測以及基于多個特征綜合檢測。不僅可以從已有的面部特征而且可以從它們的幾何關系進行人臉檢測。與基于知識的方法相反，它是尋找人臉的不變特征用于人臉檢測。人們已經(jīng)提出了許多先檢測人臉面部特征，后推斷人臉是否存在的方法。一般利用邊緣檢測器提取面部特征（如眉毛、眼睛、鼻子、嘴和發(fā)際等），根據(jù)提取的特征，建立統(tǒng)計模型描述特征之間的關系并確定存在的人臉。這類方法的缺點在于這些特征會由于照明、噪聲以及遮擋情況被破壞，人臉的特征邊界會被弱化，在這種情況下很多方法都會失效；同時由人臉陰影所形成的邊緣可能對幾

25、何特征的邊緣帶來不良影響。（3）基于模版匹配的方法：這類方法首先人工定義或者參數(shù)化的建立一個函數(shù)來描述標準人臉模式（通常是正面人臉），然后根據(jù)輸入的人臉和定義的標準人臉的相關性來進行檢測。但是實際上，我們的人臉模式變化太大，人臉模板的構建是相當難的，如果是固定的模板，很難做出準確的判斷。也有人提出了帶參變量的曲線函數(shù)，即變形模板。變形模板可以根據(jù)人臉模式的變化自適應地調(diào)節(jié)匹配模板，提高了模板的適應性和檢測精度。最近提出了多分辨率模版、多比例模版、子模版等方法來適應比例及形狀的變化。基于模板的方法較為直觀，但是固定模板對位姿、表情和尺度變化敏感；可變形模板雖然對非剛性模式具有較好的適應性，但是可

26、變形模板的選擇和參數(shù)的確定困難，受人臉各種因素的影響比較大，尤其是在圖像背景比較復雜的情況下，模板匹配魯棒性差，如果待測圖像中有多個人臉的話，要實現(xiàn)圖像中多個人臉的檢測特別困難。（4）基于外觀的方法：這類方法主要依賴于統(tǒng)計分析和機器學習理論，對應于模版匹配的預先定義模版的方法，通過從樣本圖像學習中獲得“模版”進行人臉檢測。通過將人臉圖像視為一個高維向量，從而將人臉檢測問題轉(zhuǎn)化為高維空間中分布信號的檢測問題。通常，基于外觀的方法依靠統(tǒng)計分析和機器學習技術找到相應的人臉和非人臉圖像的特征。學習的特征由分布模型或判別函數(shù)形成，同時，由于計算效率和檢測有效性的原因通常需要降維。該類方法主要有，特征臉（

27、Eigenfaces）方法：將KL變換21引入了人臉檢測，在人臉識別中采用的是主元子空間（特征臉），而人臉檢測利用是次元子空間（特征臉空間的補空間），用待檢測區(qū)域在次元子空間上的投影能量，也即待檢測區(qū)域到特征臉子空間的距離作為檢測統(tǒng)計量，距離越小，表明越象人臉。神經(jīng)網(wǎng)絡方法：人臉檢測可以看作是只有人臉樣本和非人臉樣本兩個分類的模式識別問題，通過對人臉樣本集和非人臉樣本集進行學習可以產(chǎn)生分類器。由于人臉模式的多樣性和圖像獲取過程的不確定性，人臉在圖像空間中分布非常復雜，建立人臉在高維圖像空間的精確分布模型是一件非常困難是工作。建立一個統(tǒng)計可靠的估計不僅需要大量的正例樣本，而且還需要充分多的有效反

28、例樣本。2.2.2人臉識別人臉識別的主要任務不僅包括從照片和圖像序列中識別某個人臉圖像，而且還涉及到對面孔圖像的分析或合成。主要有以下幾種方法：（1）基于面部特征20的方法：將人臉用一個幾何特征矢量表示，進而用模式識別中的層次聚類思想設計分類器對人臉進行識別。具體的實現(xiàn)過程如下：首先檢測出面部的明顯特征點（通常為眼睛、鼻子、嘴等部位）：然后測量出這些面部特征點之間的距離，并把這些距離作為幾何特征矢量（眼睛、鼻子、嘴的位置和寬度，眉毛的厚度和彎曲程度等都可以作為我們描述一人臉的幾何特征矢量）；最后將待測圖像和訓練好的人臉庫的幾何特征矢量進行比較，就可以判斷是否為人臉，如果是人臉，可以找出與已知人

29、臉庫的最佳匹配人臉。這種方法存在的問題有：檢測率不高，會受到很多外界條件的影響，尤其對強烈的表情變化不敏感,穩(wěn)定性較差，如果背景區(qū)域中存在類人臉區(qū)域，則必然導致誤檢。（2）基于統(tǒng)計特征臉（PCA）19的方法：該方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基于圖像灰度的統(tǒng)計特性的。（3）基于模板匹配的方法：靜態(tài)模板匹配直接對

30、兩幅圖像進行比較，其中一幅作為模板，而另一幅是被識別圖像。通過計算得出兩幅圖像的特征值，從而比較兩幅圖像的相似程度。在模板匹配方法當中，即可以把整臉當作一個模板，也可以把人臉分成幾個相互獨立的小模板，每個小模板可包含眼部、嘴部、眼眉、鼻子、額頭、臉頰等部位。彈性模板匹配是根據(jù)待檢測人臉特征的先驗的形狀信息（通常利用小波特征）定義一個參數(shù)描述的形狀模型，該模型的參數(shù)反映了對應特征形狀的可變部分，如位置、大小、角度等，它們最終通過模型與圖像的邊緣、峰、谷和灰度分布特性的動態(tài)交互適應來得以修正。由于模板變形利用了特征區(qū)域的全局信息，因此可以較好地檢測出相應的特征形狀。（4）基于隱馬爾科夫模型的方法：

31、隱馬爾科夫模型（HMM）是用于描述信號統(tǒng)計特性的統(tǒng)計模型?；谌四槒纳系较?、從左到右的結構特征，Samaria等首先采用1-DHMM和2-DPseudoHMM用于人臉識別?；贗-DHMM，Kohir等采用低頻DCT系數(shù)作為觀察矢量獲得了較好的識別效果。Eickeler等采用2-DPseudoHMM識別DCT壓縮的JPEG圖像中的人臉圖像。WORD版本.WORD版本W(wǎng)ORD版本（5）基于神經(jīng)網(wǎng)絡的方法：人工神經(jīng)網(wǎng)絡方法同人類神經(jīng)功能一樣具有記憶功能，對于一個模式的訓練樣本比較豐富時，利用神經(jīng)網(wǎng)絡人臉檢測方法可以應用到處理比較復雜的檢測。神經(jīng)網(wǎng)絡的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關

32、函數(shù)、局部紋理的二階矩等。神經(jīng)網(wǎng)絡方法在人臉識別上比其他類型的方法有其獨到的優(yōu)勢，它避免了復雜的特征提取工作，可以通過學習的過程獲得其他方法難以實現(xiàn)的關于人臉識別的規(guī)律和規(guī)則的隱性表達。（6）基于支持向量機的方法：支持向量機（SVM）主要解決的是一個2分類問題，它的思想是試圖把一個低維的線性不可分的問題轉(zhuǎn)化成一個高維的線性可分的問題。在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現(xiàn)實的。而且支持向量機訓練時間長，方法實現(xiàn)復雜，函數(shù)的取法沒有統(tǒng)一的理論。2.2.3人臉圖像的預處

33、理通常情況下，我們在采集圖像時，由于成像設備、光照條件、被檢測的人臉狀態(tài)等諸多因素的影響，另外還有噪聲的存在，使得我們得到的初始圖像效果是很差的，對特征的提取是不利的。因此，對初始圖像進行相應的預處理是很必要的。人臉圖像預處理的主要目的是消除與人臉圖像無關的信息，濾除干擾、噪聲、恢復真實有用的信息，最大程度地增強有關信息和簡化數(shù)據(jù)，從而給后續(xù)的特征抽取、圖像分割、匹配和識別創(chuàng)造條件，給系統(tǒng)的穩(wěn)定作保障。本文所研究的圖像預處理主要包括圖像增強與平滑、圖像分割兩個方面，具體包括：灰度化、圖像二值化、邊緣檢測、尺度歸一化和直方圖均衡化等。（1）圖像灰度變換為了使實驗擁有比較好的效果，尤其是更加滿足實

34、際應用的要求，文章對采集到的圖像，首先要進行灰度變化，然后才能方便于后續(xù)的處理，適用于Adaboost人臉檢測算法?；叶茸儞Q18是圖像增強的一種重要手段，屬于空域處理法。它可以使圖像動態(tài)圍加大，使圖像的對比度擴展，圖像更加清晰，特征更加明顯。這些特征都更加有利于人臉特征的提取與識別?；叶茸儞Q的實質(zhì)就是按一定的規(guī)則修改圖像的每一個像素的灰度，從而改變圖像灰度的動態(tài)圍，灰度變換按照其變換的方法可以分為：線性、分段線性、非線性以及其他的灰度變換。通常實驗中采集到的人臉圖像是彩色圖像。彩色圖像中的像素點是由R（紅色）、G（綠色）、B（藍色）三種顏色混合而成的，不同含量的RGB混合組成不同的顏色。而灰度

35、圖像是只含有亮度信息，不含有色彩信息，而且是亮度是連續(xù)變化的，灰度圖像的表示是把圖像的亮度值進行量化來表示的?；叶葓D像通常劃分為0255共256個級別，0表示全黑（最暗），255表示全白（最亮）。在人臉識別中，利用彩色圖像，往往會受到復雜背景（尤其是膚色）16的影響，存在很多缺陷；而灰度圖像則比較容易處理，不存在復雜背景的問題，而且很多經(jīng)典的人臉檢測和識別的算法都是采用灰度圖像來進行的，像本文會采用的Adaboost人臉檢測算法。所以，本文首先對采集的人臉彩色圖像進行灰度化。彩色圖像中像素點RGB分量是不相等的，而灰度像素點的RGB分量是相等的。也就是說(0,0,0)是全黑色，而(255,25

36、5,255)是全白色，中間的即為灰色?；叶然褪鞘共噬至肯嗟鹊倪^程。彩色圖像和灰度圖像間的RGB分量之間的對應關系為_R0.2990.5780.114RG=0.2990.5780.114GBgray0.2990.5780.114Bcolor2.1)也就是說，根據(jù)這公式，我們可以將一幅彩色圖像變換為灰度圖像。直方圖均衡化直方圖均衡化又稱為灰度均衡化18，是通過某種灰度映射使輸入圖像轉(zhuǎn)化為在每一灰度級上都有近似相同像素點數(shù)的輸出圖像，使之演變成一幅具有均勻灰度概率分布的新圖像。在經(jīng)過均衡化處理的圖像中，像素占有盡可能多的灰度級并且分布均勻。其結果是擴展了像素取值的動態(tài)圍，從而達到了增強圖像整體對

37、比度的效果，從而部分地消除光照對灰度圖像影響。直方圖是一種點操作，它逐點改變圖像的灰度值，盡量使各個灰度級別都具有相同數(shù)量的像素點，使直方圖趨于平衡。若考慮圖像的灰度圍為b,1且連續(xù)。按照圖像的概率密度函數(shù)(PDF，歸一化帶單位面積的直方圖)的定義：P(x)=1/A0*H(x)(2.2)其中H(x)為直方圖，A0為圖像的面積，設轉(zhuǎn)換前圖像的概率密度函數(shù)為Pr(r)，轉(zhuǎn)換后圖像的概率密度函數(shù)為Ps(S)，轉(zhuǎn)換函數(shù)為s=f(r)，由概率論的知識，我們可以得到：drPs(S)=Pr(r)*-ds(2.3)如果想使轉(zhuǎn)換后圖像的概率密度函數(shù)為1(即直方圖是平的)，則必須滿足：dsPr(r)=字(2.4)

38、dr等式兩邊積分得：S二f(r)二JrP(u)du二1/AOrH(u)du(2.5)020該轉(zhuǎn)換式被稱為圖像的累積分布函數(shù)。上面的公式是被歸一化后推導的，對于沒有歸一化的情況，只要求以最大的灰度值(Dmax，對于灰度圖就是255)即可，灰度均衡的轉(zhuǎn)換式為：WORD版本D=f(D)=Dmax/Ao*H(u)duBA(2.6)對于離散圖像轉(zhuǎn)換式為：D二f(D)二Dma處AO*AHBAii=0式中H為第i級灰度的像素個數(shù)。i尺度歸一化處理假設樣本圖像為F(x,y)MxN，圖像的寬度和高度分別為M和N，大小歸一化后為G(x,y)WxH，實驗中人臉樣本取W=92，H=112；使用反向投影和線性插值從原始

39、圖像得到歸一化后的樣本圖像，則輸入圖像與歸一化后圖像之間的對應關系有：G(x,y)=F(x/r,y/r)xy2.8)其中r和r分別是x和y方向的尺度變換因子：r=N/H，r=M/W；由于xyxyx/r、y/r的取值一般不為整數(shù)，故需要根據(jù)附近已知離散點處的值來估計F(x/rx，y/r)xyxy的取值，這里采用線性插值法；對于給定(x,y)，令：x/r=x/r,x/r-xTOC o 1-5 h zxxx0y/r=y/r，y/r-yyyy02.9)G(x，y)=F(xo+心,yo+Ay)=F(xo,兒)3+F(xo+1，yo)d-Z2.10)可以得到公式：+F(x,y+1)Ax(1-A)+F(x+

40、1,y+1)(1-Ax)(1-Ay)ooyoo(4)邊緣檢測圖像邊緣是圖像最基本的特征，邊緣在圖像分析中起著非常重要的作用。所謂邊緣是指圖像局部特征的不連續(xù)性，比如：灰度級的突變、顏色的突變和紋理結構的突變等。邊緣廣泛存在于目標與目標、物體與背景、區(qū)域與區(qū)域(包含不同色彩)中之間，它是圖像分割所依賴的重要特征。本文中主要討論Canny算法，Canny邊緣檢測算法20是由Canny提出的，是一種多尺度邊緣檢測算子。它是高斯函數(shù)的一階導數(shù)，是對信噪比與定位之乘積的最優(yōu)化逼近算子。其基本思想是先將圖像使用高斯函數(shù)進行平滑，然后計算平滑后圖像的梯度，梯度最大的位置就是物體的邊緣，然后利用非最大值抑制來

41、處理梯度圖像，以細化邊緣，最后再利用滯后算法對圖像進行閾值化處理，以檢測并連接圖像的邊緣。該算法的主要實現(xiàn)步驟WORD版本.如下：1）用二維高斯濾波模板進行卷積運算，以消除噪聲；dx二I(x+1,y)2）利用2x2領域一階偏導的差分來計算濾波后的數(shù)據(jù)陣列I（x，y）的梯度幅值大小和方向。其中，x方向和y方向的偏導數(shù)分別為：2.11)2.12)2.13)dy二I(x,y+1)-I(x,y-1)/2則梯度的幅值大小為：D二r根據(jù)Harr特征位置參數(shù)求出各弱分類器閥值參數(shù)記錄當前最優(yōu)弱分類器及其迭代權重T個強分類器圖2.3Adaboost算法訓練示意圖Adaboost算法22訓練過程就是挑選最優(yōu)弱分

42、類器，并賦予權重的過程。Adaboost算法訓練示意圖如圖2.3所示?；陔[馬爾可夫模型的人臉識別方法一種人臉識別方法的效果如何，取決于它在多大程度上利用了圖像的原始信息。我們在看一個人的時候，可以明顯地觀察到他面部的各個器官和臉龐。無疑地，我們可以利用一組數(shù)值特征來描述各個器官包括臉龐，并且利用這種數(shù)值特征來對人臉進行識別。但是模式識別研究的經(jīng)驗表明，簡單地利用一組數(shù)值特征不能滿意地解決人臉識別問題。另一方面，視覺識別人臉的機制是十分微妙的，人們對此的認識還非常膚淺。我們理解，人臉應當作為一個整體來描述，不僅僅包括各個器官的數(shù)值特征，還應當包括各個器官的不同表象和相互關聯(lián)。然而，怎樣描述不同

43、表象和相互關聯(lián)又成了問題。隱馬爾可夫模型（HMM）提供了描述復雜現(xiàn)象的一種可能機制。按照這種模型，觀測到的一列特征（例如描述各個器官和臉龐的一組數(shù)值特征）被看成是另一組不可觀測的（因此是隱的）“狀態(tài)”產(chǎn)生出的一列實現(xiàn)。狀態(tài)既然是不可觀測的，它的個數(shù)是未知的，但可以假定。選擇狀態(tài)個數(shù)的多少必須在模型的復雜性和描述復雜現(xiàn)象準確度之間進行折衷。在隱馬爾可夫模型中包含了產(chǎn)生觀測的兩層概率。一層是選擇狀態(tài)的概率。假定有N個狀態(tài)，從當前的狀態(tài)出發(fā)選擇下一個狀態(tài)也有N個可能性。于是，狀態(tài)選擇概率必須用一個NxN的狀態(tài)轉(zhuǎn)移矩陣來描述。另一層是每個狀態(tài)產(chǎn)生出一種實現(xiàn)的概率。如果實現(xiàn)只在一個離散集合中取值，產(chǎn)生實

44、現(xiàn)的概率就可用概率分布來描述。如果實現(xiàn)取連續(xù)值，產(chǎn)生實現(xiàn)的概率就應該用概率密度函數(shù)來描述。一個合理的或好的隱馬爾可夫模型應該是這樣的：給定一組觀測序列，從關于狀態(tài)的適當?shù)囊唤M初始分布出發(fā)，能夠產(chǎn)生出一組實現(xiàn)序列，它非常好地逼近給定的觀測序列。利用隱馬爾可夫模型對人臉進行描述和識別，我們就不是孤立地利用各個器官的數(shù)值特征，而是把這些特征和一個狀態(tài)轉(zhuǎn)移模型聯(lián)系起來。2.4.1隱馬爾可夫模型介紹隱馬爾可夫模型21是一種用參數(shù)表示的，用于描述隨機過程統(tǒng)計特性的概率模型。隱馬爾可夫過程是一個雙重的隨機過程：一個潛在的過程稱為“狀態(tài)”，另一個可觀測過程稱為“觀察序列”，觀察序列是由隱含的狀態(tài)過程決定的。我

45、們以一階離散馬爾可夫過程為例，介紹隱馬爾可夫模型的組成。（1）N，隱含狀態(tài)數(shù)。S表示隱含狀態(tài)，則S=，S。時亥“t時，模型的狀12N態(tài)用qt表示，1tT，其中T表示觀察序列的長度（幀數(shù)）。V二V,v,.,v12(3)A2）M，是不同觀察符號的總數(shù)。如果V是所有的觀察符號集，則有?！啊＜s束條件為：M，狀態(tài)轉(zhuǎn)移概率分布或轉(zhuǎn)移矩陣，A二0a1,ija二1其中a二Pq二S|qijijttt+1j=1（4）B，觀察概率矩陣或稱為發(fā)射矩陣B=（），其中1jN,1kM,b(k)=Pjj=v|q=S，其中O是在時刻t的觀測符號。tktjt（5）口初始狀態(tài)分布口=.其中兀=pL=S,1iN。使用簡iitj寫的記

46、法HMM可表示為下面的三參數(shù)形式九=C,B,口）。對于離散HMM，觀察是有限符號集中的一個離散符號；對于連續(xù)HMM，觀察只能用一個概率密度函數(shù)來刻畫。最常用的概率密度函數(shù)模型是一個混合高斯概率密度函2.18)bC)=丈CbC)jjmjmm=1上式中的M表示混合高斯概率密度函數(shù)混合的數(shù)目，有別于離散型HMM中的觀察符號總數(shù)“M”。其中混合系數(shù)滿足：SC=1jmm=12.19)氣C）為第j狀態(tài)第m個分量的單高斯概率密度函數(shù)。2.4.2HMM的三個基本問題建立一個HMM模型后，主要存在以及需要解決三個方面的問題：（1）估值問題。對于給定的隱馬爾可夫模型參數(shù)九=C,B,口），求觀察值序列,0,.,0）

47、產(chǎn)生概率的模型相似度pG|九）設產(chǎn)生0的隱狀態(tài)序列12T,X）則由矩陣A，B的定義有：12TpC|九)=工pC,X=工pCIxl九|=SkbG).a1XX兀bXX11X|九)九)b(0)fT-1XTT2.20)在實踐中，通常采用向前算法（也稱s-pass算法），其定義如下：）=P6,0,.,0,x=q|九）i12tti（2.21）則有：aC)=兀bG)i=0,1,.,N1oiio(2.22)a(l)=b6Pa(l丄tittijj=0(2.23)其中，t=1,2,.,T1,i=0,1,.,N-1?？傻玫剑篜(O|九)二aG)T（2.24）i=0（2）解碼問題。對于給定的隱馬爾可夫模型參數(shù)九=Ca

48、,b,口），和觀察值序列o=G,o），在最佳的意義上確定一個狀態(tài)序列s=C,q，.，口丁）。12T12T求解最優(yōu)的隱狀態(tài)序列通常使用動態(tài)編程的方法。該方法不僅考慮到了局部的最優(yōu)解，而且考慮到了前后兩個狀態(tài)可達到的制約關系，這種基于可達路徑的最優(yōu)算法中最著名的是ViterbiAlgorithm，它的定義如下：d(1)=兀bG),i二0,1,.,N-10ii02.25)8C)=tmax8tab-1iji2.26)其中，t=1,2,.,T-1,i=0,1,.,N1。路徑跟蹤：argmaxj2.27)輸出最優(yōu)解：=argmaxi(2.28)i),t=T一2,T一1,.,0t-1tt2.29)（3）訓練

49、問題。對于給定的一個觀察值序列0二G,。?，.，0丿，確定一個隱馬爾可夫模型九二G,B,口），使pG|Q最大。解決這個問題，通常采用向前一向后算法（或稱為Baum-Welch算法），但該算法只是能夠得到一個近似滿意的結果。向前向后算法是廣義期望最大化算法的一種具體實現(xiàn)，它的核心是通過遞歸的方式調(diào)整權重，已得到更好的模型參。這三個問題是隱馬爾可夫模型中最重要的三個問題，這三個問題的解決方法是把隱馬爾可夫模型應用到實際中去的基礎。2.4.3HMM人臉模型人臉圖像受到不同因素的影響而表現(xiàn)出的不同外觀，這些都可以表示為HMM中的一組狀態(tài)序列產(chǎn)生的一系列實現(xiàn)，可以用模型中的概率矩陣15來描述，如圖2.4

50、所示。訕獺抽佛鼻子嘴巴卜巴alla22a33a44a55圖2.4人臉的HMM模型F.Samaria的HMM人臉模型采用如下一種思想：由于人臉的空間結構具有穩(wěn)定的共性，如自上到下可以直觀的分割成前額、眼睛、鼻子、嘴巴和下巴五個部分。即使頭部有一些傾斜或偏轉(zhuǎn)，它們自上到下的次序也是保持不變的，我們可以將這五個顯著地人臉特征區(qū)域成為5種狀態(tài)。由于再求狀態(tài)的初始參數(shù)時，我們也是按這種方法進行劃分的。因此，由這5個狀態(tài)產(chǎn)生的序列是我們真正觀察的序列，而且，這五個狀態(tài)是抽象的，因而也就不具有具體的意義，我們只能通過觀察序列來對它進行估計。本文中采用的特征抽取方法0如圖2.5所示，人臉圖像的寬度為W、高度為

51、H，我們用寬度為W，高度為L的采樣窗對圖像在垂直方向上從上至下進行采樣，被分成了五個WxL圖像區(qū)域部分，連續(xù)的兩個采樣窗之間存在P行的交疊。采樣數(shù)也就是序列的長度T可以通過下式計算出：T=H_i+1L-p2.30)參數(shù)L和P的選擇在很大程度上影響著識別率。一般情況下,重疊部分越大，識別率也越高，因為這樣可以得到更長的觀察序列。根據(jù)Samaria和Nefian的經(jīng)驗，在P足夠大的情況下(PimageData,false,true);if(frame)/檢測并且標識人臉detect_and_draw(frame);charc=cvWaitKey(1);if(c=27)break;/按ESC退出cv

52、NamedWindow(Video,CV_WINDOW_AUTOSIZE);cvShowImage(Video,frame);/創(chuàng)建了一個名為video的窗口顯示圖像（2）圖像預處理模塊圖像預處理4就是對獲取得來的圖像進行適當?shù)奶幚恚顾哂械奶卣髂軌蛟趫D像中明顯的表現(xiàn)出來，本文主要使用OpenCV庫函數(shù)3對捕捉到的圖像進行了縮放、灰度化、直方圖均衡化等預處理。下面為使用到的圖像處理函數(shù)代碼：cvCvtColor（img,gray,CV_BGR2GRAY）;/把輸入的彩色圖像轉(zhuǎn)化為灰度圖像cvResize（gray,small_img,CV_INTER_LINEAR）;/圖像大小變換cvEqu

53、alizeHist（small_img,small_img）;/灰度圖象直方圖均衡化（3）人臉檢測模塊OpenCV的人臉檢測主要是調(diào)用訓練好的cascade（Haar分類器）來進行模式匹配。先使用檢測圖像中目標的函數(shù)cvHaarDetectObjects，將圖像灰度化，根據(jù)傳入?yún)?shù)判斷是否進行canny邊緣處理（默認不使用），再進行匹配。匹配后收集找出的匹配塊，過濾噪聲，計算相鄰個數(shù)如果超過了規(guī)定值（傳入的min_neighbors）就當成輸出結果，否則刪去。匹配循環(huán)：將匹配分類器放大scale（傳入值）倍，同時原圖縮小scale倍，進行匹配，直到匹配分類器的大小大于原圖，則返回匹配結果。匹配

54、的時候調(diào)用cvRunHaarClassifierCascade來進行匹配，將所有結果存入CvSeq*Seq（可動態(tài)增長元素序列），將結果傳給cvHaarDetectObjects。cvRunHaarClassifierCascade函數(shù)整體是根據(jù)傳入的圖像和cascade來進行匹配。并且可以根據(jù)傳入的cascade類型不同（樹型、stump（不完整的樹）或其他的），進行不同的匹配方式。函數(shù)cvRunHaarClassifierCascade用于對單幅圖片的檢測。在函數(shù)調(diào)用前首先利用cvSetlmagesForHaarClassifierCascade設定積分圖和合適的比例系數(shù)（窗口尺寸）。當分

55、析的矩形框全部通過級聯(lián)分類器每一層的時返回正值則這是一個候選目標，否則返回0或負值。（4）人臉定位模塊函數(shù)cvHaarDetectObjects使用指針對某目標物體（如人臉）訓練的級聯(lián)分類器在圖象中找到包含目標物體13的矩形區(qū)域，據(jù)此我們可以畫出圓形標出人臉所在位置12。具體代碼如下：for（i=0;itotal:0）;i+）/總共有faces-total個人臉，把他們?nèi)Τ鰜鞢vRect*r=（CvRect*）cvGetSeqElem（faces,i）;/返回每個人臉對應的鏈表節(jié)點CvPointcenter;/圓形標出WORD版本.WORD版本W(wǎng)ORD版本intradius;center.x=

56、cvRound(r-x+r-width*0.5)*scale);/圓心橫坐標，注意scale，這里放大center.y=cvRound(r-y+r-height*0.5)*scale);/圓心縱坐標radius=cvRound(r-width+r-height)*0.25*scale);/圓半徑cvCircle(img,center,radius,colorsi%8,3,8,0);/用圓圈出目標頭像4.2.2人臉識別系統(tǒng)設計根據(jù)系統(tǒng)需要實現(xiàn)的功能要求，人臉識別系統(tǒng)的功能劃分框圖如圖4.2所示。其中訓練和識別部分是程序?qū)崿F(xiàn)的核心部分，下面將分別介紹訓練和識別部分的設計過程。圖4.2人臉識別系統(tǒng)的

57、功能劃分框圖(1)訓練部分的設計訓練部分是指添加人臉數(shù)據(jù)庫以后，提取人臉特征，生成每人的EHMM模型的過程。用戶點擊界面按鈕向程序發(fā)出命令，通過主消息函數(shù)部分程序，系統(tǒng)調(diào)用相應的函數(shù)實現(xiàn)訓練功能。添加人臉圖片到人臉庫以后，點擊訓練按鈕，當前人的人臉圖像將被訓練，得到該人的EHMM模型。訓練函數(shù)部分人臉數(shù)據(jù)庫中，實現(xiàn)圖片的讀取然后調(diào)用人臉訓練核心函數(shù)進行訓練，得到EHMM模型數(shù)據(jù)，為識別人臉信息提供依據(jù)。(2)識別部分的設計人臉識別程序主要完成對待識別人臉圖像與人臉庫中圖像的匹配識別，在程序的設計過程中，識別程序與用戶的交互同樣通過主消息函數(shù)來完成，我們在MFC的框架類CMainFrame中添加

58、消息響應函數(shù)，用戶通過點擊界面上的功能按鈕啟動識別程序，對各變量進行初始化，調(diào)用識別核心代碼，并將識別出來的人的信息顯示出來。人臉實時跟蹤系統(tǒng)功能的實現(xiàn)本文所設計的人臉檢測跟蹤系統(tǒng)主要是基于VS2010環(huán)境和OpenCV庫1實現(xiàn)的。VS2010與OpenCV庫簡介VisualStudio是微軟公司推出的開發(fā)環(huán)境。是目前最流行的Windows平臺應用程序開發(fā)環(huán)境。我用的是其高級版(Premium)，擁有創(chuàng)建可擴展、高質(zhì)量程序的完整工具包，相比專業(yè)版增加了數(shù)據(jù)庫開發(fā)、TeamFoundationServer(TFS)、調(diào)試與診斷、MSDN訂閱、程序生命周期管理(ALM)。OpenCV的全稱是：Op

59、enSoureeComputerVisionLibrary，是由Intel公司發(fā)布的開源計算機視覺庫。它是由一系列C函數(shù)和少量的C+類構成的，它易用而高效，實現(xiàn)了圖像處理和計算機視覺方面的多種通用算法。OpenCV主要用于對圖像進行一些高級處理，比如說特征檢測與跟蹤、運動分析、目標分割與識別以及3D重建等。在用VisualC+開發(fā)的項目中，只要正確安裝OpenCV庫，并在自己開發(fā)的應用程序中正確設置和OPenCV的連接，就可以直接調(diào)用它的視頻捕獲和圖像處理函數(shù)，使用方便、功能強大，且為開放式資源。使用OpenCV對開發(fā)者來說幫助最大的是：由于OpenCV的源代碼完全開放，所以程序開發(fā)者可以仔細

60、地閱讀很多關鍵算法的源代碼來理解圖像處理中很多算法的原理及整個實現(xiàn)過程，這對于一個程序開發(fā)者來說是非常重要的。OpenCV的出現(xiàn)，給學習和開發(fā)帶來了極大的方便。在研究和學習上，可以有更多的時間和精力來研究算法本身，而不是把大量的時間和精力花費在如何編程實現(xiàn)這個算法上，降低了系統(tǒng)實現(xiàn)難度。OpenCV在圖像處理中有類似于MATLAB的封裝功能，比如對于圖像二值化操作，只需調(diào)用cvCvtColor(src，dst，CV_RGB2YCrCb)個函數(shù)。在應用開發(fā)上，OpenCV為開發(fā)數(shù)字圖像處理和計算機視覺領域的應用程序提供了功能完善、使用方便的接口。OpenCV環(huán)境配置本系統(tǒng)采用VS2010環(huán)境編程