基于OpenCV的人臉識(shí)別設(shè)計(jì)方案

3.2 圖像預(yù)處理

由于大部分的臉部檢測(cè)算法對(duì)光照，臉部大小，位置表情等非常敏感， 當(dāng)檢測(cè)到臉部后需利用cvCvtcolor（）轉(zhuǎn)化為灰度圖像，利用cvEqualizeHist（）進(jìn)行直方圖歸一化處理。

3.3 臉部檢測(cè)方法

OpenCV采用一種叫做Haar cascade classifier 的人臉檢測(cè)器，他利用保存在XML 文件中的數(shù)據(jù)來(lái)確定每一個(gè)局部搜索圖像的位置，先用cvLoad（）從文件中加載CvHaarClassifierCascade 變量， 然后利用cvHaarDetectObjects（）來(lái)進(jìn)行檢測(cè)，函數(shù)使用針對(duì)某目標(biāo)物體訓(xùn)練的級(jí)聯(lián)分類器在圖像中找到包含目標(biāo)物體的矩形區(qū)域，并且將這些區(qū)域作為一序列的矩形框返回，最終檢測(cè)結(jié)果保存在cvRect 變量中。

3.4 臉部識(shí)別方法

識(shí)別步驟及所需函數(shù)如圖2 所示。

圖2 識(shí)別步驟（visio）

PCA 方法（即特征臉?lè)椒ǎ┦荕.Turk 和A.Pentland在文獻(xiàn)中提出的，該方法的基本思想是將圖像向量經(jīng)過(guò)K-L 變換后由高維向量轉(zhuǎn)換為低維向量，并形成低維線性向量空間，即特征子空間，然后將人臉投影到該低維空間，用所得到的投影系數(shù)作為識(shí)別的特征向量。識(shí)別人臉時(shí)，只需將待識(shí)別樣本的投影系數(shù)與數(shù)據(jù)庫(kù)中目標(biāo)樣本集的投影系數(shù)進(jìn)行比對(duì)，以確定與哪一類最近。

PCA 算法分為兩步：核心臉數(shù)據(jù)庫(kù)生成階段，即訓(xùn)練階段以及識(shí)別階段。

3.4.1 訓(xùn)練階段

主要需要經(jīng)過(guò)如下的幾步：

（1） 需要一個(gè)訓(xùn)練人臉照片集。

（2） 在訓(xùn)練人臉照片集上計(jì)算特征臉，即計(jì)算特征值，保存最大特征值所對(duì)應(yīng)的的M 張圖片。這M 張圖片定義了“特征臉空間”（原空間的一個(gè)子空間）。當(dāng)有新的人臉添加進(jìn)來(lái)時(shí)，這個(gè)特征臉可以進(jìn)行更新和重新計(jì)算得到。

（3） 在“特征臉空間”上，將要識(shí)別的各個(gè)個(gè)體圖片投影到各個(gè)軸（特征臉）上，計(jì)算得到一個(gè)M 維的權(quán)重向量。簡(jiǎn)單而言，就是計(jì)算得到各個(gè)個(gè)體所對(duì)應(yīng)于M 維權(quán)重空間的坐標(biāo)值。

OpenCV 實(shí)現(xiàn)為：先用cvLoadImage（）載入圖片并利用cvCvtcolor（）轉(zhuǎn)換為灰度圖片，建立自定義的迭代標(biāo)準(zhǔn)CvTermCriteria，調(diào)用cvCalcEigenObjects（）進(jìn)行PCA 操作，計(jì)算出的Eigenface 都存放在向量組成的數(shù)組中，利用cvEigenDecomposite（）將每一個(gè)訓(xùn)練圖片投影在PCA 子空間（eigenspace）上，結(jié)果保存在矩陣數(shù)組中，用cvWrite《datatype》（）將訓(xùn)練結(jié)果保存至XML文件中。下面圖3 為訓(xùn)練得到的部分特征臉圖像。

圖3 特征臉圖像