1、哈尔滨理工大学学士学位论文 -I- 基于 机器学习的人脸检测系统 摘 要 随着互联网在当今世界的应用越来越广泛，各类人机交互的智能方向层出不穷，机器学习应运而生。机器学习，是以一种方式来赋予机器以学习的能力，它的实践意义是通过训练数据， 建立模型，然后使用模型进行预测的一种方法。人脸检测是机器学习的重要应用之一，近年来，基于机器学习的人脸检测系统逐渐成为了研究热点，受到了广泛的关注。 在人脸检测方面，通过使用支持向量机和模板匹配模型相结合的方法实现人脸检测。支持向量机算法是一个比较经典的分类算法，其广泛的应用于回归分析和统计分类中，是一种基于机器学习的方法。支持向量机算法首先将人脸像素作为分类
2、器的输入，其次进行判断，判断区域内是否存在人脸，但是由于已知训练图像的尺度往往是固定的，可是检测过程做不到尺度不变，所以需要对多种尺度的图像进行检测， 从而导致训练规模过大。模板匹配模型的基本思想，在成功检测到人脸并准确定位面部特征点之后，人脸的大致区域就可以被裁剪出来。准确提取人脸面部特征点之后，与库存的已知人脸进行对比，根据一个已知的人脸模型与待检测人脸图像匹配，寻找到正确的匹配位置，完成最终的分类。 另外，在人脸检测的特征提取过程中，本文采用了 PCA 和LPP 降维提取人脸图像的代数特征的算法，实现了对人脸图像数据的训练及分类，这是本文的重点研究内容之一。 本文采用了 java 语言编
3、写、 OpenCV 框架搭建了人脸检测实验系统 ,实现了人脸检测技术，为 SVM 分 类器和 PCA、 LPP 算法提供了技术支持。 关键词 机器学习；人脸检测；人脸识 别； PCA； LPP哈尔滨理工大学学士学位论文 -II- Face Detection System Based on Machaine Learning Abstract With the application of Internet in the world more and more widely, the intelligent directions of human-computer interaction em
4、erge in endlessly, and machine learning emerges as the times require. Machine learning is a way of giving machines the ability to learn, and its practical significance is through training data, building models, and then using a model to predict. Face detection is one of the important applications of
5、 machine learning. In recent years, face detection based on machine learning has become a hot research topic and has attracted extensive attention. In face detection, face detection is achieved by combining support vector machine and template matching model. Support vector machines (SVM) is a classi
6、cal classification algorithm, which is widely used in regression analysis and statistical classification. It is a method based on machine learning. Support vector machine algorithm will first face pixels as the input of the classifier, then judge whether there is a face judgment within the region, b
7、ut due to the known training image scale is always fixed, but the detection process do not scale invariant, so it is necessary to detect the image of a variety of scales, resulting in large scale training. The basic idea of template matching model is that after the successful detection of the face a
8、nd accurate location of facial feature points, the approximate 哈尔滨理工大学学士学位论文 -III- area of the face can be cut out. After the accurate extraction of facial feature points, compared with the known face inventory, according to a known face model and the detected face image matching, matching to find t
9、he correct position, the completion of the final classification. In addition, in the face detection feature extraction process, this paper uses PCA and LPP dimensionality reduction to extract algebraic features of face image algorithm, the training and classification of face image data, which is one
10、 of the key research content of this paper. In this paper, we use java language and OpenCV framework to build the human face detection experiment system, and realize the face detection technology, which provides technical support for SVM classifier and PCA and LPP algorithm. Keywords machaine learni
11、ng, face detection, face recognition, PCA, LPP哈尔滨理工大学学士学位论文 -IV- 目录 英文缩写表 . VI 第 1 章 绪论 . 1 1.1 课题背景 . 1 1.2 研究意义 . 2 1.3 国内外研究现状 . 3 1.4 论文内容及结构 . 5 1.5 本章小结 . 6 第 2 章 人脸检测的基本方法与流程 . 7 2.1 人脸检测技术的概述 . 7 2.2 人脸检测的方法 . 12 2.2.1 基于肤色模型的检测方法 . 12 2.2.2 基于形状的检测方法 . 13 2.2.3 基于器官特征的检测 方法 . 13 2.3 基于机器学习的
12、人脸检测技术的基本流程 . 14 2.3.1 图像预处理 . 14 2.3.2 人脸检测 . 16 2.3.3 特征提取 . 16 2.3.4 分类器 . 17 2.3.5 人脸鉴别 . 18 2.3.6 表情或姿态分析 . 18 2.4 小结 . 19 第 3 章 基于 SVM 的人脸检测方法 . 20 3.1 基于 LPP 和 PCA 的特征选择 . 20 3.1.1 LPP 算法 . 20 3.1.2 PCA 算法 . 26 3.2 SVM 分类器 . 31 3.3 模版匹配模型 . 35 3.4 实现验证与分析 . 36 3.4.1 人脸检测实验构建与分析 . 36 3.4.2 人脸筛
13、选实验构建与分析 . 40 3.5 小结 . 41 第 4 章 人脸检测平台构建 . 42 哈尔滨理工大学学士学位论文 -V- 4.1 OpenCV 软件介绍 . 42 4.1.1 绘图函数 . 43 4.1.2 Cv . 43 4.1.3 MLL . 44 4.1.4 HighGUI. 44 4.2 系统演示 . 45 第 5 章 结论 . 49 致谢 . 51 参考文献 . 53 附录 . 56 哈尔滨理工大学学士学位论文 -VI- 英文缩写表 ANN 人工神经网络（ Artificial Neural Network） SVM 支持向量机（ Support Vector Machine）
14、 LPP 局 部 保 持 投 影 算 法 （ Locality Preserving Projections） PCA 主成分分析算法（ Principal Component Analysis） PLA 感知学习算法（ Perception Learning Algorithm） K-L 变换 霍特林变换 (Karhunen-Loeve Transform) SVD 奇异值分解定理（ Singular Value Decomposition） LE 拉普拉斯特征映射算法 () KNN k 近邻法（ k-nearest neighbor） OpenCV Open Source Computer
15、 Vision Library MLL 机器学习库（ Machina Learning Library）哈尔滨理工大学学士学位论文 -1- 第 1 章 绪论 1.1 课题背景 基于机器学习的人脸检测技术，近几年来在社会生活中不断地兴起，具体体现在例如监控、计算机网络传输及视频分析等方面，这无疑是人脸检测技术 领域应用需求的快速增长 ，人脸检测技术 不断的走进大众视线。总而言之， 人脸检测技术无论在理论方面还是现实生活实际应用方面都有相当高的价值体现，是一项很实用的研究。 例如，随着智慧城市的建设，视频监控网络大量部 署 1。 目前，数字信息已经远远超越了模拟信息，产生这种现状的主要原因在于对比
16、来讲，数字信息更易于存储、分析和判断及应用，而模拟信息在这几方面来讲相对不便利，因此，在视频监控和分析领域等采用了计算机对视频图像等信息进行采集、压缩、分析、存储得到了越来越多研究者们的青睐。 人脸检测 研究 兴起于六十年代末、七十年代初，正值计算机方向崛起之时，最初发展 的第一阶段属于 比较 呆板 的 机械式的识别阶段，第二阶段是有了人 与机器 交互式的识别阶段，第三阶段是真正的机器 可以 自动 的 识别阶段，融合了机器学习 的技术 发展到了现在 2。经过几十年的发展逐渐趋于成熟，发展迅速，应用广泛。 人脸检测过程是由处理器和分类器对特征进行处理和分类，处理 过程中要剔除噪音，分类器 是用于
17、分类计算的工具， 是根据特征提取得到的特征向量 ，用特征向量 来给一个被测对象赋予一个类别 标记 3。 然后由特征提取器提取特征，而特征提取器的两个作用方式是提取来自同一类别的不同根本的特征值，这类提取出来会非常接近， 那么 另一个 作用方式 是来自不同类别的根本的特征值，这类应该有很大的差异。 人脸检测是人脸识别的关键性步骤， 人脸 检测 算法的不断提出，大体上可以分为以下几类，基于统计模型的方法，基于模板匹配的方法，基于器官特征的方法，但目前 整体情况 来说， Viola-Jones人脸检测算法是最为成功的可实用的人脸检测算法之一，现有算法的性能已经越来越无法满足日益增长的交互性与实用性需
18、求 4。 哈尔滨理工大学学士学位论文 -2- 1.2 研究意义 众所周知，基于机器学习的人脸检测系统，在模式识别等方面都具有极其重要的作用，并且在基于图像压缩、人脸识别、视频监控等领域有着更加重要的研究意义和应用价值。近几年来在视觉图像领域中，计算机视觉技术取得飞速的发展，飞速发展的成果主要体现在实现了人脸采集、图像匹配、图片训练等功能，并在其他的领域 中 得到了更加广泛 的应用 5。 在理论 研究价值 方面，就人机交互方式而言，这无疑是我们研究人脸检测的基础。国内外的优秀学者提供精准的 研究 方向的选取和理论依据，为 本文的构思 开阔了思想 指引了 研究方向。随着各种理论研究不断 的 更新和
19、 兴起，将统计模型 与 知识模型相结合的 一种 新的综合模型 ，预测 将 会 成为未来的主流研究趋势的 一种技术 6。 人脸检测推进了对人类视觉系统本身的认识，这是一个重大的理论价值意义。按照人脸检测的理论来讲，未来的生活会因为人脸检测变得更加便捷和安全。比如，小区门口设有人脸检测系统，将本小区的人脸录入库中，可以防止外来闲杂人员进入小区内；银行卡取钱系统，也可以在摄像头方向安装人脸检测系统，只有本人和紧急联系人的人脸图像出现才可以将钱提出 来，这两个功能实现了安全性；手机解锁功能，也可以安装人脸检测系统，就像现在的指纹解锁一样，这个功能实现了便捷性。 在实际应用 价值 方面，人脸识别是 人类
20、 未来的身份证。由此可见，可以代替目前人类生活处处离不开的身份证的人脸识别，其重要性和实际应用之广泛显而易见。而身份证、驾驶证、护照等能够验证 大众 身份的证件往往都具备以下几个共同的特征，形状较小，容易丢失和损坏，补证时间较长，因此，生物特征识别技术应运而生。生物特征识别技术就是解决传统身份证件另一个不便携的方法之一，通过人脸检测、指纹识别、虹膜识别等一系列数字模拟 技术来方便人类生活。随着人机交互方式的发展壮大，人脸识别在实际方面的应用越来越多，人们希望人和计算机的交流就好比人与人之间的交流一样顺畅，所以越来越 “ 以人为本 ” 的社会，也会变得越来越方便快捷 7。 人脸检测近年来 受到了
21、越来越广泛的关注 ，比如现在的美图相机 等 是通过人脸检测到五官，并在这基础上加以磨皮等功能。哈尔滨理工大学学士学位论文 -3- 甚至美拍等可以有美颜功能的录视频的软件也实现的接近完美，所以 本文 依据现有的 众多 模板案例，研究了基于机器学习的人脸检测系统。 基于机器学习的人脸检测技术，在一定程度上，大大的提高了手机相机的利用率，这是目前 应该用最广泛的价值之一。人脸检测为计算机应用领域开阔了更广泛的应用空间。随着 “互联网 ”的不断兴起，国内外研究人脸识别技术的工作人员越来越多，中国 也在这方面投入大量的精力，目的是为了探索人脸识别给 人类生活 带来更大的方便。在选择人脸识别作为毕业系统设
22、计以及论文的编写，为日后作为研究生研究图像识别方向提供极大的便利，提前接触这方面的知识，理论和动手实践相结合，给本科期间留下一个完美的句号。 由以上可知，人脸检测和识别是具有非常广阔的应用前景和重要的学术价值意义的课题研究，一定会成为更加活跃的研究领域。 1.3 国内外研究现状 许多国外的研究者研究了人脸检测和识别，研究人脸检测技术的国家有很多，像美国、新加坡、欧洲国家、韩国、日本等等都是研究人脸检测技术的热门国家。著名的人脸检测案例也有很多，例如美国的 MIT研究机构和 CMU研究机构等，英国也有一些比较出名的研究机构。美国麻省理工学院的学者 Turk和 Pentland提出了著名的 Eig
23、enface（“特征脸”）后，使特征脸迅速成为该领域的经典测试算 法之一 8。 国内的人脸识别技术研究较之国外晚一些，但清华大学、中科院计算所、北京工业大学、北京交通大学也都有研究，国际上发表了不少的 IEEE、 ICIP、 CVPR等重要的会议的人脸检测识别方向论文，这方面的论文近几年大幅度增长，正面体现了我国研究的进度之快以及人脸识别的重要性。比如浙江大学的王璟尧的论文基于 SDCNN的人脸识别研究，郭耸的人脸检测若干关键技术研究，余家林的普通场景视频人脸检测与识别的关键技术研究，周雷的基于深度学习的人脸美丽预测研究等等。我国大学生用过AdaBoost算法等多种算法都进行过研究 9。 人
24、脸识别理论的发展经历了很长的时间，大体上可分为以下三个方面： 哈尔滨理工大学学士学位论文 -4- 第一阶段， Face feature(人的脸部特征特点 )在人脸检测过程中的一些重要研究。在这个阶段的我们要着重讲主要代表者是Bertillon、 Allen和 Parke。 Bertillon给出了一个比较完善的系统，这个系统属于一个辨别系统。在这个系统中，找到一个特征点，把它编写成语句之后，再在数据库中找到和之前的语句相对应的特征脸，在找到特征点基础上还可以通过指纹识别技术，将两者相结合。而 Allen则设计出了真实和有效果的脸部面部特写在某种程度上提高 了人面部识别的效率，而 Parke在
25、Allen的基础上通过计算机操作使理论变为现实，并将此研究应用到实际，而且产生的人脸灰度图模型具有更好的质量和效率。在人脸识别的这第一个阶段，但是它有一个不好的特点，这个特点就是在实现过程中全部都要依赖操作人员或者管理员来实现 10。 第二阶段，这个阶段是人与计算机的共同参与的过程，轮流识别的阶段。将人脸的正面图像运用一些值来替代，这些值是几何特征的参数值等，这是这个阶段的典型的代表性的工作。而Goldstion等人为了更好地表现人脸特征而利用了 21维特征向量来表示，而且 他们根据此种表示特征的方法设计出了一个人脸识别系统。 Kaya和 Kobayashi运用了统计计算中的方法，在人脸识别的
26、特征表示中，运用到了欧氏距离。 T.Kanad则设计了一个识别系统，这个系统运行速度高，而且可以自动引导知识，具有半自动试探的能力。他巧妙的利用了积分投影法设计出了一个更先进的系统，这个系统把一组面部特种功能函数放到了单幅图像上去计算并且将人脸识别技术和模式分类技术相结合 11。 总体来说，前两个阶段都要有人为的大量参与，要不然不能稳定的进行面部识别，这两种阶段对人的依赖性太大，所以人脸识别在早期阶段的主要特征：基于零件零散式的识别方法存在于大部分人脸识别中。其中主要的识别方法有基于颜色的人脸检测技术，基于面部的几何特征等等。信息的获得也是由人脸中的主要器官的几何特征信息以及其之间的几何位置关系提供的。在光照条件发生变化时，这种方法也是非常容易丢失重要信息的。所以他们的方法识别能力是相对来说较差的。在这两个阶段对识别的前提条件要求非常高，而且有非常强的约束条件。单单是一个北京有无的差 别就会对人脸识别中人脸的位置造成非常巨大的影响，进而影响到最终识别出的准确性和效率型。 第三阶段，在 20世纪 90年代初，计算机技术取得了非常之迅
