随着近几十年科技的快速发展，互联网中累积的图像和视频数据呈指数关系增长，如何合理地利用这海量的数据为人类社会的发展做贡献，成为了近年来的研究热点。人脸识别的研究和应用得到了空前的重视，并取得了长足的进步。它是基于人的脸部特征信息进行身份识别的一种生物识别技术。它集中了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论和实现，是生物特征识别的最新应用。

而人脸识别及定位的应用，由于在安防、金融、美容等多数行业有着较为通用且高适用性的应用，成为了模式识别与计算机视觉领域内最受重视的课题之一。

人类社会对于人脸识别的研究史可以追溯到上个世纪六、七十年代，经过了几十年的不断锤炼已经日益成熟^[1]。最早的人脸识别技术研究主要在固定位置、无背景干扰等极强的约束条件下进行，针对不同的狭窄应用范围有不同的约束和技术调整，无通用框架，故并未引起广泛关注。近年来，在视频监控、金融认证等方面，对于一般环境图像甚至是复杂环境下的人脸识别技术有着强烈的需求，同时，由于计算机硬件能力和模式识别与机器学习等基于数据驱动的技术的飞速发展，人脸识别任务被提升到了史无前例的高度

本次设计将基于整个系统的实现是建立在Microsoft Visual Studio 2010环境下的OpenCV平台下的。OPENCV是Intel公司资助的开源计算机视觉库，他为图像处理，模式识别，机器学习等提供了一系列的经典算法。，可以运行在Linux、windows、Android和Mac OS操作系统上。它轻量级而且高效，主要由一系列C函数和C 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。它拥有包括500多个C函数的跨平台的中、高层API 。它不依赖于其它的外部库。在运行时可以自动加载这些库。给图像处理和计算机视觉方面带来了极大的便捷之处。

本次设计主要利用OPENCV库设计对某一背景下的人脸区域进行识别，并将人脸从复杂环境中分割出来确定人脸轮廓的人脸分割系统。主要基于人脸检测。人脸检测技术是一种人脸识别技术的前提。在国内，八十年代末和九十年代初，人脸检测问题开始吸引了越来越多的研究者的关注，又越来越多感兴趣的研究人员进行探索，取得了一些有意义的研究成果。早期的人脸检测集中对空间域上静止图像的人脸检测为研究。中期开始采用模板的方法，通过建立人脸模型，可以实现在视频图像序列中进行人脸检测。而近期，许多研究人员采用的研究方法各自不同，有采用建立复杂模型的，有从空间域上进行研究的，有在频域上进行研究的，有将一些技术结合在一起研究的，有应用最的分类决策进行研究的。不论采用和种研究方法，将多种技术结合在一起，利用多种信息可以提高人脸检测方法的效率。从目前国内外对人脸检测研究的现状来看，虽然针对人脸检测已经提出了多种算法，也取得了一定的成果，但是由于人脸检测本身的复杂性，使得人脸检测问题成为一个极富挑战性的课题，没有任何一种检测算法能够适应所有情况，即使几种算法的结合也无法适应任意条件下采取的图像，即没有绝对的最优算法，所以在人脸检测问题上还有很大的研究空间。

2. 研究的基本内容与方案

本次设计的人脸分割系统基于OpenCV，OpenCV提供了很多优化的复杂算法、函数以及工具集，给本次设计的研究和实现带来了很大的方便。

本次设计的人脸关键点的识别及应用系统主要分为人脸检测和关键点定位、简单美图功能应用两个部分。人脸检测是指在环境背景中将人脸区域检测出来，本次设计的两个部分拟采用的技术方案如下。

一. 人脸检测和关键点定位

人脸检测及关键点的定位是本次设计中最重要的部分。本次设计利用OPENCV的Harr检测器，检测出人脸以及眼睛的大致区域，然后再根据人脸眼睛与鼻子嘴巴等器官的距离关系定位出人脸的特征关键点从而确定人脸的准确区域。OpenCV已经训练好了大量的图像集供用户直接利用，简单并且快速。这些图像集存在它自带的XML文件中，可以直接调用。Haar分类器就是利用这样的原理。

Haar分类器主要分为三个组成部分，它的实现可以按照以下步骤^[5]：