摘 要

近几年来，计算机视觉领域发展迅速，人脸解锁、人脸支付等变为了现实，而与人脸问题相关的一个研究课题就是人脸相似度的度量，该技术具有很大的应用价值，能广泛应用于国家安全，小区安保、娱乐等领域。

首先，本文介绍了人脸相似度度量的背景历史、应用领域以及研究现状。其次，着重介绍了实现人脸相似度匹配系统所需的三个模块，分别是人脸检测、图像预处理、特征提取及相似度的计算。人脸检测采取的是Violaamp;Jones提出的基于Adaboost级联分类器的算法并结合基于级联形状回归方法的人脸对齐算法进行了二次筛选；图像预处理部分采用了灰度变换、人脸图像的矫正与裁剪、椭圆掩码、直方图均衡化以及去噪声处理将人脸进行标准化处理，并提高了人脸对比度；特征提取及相似度计算部分分别介绍了角度上下文、形状上下文构建相应的矩阵进行相似度计算以及通过局部二值模式（LBP）对人脸局部特征的提取从而计算相似度总计三种算法。

最后，本文基于OpenCV库完成了各模块的设计，并通过MFC制作出了图形用户界面，实现了人脸相似度匹配系统。

关键词：人脸相似度；Adaboost；LBP；OpenCV

Abstract

In recent years, the computer vision field has developed rapidly, which makes face unlocking and face payment become reality. One of the research topics related to face problem is the measurement of face similarity. This technology has great application value and can widely used in national security, community security, entertainment and other fields.

Firstly, the background history, application field and research status of face similarity measurement are introduced in this paper. Secondly, three modules of face similarity matching system are introduced, which are face detection, image preprocessing, feature extraction and similarity calculation. Face detection is based on the Adaboost cascade classifier algorithm proposed by Viola amp; Jones and combined with the face alignment algorithm based on the cascade shape regression method for secondary screening; in the image preprocessing part, the gray-scale transformation, face image correction and clipping, ellipse mask, histogram equalization and denoising are used for face standardization and the improvement of face comparison; in the part of feature extraction and similarity calculation, we have proposed three algorithms, which are angle context and shape context to construct the corresponding matrix for similarity calculation and local binary pattern (LBP) to extract the local features of human face to calculate face similarity.

Finally, based on the OpenCV library, this paper completed the design of each module, and makes a graphical user interface through MFC to achieve the face similarity matching system.

Key Words：face similarity；Adaboost；LBP；OpenCV

目 录

第1章 绪论 1

1.1 课题研究背景及意义 1

1.2 国内外研究现状 1

1.3 论文结构及研究工作 2

第2章 人脸检测技术与实现 4

2.1 基于AdaBoost的人脸检测 4

2.1.1 Harr-like特征与积分图 4

2.1.2 训练Adaboost强分类器 7

2.1.3 级联强分类器 8

2.2 结合人脸关键点的人脸检测 9

第3章 人脸图像预处理 12

3.1 彩色图像灰度化 12

3.2 人脸图像几何预处理 12

3.3 人脸图像灰度预处理 15

第4章 角度上下文和形状上下文算法 17

4.1 角度上下文 17

4.1.1 基准点的选取 17

4.1.2 角度上下文矩阵的建立 17

4.1.3 相似度的计算 18

4.2 形状上下文 18

4.3 实验结果 19

第5章 基于LBP的人脸特征提取 21

5.1 LBP算法基本原理 21

5.2 LBPH人脸相似度算法 22

第6章 人脸相似度匹配系统设计与实现 25

6.1 系统简介 25

6.1.1 OpenCV3.4平台 25

6.1.2 人脸相似度匹配系统硬件平台 26

6.2 系统模块设计 26

6.3 系统测试 28

第7章 总结与展望 32

参考文献 33

致谢 35

第1章 绪论

1.1 课题研究背景及意义

21世纪以来，手机、电脑等智能设备出现在了大众面前，人们逐渐喜欢在互联网上分享自己喜爱的图片，互联网上的数字图像越来越多，如何从图像中获取信息就显得非常必要。近几年，随着计算机视觉领域的高速发展，准确的获取图像中的信息也变得越来越容易，众多互联网公司也相继开发了与图像处理有关的应用。而在图像处理过程中，人脸往往因为具有高度的辨识度容易从图片中检测出来，自然，人脸识别匹配成为了图像处理的一个重要研究方向^[1]。

人脸研究问题上，还有一点值得研究的就是人脸相似度匹配问题。一些知名应用如Face 、百度识图、微软的Twins or Not等的出现，标志着人脸相似度问题成为一个新的研究热点^[2]。在现实生活中，人脸相似度的应用非常广泛，比较典型的应用有：