英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

---

毕业论文（设计）

英文翻译

原文标题 Multi-Faces Recognition Process Using Haar Cascades and Eigenface Methods

译文标题 利用哈尔级联和特征脸方法进行多人脸识别

利用哈尔级联和特征脸方法进行多人脸识别

Teddy Mantoro，Suhendi

摘要：人脸识别被认为是在指纹、DNA、掌纹、手部几何形状、虹膜识别、视网膜和气味等多种生物识别方法中最成功的生物识别方法之一。人脸识别提供生物特征识别，利用人脸的唯一性达到安全目的。利用生物特征识别进行人脸识别的问题在于过程长、结果准确。本文提出了一种快速、结果准确的人脸识别方法。提出的人脸识别采用Haar级联和特征人脸方法的综合识别，可以在一个检测过程中检测多个人脸(55个人脸)。这种改进的人脸识别方法能够识别人脸多各个面，准确率91.67%。

关键词：人脸识别，生物识别，快速识别，Haar级联

1. 引言

人脸识别作为一种身份认证过程，已经应用于各个领域，尤其是计算机安全相关活动中，如国土安全、居民出入安全、犯罪识别以及小型移动设备中的用户识别等。人脸识别在生物特征和计算机视觉的研究中也发挥着重要的作用。人脸识别系统的目标是有一个可以忽略的误分类率。生物识别技术用于验证，它可以分析人类行为。每种生物识别系统都有其优缺点，因此在选择应用程序中使用的生物识别系统时需要适当考虑。

人脸检测算法计算量大，难以进行人脸检测。大多数的人脸识别过程都是在一张人脸上实现的。对于单个人脸的识别，可能需要很短的时间，但是对于很多人脸/人来说，使用单个人脸识别需要很长时间。因此，为了加快人脸识别的速度，有必要开发一种多人脸一次性识别系统。本文研究了基于哈尔级联和特征面混合方法的多人脸识别问题。本研究的目的是利用Haar级联和特征脸方法提高人脸识别过程的性能。

OpenCV可以作为与haar级联分类器一起工作的人脸检测类型。从一张图像中，人脸检测器会检测图像的每个部分，并将其分类为“人脸”或“非人脸”。这种人脸分类使用固定的比例，例如50times;50像素。如果图像的人脸大于或小于固定尺度，分类器就会对图像进行连续处理，寻找人脸。分类器可以使用存储在XML文件中的数据来决定如何对每个图像位置进行分类。

本文的下一部分将介绍前人在人脸识别方面的研究工作，特别是在多人脸识别方面的研究。然后是本文提出的研究方法。随后，第四部分给出了实验结果并进行了讨论。本研究的结论见第五部分。

1. 相关工作

人脸识别是近年来发展最快的研究领域之一，在许多领域得到了广泛的应用。在教育领域，它被证明具有检测、分析和处理情绪的能力，以获得积极的教学效果，如感知、理解和表达情绪[1]。该方法由特征提取、子集特征和情感分类三个阶段组成。采用Haar级联方法对输入图像A人脸进行检测，作为眼睛和嘴巴特征提取的基础，然后利用Sobel边缘检测得到特征值[1]。特征提取有两种主要方法：（1）典型的整体特征（2）局部特征。在基于整体特征的方法中，特征是作为一个整体从面部提取的，有时可能受到遮挡和表情变化的影响。然而，在基于局部特征的方法中，当考虑图像的补丁时，可以克服这些问题。此外，它们是缩放和旋转不变的[2]。本研究采用特征脸的整体特征方法。

人脸识别系统也已应用于小型移动环境中，用于图像和视频的识别。它使用OpenCV库[3]中的Viola-Jones级联分类器进行多目标检测。正面人脸有助于提高人脸识别的准确性。将非正面人脸图像重构为正面人脸图像，提高了人脸识别[4]的精度。另一种提高人脸识别精度的方法是通过滤波技术[5]。利用最大似然方法[6]的概率序列图，可以将相似性度量应用于人脸识别。基于Viola Jones人脸检测算法的鲁棒人脸检测[7,8,9]也可以使用图形处理单元(GPU)[7,8,10]来实现。

本研究的实现模型有助于安全控制。该方法也通过检测人脸实现，如[1,7,8,9]。本研究还利用序列图像进行了多种人脸检测任务，如[9,10]。

在基于视频的人脸识别系统中，光照和姿态变化问题是主要问题。大多数高效的人脸识别系统都是针对受控或室内环境开发的，因此有些无法在光照变化的室外环境中进行准确的识别[2,8]。基于Viola Jones人脸检测算法的视频人脸识别系统是视频监控和跟踪等许多应用中必不可少的构件[7,8,9]。

1. 方法论

本文提出的多人脸识别过程如图1所示。这一人脸识别过程将在计算机考试报名中实现。配准过程中人脸识别的流程如图2所示。

图1 人脸识别过程

该方法首先对训练数据进行预处理，将RGB图像转换为灰度图像，将图像压缩为8位彩色。然后通过特征相位、积分图像和级联分类器对图像进行Haar级联方法的实现。

下一步是特征提取过程，从预处理图像中提取人脸识别的重要特征。将特征面方法与PCA相结合，对训练数据进行特征提取。测试数据可以直接使用PCA进行特征提取。

特征提取过程之后是识别过程，其中PCA_train和PCA_test数据将基于欧氏距离技术进行相似距离计算。在欧氏距离计算的基础上，得到了人脸识别的结果。

在实现所提出的人脸识别过程中，如图2所示，它首先利用摄像头捕捉图像来获取训练数据，然后经过人脸检测过程、特征提取过程，最后通过人脸识别的核心部分来获取结果。

结果被发送到数据库。数据库中的训练数据稍后被用于考试当天注册的考试数据的人脸识别过程中，在进入计算机系统之前对考试参与者进行身份验证。

图2 人脸识别过程在考试当天实现

在人脸检测过程中，摄像头会将方框放置到检测到的人脸上进行人脸检测，如图3所示。

图3 人脸检测过程中的图像

哈尔级联技术

该技术从Haar特征阶段开始，在该阶段，通过使用“人脸”和“非人脸”之间更高的区分器来进行人脸检测。

如图四所示，图像的某些部分有矩形特征，有两种形式:黑色(dark)和白色(bright)。在此基础上，计算出哈尔型特征。haar类特征由暗区像素之和与亮区像素之和的差值得到，公

式如下:

其中：=暗区像素的和

=亮区像素的和

F(Haar）=Haar-like特性

当Haar-like特征高于某一阈值时，可以表示一个或多个人脸在该区域内。为了有效地

滤除图像中的大量人脸，采用了积分图像技术。

图4 具有哈尔特征的图像

利用积分图像计算哈尔特征。积分图像是一种通过将每个像素的值转换为新的图像表示来快速计算特征值的技术。积分图像值为从上到左计算的像素累积值。例如，像素值(a, b)的累加值为像素(x, y)。积分后，(x,y)处的像素包含阴影矩形上所有像素值的和。矩形中的像素值等于((x4,y4) (x1,y1)) – ((x3,y3) (x2,y2)).

图5 计算积分项

积分图像计数的一个例子如下:

和= (D A) - (B C)

Haar特征值是基于整幅图像值计算得到的，整幅图像值定义为盒子(白色和黑色像素)之间的区别值，通常称为阈值。这个阈值是一个参数，用来确定对象是否是人脸。

级联分类器通过对弱分类器图像赋权，将多个弱分类器组合成更清晰的图像(强分类器)。级联分类器间接地说这是一个过滤链。每个过滤器都是一个分类器，由一个独立的boost和相对较少的弱分类器组成。

图6 级联分级机的工艺流程

每当过滤过程发生时，都会为每个过滤器设置阈值，因此阈值是动态的。每个级别的过滤器都经过训练，可以对通过前一阶段的图像进行分类。在分类过程中，如果其中一个过滤器没有通过，那么该图像就可以说是非人脸。如果图像不够，表示强分类器，则重复该过程，直到通过提高阈值来满足权值。

当图像可以通过链中的每个过滤器时，这意味着该区域就是人脸。为了得到准确的值，需要对类haar特征进行处理。如果在阶段1的结果不符合标准，结果被拒绝。然后，算法将移动到子窗口，即第二阶段，并将计数的特征回来，如果收到的结果符合阈值，那么它将继续在下一个过滤阶段，使子窗口的步骤减少，并接近真实的图像值。

每个级别的过滤器都经过训练，用于对之前过滤过的图像进行分类(训练集是人脸数据库)。在使用过程中，如果其中一个过滤器失败，图像的该区域将被分类为“非人脸”。当过滤器成功通过该区域时，它将进入下一个过滤器。通过所有过滤器的图像区域将被视为“人脸”。

人脸检测程序处理如下:

1. 采集结果的人脸图像由RGB变换为灰度。
2. 归一化的照明。
3. 哈尔探测器。
4. 人脸提取与特征脸计算用于人脸识别。
5. 用PCA计算人脸识别过程(构成平面向量图像矩阵，确定图像的向量)，并计算特征向量和特征值(通过计算协方差)。

4.结果和讨论

利用所提出的多因素人脸识别过程进行了实验，验证了基于该技术开发的人脸识别系统的性能。第一个实验是观察被识别的人脸的位置因素。表1中的数据显示了本次实验的结果。结果表明，只有当人脸处于侧脸位置30度时，才能检测到人脸。

表1 不同人脸位置检测

第二个实验研究了人脸检测过程中的距离因子。表2显示了实验结果。数据表明，人脸检测可以成功地进行到2m。

表2 不同距离的检测结果

Distance	Targeted distance	Detection distance
D1	20	20
D2	70	70
D3	120	120
D4	170	170
D5	200	200

下一个实验是看在人脸识别过程中，在一个实例中可以检测到多少张不同的人脸。结果如表3所示。

表3中的数据显示，在需要检测的60张人脸中，有55张可以成功识别。这意味着多人脸识别过程的成功率为91.67%。

表3 多人脸识别过程的结果

在图7中，显示了多人脸识别过程的对比

图7 多人脸识别过程的比较

表4中的数据显示如下:

1. 在指定的目标范围内，成功地优化了人脸识别过程。
2. 当人脸被移开时，即使选择的方法是直接人脸检测，仍然能够识别出人脸图像。

表4 Multi-face识别优化

Face Position	Image targets to be recognized	The results of the face image to be recognized
1 facial image	1	1
(normal)
2 facial image (optimization)<!-- 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[20638]，资料为PDF文档或Word文档，PDF文档可免费转换为Word