1.引言

OpenCV（Intel·Open Source Computer Vision Library）是Intel 公司面向應(yīng)用程序開發(fā)者開發(fā)的計(jì)算機(jī)視覺庫，其中包含大量的函數(shù)用來處理計(jì)算機(jī)視覺領(lǐng)域中常見的問題，例如運(yùn)動(dòng)分析和跟蹤、人臉識別、3D 重建和目標(biāo)識別等[1].可以通過訪問http://www.source- forge.net/projects/opencvlibrary 免費(fèi)獲得OpenCV 庫以及相關(guān)的資料。

相對于其它圖像函數(shù)庫， OpenCV 是一種源碼開放式的函數(shù)庫， 開發(fā)者可以自由地調(diào)用函數(shù)庫中的相關(guān)處理函數(shù)。OpenCV 中包含300多個(gè)處理函數(shù), 具備強(qiáng)大的圖像和矩陣運(yùn)算能力， 可以大大減少開發(fā)者的編程工作量， 有效提高開發(fā)效率和程序運(yùn)行的可靠性。另外， 由于OpenCV 具有很好的移植性， 開發(fā)者可以根據(jù)需要在MS-Windows 和Linux 兩種平臺進(jìn)行開發(fā).

人臉檢測（Face Detection）是指在輸入圖像中確定所有人臉（如果存在）的位置、大小、位姿的過程。人臉檢測作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù)， 近年來成為模式識別與計(jì)算機(jī)視覺領(lǐng)域內(nèi)一項(xiàng)受到普遍重視、研究十分活躍的課題。人臉檢測問題最初于人臉識別（FaceRecognition）。人臉識別的研究可以追溯到上個(gè)世紀(jì)六、七十年代， 經(jīng)過幾十年的曲折發(fā)展已日趨成熟。人臉檢測是自動(dòng)人臉識別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)， 但是早期的人臉識別研究主要針對具有較強(qiáng)約束條件的人臉圖像（如無背景的圖像）， 往往假設(shè)人臉位置已知或很容易獲得， 因此人臉檢測問題并未受到重視。近幾年隨著電子商務(wù)等應(yīng)用的發(fā)展，人臉識別成為最有潛力的生物身份驗(yàn)證手段， 這種應(yīng)用背景要求自動(dòng)人臉識別系統(tǒng)能夠?qū)σ话阌纱怂媾R的一系列問題使得人臉檢測開始作為一個(gè)獨(dú)立的課題受到研究者的重視。今天， 人臉檢測的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識別系統(tǒng)的范疇， 在基于內(nèi)容的檢索、數(shù)字視頻處理、視覺監(jiān)測等方面有著重要的應(yīng)用價(jià)值。

人臉檢測研究具有重要的學(xué)術(shù)價(jià)值。人臉是一類具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然結(jié)構(gòu)目標(biāo)， 此類目標(biāo)的檢測問題的挑戰(zhàn)性在于： （1）人臉由于外貌、表情、膚色等不同， 具有模式的可變性； （2）一般可能存在眼鏡、胡須等附屬物； （3）作為三維物體的人臉的影像不可避免地受由光照產(chǎn)生的陰影的影響。因此， 如果能夠找到解決這些問題的方法， 成功構(gòu)造出人臉檢測與跟蹤系統(tǒng)， 將為解決其它類似的復(fù)雜模式檢測問題提供重要的啟示。

目前， 國外對人臉檢測問題的研究很多， 比較著名的有MIT, CMU等； 國內(nèi)的清華大學(xué)、北京工業(yè)大學(xué)、中科院計(jì)算所和自動(dòng)化所等都有人員從事人臉檢測相關(guān)的研究。而且， MPEG7 標(biāo)準(zhǔn)組織已經(jīng)建立了人臉識別草案小組， 人臉檢測算法也是一項(xiàng)征集的內(nèi)容。隨著人臉檢測研究的深入， 國際上發(fā)表的有關(guān)論文數(shù)量也大幅度增長。

2.系統(tǒng)設(shè)計(jì)

本文采用OpenCV 實(shí)現(xiàn)人臉檢測的原理是基于Adaboost 算法， 該算法是一種分類器算法， 其基本思想是利用大量的分類能力一般的簡單分類器（Basic classifier）通過一定的方法疊加（boost）起來， 構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器（Stage classifier）， 再將若干個(gè)強(qiáng)分類器串聯(lián)成為分級分類器（classifier cascade）完成圖像搜索檢測。串聯(lián)的級數(shù)依賴于系統(tǒng)對錯(cuò)誤率和識別速度的要求。

本系統(tǒng)由訓(xùn)練和檢測兩個(gè)模塊完成， 兩部分的流程圖如圖1 和圖2 所示：

圖1 訓(xùn)練程序流程圖

圖2 檢測程序流程圖

3.系統(tǒng)實(shí)現(xiàn)

本系統(tǒng)采用Microsoft VC++編程工具實(shí)現(xiàn)， 從OpenCV 官方網(wǎng)站上下載OpenCV 的最新版本后按照安裝說明安裝OpenCV 開發(fā)包， 并在VC++系統(tǒng)中配置好開發(fā)環(huán)境。系統(tǒng)中實(shí)現(xiàn)的主要檢測函數(shù)如下， 其中調(diào)用了OpenCV 函數(shù)庫中的部分函數(shù)。

CRect CFaceDetect::DetectAndDrawFaces（ IplImage* img ）

{

CRect rc（0,0,0,0）；

if（ m_pHidCascade && img ）

{

int scale = 2;

CvSize img_size = cvGetSize（ img ）；

IplImage* temp = cvCreateImage （ cvSize （img_size.width/2,

img_size.height/2）， 8, 3 ）；

int i;

cvPyrDown（ img, temp ）；

cvClearMemStorage（ m_pStorage ）；

if（ m_pHidCascade ）

{

CvSeq* faces = cvHaarDetectObjects （ temp,

m_pHidCascade, m_pStorage, 1.2, 2, 1 ）；

for（ i = 0; i < （faces ? faces- >total : 0）； i++ ）

{

CvRect r = *（CvRect*）cvGetSeqElem（ faces, i ）；

cvRectangle（ img,

cvPoint（r.x*scale, r.y*scale），

cvPoint （（r.x+r.width）*scale, （r.y+r.height）

*scale），

CV_RGB（255,0,0）， 3 ）；

rc.left = r.x*scale;

rc.top = r.y*scale;

rc.right = （r.x+r.width）*scale;

rc.bottom = （r.y+r.height）*scale;

}

}

cvReleaseImage（ &temp ）；

}

return rc;

}

其中函數(shù)cvHaarDetectObjects 使用針對某目標(biāo)物體訓(xùn)練的級聯(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。函數(shù)以不同比例大小的掃描窗口對圖像進(jìn)行幾次搜索。每次都要對圖像中的這些重疊區(qū)域利用cvRunHaarClassifierCascade進(jìn)行檢測。有時(shí)候也會利用某些繼承（heuristics）技術(shù)以減少分析的候選區(qū)域， 例如利用Canny 裁減（pruning）方法。函數(shù)在處理和收集到候選的方框（全部通過級聯(lián)分類器各層的區(qū)域） 科之后， 接著對這些區(qū)域進(jìn)行組合并且返回一系列各個(gè)足夠大的組合中的平均矩形。調(diào)節(jié)程序中的缺省參數(shù)（scale_factor=1.1, min_neighbors=3,flags=0）用于對目標(biāo)進(jìn)行更精確同時(shí)也是耗時(shí)較長的進(jìn)一步檢測。為了能對視頻圖像進(jìn)行更快的實(shí)時(shí)檢測， 參數(shù)設(shè)置通常是： scale_factor=1.2,min_neighbors=2, flags=CV_HAAR_DO_CANNY_PRUNING,min_size =

4.結(jié)束語

通過編程實(shí)現(xiàn)人臉檢測系統(tǒng)表明， 應(yīng)用OpenCV 函數(shù)庫進(jìn)行圖像處理編程， 功能強(qiáng)大， 簡捷高效， 可以使編程人員快速地實(shí)現(xiàn)算法。

OpenCV 確實(shí)為VC++編程處理數(shù)字圖像提供了極大的方便， 具有廣闊的應(yīng)用前景。