opencv人脸检测算法

基于MB-LBP人脸检测算法

张伦，楚如峰，向世明，廖胜才，斯坦·李

生物识别与安全技术研究中心，中国科学院自动化模式识别研究所，国家重点实验室

摘要

通过使用基于AdaBoost学习算法的矩阵Haar-like特征方法，有效和实时脸部检测已经成为可能。在本文中，我们介绍了一组新的独特的人脸检测矩阵特征方法，称为多块局部二值模式（MB-LBP）。通过局部二进制模式操作，MB-LBP将矩阵区域编码成强度，得到的二值模式可以描述图像的多种局部结构。基于MB-LBP特征，研究出了一种基于AdaBoost学习算法的人脸检测方法。为了处理MB-LBP特征的非度量特征值，算法采用多分支回归树作为弱分类。实验表明，基于MB-LBP弱分类比Haar特征和原始LBP特征更加有区别度。鉴于相同的许多特征，在一个给定的0.001误报率下，所提出的人脸检测比haar-like特征高15％的正确率，比原始LBP特征高8％的正确率。这表明，MB-LBP特征可以捕获更多的图像结构信息，同时在简单地测量矩阵之间的差异下，比传统haar-like特征有更突出的性能。MB-LBP特征的另一优点是其较小的特征集，这使得训练时间要少得多。

1引言

人脸检测具有广泛的应用，例如自动

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型。由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型。由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型。由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型。由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

基于OpenCV的人脸检测

摘 要

人脸检测是指使用计算机在动态的场景或复杂的背景中检测出人脸的存在，并确定所有人脸的位置与大小的过程。人脸检测技术不仅是人脸识别、表情识别、人脸跟踪等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域也引起了广泛的重视。

本论文简单介绍了国内外人脸识别技术研究及应用的发展现状及其难点分析。在第二章中介绍了包括基于知识的方法、特征不变量方法、模板匹配方法、基于外观的方法四类检测方法；在第三章简单介绍了四种经典的检测方法，包括特征脸、神经网络、隐马尔可夫模型方法、支持向量机。

在第四章重点分析了AdaBoost算法中集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在第五章详细分析了AdaBoost算法检测速度快、可以检测任意尺度的图像的特点。

在这个理论基础上，本文中人脸算法的研究基于OpenCV开源代码，在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型。由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以Visual C++集成开发环境做平台搭建了一个基于OpenCV的人脸

摘 要

人脸检测主要是基于计算机识别的一项数字化技术，用以准确获取人的脸部大小和位置信息，在进行人脸检测时，突出主要的脸部特征，淡化次要的环境、衣着等因素。对于某些情况下，人脸检测也可以计算出人脸，如眼睛，鼻子和嘴等精确的微妙特征。由于在安全检测系统，医学，档案管理，视频会议和人机交互等领域人脸检测系统都有光明的应用前景，因此人脸检测逐渐成为了两个跨学科领域研究的热门话题:人工智能和当前模式识别。本文基于OpenCV视觉库具体的设计并开发了对数字图像中的人脸检测的程序，所采用的人脸检测的原理主要是分类器训练模式(Adaboost算法)提取Haar特征的方法。它在整个软件极其重要的作用，图像中人脸的准确定位和识别都受图像处理好坏的直接影响。本次所设计的软件在图像处理部分所采用的方法是基于Adaboost算法进行Haar特征的提取，在此之上加以通过积分图方法来获取完整的级联分类器结构，进行人脸检测时，OpenCV级联分类器通过Adaboost人脸检测算法进行训练，此后采用不同情况下的实验样本完成精确定位以及检测试验。经过代码的设计和调试，在最后的测试中针对数字图像进行的人脸检测和定位达到了较好的效果，提高了定位和识别的正确率。

关键词：人脸检测

不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。

在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工

本科毕业论文

题 目 语音基音周期检测算法比较 学 院 管理科学与工程学院 专 业 电子信息工程 班 级 081信工(1)班 学 号 200883082 姓 名 周刚 指导老师 段凯宇 讲师

二〇一二 年 六 月

语音基音周期检测算法比较

摘要

基音周期作为语音信号处理中描述激励源的重要参数之一，广泛的应用于语音合成、语音编码和语音识别等语音信号处理等技术领域。准确可靠的对基音周期进行检测将直接影响整个语音处理系统的性能。 常用的基音检测算法对于纯净语音信号都能达到较好的检测效果。然而，实际当中的语音信号不可避免的会受到外界背景噪音的影响，使得这些检测算法的检测效果都不是很理想，为此本文用两种基本算法对语音信号滤波前后进行基音周期检测，在进行比较。

论文首先

SUSAN边缘检测算法性能分析与比较

类别：电子综合 阅读：1579

1 引 言

边缘是图像最基本的特征，是图像分割的第一步。经典的边缘检测方法如：Roberts，Sobel，Prewitt，Kirsch，Laplace等方法，基本都是对原始图像中象素的小邻域构造边缘检测算子，进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阀值提取边界。由于这些算法涉及梯度的运算，因此均存在对噪声敏感、计算量大等缺点。在实践中，发现SUSAN算法只基于对周边象素的灰度比较，完全不涉及梯度的运算，因此其抗噪声能力很强，运算量也比较小。并将SUSAN算法用于多类图像的边缘检测中，实验证明该算法非常适合含噪图像的边缘检测。

2 SUSAN边缘检测简介 2．1 SUSAN特征检测原理

如图1所示，用一个圆形模板在图像上移动，若模板内象素的灰度与模板中心象素(称为：核Nucleus)灰度的差值小于一定阀值，则认为该点与核具有相同(或相近)的灰度，由满足这样条件的象素组成的区域称为USAN(Univalue Segment Assimilating Nucleus)。

当圆形模板完全处在图像或背景中时，USA