前言
关于opencv
OpenCV是Intel开源计算机视觉库(Computer Version)。它由一系列C函数和少量C++类构成，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV拥有包括300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——尽管也可以使用某些外部库。OpenCV对非商业应用和商业应用都是免费的。同时OpenCV提供了对硬件的访问，可以直接访问摄像头，并且opencv还提供了一个简单的GUI(graphics user interface)系统:highgui。我们就通过OpenCV提供的一些方法来构造出这个人脸检测（face detection）程序来。
opencv的python包装
OpenCV本身是有C/C++编写的，如果要在其他语言中使用，我们可以通过对其动态链接库文件进行包装即可，幸运的是，Python下有很多个这样的包装，本文中使用的是Cvtypes。
事实上，在Python中很多的包都是来自第三方的，比如PIL(Python Image Library)即为C语言实现的一个图形处理包，被包装到了Python中，这些包装可以让你像使用Python的内建函数一样的使用这些API。
人脸检测原理
人脸检测属于目标检测(object detection)的一部分，主要涉及两个方面
1.先对要检测的目标对象进行概率统计，从而知道待检测对象的一些特征，建立起目标检测模型。
2.用得到的模型来匹配输入的图像，如果有匹配则输出匹配的区域，否则什么也不做。
计算机视觉
计算机的视觉系统，跟人的眼睛是大不相同的，但是其中也有类似之处。人眼之能够看到物体，是通过物体上反射出来的光线刺激人眼的感光细胞，然后视觉神经在大脑中形成物体的像。计算机通过摄像头看到的东西要简单的多，简单来说，就是一堆由数字组成的矩阵。这些数字表明了物体发出的光的强弱，摄像头的光敏元件将光信号转化成数字信号，将其量化为矩阵。
如何从这些数字中得出:"这是一个人脸"的结论，是一个比较复杂的事情。物理世界是彩色的，一般来说，计算机中的彩色图片都是由若干个色彩通道累积出来的，比如RGB模式的图片，有红色通道(Red)，绿色通道(Green)和蓝色通道(Blue),这三个通道都是灰度图，比如一个点由8位来表示，则一个通道可以表示2^8=256个灰度。那样三个通道进行叠加以后可以表3*8=24位种色彩，也就是我们常说的24位真彩。
对这样的图片做处理，无疑是一件很复杂的事，所以有必要先将彩色图转为灰度图，那样可以减少数据量(比
如RGB模式，可以减少到原图片的1/3)，同时可以去掉一些噪声信号。先将图片转化为灰度图，然后将这个灰度图的对比度增高，这样可以使得图片本来暗的地方更暗，亮的地方更亮一些。这样处理以后，图片就更容易被算法设别出来了。
Harr特征级联表
OpenCV在物体检测上使用的是haar特征的级联表，这个级联表中包含的是boost的分类器。首先，人们采用样本的haar特征进行分类器的训练，从而得到一个级联的boost分类器。训练的方式包含两方面：
1.正例样本，即待检测目标样本
2.反例样本，其他任意的图片
首先将这些图片统一成相同的尺寸，这个过程被称为归一化，然后进行统计。一旦分类器建立完成，就可以用来检测输入图片中的感兴趣区域的检测了，一般来说，输入的图片会大于样本，那样，需要移动搜索窗口，为了检索出不同大小的目标，分类器可以按比例的改变自己的尺寸，这样可能要对输入图片进行多次的扫描。
什么是级联的分类器呢？级联分类器是由若干个简单分类器级联成的一个大的分类器，被检测的窗口依次通过每一个分类器，可以通过所有分类器的窗口即可判定为目标区域。同时，为了考虑效率问题，可以将最严格的分类器放在整个级联分类器的最顶端，那样可以减少匹配次数。
基础分类器以haar特征为输入，以0/1为输出，0表示未匹配，1表示匹配。
Haar特征
?边界特征，包含四种
?线性特征，包含8种
?中心围绕特征，包含两种
在扫描待检测图片的时候，以边界特征中的(a)为例，正如前面提到的那样，计算机中的图片是一个数字组成的矩阵，程序先计算整个窗口中的灰度值x，然后计算矩形框中的黑色灰度值y，然后计算(x-2y)的值，得到的数值与x做比较，如果这个比值在某一个范围内，则表示待检测图片的当前扫描区域符合边界特征(a)，然后继续扫描。
关于这个算法的更详细描述已经超出了本文的范围，可以在参考资源中获得更多的信息。
非固定大小目标检测
因为是基于视频流的目标检测，我们事先不太可能知道要检测的目标的大小，这就要求我们的级联表中的分类器具有按比例增大(或者缩小)的能力，这样，当小的窗口移动完整个待检测图片没有发现目标时，我们可以调整分类器的大小，然后继续检测，直到检测到目标或者窗口与待检测图片的大小相当为止。
步骤一：图片预处理
在从摄像头中获得一个帧(一张图片)后，我们需要先对这张图片进行一些预处理：
1.将图片从RGB模式转为灰度图将灰度图
2.进行灰度图直方图均衡化操作
这两个步骤在OpenCV中是非常简单的：
步骤二：检测并标记目标
OpenCV中，对于人脸检测的模型已经建立为一个XML文件，其中包含了上面提到的harr特征的分类器的训练结果，我们可以通过加载这个文件而省略掉自己建立级联表的过程。有了级联表，我们只需要将待检测图片和级联表一同传递给OpenCV的目标检测算法即可得到一个检测到的人脸的集合。
步骤三：用highgui画出视频窗口
可以看到，OpenCV的API相当清晰，使用Python的包装，可以使得代码非常小。好了，我们可以看看程序的运行结果：
由于视频流是动态的，所以我们可以在程序的入口中使用一个无限循环，在循环中，每次从视频中读入一个帧，将这个帧传输给人脸检测模块，检测模块在这个帧上进行标记(如果有人脸的话)，然后返回这个帧，主程序拿到这个帧后，更新显示窗口。
opencv的其他特性
拉普拉斯边缘检测
1.def laplaceTransform(image):
https://www.doczj.com/doc/1915827987.html,place=None
3.colorlaplace=None
4.planes=[None,None,None]
效果图：
CVtypes中自带了一个关于图像色彩空间的直方图的例子：
结束语
OpenCV的功能十分强大，而且提供了大量的算法实现，文中涉及到的内容只是计算机视觉中很小的一部分。读者可以考虑将采集到的人脸进行标识，从而实现特定人的人脸识别。或者考虑将人脸检测移植到网络上，从而实现远程监控。试想一下，原来没有生命的机器，我们可以通过自己的思想，动作来使得它们看起来像是有思想一样，这件事本身就非常的有趣
人脸识别门禁系统设计方案 1监狱人脸识别门禁系统概述随着监狱的推进，传统的监控管理模式面临着改革的挑战。一方面识安全保卫形式的日趋严峻；另一方面是机构压缩、人员精简。新的形势向安全保卫工作提出了新的需求。在监狱的统一安排下，根据技术要求的在区域内设置了人脸识别门禁系统，并对系统进行了合理有效的整合，使达到了物防、技防、人防的有机结合。监狱大门及AB门是监管场所与外界交接的重要部位。为严格控制监舍区，生产区人员出入，防范罪犯逃脱，实现有效的统一指挥，确保监管场所的安全，在监狱大门及AB门安装智能人脸识别管理系统。监狱人脸识别门禁管理系统由以下6个子系统组成：1.监狱外大门门禁管理系统2.干警通道门禁管理系统3.会见家属通道门禁管理系统4.车辆通道门禁管理系统（与干警通道共用一套系统）5.考勤系统6.在押罪犯面像管理系统2系统功能1.监狱外大门门禁管理系统: 身份证识别系统与人脸识别系统配合使用，严格控制外来人员进出状况，避免罪犯采用外来人员身份逃狱的可能性；此系统用于监狱所有干警人员的数据录入，包括面像采集，个人信息软件，派卡，以及外来人员的登记，包括身份证识别，面像采集，个人信息输入，派临时卡等。2.干警通道门禁管理系统： 采用IC 卡加红外人脸识别，双重验证，人脸IC 卡技术根据面相的唯一性、确定性和可分类性的特点，将先进的面相识别技术与智能卡读写技术高度结合，具有面相采集与IC 卡读写的全部功能和高效、准确、安全等特点。可严格监管和控制每个干警人员和外来人员的进出情况，杜绝非允许人员的进出。另与门禁系统组成报警盒矩阵，用于干警人员用A 卡换B 卡时，自动弹出相对应的柜子。3.会见家属通道门禁管理系统： 采用人脸识别+IC卡相结合的方式保证进出人员的高度统一，严防监犯扮家属从此通道脱逃，严格控制人员的外出。并完善地与蝴蝶闸配合使用。4.车辆通道门禁管理系统（与干警通道共用一套系统）： 与干警通道门禁管理系统和联合使用，严格控制外来人员的进出及检查。5.考勤系统：
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。
AdaBoost人脸检测原理 对人脸检测的研究最初可以追溯到 20 世纪 70 年代，早期的研究主要致力于模板匹配、子空间方法，变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫随机域的方法，以及基于肤色的人脸检测。目前在实际中应用的人脸检测方法多为基于 Adaboost 学习算法的方法。 Viola人脸检测方法是一种基于积分图、级联检测器和AdaBoost 算法的方法，方法框架可以分为以下三大部分: 第一部分，使用Harr-like特征表示人脸，使用“积分图”实现特征数值的快速计算; 第二部分，使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器; 第三部分，将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。 Adaboost 算法是一种用来分类的方法，它的基本原理就是“三个臭皮匠，顶个诸葛亮”。它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。例如下图中, 需要用一些线段把红色的球与深蓝色的球分开，然而如果仅仅画一条线的话，是分不开的。 a b c d 使用Adaboost算法来进行划分的话，先画出一条错误率最小的线段如图 1 ，但是左下脚的深蓝色球被错误划分到红色区域，因此加重被错误球的权重，再下一次划分时，将更加考虑那些权重大的球，如 c 所示，最终得到了一个准确的划分，如下图所示。
人脸检测的目的就是从图片中找出所有包含人脸的子窗口，将人脸的子窗口与非人脸的子窗口分开。大致步骤如下： (1)在一个 20*20 的图片提取一些简单的特征（称为Harr特征），如下图所示。 它的计算方法就是将白色区域内的像素和减去黑色区域，因此在人脸与非人脸图片的相同位置上，值的大小是不一样的，这些特征可以用来区分人脸和分人脸。 (2)目前的方法是使用数千张切割好的人脸图片，和上万张背景图片作为训练样本。训练图片一般归一化到 20*20 的大小。在这样大小的图片中，可供使用的haar特征数在1万个左右，然后通过机器学习算法-adaboost算法挑选数千个有效的haar特征来组成人脸检测器。 (3)学习算法训练出一个人脸检测器后，便可以在各个场合使用了。使用时，将图像按比例依次缩放，然后在缩放后的图片的 20*20 的子窗口依次判别是人脸还是非人脸。
人脸识别——特征脸方法 贾东亚1２346046 一、实验目的 1、学会使用PCA主成分分析法。 ２、初步了解人脸识别的特征法。 3、更熟练地掌握ｍatｌab的使用。 二、原理介绍 1、ＰＣA(主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员ｉ的 飞行技能，x2(i)表示飞行员ｉ喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在ｕ１两侧，有少许噪声。 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知,如果我们找到一个方向的Ｕ，所有的数据点在U的方向上的投影之 和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。 而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而ＸT u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1的特征向量。而此式是数据集的 协方差矩阵。
系统概述 1 系统概述 人脸识别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。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。人脸识别门禁系统就是把人脸识别和门禁系统结合，并且通过人脸识别作为门禁开启的要素之一。 人脸识别技术的先天优势：非接触识别方便使用，人脸直观辨识；嵌入式解决方案大幅降低系统成本…… 2 设计原则 由于安全性和高效率管理的需要，门禁系统的设计应遵循下列原则： 系统的实用性 门禁系统的功能应符合实际需要，不能华而不实。如果片面追求系统的超前性，势必造成投资过大，离实际需要偏离太远。因此，系统的实用性是首先应遵循的第一原则。同时，系统的前端产品和系统软件均有良好的可学习性和可操作性。特别是可操作性（便捷性），使具备电脑初级操作水平的管理人员，通过简单的培训就能掌握系统的操作要领，达到能完成值班任务的操作水平。 系统的稳定性 由于门禁系统是一项不间断长期工作的系统，并且和我们的正常生活和工作息息相关，所以系统的稳定性显得尤为重要。要求该产品系统要有五年以上市场的成功应用经验，拥有相应的客户群和客户服务体系。 系统安全性 门禁系统中的所有设备及配件在性能安全可靠运转的同时，还应符合中国或国际有关的安全标准，并可在非理想环境下有效工作。强大的实时监控功能和联动报警功能，充分保证使用者环境的安全性。 系统可扩展性 门禁系统的技术不断向前发展，用户需求也在发生变化，因此门禁系统的设计与实施应考虑到将来可扩展的实际需要，亦即：可灵活增减或更新各个子系统，满足不同时期的需要，保持长时间领先地位，成为智能建筑的典范。系统设计时，对需要实现的功能进行了合理配置，并且这种配置是可以改变的，甚至在工程完成后，这种配置的改变也是可能的和方便的。系统软件根据开发商符合不同历史时期市场的需求进行相应的升级和完善，并为相应的应用客户进行软件升级。同时，可以扩展为考勤系统、会议签到系统、巡逻管理系统、就餐管理系统等一卡通工程。 系统易维护性 门禁系统在运行过程中的维护应尽量做到简单易行。系统的运转真正做到开电即可工作，插上就能运行的程度。而且维护过程中无需使用过多专用的维护工具。从计算机的配置到系统的配置，前端设备的配置
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910164890.2 (22)申请日 2019.03.05 (71)申请人 北京超维度计算科技有限公司 地址 100142 北京市海淀区西四环北路160 号9层一区907 (72)发明人 马宁 徐杰 张颢 向志宏 杨延辉 (74)专利代理机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈霁 (51)Int.Cl. G06K 9/00(2006.01) (54)发明名称一种深度图像中人脸检测方法(57)摘要本发明涉及一种深度图像中人脸检测方法，包括以下步骤：找出深度图像中所有有效深度值的局部最小值点；计算局部最小值点的曲率，去除曲率超出范围的点；如果此时还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点；如果此时还有剩余的局部最小值点，则认为图像中有人脸，否则认为图像 中没有人脸。权利要求书2页 说明书3页 附图1页CN 109961021 A 2019.07.02 C N 109961021 A
权 利 要 求 书1/2页CN 109961021 A 1.一种深度图像中人脸检测方法，其特征在于，包括以下步骤： 找出深度图像中所有有效深度值的局部最小值点； 计算局部最小值点的曲率，去除曲率超出范围的点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸区域，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点； 如果此时还有剩余的局部最小值点，则认为图像中有人脸，输出图像中所有的人脸区域位置，否则认为图像中没有人脸。 2.根据权利要求1所述的方法，其特征在于，所述找出深度图像中所有有效深度值的局部最小值点步骤，包括： 对深度相机输出的深度图像，找出深度图像中所有在局部窗口中有效深度值最小的像素点的位置，如果邻接的多个像素都为局部最小值点，则只取这几个邻接像素的中心位置为局部最小值位置。 3.根据权利要求1所述的方法，其特征在于，所述计算局部最小值点的曲率，去除曲率超出范围的点步骤，包括： 对得到的每个局部极小值点，在一定邻域范围内计算有效深度值梯度幅度的平均值，此梯度幅度平均值反映了物体表面的曲率，通过人鼻尖表面曲率的范围，可以排除一些不是鼻尖的局部最小值点。 4.根据权利要求1所述的方法，其特征在于，所述在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点步骤，包括：对于剩余的每个局部最小值点，找出深度图像中该位置的纵向廓线，由局部最小值点的深度和位置信息可以估计出该距离下真实人脸在纵向廓线上的最大范围，该范围作为人脸可能存在的范围，在该范围内，用该局部最小值点的深度值加上一个深度差值，作为深度切割的阈值，用该阈值切割出可能存在的人脸纵向廓线，并计算可能的人脸廓线的长度，由局部最小值点的深度可以估计出该距离下真实人脸廓线的长度，通过对比可以去除一些纵向剖线不符合真实人脸尺寸的局部最小值点。 5.根据权利要求1所述的方法，其特征在于，所述计算纵向剖线上鼻子廓线占人脸廓线长度的比值，排除比值超出一定范围的局部最小值点步骤，包括： 根据符合真实人脸尺寸的每个局部极小值点，计算其在人脸廓线上的梯度，如果梯度值不大于0，则继续计算其在人脸廓线上的上一个像素点的梯度；当梯度值大于0时，此时的像素点位置即为鼻子廓线的上边缘位置； 所述像素点位置的深度值与对应的局部最小值点位置的深度差值即为鼻子的高度；所述像素点位置与对应的局部最小值点位置的差值即为鼻子廓线的长度； 2
术技测检色肤脸人精品文档 一种基于肤色的复杂背景人脸检测方法 1>.人脸肤色模板提取 复杂背景的彩色图像中,总存在类肤色区域,裸露的非人脸肤色区域以及类肤色区域和肤色区域或者多个肤色区域紧密连接在一起. 单纯使用肤色分割定位，人脸不能排除这些因素的影响，因此，肤色分割通常只是对人脸图像进行粗定位。要确定肤色区域是否为人脸，则需对区域上的其他特征进行验证。在人脸肤色分割图中，眼睛、嘴等特征因其为非肤色区域而被漏掉，而在肤色范围内的其他区域可能与人脸区域相连，这不利于人脸特征验证。特征验证需要一个准确的人脸区域（只包括必要的人脸特征而没有背景等其他干扰）。 2>.肤色块分类 肤色分割可能在人脸区域形成独立块，区域边缘分割也可能将完整面部分割诚若干个小块，因此需要进行肤色块的合并，重新组合属于同一人脸的独立块。同一人连区域中像素点古色在变换Ycbcr空间中对应的矢量值相近，在空间位置上应小于一定距离。根据以上原理提出如下算法：（1）按照块面积从大到小排列各块（忽略面积小于一定阈值的小块）。 (2)寻找每个块的重心（X,Y）；
（3）计算各块间距离的（重心连线减去在各块内部部分的长度）。 （4）从大块开始，将距离小于一定阈值的归位一类。 （5）在没一类中，计算各块重心连线在各块边缘附近的Ycbcr值。 （6）去除面积小于一定阈值的类。 对所有块分类完成后，按各类中肤色块所占区域的大小，建立包含类中所有块的最小矩形，将类中所有块复制到矩形内，后续操作则在该矩形内进行。 收集于网络，如有侵权请联系管理员删除． 精品文档 基于肤色模型的人脸检测研究 2.1>建立肤色样本 建立肤色模型需要大量包含不同肤色、不同大小人脸的RGB图像。本文从互联网、人脸库和日常的生活照中选用了100副肤色不相同的人脸图像，然后从中裁剪出人脸皮肤区域的一小部分作为肤色的样本。接着将其从RGB色彩空间转换为Ycrcb色彩空间。 经过色彩空间转换之后，人脸图像不可避免地会出现噪声。本文采用滑动窗口为3X3的二维中值滤波来去除噪声，并在速度和效果上都取得了很好的结果。2.2>建立肤色模型 消除噪声后，先用二维高斯分布来描述这种cbcr的色度分布，然后对肤色样本进行训练，以此得到一个分布中心，再根据所观察的香色离该中心的远近来得到一个肤色的相似度。最后利用均值和方差的计算得到高斯分布模型，这就是实验中的肤色模型。 2.3>光照预处理 由于受外界光照坏境的影响，尤其是光源颜色，采集来的彩色图像经常会发生彩色偏移。本文使用彩色均衡方法来消除这种彩色偏移。该方法首先通过图像的R G B三个分量中各自的平均值确定出图像的平均灰度值，然后调整每个像素的R G B值，使得调整后图像的R G B三个分量中各自的平均值都趋于平均灰度值。实验结果表明，消除彩色偏移能有效提高算法的检测率和准确率。 2.4>类肤色检测 收集于网络，如有侵权请联系管理员删除． 精品文档 本文算法最为关键的一步是人体皮肤区域的检测。检测方法是计算图像像素与肤色模型的相似度，这个值描述了像素与肤色的相似程度。通过计算图像中每个像素与肤色模型的相似度，生成一副类肤色灰度图像。 基于肤色的人脸检测与识别方法的研究 肤色检测技术
关于SVM及其应用的相关原理 一、支持向量机介绍 下面我简单介绍下何为小样本、非线性及高维模式识别 小样本，并不是说样本的绝对数量少，实际上，对任何算法来说，更多的样本几乎总是能带来更好的效果，而是说与问题的复杂度比起来，SVM算法要求的样本数是相对比较少的。 非线性，是指SVM擅长应付样本数据线性不可分的情况 高维模式识别是指样本维数很高，例如样本出现几万维，不用降维处理，其他算法基本就没有能力应付了，SVM却可以，主要是因为SVM 产生的分类器很简洁，用到的样本信息很少，使得即使样本维数很高，也不会给存储和计算带来大麻烦。 何为机器学习之后会介绍。 支持向量机方法： 下面我简单介绍下何为VC 维理论和结构风险最小原理以期推广能力所谓VC维是对函数类的一种度量，我们就简单的理解为问题的复杂程度，VC维越高，一个问题就越复杂。 （1）PPT下一页 在讲解结构风险最小原理，先介绍下风险，风险就是与真实解的误差。我举个例子来说，我们不知道宇宙是如何诞生，就是不知道宇宙的真实模型，如果知道真实的宇宙模型，我们直接用真实模型就可
以了。既然不知道，我们就根据一些现象假设认为宇宙诞生于150亿年前的一场大爆炸，这个假设能够描述很多我们观察到的现象，但它与真实的宇宙模型之间还相差多少？谁也说不清，因为我们压根就不知道真实的宇宙模型到底是什么。这个差距我们就认为是风险经验风险就是分类器在给定样本上的误差，就是我们选择一个假设之后，真实误差无从得知，但我们可以用某些可以掌握的量来逼近它。就是使用分类器在样本数据上的分类的结果与真实结果之间的差值来表示。这个差值叫做经验风险。 置信风险是分类器在未知文本上分类的结果的误差。代表了我们在多大程度上可以信任分类器在未知文本上分类的结果。很显然，没有办法精确计算的，因此只能给出一个估计的区间，也使得整个误差只能计算上界，而无法计算准确的值。 结构风险就是经验风险与置信风险之和 （2）PPT下一页 下面介绍下机器学习和推广能力 机器学习就是对一种对问题真实模型的逼近。机器学习分为传统机器学习和统计机器学习。
1、训练程序整体流程 （1）读输入参数并打印相关信息 （2）进入训练程序最外层入口classifier.train 1）读正负样本，将正负样本放入imgLiast中，先读正样本，后读负样本 2）load( dirName )判断之前是否有已训练好的xml文件，若有，不在重新训练该stage的xml文件，没有返回false，初始化参数 3）计算requiredLeafFARate = pow(maxFalseAlarm,numStages)/max_depth,该参数是stage停止条件（利用训练样本集来计算tempLeafFARate，若 tempLeafFARate小于这一参数，则退出stage训练循环）； 4）Stage训练循环 5）更新训练样本集，计算tempLeafFARate（负样本被预测为正样本的个数除以读取负样本的次数，第一次没有训练之前，这个比值为1，因为没训练之前， 所有负样本都被预测成了正样本，当第一层训练好以后，负样本采集时会先 用第一层的分类器预测一次，若能分类，则不选用，选用负样本的数目是固 定的，但选用这么多负样本总共要选的次数会随着层数的增多而加大，因为 层数越大，分类器的分类能力也要求越大，说需要的样本就是前面分类器所 不恩呢该识别的，故在采集时也比较困难。） 6）判断stage是否退出训练，若tempLeafFARate
人脸识别系统的原理与发展 一、引言 人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大； 二、概述 人脸识别系统概述 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。 人脸识别系统功能模块 人脸捕获与跟踪功能：人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。 人脸识别比对：人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 人脸的建模与检索：可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。
智能锁方案——综述人脸识别锁方案 人脸识别技术相对其他生物识别技术所具有的优越性：不用直接接触，智能交换，用户接受程度高；直观性突出，符合人们“以貌识人”的认知规律；可靠性强，不易仿冒，安全性好。人脸识别技术，是基于人的脸部特征信息进行身份认证的生物特征识别技术，人脸识别技术正逐渐从商用市场向民用市场延伸，经历了从门禁、考勤应用向家庭智能门锁应用渗透的发展过程。目前，人脸识别智能门锁克服了人脸识别系统的巨大功耗、必须外接交流电源的难题，可采用高能碱性电池供电，电池可以使用一年的震撼效果。可广泛应用于办公、公寓、财务室、机要室、家庭等领域。 1、人脸识别智能门锁介绍
当下，智能家居市场火爆，预计在未来智能家居会成为家庭生活主要的消费对象。国内智能家居的发展首先以智能家电作为切入点进入智能家居市场，包括智能电视、智能空调、智能冰箱、智能音箱等产品。另外值得一提的是，在智能安防方面，曾经的机械锁已经被现在以人脸识别技术作为支持的人脸识别智能门锁取代，以最新的姿态开始进军智能家居领域。作为智能家居的第一道安全防线，人脸识别门锁在智能家居安防方面所占权重明显加大。 2、人脸识别智能门锁方案简述 名创博能研发的人脸识别智能门锁方案，方案中人脸识别智能门锁以自身独特的优势立足于生物识别领域，人脸识别智能门锁采用误识率和拒真率为零几率的世界先进的人脸识别技术，能达到这项技术要求的在生物识别企业中凤毛麟角;电池使用时间长攻克了人脸识别行业一直以来未解决的难题，四节碱性电池能连续使用一年以上，目前来说属于行业领先者;识别速度快，能在一秒内完成识别，有效防视频、伪造脸。
3、人脸识别智能门锁结语 担心自己大门不安全的朋友，名创博能研发的人脸智能门锁方案中可以让你完全没有这项负担，想要进入智能锁关闭的房门，只能够刷正确的脸，才可以打开锁。人脸识别智能门锁是一种拥有很强安保能力的智能锁，选择它就选择了安全，希望本文能够帮助大家，让大家放心使用人脸识别智能门锁。
doi：10.3969/j.issn.1671-1122.2012.07.018 基于肤色特征的人脸检测技术研究 商喜喜1,2，修春波1,2 （1. 天津工业大学电气工程与自动化学院，天津 300387； 2. 天津工业大学电工电能新技术天津市重点实验室，天津 300387） 摘 要：文章提出一种多人脸图像中人脸检测与定位方法，将图像从RGB色彩空间转换到YCrCb 色彩空间中，根据肤色点在CrCb空间中的分布情况进行肤色点检测，并滤除肤色检测后的孤立噪声， 利用势函数方法获得人脸候选区域。然后，根据人脸的结构特征对候选区域进行人脸区域的判别和定位， 最终实现图像中多人脸的检测功能，并通过仿真实验证明了该方法的有效性。 关键词：人脸检测；肤色；势函数；色彩空间 中图分类号：TP393.08 文献标识码：A 文章编号：1671-1122（2012）07-0064-02 Face Detection based on Skin Color SHANG Xi-xi1,2, XIU Chun-bo1,2 ( 1. School of Electrical Engineering and Automation, Tianjin Polytechnic University, Tianjin 300387, China; 2. Key Laboratory of Advanced Electrical Engineering and Energy Technology, Tianjin Polytechnic University, Tianjin 300387, China ) Abstract: A face detection and location method is proposed to ? nd multiple faces in a image. The image is change from RGB color space to YCrCb color space. The skin pixels can be detected according to their distribution in YCrCb color space. And isolated noise point can be ? ltered. The possible face areas can be determined by the potential function method. The face areas can be determined according to the face structural characteristic from the possible face areas. Thus, multiple faces detection can be realized. Simulation results prove it’s valid. Key words: face detection; skin color; potential function; color space 0 引言 人脸检测是模式识别与机器视觉领域的重要研究内容之一[1-3]，是实现人脸自动识别的第一步，在人脸识别、视频会议、智能监控系统以及人机交互和医疗诊断等领域具有重要的应用价值[4-7]。目前，人脸检测的常用方法有基于特征的方法、基于统计的方法、基于知识的方法以及基于模板匹配的人脸检测方法等[8-11]。基于知识的检测方法通常具有较快的检测速度，但不适用于多姿态的人脸检测。基于模板的人脸检测方法稳定性较高，检测结果具有良好的鲁棒性，但计算量较大，检测速度不高。基于特征的方法是在检测区中需找人脸特征，以此来确定人脸的位置，这种方法可处理较大尺度和视角变化的人脸检测问题。但由于光照和噪声的影响，很难存在相对稳定的特征，从而影响了该类方法的应用效果。基于统计的方法通常具有较大的计算量，而且在样本采集以及训练过程中都存在着一定的困难，因此限制了这类方法的使用范围。 本文结合势函数模式识别方法以及肤色检测方法，提出一种新的人脸检测方法，能够较快、较准确地完成多图像的人脸检测功能。 1 肤色检测 首先在给定图像中进行肤色检测。RGB色彩空间是最常见的颜色空间。在RGB空间中，色度信息和亮度信息是混合在一起的，不适合于肤色模型。为了增强肤色分割对光照条件变化的鲁棒性，采用亮度信息和色彩信息相分离的YCrCb色彩空间，利用色度和饱和度信息进行判别。RGB空间到YCrCb色彩空间的转换矩阵为： (1) 收稿时间：2012-05-13 基金项目：天津市自然科学基金资助项目[10JCYBJC07500] 作者简介：商喜喜（1978-），男，河北，硕士研究生，主要研究方向：人脸识别；修春波（1978-），男，黑龙江，副教授，博士，主要研究方向：目标识别与跟踪设计。
Adaboost 算法 1、AdaBoost算法简介 AdaBoost算法是Freund和Schapire根据在线分配算法提出的，他们详细分析了AdaBoost算法错误率的上界，以及为了使强分类器达到错误率，算法所需要的最多迭代次数等相关问题。与Boosting算法不同的是，adaBoost算法不需要预先知道弱学习算法学习正确率的下限即弱分类器的误差，并且最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度，这样可以深入挖掘弱分类器算法的能力。 2、Adaboost 算法基本原理 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost 分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训练数据上面。 AdaBoost算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即其中n 为样本个数，在此样本分布下训练出一弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T 次循环，得到T 个弱分类器，把这T 个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。 AdaBoost算法的具体步骤如下： 设输入的n个训练样本为:{(x1,y1)，(x2,y2)，......(xn,yn)}，其中xi是输入的训练样本，yi∈{0,1}分别表示正样本和负样本，其中正样本数为l，负样本数m。n=l+m，具体步骤如下： （1）初始化每个样本的权重w i,i∈D(i); (2)对每个t=1,..., T(T为弱分类器的个数) ①把权重归一化为一个概率分布 ②对每个特征f，训练一个弱分类器h j计算对应所有特征的弱分类器的加权错误率 ③选取最佳的弱分类器h t(拥有最小错误率)：εt ④按照这个最佳弱分类器，调整权重 其中εi =0表示被正确地分类，εi=1，表示被错误地分类
人脸识别技术原理解析 你还记得电影里的这些情节吗？《变形金刚2》中，年轻的男主角和他的小伙伴们过关卡时，虽然骗过了值班军人，却被军方的人脸识别技术发现。2014年翻拍版的《机械战警》中，机械战警第一次面对大众公开亮相，就在人群中不停地扫描所有人脸，同时将获取的人脸在通缉犯资料库中作比对，瞬间就发现看热闹的人群中有一个逃逸多年的通缉犯，并将其制服。其他还有许多电影中，但凡是美国的机要部门，进门就要扫描各种生物特征，从早年电影中的指纹、虹膜，到现在的人脸。 人脸识别到底是什么？ 人脸识别，是视觉模式识别的一个细分问题，也大概是最难解决的一个问题。其实我们人每时每刻都在进行视觉模式识别，我们通过眼睛获得视觉信息，这些信息经过大脑的处理被识别为有意义的概念。于是我们知道了放在我们面前的是水杯、书本，还是什么别的东西。 我们也无时无刻不在进行人脸识别，我们每天生活中遇到无数的人，从中认出那些熟人，和他们打招呼，打交道，忽略其他的陌生人。甚至躲开那些我们欠了钱还暂时还不上的人。然而这项看似简单的任务，对机器来说却并不那么容易实现。 对计算机来讲，一幅图像信息，无论是静态的图片，还是动态视频中的一帧，都是一个由众多像素点组成的矩阵。比如一个1080p的数字图像，是一个由1980*1080个像素点组成矩阵，每个像素点，如果是8bit的rgb格式，则是3个取值在0-255的数。 机器需要在这些数据中，找出某一部分数据代表了何种概念：哪一部分数据是水杯，哪一部分是书本，哪一部分是人脸，这是视觉模式识别中的粗分类问题。 而人脸识别，需要在所有机器认为是人脸的那部分数据中，区分这个人脸属于谁，这是个细分类问题。 人脸可以分为多少类呢？ 取决于所处理问题的人脸库大小，人脸库中有多少目标人脸，就需要机器进行相应数量的细分类。如果想要机器认出每个他看到的人，则这世界上有多少人，人脸就可以分为多少
人脸识别智能锁解决方案 篇一：汉王人脸识别智能化管理解决方案 汉王人脸识别智能化管理解决方案 目录 一、汉王人脸识别简介 ................................................ ................................................... ................................... 3 二、通道式人脸识别系统 ................................................ ................................................... ............................... 3 系统工作原理 ................................................ ................................................... ............................................ 3 通道式人脸识别系统拓扑图 ................................................ ................................................... .................... 4 应用场景及实现功能 ................................................ ...................................................
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
申请发明专利需提交的材料 1、名称：名称必须是技术用语，不能含广告、商业宣传性语言，不能有人名、 地名、单位名称、商标、代号、型号或者商品名称等，不超过25个字。 一种基于人脸识别的智能锁具 2、与本发明相关的背景技术：就申请人所知，写出与本发明最相关的最接近的、目前已经有或正在使用的技术状况，现在所采取的工艺方法或结构，并客观评述其缺点或存在问题。 随着科学技术的发展，现代智能化锁具已经得到广泛应用，例如，IC卡是一种新型智能卡标识（包括感应卡、IC卡等），它采用硅片存储信息，因此与传统标识卡（磁卡、条码卡等）相比，存储容量大、防伪性好、可靠性高，目前已广泛应用于通讯、金融、交通、安防等众多领域。IC卡是现代信息技术、微电子技术和计算机技术的最新成果，是现代文明的标志之一。 IC卡锁具采用IC卡作为开锁的钥匙，它包含了IC卡技术、精密制造技术、机电一体化技术，是现代智能化锁具的典范，适用于高级酒店、涉外宾馆、旅游度假村、智能化写字楼、智能化小区、酒店式公寓等众多场合。IC卡锁具采用的卡包括接触式IC卡和非接触式IC卡。 （举例IC卡的缺点不足，人脸识别技术的成熟以及与锁具的结合所具备的优势） 但是，现有锁具，包括IC卡锁具等，没有提供人脸识别锁具功能。 3、发明的目的：针对背景技术，简要、明确地写出本发明所要解决的技术问题。 提供一种人脸识别智能锁具，具有高性能、低成本、低功耗、安全可靠、性能稳定及使用范围广的优点。 要解决的技术问题： （1）人脸识别技术稳定，快速实现，能够准确的检测到人脸；
（2）判断人脸信号的真实性（动态人脸检测，如提示变换表情、不同角度人脸的检测，如左脸、右脸），防止他人恶意以面具、图像或头像冒充； （3）能够准确无误的识别匹配人脸（主人能够准确刷脸开门，他人不能）（4）人脸识别装置与锁具控制装置的结合，通信，也是要解决的技术问题。 4、发明的技术方案：写出申请人对其要解决的技术问题所采取的技术措施的集合。也就是写出本发明的主要技术方案。 技术方案：一种人脸识别智能锁具，包括锁体、锁体控制装置以及与控制装置连接的人脸识别装置。人脸识别装置识别人脸并且得到人脸识别结果，并传输到锁体控制装置，控制装置用于控制锁体的解锁或拒绝开锁。 技术措施： （1）人脸识别技术： Adaboost 检测算法是一个非常经典的人脸检测算法，它自2001 年Viola 等人提出后，对人脸检测的意义可谓重大，使这一技术能够实现转折性的变化，许多学者在研究它，并做了大量的改进。Adaboost 是一个学习的算法，即Adaptive Boosting 。给定一系列正负样本，训练成一个弱分类器。此训练过程中，每个样本拥有一个初始权重，表示该样本被某个分类器选中的概率。如果某个样本被正确分类了，则构造下一个训练集时，降低其权重，否则加重其权重，通过此算法，每一轮都会增强那些分类错误的困难样本，每一轮选出一个最优的弱分类器，这些弱分类器以一定权重组合起来成强分类器。 Adaboost 算法是在一些人脸和非人脸的样本中训练出弱分类器，然后把弱分类器级联成强分类器。它是一种自适应增强算法，理论上错误率能够达到无限低。分类器就是对特定的事物进行分类，Adaboost 就是一个分类器，它是由简单的弱分类器训练得来的。在Adaboost 算法中进行人脸检测主要利用的是人脸图像的灰度分布不一样这一特性，主要对灰度图像进行检测，采用积分图计算的Haar 特征，Haar 特征计算简单，检测速度快。Adaboost 算法检测过程首先计算图像的Haar 特征并且在算法训练过程中提出错误率最小的Haar 特征，转换为弱分类器，再把弱分类器组合成强分类器进行人脸检测。