基于opencv的视频人脸识别系统毕业论文设计(6)

手，压缩输入矢量的维数，并适当的选择隐层的神经元数。为了加快网络训练的收敛速度，可对输入矢量做标准化处理，并给个连接权适当的赋予初值。

网络的隐层可以认为是输入层和隐层之间的连接权值的“自组织化”对输入模式进行特征抽取，并将抽取出的特征传递给输出层，关于隐层的神经元数H的选取尚无理论上的指导。一般地，隐层的神经元数H大，网络的冗余性大，增加了网络一次训练的训练时间，尽管使网络收敛的训练次数会减少，但会降低分类器的推广能力。为了保证分类器的稳定性，显然网络未知连接权值的个数不宜超过训练样本值的个数，所以隐层的神经元数H应该满足一下要求：

（I+1）H+(H+1)

人脸识别网络输出层的神经元数J取为人脸类别数P，而通过特征压缩网络输入层的神经元数I也是取为人脸类别数P，这样可按下式选取隐层的神经元数H。

H≈K2

即网络隐层的神经元数是取为训练样本数的一半。由于BP常采用的Sigmoid激励函数的曲线两端平坦，中间部分变化剧烈，为了提高网络的收敛速度对网络输入矢量的每个分量化为均值为0，方差为1的标准形式。一般认为连接权值初值可在区间[-0.5，0.5]内随机选取。对人脸校准图像用类间相关矩阵作为K-L变换的产生矩阵，可抽取出P维的识别特征，将P维的识别特征矢量做为网络的输入矢量，每训练一个样本，修正一次连接权值。训练好网络后，就可用它对新输入的人脸进行识别。

3.4. 本章小结

本章主要介绍了人脸识别的一些方法以及人脸识别和生物特征识别的区别，主要的人脸识别方法有：几何特征的人脸识别、基于特征脸的人脸识别方法、神经网络的的人脸识别、弹性匹配的人脸识别方法、线段Hausdor距离（LHD）的人脸识别方法和支持向量机的人脸识别方法。本文主要用基于神经网络的人脸识别方法进行人脸识别。

4. 人脸检测核心算法

4.1.

人脸检测算法在人脸识别中的作用

人脸检测是人脸识别中的一项关键技术，人脸检测是指判定任意给定一幅图像或者一组图像序列中是否存在人脸。如果存在，则返回其位置和各个人脸所占的区域。在输入图像中确定所有的人脸存在的位置，大小，位姿的过程。是自动人脸识别系统的一个关键环节。

人脸检测最初是随着人脸识别的研究而提出的,但随着计算机视觉技术的发展,人脸检测受到越来越高的重视而作为一个独立的课题提出。人脸检测长期以来受检测的精度和检测的速度困扰,直到上世纪90年代,由Viola提出的基于AdaBoost算法极大地提高了人脸检测地速度的和精度, 使人脸检测技术真正走向实用。人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流进行检测 ，首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

4.2. 人脸检测算法

人脸检测的算法有很多。一是基于模版匹配的算法，其核心思想是利用人的脸部特征规律建立一个立体可调的模型框架，在定位出人的脸部位置后用模型框架定位和调整人的脸部特征定位，解决人脸识别过程中的观察角度、遮挡和表情变化等影响因素。二是主成份分析，它具有描述性强、计算代价小、易实现等特点。三是主成份分析法，该方法随着样本的增加需要不断的舍弃一些

PC以维持子空间维数不变，因而该方法精度稍差。四是AdaBoost算法，该

算法是目前检测最为成功的算法之一，检测速度快。下一节将详细介绍这一算法。

4.3. AdaBoost算法

Paul Viola和Michael Jones于2001年将AdaBoost算法应用于人脸检测中,其基本思想是

针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器。 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，对于h1 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 U2 。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 T．Tracking of multiple faces for

—computer interfaces and virtualenvironments[C]．IEEE Intl．Conf．on Multimedia and Expo．New York，July 2000．

[9] 张翠平,苏光大人脸识别技术综述中国图像图形学报[J]2000 年11 期 [10] Viola P，Jones M．Rapid object detection using a boosted cascade

of simple feature[c]．In：Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，Kauai，Hawaii，USA，2001，1：I-51l-518 [11] Viola P.，Jones M. J.、Robust Real-Time Face Detection、International Journal of Computer Vision 57(2), 2004

[12] 张宏林. visual C++ 数字图像模式识别技术及工程实践. 北京：人民邮电出版社，2003年4月