基于arm的實時人眼定位系統(編輯修改稿)

　

【文章內容簡介】 方法一般先提取各種基本特征，如幾何形狀、灰度、紋理等，然后根據一些知識規則確認圖像中是否包含人臉。這些規則可以通過人的先驗知識獲得，也可從較多樣本中總結出來。一般比較容易提出簡單的規則來描述人臉特征和它們的相互關系。例如，正面人臉通常都包括兩只位置相互對稱的眼睛，灰度圖像中眼睛區域要比其他地方暗。特征之間的相互關系可以通過它們的相對距離和位置來描述。在輸入圖像中首先提取面部特征，確定基于編碼規則的人臉候選區域。這種方法存在的問題是很難將人類知識轉換為明確定義的規則。如果規則是詳細的嚴格的，由于不能通過所有的規則檢測可能失敗。如果規則太概括通用，可能會有較高的錯誤接受率。此外，很難將這種方法擴展到在不同的位姿下檢測人臉，因為列舉所有的情況是一項很困難的工作。Yang等提出了基于鑲嵌圖(Mosaic，又稱為馬賽克圖)的人臉檢測方法，他們建立了一個基于知識的三層檢測系統。Yang等先將人臉的五官區域劃分為44個馬賽克塊，每塊的灰度取塊中各像素灰度的均值，使用一組規則進行檢驗，確定人臉候選區域，然后將人臉的區域劃分為88個馬賽克塊，重新構建鑲嵌圖，再使用一組規則從候選區域定位人臉區域，最后將得到的人臉區域二值化，利用邊緣特征進一步驗證。盧春雨等對鑲嵌圖方法進行了改進，按照人臉器官的分布將人臉劃分為3x3個馬賽克塊，在檢測中自適應地調整各塊的大小，使用一組基于各塊灰度和梯度統計特征的知識規則檢驗該區域是否為人臉，取得了較好的實驗結果。Leun提取和組合臉部特征，并統計特征位置關系的特性，實現了各種姿勢人臉的檢測，且可容忍臉部的部分遮擋。本和非人臉樣本訓練出具有較強分類能力的分類器，通過判斷圖像中所有可能區域屬于哪類來實現人臉的檢測。目前，被廣泛應用于人臉檢測的統計方法主要有:基于子空間的方法、基于神經網絡的方法、基于支持向量機的方法、基于隱馬爾可夫模型的方法、以及基于Adaboost算法的方法，下面對這些基于統計理論的方法一一介紹?；谧涌臻g的方法:子空間主要包括兩類:主成分分析 (PCA)和線性判別分析 (PDA)。主成分分析方法是對圖像進行KL變換，以消除原來各個分量之間的相關性，取變換后所得到的最大的若干個特征向量來表示原來的圖像，保留了原始圖像的最大差異性信息，這若干個分量就稱為主成分。Turk和Peniland將PCA用于人臉檢測，對訓練集中的人臉圖像進行主成分分析，轉換成一個小的特征向量集，叫“特征臉”它們是最初訓練圖像集的基本組件，同樣地處理非人臉訓練集。然后根據人臉圖像在這一過程中改變較小而非人臉圖像改變較大的特點，遍歷測試圖像中所有候選人臉位置，計算候選位置對應的圖像塊與人臉空間之間的距離，其中，距離最小的位置就認為是測試圖像中的人臉所在位置。線性判別分析方法中典型的有Yang等提出的Fisher線性判別 (FLD)方法。他們首先使用自組織映射(SOM)將人臉和非人臉樣本各分為25個類，然后計算各類的類間離散度與類內離散度，利用兩者的比值求出投影矩陣。比較本征臉方法，FLD同時考慮了類間與類內的離散度，選取的投影方向優于本征臉方法，因此得到了較其優良的檢測的效果。神經網絡(Neural Network)：人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在這一模型中，大量的節點(或者稱“神經元”、“單元”)之間相互聯接稱網絡，即“神經網絡”，以達到處理信息的目的。神經網絡可以充分地逼近任意復雜的非線性關系，采用并行分布處理方法，使得快速進行大量運算成為可能。神經網絡具有自學習功能，在實現圖像識別時，只需要先把許多不同的圖像樣本和對應的識別結果輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別類似的圖像。用神經網絡進行人臉檢測的好處是很容易訓練一個用于檢測人臉模式的系統，但是，其缺點是網絡結構需要大范圍的調整(層數、節點數、學習速率等)才能獲得期望的性能。在使用神經網絡的人臉檢測方法中，有里程碑式意義的工作由Rowlcy等人最早于1996年提出。Rowley等采用局部連接的神經網絡檢測人臉。將每個區域劃分成多個方形或者矩形的子區域以便更好地描述人臉的局部特征，每個區域對應一個神經網絡隱含單元。對神經網絡在多個分級上的輸出進行判斷以降低誤檢率。支持向量機(SVM)：支持向量機是Vapnik等提出的基于結構風險最小化原理的統計學習理論，其基本思想是:首先通過非線性變換，將輸入空間變換到一個高維空間，然后在這個高維空間中求取最優線性分類面。所謂最優分類面則是使分類間隔最大，從而達到結構風險最小化。SRM使 VC(Vapnik Cherovnenkis)維數的上限最小化，這使得SVM方法比基于經驗風險最小化 (Empirical Risk minimization，ERM)的人工神經網絡具有更好的泛化能力。osuna等將SVM方法用于人臉檢測，取得了較好的實驗效果。其基本思路是對每一個1919像素的檢測窗口使用SVM進行分類，以區分“人臉”和“非人臉”窗口。但是SVM的訓練要求解決計算復雜度極高的二次優化問題，限制了該方法的使用。Platt提出了SMO解決SVM訓練困難的問題。Bemd等提出了一個層次型結構的SVM分類器，它由4個線性SVM和1個非線性SVM共5層串聯在一起的分類器組成。檢測時，4個線性SVM依次采用33，44，1111，1919的窗口對輸入圖像進行全局搜索，以快速排除掉圖像中絕大部分背景，最后由非線性SVM用19xl9的窗口對少量的候選區域做出確認。梁路宏等提出了基于模板匹配與支持向量機的人臉檢測算法。算法使用一組雙眼一人臉模板對來搜索候選人臉，并在搜索過程中使用多層感知器進行確認，以減少錯誤報警。實驗結果的對比數據表明，該算法是十分有效的。隱馬爾可夫模型(HMM): 隱馬爾可夫模型是用于描述信號統計特征的一組統計模型。HMM使用馬爾可夫鏈來模擬信號統計特征的變化，而這種變化又是間接地通過觀察序列來描述的，因此，因馬爾可夫過程是一個雙重的隨機過程。在H鏈中，節點表示狀態，有向邊表示狀態之間的轉移，一個狀態可以具有特征空間中的任意特征，對同一特征，不同的狀態表現出這一特征的概率不同，由于HMM是一個統計模型，對于同一特征序列，可能會對應于許多狀態序列，特征序列與狀態序列之間的對應關系式非確定的。這種模型對于狀態序列來說是隱的，故稱為隱馬爾可夫模型。Nefian等人采用隱馬爾科檢測人臉。檢測區域中的每個子區域采用主要的KarhunenLoeve變換系數作為觀察矢量，通過BaumWelch算法和Viterbi分割算法獲得HMM的模型參數，根據檢測區域的觀察序列的輸出概率進行判決。基于AdaBoost算法的方法:基于AdaBoost學習算法的人臉檢測方法由viola等人于2001年提出，該方法采用一種稱為“積分圖像”的圖像表示方法，這種表示法能夠快速計算出弱分類器用到的特征。然后基于AdaBoost學習算法，從一個較大的特征集中選擇少量的關鍵的特征，被選取的特征應盡量滿足兩個特性:較強的區分性和較強的獨立性，繼而產生一個高效的強分類器。再用級聯的方式將單個的強分類器合成為一個更加復雜的級聯分類器，使圖像的背景區域快速地丟棄，而在有可能存在目標(人臉)的區域花費更多的計算。該方法的突出地位和貢獻在于，它給出了一個穩定的、實時的目標檢測框架，是第一個實時的人臉檢測算法，并由此激發了更多研究人員在基于局部特征和智能學習的實時人臉檢測算法方面的研究?；贏daboost的人臉檢測方法是目前比較流行的方法，其不需要提取具體的人臉特征，而是從大量典型的數據中獲得統計特征，能夠更好地反映人臉圖像和非人臉圖像之間的差別，因此，其具有較強的適應能力和魯棒性。故本課題選擇AdaBoost算法進行人臉檢測。 矩形特征及積分圖Viola等在2001年提出一種基于Boosting方法的實時人臉檢測系統，該系統的檢測速度可以達到每秒15幀，實時檢測速度及檢測準確率表現優異，這是人臉檢測從研究走向實用的一次質的飛躍。他們對人臉應用積分圖方法計算矩形特征，用其得到的結果訓練分類器。 矩形特征(1)Harrlike特征Harrlike特征是Viola等提出的一種簡單矩形特征，因其類似于Harr小波而得名。Harrlike特征的定義是黑色矩形和白色矩形在圖像子窗口中對應的區域的灰度級總和之差，可見，它反映了圖像局部的灰度化。Viola等用到的Harrlike特征總共有三類，其中第一行屬于二矩形特征，第二行左邊一個屬于三矩形特征，右邊一個屬于四矩形特征。每個圖像可得到用于訓練的Harrlike特征超過18萬個，但是實際上不一定需要這么多，因為過多的特征會加大訓練過程的時間和空間復雜度，實際上過細的特征中會引起過多的冗余，所以在選擇特征時可適當放粗一些。 四種矩形Harrlike特征(2)Walsh特征離散沃爾什變換（DWT: Discrete Walsh Transform）是數字信號處理方面經常采用到的一種正交變換，并且該變換同離散傅立葉變換一樣，可以很好的反映數字信號的頻率變換情況，而且變換矩陣只是由177。1組成，可以較大程度減少計算量。Walsh特征構造方法如下：①設Walsh特征算子的高度、寬度分別為m、n（必須是2的整數次方）②分別構造m m、n n維的沃爾什變換矩陣Hm、Hn③得到Walsh特征算子： =()() 由于所有m n維的Walsh特征算子都相互正交，這意味著它對圖像某個局部特征的提取不產生冗余，并且特征算子的形狀比Harrlike特征算子的形狀要豐富。另外，m、n都要求是2的整數次方，所以對一幅訓練圖像而言，它的全部Walsh特征數是有限的，即Walsh特征的數量小于Harrlike特征的數量[32]。實際Harrlike特征提取過程中，很多特征都非常相近，冗余很大，采用Walsh特征來代替Harrlike特征可以大大降低特征之間的冗余。(3)Gabor特征從人臉圖像中提取特征的類型很多，如：幾何特征、邊緣特征、PCA特征、小波特征、Gabor特征等，相比于其它特征，Gabor特征因其濾波器的脈沖響應函數與哺乳動物的視覺皮層中簡單型細胞對圖像信號的響應非常相似[33][34]，故可以對人臉圖像做出多尺度、多方向的描述，并且具有很強的刻畫細節與局部結構能力。同時，Gabor濾波器的帶通濾波的特性還能去除圖像中高頻噪聲。與小波變換類似，利用Gabor變換也可以對圖像做多分辨率分析，由于人的視覺系統具有對數頻程性質，在對Gabor小波展開時也通常采用在頻域或者空間域上的非均勻采樣方法。常用的方法是，對的Gabor濾波器取一系列以固定倍數增長的波長和間隔的方向，構成多角度、多方向的Gabor濾波器組[35]。當利用Gabor濾波器組提取圖像的特征時，通常以濾波器的輸出響應的實部絕對值或者幅值作為Gabor特征。 積分圖2001年，Viola等提出積分圖（Integral Image）概念，其目的是為了快速的計算分類器所需的矩形特征。若定義一幅圖像的像素灰度為i(x,y)，則某像素處的積分圖像值定義為要得到一幅輸入圖像I的積分圖像，只需逐點掃描原圖像一次，就可計算出來。s(x,y)=s(x,y1)+i(x,y)ii(x,y)=ii(x1,y)+s(x,y)其中，s (x, y)為點(x ,y)所在位置的行列積分值。如此，兩個矩形內像素和的差可以由積分圖上的六個點計算得到，而三個矩形內像素和的差可以由積分圖上的八個點計算得到。，先掃描圖像求出各點像素值，則灰色區域像素值的和可以由（5+124）得到，下半部分區域像素值的和為(2+635)，則該矩形Harrlike特征值為兩式之差，即(5+12426+3+5） 求矩形特征像素差示例Harrlike特征主要有三類。a與b的矩形Harrlike特征為兩個矩形內像素灰度值分別求和之差的，c的矩形Harrlike特征為兩邊矩形框的灰度值之和減去中間矩形的灰度值之和，d矩形Harrlike特征為兩條對角線的矩形框的灰度值和的差值。 Adaboost算法 ，他們使用了“積分圖像”的圖像表示方法表示特征，然后采用AdaBoost方法選擇出少量但是關鍵的特征來組合成強分類器，最后使用“級聯的策略組合分類器。Adaboost是一種迭代方法，其核心思想是針對不同的訓練集訓練同一個分類器（弱分類器），然后把在不同訓練集上得到的分類器集合起來，構成一個更強的最終分類器（強分類器）。弱分類器的構造如下：一個矩形特征j對應一個弱分類器h，對應一個候選輸入窗口x，設該矩形特征在x上的值為f(x)，則弱分類器分類函數構造如下: 其中是一個閾值，p=1，用來控制不等式的方向。Adaboost算法訓練強分類器的算法描述如下：（x1,y1）,(x2,y2),…,(xi,yi),(xn,yn),其中xi表示第i個樣本，yi=0時表示其為負樣本（非人臉），yi=1時表示其為正樣本（人臉）。n為總共的訓練樣本數量。：對于負樣本：Di(i)=2/1m,m為負樣本個數 對于正樣本：D(i)=2/l,l為正樣本個數 Di(i)為第t次循環中第i個樣本的誤差權重。 =1……T : (i)=，訓練一個弱分類器h (x ,f ,p,θ)；計算對應所有特征的弱分類器的加權錯誤率：，找出一個具有最小的錯誤率的弱分類器；：其中表示x被正確地分類,e =1表示x被錯誤地分類；： 或 ，其中。以上訓練的物理意義可以表述為：當已經提取的分類器對于某些樣本分類正確，那么減小這些樣本的權重。當分類錯誤，增加這些樣本的權重。這樣，后面訓練提取的簡單分類器就會更加強化對這些分類錯誤樣本的訓練。 Adaboost算法分類器訓練弱分類器和選擇分類效果最好的特征是同一個過程。在最初Adaboost算法形式中，Adaboost方法是用來增強一個簡單學習分類算法的性能的。Adaboost算法把弱學習分類器組合起來，形成了一個很強的分類器。在Adaboost算法中，那些被組合起來的弱學習器被稱為弱學習者。因此，如果采用感知機作為弱分類器的話，學習算法遍歷