1.引言

OpenCV（Intel·Open Source Computer Vision Library）是Intel 公司面向應用程序開發者開發的計算機視覺庫，其中包含大量的函數用來處理計算機視覺領域中常見的問題，例如運動分析和跟蹤、人臉識別、3D 重建和目標識別等[1].可以通過訪問http://www.source- forge.net/projects/opencvlibrary 免費獲得OpenCV 庫以及相關的資料。

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

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關鍵技術， 近年來成為模式識別與計算機視覺領域內一項受到普遍重視、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世紀六、七十年代， 經過幾十年的曲折發展已日趨成熟。人臉檢測是自動人臉識別系統中的一個關鍵環節， 但是早期的人臉識別研究主要針對具有較強約束條件的人臉圖像（如無背景的圖像）， 往往假設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等應用的發展，人臉識別成為最有潛力的生物身份驗證手段， 這種應用背景要求自動人臉識別系統能夠對一般由此所面臨的一系列問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視。今天， 人臉檢測的應用背景已經遠遠超出了人臉識別系統的范疇， 在基于內容的檢索、數字視頻處理、視覺監測等方面有著重要的應用價值。

人臉檢測研究具有重要的學術價值。人臉是一類具有相當復雜的細節變化的自然結構目標， 此類目標的檢測問題的挑戰性在于： （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， 成功構造出人臉檢測與跟蹤系統， 將為解決其它類似的復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； 國內的清華大學、北京工業大學、中科院計算所和自動化所等都有人員從事人臉檢測相關的研究。而且， MPEG7 標準組織已經建立了人臉識別草案小組， 人臉檢測算法也是一項征集的內容。隨著人臉檢測研究的深入， 國際上發表的有關論文數量也大幅度增長。

2.系統設計

本文采用OpenCV 實現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， 構成一個分類能力很強的強分類器（Stage classifier）， 再將若干個強分類器串聯成為分級分類器（classifier cascade）完成圖像搜索檢測。串聯的級數依賴于系統對錯誤率和識別速度的要求。

本系統由訓練和檢測兩個模塊完成， 兩部分的流程圖如圖1 和圖2 所示：

圖1 訓練程序流程圖

圖2 檢測程序流程圖

3.系統實現

本系統采用Microsoft VC++編程工具實現， 從OpenCV 官方網站上下載OpenCV 的最新版本后按照安裝說明安裝OpenCV 開發包， 并在VC++系統中配置好開發環境。系統中實現的主要檢測函數如下， 其中調用了OpenCV 函數庫中的部分函數。

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cvHaarDetectObjects 使用針對某目標物體訓練的級聯分類器在圖像中找到包含目標物體的矩形區域， 并且將這些區域作為一序列的矩形框返回。函數以不同比例大小的掃描窗口對圖像進行幾次搜索。每次都要對圖像中的這些重疊區域利用cvRunHaarClassifierCascade進行檢測。有時候也會利用某些繼承（heuristics）技術以減少分析的候選區域， 例如利用Canny 裁減（pruning）方法。函數在處理和收集到候選的方框（全部通過級聯分類器各層的區域） 科之后， 接著對這些區域進行組合并且返回一系列各個足夠大的組合中的平均矩形。調節程序中的缺省參數（scale_factor=1.1, min_neighbors=3,flags=0）用于對目標進行更精確同時也是耗時較長的進一步檢測。為了能對視頻圖像進行更快的實時檢測， 參數設置通常是： scale_factor=1.2,min_neighbors=2, flags=CV_HAAR_DO_CANNY_PRUNING,min_size =

4.結束語

通過編程實現人臉檢測系統表明， 應用OpenCV 函數庫進行圖像處理編程， 功能強大， 簡捷高效， 可以使編程人員快速地實現算法。

OpenCV 確實為VC++編程處理數字圖像提供了極大的方便， 具有廣闊的應用前景。