基于JavaCV的人臉檢測系統

陶建航 張琪

摘 要：人臉檢測是指使用計算機在動態的場景或復雜的背景中檢測出人臉的存在，并確定所有人臉的位置與大小的過程。人臉檢測技術是人臉識別、表情識別、人臉跟蹤等技術的重要前提條件，同時在模式識別、人機交互、智能監控、視頻檢索等領域也有廣泛的應用。

JavaCV在OpenCV基礎上提供了進行人臉識別的API。本文介紹了PC上使用Eclipse集成開發環境搭建了基于JavaCV的人臉檢測的算法及其系統。

關鍵詞：人臉檢測；JavaCV；OpenCV

一、 人臉檢測現狀分析

人臉檢測問題最初來源于人臉識別，任何一個自動的人臉識別系統首先必須對人臉進行準確的定位，因此實時而有效的人臉檢測顯得尤為重要。跟其他生物特征識別方法相比，人臉識別具有更加直接、方便、友好的特點，因其非侵犯性更容易被用戶所接受。而且，通過對人臉的表情、姿勢等作分析，還能獲得其他識別系統難以獲得的信息，因此人臉識別成為最有潛力的生物身份驗證手段。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），因此假設人臉容易獲得或在手工交互下運用，而人臉檢測問題并未得到重視。

近年來，隨著信號處理理論和計算機的出現及其發展，人們開始用攝像機獲取環境圖像并將其轉換成數字信號，用計算機實現對視覺信息的處理，這就形成了計算機視覺。計算機視覺是當前計算機科學中的一個非常活躍的領域，其基本假設是：可以用計算的方式來模擬人類的視覺機制。

人臉的自動識別是一種重要的生物特征識別技術，與其它身份識別方法相比，人臉識別具有直接、方便、友好等特點，因而人臉自動識別問題的研究不僅具有重要的應用價值，而且具有重要的理論意義。現在，隨著科學技術和電子商務的發展，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、計算機視覺、人機交互等方面都有著重要的應用價值。

人臉識別通過計算機提取人臉的特征，并根據這些特征進行身份驗證。人臉與其他生物特征（指紋、虹膜等）一樣與生俱來不可改變，它們所具有的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，同其他生物特征識別技術相比，人臉識別技術具有操作簡單、結果直觀、隱蔽性好的優越性。人臉識別一般包括三個步驟：人臉檢測、人臉特征提取和人臉的識別與驗證。其處理流程如圖1所示。

圖1 人臉識別的一般步驟

二、 使用JavaCV進行人臉識別的方法

人臉檢測一種主流的方法就是類haar adaboost方法，OpenCV中也是用的這種方法。這種方法可以推廣到剛性物體的檢測，前提是要訓練好級聯分類器（比如說用類haar特征），一旦訓練數據弄好了，直接調用OpenCV中的類CascadeClassifier，用它的幾個簡單的成員函數就可以完成檢測功能。

2.1 Adaboost算法簡介

Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用Adaboost分類器可以排除一些不必要的訓練數據特徵，并將關鍵放在關鍵的訓練數據上面。Adaboost 算法是1995 年提出的一種快速人臉檢測算法，是人臉檢測領域里程碑式的進步，這種算法根據弱學習的反饋，適應性地調整假設的錯誤率，使在效率不降低的情況下，檢測正確率得到了很大的提高。

Adaboost算法是目前在人臉檢測方面檢測速度較快、檢測效果較好的一種檢測方法，它是一種把弱分類器采用級聯的方式訓練成為強分類器的方法。這些弱分類器只需要滿足比隨機猜測好一點，就能通過不斷的修正每個弱分類器的權值，即挑選那些比較好的分類器，拋棄不好的分類器，從而最終形成由這些弱分類器組成的強分類器，相比較其他的方法而言，Adaboost方法對每個弱分類器的權值的形成都是無人值守的，完全自動化的，因而Adaboost算法有著比較好的易用性。大量的實驗證明，Adaboost算法是有效的將多弱分類器強化成為強分類器的一種方法，經過訓練的分類器具有比較好的分類效果，而且速度較快。

2.2 Google識圖

本系統采用Google識圖技術，Google識圖的關鍵技術叫做感知哈希算法（Perceptual Hash Algorithm），它的作用是對每張圖片生成一個"指紋"（fingerprint）字符串，然后比較不同圖片的指紋，結果越接近，說明圖片越相似。

下面是一個最簡單的實現：

第一步，縮小尺寸。

將圖片縮小到8x8的尺寸，總共64個像素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本信息，摒棄不同尺寸、比例帶來的圖片差異。

第二步，簡化色彩。

將縮小后的圖片，轉為64級灰度。也就是說，所有像素點總共只有64種顏色。

第三步，計算平均值。

計算所有64個像素的灰度平均值。

第四步，比較像素的灰度。

將每個像素的灰度，與平均值進行比較。大于或等于平均值，記為1；小于平均值，記為0。

第五步，計算哈希值。

將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。組合的次序并不重要，只要保證所有圖片都采用同樣次序就行了。

得到指紋以后，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同于計算"漢明距離"（Hamming distance）。如果不相同的數據位不超過5，就說明兩張圖片很相似；如果大于10，就說明這是兩張不同的圖片。圖2給出了Google識圖的流程圖

圖2 Google識圖的流程圖

這種算法的優點是簡單快速，不受圖片大小縮放的影響，缺點是圖片的內容不能變更。如果在圖片上加幾個文字，它就認不出來了。所以，它的最佳用途是根據縮略圖，找出原圖。

本論文就是在此基礎上運用人臉識別算法找出靜態圖片人臉位置后，進行截圖，并根據其他靜態圖片的人臉截圖進行相似度比對，判別是否同一人。

三、實驗分析和研究

本系統應用JavaCV進行人臉識別，于靜態的圖片上截取人臉后，使用Google識圖的原理，將圖片與其他靜態圖片的頭像進行比對，當相似度在一定范圍內時，則認為為同一人。

而在視頻等動態圖中尋找人臉，我們是使用了ffmpeg的軟件對視頻按時間進行截圖，命名方式就是以時間命名，之后的人臉比對就是靜態圖片之間的人臉比對了，當發現與要求人物所在圖片時，根據圖片取名字，即可得到當前人物在視頻中出現的時間，以此給出結果。

圖3給出了本系統進行比對的流程圖。

圖3 系統人臉識別的流程

本系統可較好地實現人臉的識別和判斷，但由于本身的學習數據不足，并不是每個人臉都能檢測出來。特別是在圖片邊界上的人臉，也就是被遮擋了部分的人臉，基本檢測不出來。還有，在人眼不是特別正的情況下，也不易檢測，這應為訓練數據不充分或OpenCV算法的原因。另外，本系統中拍攝圖片時的光線強度和人臉的相對傾斜都對系統的人臉識別有一定的影響，這也有待系統算法的改進。

四、結論

本文使用JavaCV進行人臉圖像的采集、處理和檢驗，基本實現了人臉的識別和檢驗。但系統還存在一些不足，可在下面兩點進一步改進，首先需要改進人臉的識別，使得在圖片中的人臉搜尋準確率提高。其次，在進行人臉圖片比對時，應使用不易被光線影響的計算人臉特征值的算法進行計算，減少某些因素的影響，提高系統識別準確率。

參考文獻：

[1] 蘇草，林亞明.基于人臉識別的移動終端課堂考勤系統[J].計算機光盤軟件與應用， 2014（4）：112-113

[2] 秦小文，等.基于OpenCV的圖像處理[J]， 電子測試，2011（7）：51-53

[3] 曹瑩，等. AdaBoost算法研究進展與展望[J]， 自動化學報，2013（6）：89-92

[4] 黑吧安全網. 利用OpenCV實現人臉檢測[J/OL].2014-6. www.myhack58.com/Article/68/2014/49692.htm

[5]阮一峰. 相似圖片搜索的原理[J/OL].2013-3. www.ruanyifeng.com/blog/2011/07/principle_of_similar_image_search.html

作者簡介：

陶建航（1991.10-），男，漢族，浙江溫州人，本科學生，研究方向：手機及網絡系統開發與應用

張琪（1972.9-），男，漢族，江蘇南京人，碩士，副教授，研究方向：物聯網及其應用技術等；