基于AdaBoost方法人脸检测与识别系统设计.docx
- 文档编号:23495950
- 上传时间:2023-05-17
- 格式:DOCX
- 页数:32
- 大小:2.21MB
基于AdaBoost方法人脸检测与识别系统设计.docx
《基于AdaBoost方法人脸检测与识别系统设计.docx》由会员分享,可在线阅读,更多相关《基于AdaBoost方法人脸检测与识别系统设计.docx(32页珍藏版)》请在冰豆网上搜索。
基于AdaBoost方法人脸检测与识别系统设计
2013届毕业生
毕业设计说明书
题目:
人脸检测与识别系统设计
学院名称:
电气工程学院班级:
自动F0904
学生姓名:
学号:
指导教师:
教师职称:
2013年05月24日
目次
1引言1
1.1研究背景和意义1
1.2国内外研究现状2
1.3课题研究内容3
2人脸检测与识别系统关键技术4
2.1图像预处理4
2.2人脸检测方法6
2.3Adaboost方法简介8
2.4训练检测过程及其优化11
2.5人脸特征提取与识别12
3人脸识别系统设计14
3.1系统需求及可行性分析14
3.2系统结构设计15
3.3各模块功能概述16
4系统实现及结果18
4.1系统流程18
4.2系统功能界面18
4.3实验结果及分析20
总结25
致谢26
参考文献27
1引言
1.1研究背景和意义
随着经济快速增长,各种智能系统应用越来越普遍。
智能系统中经常需要身份识别以便提供个性化服务。
身份识别是一个很棘手的的问题,传统方法中主要是通过一些具有个人身份特征的事物来鉴别,比如证件、钥匙等身份标识物品,或者是用户名和密码之类的身份标识知识。
在一些要求比较高的系统中,一般将这两方法结合起来使用,例如我们在使用ATM机时,只有ATM卡和密码都正确才能访问特定的用户并进行一些列操作。
但是传统的身份鉴别方法缺点是相当明显的:
身份标识物品容易丢失或被伪造,身份标识知识容易遗忘或被盗取。
这个时候身份鉴别就是天方夜谭了。
如果利用每个人本身的生物特征如人脸特征,指纹等等就能达到相当好的效果。
这使得生物特征识别技术焕发光彩。
由于微电子和机器视觉方面取得了新进展,高性能自动识别的技术可行性越来越高。
近年来兴起的人脸识别在众多生物识别方法中应用最为广泛。
基于人脸生物特征的身份鉴别具有以下优点:
(1)用户易接受:
操作简单,身份识别度高,识别速度快。
(2)防伪性能好:
人脸特征被伪造或被盗可能性很低。
(3)使用方便:
不用担心丢失或遗忘,随时随地可用。
除此之外,人脸识别技术还有精度高,性价比高,自学习能力强等优点。
由于以上多项优点使得人脸特征识别在身份鉴别领域大放异彩,在生活中许多地方得到应用:
(1)公安系统:
快速辨别罪犯;罪犯通缉;保障共安全;海关边检。
(2)公共安全领域:
确认证件的真伪;智能门禁;信用卡使用者身份验证。
(3)互联网交互领域:
计算机登录;网络安全;个性化服务。
人脸识别技术的研究也具有很大的理论价值。
人脸识别技术的研究涉及到模式识别、计算机视觉、人工智能、图像处理等多门学科,经常应用于人机交互领域,而且还与人的其它生物特征识别有着千丝万缕的联系。
人脸识别技术的研究对推动以上各学科的发展具有重要的理论意义。
1.2国内外研究现状
1.2.1国外的发展概况
自动人脸识别研究最早由PRI的Bledsoe在1966年开展。
90年代以来,该研究在各国的发展突飞猛进。
1990年日本研制出了可在1秒钟内中从3500人中识别出特定对象的人脸识别机。
1993年,美国的研究室成立了Feret项目组,建立了评价人脸识别算法性能的Feret人脸数据库。
该实验室是利用Vc++开发,通过软件来实现功能使识别率达到60%以上。
目前,在静态图像人脸识别的方面,Media实验室的Pentland小组成果最为丰硕,他们主要使用的方法是基于KL变换的特征提取法,我们称之为特征脸识别法;还有C.VonderMalsburg小组,他们使用动态链接结构和弹性图像匹配等方法来实现预期功能。
现在,国外的一些高校和公司的工程研究工作主要是公安、刑事方面的应用。
1.2.2国内的发展概况
目前人脸识别系统在许多领域中起到的作用不可替代,尤其是在网络、银行、海关边检、物业、军队系统、智能门禁等方面的身份验证环节中。
我国在这方面成果颇丰,国家863项目“面像检测与识别核心技术”已经初步应用,标志着我国在人脸识别这一科研领域核心技术研究方面拥有了一席之地。
北京科瑞奇技术公司在2002年开发了一种人脸识别系统,先对人脸图像进行预处理,进行优化之后,才对摄像机捕捉到的图像进行特征提取和人脸识别。
人脸鉴别通常使用正面照,而且要识别的人脸图像是在不同时期用不同的设备拍摄的光线、焦距等等通常与储备的图像是不一致的。
但是该系统仍然具有很高的识别率。
2005年清华大学的人脸识别课题组的苏光大教授承担的国家级攻关项目《人脸识别系统》通过了我国公安部技术部门的成果鉴定和验收工作。
目前该项技术在国内外均处于领先水平。
1.3课题研究内容
本文第一章描述人脸检测与识别的研究背景和意义,并介绍了国内外关于该课题的研究状况。
第二章介绍人脸检测与识别的关键技术。
首先讲述了图像预处理的必要性以及方法,并给出了实验结果。
其次介绍了人脸检测的方法,将其分为三大类,进行了详尽的描绘。
最后介绍了特征提取与识别的方法。
详细介绍了人脸检测方法中的Adaboost算法。
首先讲述了该算法的原理,接着把对于该算法来说十分重要的三个方面:
Haar特征、积分图、级联分类器,进行了详细描述。
最后描绘了该算法的训练,检测过程以及对该算法的优化。
第三章对人脸检测与识别系统进行概述。
首先对该系统的设计需求以及运用OpenCV实现的可行性进行分析。
其次对系统结构进行设计。
最后对系统进行模块划分并描述其要实现的功能。
第四章是系统的实现及结果。
首先介绍了系统的运行流程及主功能界面的设置。
其次运用Adaboost算法进行人脸检测,并与数据库中图片进行对比,实现人脸识别。
最后对实验结果进行分析。
文章的最后是对该课题研究工作的总结和展望。
2人脸检测与识别系统关键技术
2.1图像预处理
在进行人脸检测与识别之前,要对图像预处理,只有这样才能保证图像质量,为后面的步骤打下坚实的基础。
图像预处理分为光线补偿、图像灰度化、高斯平滑、图像对比度增强、均衡直方图,每个小步骤的实现都有许多相应的算法。
下面将本系统采用的算法进行介绍:
(1)滤波:
对图像进行平滑处理。
降低在图像采集、传输、存储过程中由于内外各种因素的影响出现的不规则的噪声,增强图像的质量。
此过程我们称之为滤波,可以有效地降低图像的视觉噪声。
为了滤掉噪音并且尽可能地保持图像原有特征细节,本文采用高斯平滑,可以有效地避免边界轮廓、线条等的模糊化。
高斯平滑是经过卷积和水平投影实现。
(2)灰度化:
就是把彩色图像转换为灰度图像。
彩色图像的信息太过复杂,直接作为处理对象会加重处理的困难程度。
灰度图像抓住了人脸特征的重点,能够实现预期功能,并且降低了计算量。
进行灰度变换前,首先要统计图像信息,寻求比较合理的灰度值,再进行灰度变换,这样能有效减小图像失真。
本系统先将彩色图像转换成灰度图像,再将灰度按比例进行变换,接下来进行线性截断、灰度取反。
原图及灰度化效果如下所示:
图2-1原图图2-2柔和灰度图图2-3灰度图像
(3)对比度增强:
通过像素的聚集来拉开目标区域和周围次要区域图像的对比度,使图象原本模糊的边缘变得清晰。
设定上限和下限两个阀值,把小于下限值的像素当作是是有关的信息,视为黑色像素;把高于上限值的像素当作无关信息剔除掉;在上下限之间的值进行对比度增强,计算出他们在总灰度值里面的比例,作为新的信息储存起来。
对比度增强的效果如下图2-4所示:
图2-4对比度增强效果图
(4)Sobel边缘提取:
使用梯度微分锐化图像时,会使噪声、条纹等得到增强。
但是Soble算子引入了平均因素,对图像中的随机噪声有一定的平滑作用;不过由于它算法的特殊性会产生边缘粗而亮的不良后果。
Sobel边缘检测算子使用一个水平的有向算子和一个垂直的有向算子,每一个逼近一个特定的偏导数矩阵。
按照特定算法求这两个偏导矩阵的几何平均值,然后将该平均值赋给待求点的灰度值。
图2-5边缘提取效果图
(5)光线补偿:
图像中经常会有色彩偏差。
为了减小这种偏差必须调整图片像素的RGB值。
具体做法是把图像亮度最大的前5%的像素进行线性放大,使其平均亮度达到最大值255。
(6)相似度计算:
判别两对象相似程度的算法,可应用于人脸检测识别。
相似度计算在本步骤中应用是通过计算找出与人脸肤色相近的像素点,从而确定人脸的大致区域,用灰度图像来表征。
并在次过程中确定二值化的上下限值,并提供一个可供比较的标准阀值。
(7)二值化:
图像经过灰度变换后仍然是比较复杂的,因此需要将多层次的灰度图像进行简化。
二值化就是一个很好的选择。
对于分析理解图像特征和识别图像大有裨益。
原理就是通过一些算法,设定黑白二色的阈值,将图像中的像素颜色均转换为黑白二值,“1”表示黑色,“0”表示白色,这种图像称之为二值图像,便于特征提取。
2.2人脸检测方法
人脸检测方法主要有:
基于统计模型的方法、基于特征的方法、基于模板匹配的方法三个大类。
人脸检测方法多如牛毛,许多方法都不能简单地归为以上提到三类方法中的某一类,而是两类甚至三类方法的融合。
2.2.1基于统计模型的方法
这是一种学习型的方法。
在用大量样本集训练之后,建立起一个能正确识别人脸样本的分类器。
然后扫描整个待检测图像,用分类器判别是否包含人脸。
有很多种不同策略的分类器,如下所示:
(1)人工神经网络:
是一种模仿大脑神经突触联接的结构进行信息处理的数学模型。
边训练边测试,并把在错误结果作为“反面教材”,进一步修正分类器。
预先将足够量“正、反”图像样本和其识别结果输入网络,通过训练它就能识别类似的图像是否包含人脸。
但是想要获得期望的性能,调整网络结构参数的工作量很大。
(2)支持向量机:
兼顾模型的复杂性和学习能力,寻找一个平衡点。
对有限样本的情况下非常适用。
通过构造风险最小的分类面来解决一个受限二次规划问题。
(3)隐马尔科夫模型:
描述信号统计特性。
其过程是一个双重随机过程。
特征序列与状态序列之间的并没有严格的一一对应关系。
这种模型对于状态序列来说是隐的。
因为外界只能看到各个时刻的输出值,看不到其中复杂过程。
2.2.2基于模版匹配的方法
第一步建立一个标准的人脸模板,需要包含人脸的各个局部特征。
第二步对全面检查输入图像,计算与标准人脸模板中各局部特征的相似系数,与之前设定的阀值比较,判定是否存在人脸。
(1)固定模板匹配法:
根据先验知识确定一个人脸检测模版。
该模版包含人脸轮廓以及五官模型,计算样本图像区域与模板中人脸轮廓的相似性来徐略确定人脸大致区域,接着通过检测该区域中是否含有五官模型中要求的要素,如果有就可以判定该区域就是人脸区域。
由于很难用一个通用的人脸模版来模拟出所有脸型,而且人的面部特征变化很大,致使这种方法很有局限性,目前该方法只作为粗检的手段。
(2)变形范本法:
考虑到人脸是可变形体,该方法通过非线性最优化方法求得一个参数模板,该模版如果能使能量函数最小,那么它就能描述所求参数特征。
该方法稳定可靠,而且与姿态和光照无关,但是能量函数的系数适应的范围不广而且计算量过大。
该方法比较成熟,实现起来比较简单,但是效率并不高。
2.2.3基于特征的方法
该方法首先检测出人脸面部特征的位置,然后根据各特征之间的几何关系来定位人脸。
主要有以下两种方法:
(1)基于器官特征的方法:
该方法首先提取五官的图像特征。
该特征可以用几何、灰度、空间等来描述。
然后通过五官位置和相互之间几何关系来检测人脸。
虽然每个人脸都不同,但是可以用轮廓规则、五官分布规则。
对称性规则、运动规则来制定人脸判定规则。
(2)基于肤色的方法:
人脸肤色在颜色空间上的分布相对集中,而且与图片中其他部分是基本不重合的。
当表情变化或者面部转动时,肤色并不会变,在人脸检测时有很强的稳定性。
用肤色信息检测人脸时,要选择合理的色度坐标。
通常的做法是将彩色的R、G、B分量归一化以便突出色度信息。
相比于亮度而言,人对色度更加敏感。
所以YCbCr这样一个色差模型更符合人类视觉特点。
其中,Y是亮度信号,CrCb是色度信号。
虽然基于肤色的方法不够准确,但是能够简单快速地定位人脸。
2.3Adaboost方法简介
该方法中文意思是自适应性提升算法,是一种应用了迭代思想的机器学习方法。
Viola于2001年开创性地将其应用到人脸检测方面,并且融合了积分图和级联分类器于其中。
其核心思想是使大量弱分类器联合成为一个强分类器。
虽然该方法源于PAC学习模型,但是并不过多地关注弱学习算法的先验知识,而是经过若干次迭代自适应地降低弱学习的错误率。
每次用样本集训练后,重新确定每个样本的权重。
将新的数据集交给下层分类器继续训练。
作为最终决策分类器的是历次训练得到的分类器的级联。
既保证了效率又兼顾了检测正确率。
Haar特征和积分图像密切相关,计算量较小应用于Adaboost算法中用来描述人脸面部灰度特征可以提升特征提取速度。
将样本图像中的Haar特征提取出来后,需要通过训练,选出最优的Haar特征转换成弱分类器,最后将弱分类器级联后用于人脸检测。
2.3.1Haar特征
该特征其实就是矩形特征。
它虽然仅能描述水平、垂直、中心环绕型的特征比较粗略但是对于边缘、线段等简单图形结构很敏感。
在给定数据有限时,也能将特定区域的状态编码出来,并且检测速度上比基于像素的系统优异得多。
对于检测器来说一副图像内的矩形特征数量是很大的,比如24乘24的检测器特征数量已经达到了160000个。
此时只有选出合适的矩形特征组成的强分类器才能较好的检测出人脸。
由多个全等的黑色或白色相邻矩形组合成的模版,其特征值用所有白色和黑色矩形的像素总差值来定义。
该特征模版包含有:
边缘特征、线性特征、和特定方向特征,如下图2-6所示。
要对弱分类器进行训练,就要找出在子窗口中特征模板的所有形态。
图2-6特征模版分类
眼睛和鼻子的颜色和周围的灰度有区别,鼻梁两侧和鼻尖的灰度也是有差异的。
所以可以得到如下图2-7和下图2-8所示的矩形特征和人脸特征的匹配。
图2-7特征匹配
图2-8特征匹配
2.3.2积分图
特征数量很多导致特征计算的工作量很大,采用积分图可以有效地简化计算。
对原始图像中的每个像素进行少量类比于微积分的简单计算就能得到积分图像。
其主要思想是:
预先将图像各特定矩形区域像素之和保存到内存中的某个数组中,当需要该值时,直接从数组中取出即可,不用再重新计算。
积分图在多种尺度下计算不同特征时,所耗的时间是一样的,有效地降低了计算量。
图2-9矩形区域
2.3.3级联分类器
单个弱分类器并不能直接拿来供分类使用,所以要将其优化组合成强分类器,这样就能大大提高对人脸的检测能力。
如果再将多个强分类器级联起来,对人脸的检测能力将会再次飞跃。
Adaboost算法引入了一种类瀑布型的级联分类器,如图2-10所示。
在该分类器中,一级比一级复杂严格。
随着系统级数的增加非人脸图像通过率大为降低,但是同时也可能会造成人脸图像被错误地排除掉。
所以该系统的设计原则如下:
在保证人脸图像通过的前提下,尽可能地抑制非人脸图像的通过。
图2-10瀑布型级联分类器
2.4训练检测过程及其优化
2.4.1训练过程
虽然每一个Haar特征都有一个弱分类器与之对应,但是并不是每一个都能很好的表征人脸的灰度分布。
因此训练过程中要解决的中心问题就是如何选取最优Haar特征制成分类器。
在选取训练样本的时候,考虑到人脸是具有多种形态的,所以必须选取具有一定代表性的多个样本。
选取的样本,人脸姿态要尽量一致,样本大小也应该统一。
待检测图像的分辨率应该在19乘19以上。
人脸数据库可参考MIT---CBCL库,该库有10个人的3200张训练图片以及大量测试图片。
训练过程如下:
(1)从图像中提取出Haar特征,常用的5种特征如图2-6所示
(2)用获得特征生成弱分类器
(3)用多次迭代的方法找出最优的弱分类器并提高其权重
2.4.2检测过程
分类器在训练过程中所使用的样本大小在很大程度上决定了其所能处理的对象的大小。
实际中图片中的人脸大小是各不相同的,因此要引入多尺度检测机制。
目前有两种办法:
(1)在变换分类器尺度同时改变其阀值
(2)对图像用不同尺度抽样。
虽然第一种方法实现起来比较复杂,但是计算量小检测速度较快。
检测步骤如下:
(1)将待测图像变换为灰度图像
(2)得出积分图像
(3)将不同尺度下的检测结果合并
(4)将合并后的结果再输出
2.4.3优化
虽然Adaboost系统检测速度比较高,但是其本身训练比较耗时。
而且对有一定倾斜角度的人脸存在检测盲区。
可以从以下两个方面进行优化:
(1)在训练过程中将新的矩形特征模版引入弱分类器的模版当中,如图2-11所示
(2)在检测过程中引入肤色检测和光照补偿
图2-11新的矩形模版
2.5人脸特征提取与识别
2.5.1K--L变换
特征提取是模式识别中的重要问题。
提取的特征应该是最具代表性、简明扼要的,并且能够有一定的抗干扰性。
提取特征的有效性很大程度上决定了识别结果的正确性。
图像特征可分为四类:
直观性特征、灰度统计特征、变换系数特征和代数特征。
从人脸图像中提取人脸识别必需的主信息,其实就是把图像信息从高维空间降到低维空间。
K-L变换又称离散卡-洛变换,它是非常有效的特征提取方法。
该方法抽取特征时用的是矩阵变换,具有稳定性、转置不变性、位移不变性和镜像不变性,而且运用了基于目标统计特性的图像正交基算法。
变换后产生的新的分量正交或不相关;以部分新的分量表示原矢量均方误差最小;使变换矢量更趋确定、能量更趋集中等,这使它在特征选取、数据压缩等方面都有着极为重要的应用。
2.5.2特征脸法
用特征脸法分解图像可以有效地实现对图像的压缩。
实际上就是对人脸图像进行K--L变换后,将协方差矩阵的最大的那些特征值所对应的特征矢量用正交变换进行归一化处理后所得到的。
压缩的步骤如下:
(1)求取人脸图像的均值和自协方差矩阵
(2)求得协方差矩阵的特征值和特征向量并进行正交归一化
(3)找到特征脸空间的投影向量
(4)对压缩后的人脸图像进行还原
特征脸法实现人脸识别的原理是信息论思想:
从人脸图像中提取主要信息进行编码,并将它和数据库中的模型依次比对,找出最佳匹配对象。
特征脸是一组特征向量,是通过计算人脸图像协方差矩阵得来的,每一幅人脸图像都可以由这些特征脸的线性组合表示出来。
要实现人脸识别第一步就要建立人脸库。
步骤如下:
(1)计算原始样本的平均值
(2)计算原始样本的协方差矩阵
(3)计算的本征值和本征向量,并把它们按本征值的大小排列
(4)把所有人脸图像都投影到特征脸空间上,得到投影向量
(5)计算人脸图像的聚类中心
识别的第二步就是把检测到的人脸图像表示成这些特征脸的系数,接着与人脸库中的数据进行比对。
由于该系数是一维向量,从而实现了降维的目的。
步骤如下:
(1)提取待识人脸特征
(2)求待识人脸与人脸库中K类样本聚类中心的距离
(3)用最小距离法进行图像的判别
3人脸识别系统设计
目前,人脸识别系统在各领域中得到了广泛的应用,国内外许多学者正在进行该项研究,不断的改进人脸识别技术,以提高系统的识别准确率及识别速度。
3.1系统需求及可行性分析
3.1.1应用程序的功能需求分析
本系统核心的功能就是要能从复杂图像中检测出人脸。
但是受到光照、拍摄角度、拍摄距离等因素的困扰,该系统必须先将摄像头捕捉到到的原始图像进行一系列图像预处理步骤。
接下来人脸检测,最后是人脸识别。
本设计中要完成的主要功能如下所述:
(1)图像获取功能:
从摄像头捕捉的视频中获取图片,或者是手动从其它地方添加图片。
(2)图像预处理功能:
进行光线补偿、灰度化、对比度增强等预处理。
(3)人脸定位功能:
从处理后的图片中检测出人脸并标出五官。
(4)特征提取功能:
在定位后的人脸图片中将眼睛、鼻子、嘴巴的特征值通过一定的算法描述并提取出来。
(5)人脸识别功能:
将从图片中提取的特征值与人脸数据库中的数据进行比对从而完成人脸识别功能。
3.1.2OpenCV实现的可行性
OpenCV是Intel公司自主开发的开源计算机视觉库。
它包括一系列C函数和一部分C++类程序。
它将许多实验室的优秀研究成果转化成了数字图像处理方面的现实算法。
它的强项在于图像和视频的读写、目标识别与跟踪以及3D重建与标定等方面。
CV是计算机视觉的意思,它源于数字图像处理的研究,是一门朝阳学科,它通过计算机等数字设备来模拟生物视觉,对图像进行采集、处理、再现等等。
主要研究内容有图像特征提取、3D视觉、模式识别、人工智能等诸多方面。
OpenCV优势十分明显:
使用C及C++来编写,而且是开源的,可以让很多读者参与到程序库的完善中;处理实时数据的能力很强特别适合开发实时应用程序;图像和处理能力很完善,矩阵运算能力很强;具有底层和高层的应用开发包;具有通用的图像或者视频的载入保存和获取模块。
OpenCV提供的功能:
可以对图像数据进行分配、释放、复制、设置和转换;提供一系列针对矩阵和特征向量的、以线性代数方法为内核灵魂的算法程序;可以通过函数调用直接把从摄像头获取的图像数据转化为相应的图像或视频文件;对各种动态数据结构进行操作;具有基本的图像处理能力比如滤波、边缘检测、直方图等操作;对各种结构进行分析比如距离变换多边形逼近、直线拟合等等;提供特征法和隐马尔科夫模型法等基础的目标识别方法;提供了基本的GUI功能来做用户界面方便使用者操作;甚至能够对图像重要部分进行勾勒和标注。
本文所做实验是在VisualC++6.0环境下,加载OpenCV视觉库,利用其内强大的函数库,直接调用各种功能函数,并辅以少量C++程序来完成整个设计和调试,该过程是在酷睿1.5GHZ的CPU,内存容量为1GB的windowsXP系统下实现的。
3.2系统结构设计
本小节主要介绍系统的结构设计的流程。
应用程序的总体结构设计流程图如图3-1所示:
图3-1总体结构设计流程图
图像预处理的层次图如图3-2所示:
图3-2预处理的层次图
3.3各模块功能概述
以上是该系统的总体结构设计图以及图像预处理模块的层次图。
下面介绍系统中的各模块的具体功能。
3.3.1图像获取模块
该模块主要是从摄像头捕捉到的或者用户设定的路径获取图片,随后能够在用户的软件的界面当中显示出来。
3.3.2图像预处理模块
图像预处理就是对获取的图像进行适当的处理,使得无用信息被剔除,有用信息被保存并增强效果。
3.3.3人脸区域获取
该模块主要是从获得的图像中检测发现是否有人脸的存在并将人脸的区域用绿色圆圈圈出来。
3.3.4人脸定位模块
人脸定位是将描述人脸特征的关键点(如两眼中点,鼻尖,嘴角等等)标记出来。
利用眼睛的对称性以及五官之间的相对位置关系可以迅速定位各器官。
3.3.5特征提取模块
在找到眼睛嘴巴的中心以及鼻尖位置之后,要计算出两眼的距离以及眼睛的倾斜度,接着用矩形标出每一个特征。
随后用特定算法来标定特征值并存入后台数据库。
3.3.6识别模块
将后台数据库的特征值与人脸数据库中的数据进行比对,确定与该特征值最接近的参数,如果该参数在允许误差范围内就可以认为其与人脸数据库中的某个信息相匹配。
接着从人脸库中提取出该人相关的信息,并显示出来。
如果不在误差范
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 AdaBoost 法人 检测 识别 系统 设计