- 相關(guān)推薦
基于A(yíng)daBoost+膚色模型的多人臉檢測考勤系統
摘要：為解決多人場(chǎng)景下的身份注冊問(wèn)題，將人臉檢測作為依據，提出一種多人臉檢測考勤系統。該系統以智能終端拍攝圖像作為輸入，基于人臉檢測獲取考勤目標，最后通過(guò)用戶(hù)注冊獲得待考勤目標的身份信息。目前系統已投入課堂學(xué)生的點(diǎn)名應用中，實(shí)驗結果驗證了該系統中各環(huán)節方法的有效性和魯棒性。
關(guān)鍵詞：人臉檢測;考勤;多人;自動(dòng)識別
一、概述
人臉檢測不僅是生物特征識別領(lǐng)域的重要課題，同時(shí)也是計算機視覺(jué)領(lǐng)域的研究熱點(diǎn)。它是人臉定位、身份驗證、身份查找等多種應用的基礎。由于具有重要的理論和應用價(jià)值，因此越來(lái)越受到研究人員的重視。目前，人臉檢測技術(shù)已經(jīng)廣泛的應用于門(mén)禁、攝像監視等系統中。
人臉檢測利用圖像或視頻作為輸入，對探測區域進(jìn)行檢測，以確定其中是否存在人臉及其可能的位置和區域。常用的人臉檢測的方法主要分為兩大類(lèi)：(1)基于知識的方法。這類(lèi)方法主要利用人臉的明顯特征如眼睛、眉毛、嘴巴、鼻子等器官特征及其相互之間的位置關(guān)系進(jìn)行判斷。包括基于人臉幾何特征的人臉檢測、基于膚色模型的人臉檢測等。(2)基于統計的方法。這類(lèi)方法將人臉看成一個(gè)整體，用統計的方法使用大量人臉圖像樣本的訓練構造人臉模式空間，再根據相似度量檢測人臉是否存在。包括基于神經(jīng)網(wǎng)絡(luò )的人臉檢測、基于A(yíng)daBoost算法的人臉檢測等。
AdaBoost具有精度高、弱分類(lèi)器構造簡(jiǎn)單、檢測率高且速度快等優(yōu)點(diǎn)，但是AdaBoost算法僅考慮灰度特征，容易造成誤檢�；谀w色模型的人臉檢測方法在實(shí)際應用中容易將與顏色相近的區域誤檢為人臉。通過(guò)AdaBoost定位出入臉位置，再運用膚色模型對其進(jìn)行膚色校驗則可以很好的規避兩者缺點(diǎn)。因此本文提出了一種基于A(yíng)daBoost與膚色模型的人臉檢測方法，并應用于多人臉考勤系統中。
二、人臉檢測
2.1數據采集
人臉數據獲取是人臉檢測的基礎。系統對輸入數據并無(wú)過(guò)多限制條件，輸入數據可來(lái)自用戶(hù)隨身攜帶的智能手機，也可以是室內監控攝像機的拍攝結果。對于某些無(wú)法用一副圖像采集完全的大尺度場(chǎng)景，可利用智能手機中自帶的全景拍攝功能，完成拼接后上傳全景數據。經(jīng)過(guò)調查，目前包括iPhone、三星、小米等絕大多數智能手機均自帶全景拍攝功能。即使用戶(hù)手機中無(wú)此功能，官方的應用商店如App Store. Google Play也具有諸多相關(guān)應用如：Photosynth，可免費下載用以獲取拍攝場(chǎng)景的全景圖像。實(shí)驗證明，借助手機全景拍攝功能采集的圖像可以作為有效的輸入，同時(shí)方便考勤人員采集考勤數據，獲取數據的便襯|生大幅增加。
2.2基于A(yíng)daBoost人臉檢測
AdaBoost是由Yoav Freund和Robert E.Schapire在1995年提出的一種迭代分類(lèi)算法，其核心思想是將同一訓練集的不同弱分類(lèi)器集合起來(lái)，從而構造一個(gè)強分類(lèi)器。不同的弱分類(lèi)器具有不同的權值，且它能根據上一次的結果確定每個(gè)樣本的權值，然后繼續通過(guò)分類(lèi)器訓練，最后將每次訓練得到的分類(lèi)器集合起來(lái)得到最終的分類(lèi)器。
AdaBoost在人臉檢測應用中需要通過(guò)訓練大量可以區分人臉和非人臉區域的Haar特征，并從中挑選一些重要的特征并組合起來(lái)構成級聯(lián)分類(lèi)器，最終生成強分類(lèi)器。這個(gè)過(guò)程中需要大量的Haar特征參與訓練。經(jīng)過(guò)大量樣本訓練來(lái)區分人臉和非人臉區域，最后經(jīng)過(guò)AdaBoost對分類(lèi)器進(jìn)行計算，即可用于人臉檢測。
2.3膚色模型檢測
應用AdaBoost方法的漏檢率相對較低，但誤檢率相對較高。因此需要通過(guò)處理將一些誤檢區域去除。本文選取基于膚色模型的方法對已檢測到的人臉部分進(jìn)行分析，以減少單純利用AdaBoost方法造成的誤檢率過(guò)高問(wèn)題。
三、系統實(shí)現
3.1硬件環(huán)境
系統硬件環(huán)境包括：Intel Core Duo E7500 2.93GHzCPU， 2G內存以及NVIDIA GT210獨立顯卡。
3.2軟件系統
系統采用B/S架構，前端采用ASP.NET開(kāi)發(fā)，主要包括：考勤人員上傳考勤圖像模塊、結果、考勤人員登錄確認模塊、顯示考勤結果等模塊。后臺服務(wù)器端采用C++借助OpenCV庫實(shí)現上傳圖像或視頻的多人臉檢測。
3.3考勤實(shí)現
系統中AdaBoost人臉檢測模塊包括收集樣本、訓練樣本生成分類(lèi)器、使用生成的分類(lèi)器進(jìn)行人臉檢測等步驟。
樣本包括正樣本和反樣本，即包含人臉部分圖像和不包含人臉部分的圖像。樣本數量越多則生成的分類(lèi)器越可靠，后期人臉檢測更準確。樣本訓練前需要對圖像進(jìn)行歸一化處理，即需要使各圖像像素尺寸一致。歸一化處理后，建立正反樣本描述文件，正樣本描述文件每行內容包括圖像名字、該圖像中正樣例(人臉區域)個(gè)數、圖像的寬、圖像的高，使用空格間隔。反樣本描述文件每行內容僅包括圖像名字。之后通過(guò)OpenCV提供的opencv_createSamples可執行程序創(chuàng )建正反樣本vec文件。
正反樣本vec文件生成后需要通過(guò)_Opencv提供的opencv_haartraining可執行程序進(jìn)行樣本訓練。訓練完成后將生成一個(gè)xml文件，即通過(guò)AdaBoost算法生成的用于人臉檢測的分類(lèi)器文件。此處主要利用了AdaBoost的OpenCV實(shí)現。
使用生成的分類(lèi)器進(jìn)行人臉檢測時(shí)主要使用了OpenCV提供的兩個(gè)方法：
(l)load()方法，其主要功能為載人生成的分類(lèi)器。
(2)detectMultiScale()方法。此方法通過(guò)使用之前載入的分類(lèi)器，在輸入的圖像中查找人臉區域并返回人臉區域的位置。
在A(yíng)daBoost初步確定人臉區域后，采用膚色模型校驗。膚色檢測需要設置膚色范圍，通過(guò)將圖像中的像素點(diǎn)與“標準膚色”相比較，從而區分圖像中的膚色區域與非膚色區域。
在設置“標準膚色”范圍時(shí)，實(shí)驗中采用了三種廣泛使用的顏色空間：RGB色彩空間、HSV色彩空間、YCbCr色彩空間。
實(shí)驗中，共設置兩個(gè)RGB標準膚色模型。RGB膚色模型一的閾值范圍應滿(mǎn)足：G>40、B>20、R>G、R>B、MAX(R，GB)-MIN(R，GB》15。RGB膚色模型二的閾值范圍應滿(mǎn)足：R>220.|R-G|<15. R>G. R>B。
將RGB顏色轉換為HSV顏色，然后設置HSV標準膚色閾值范圍應滿(mǎn)足：O 將RGB顏色轉換為YCbCr顏色，然后設置YCbCr標準膚色閾值范圍為：Y>20、135 通過(guò)與標準膚色數據對比，圖像某區域像素同時(shí)符合三種標準膚色閾值范圍時(shí)即認為是膚色區域。結合AdaBoost檢測結果綜合判定人臉區域。最后通過(guò)rectangle方法在圖像上使用矩形框標注入臉位置。
使用時(shí)，首先由教師通過(guò)手機拍攝課堂照像(如圖1所示)并登錄系統上傳考勤圖像。后臺服務(wù)器監測到有圖像上傳即對圖像進(jìn)行人臉檢測，并對不同人臉逐一標注序號。被考勤人員分別登錄系統，選擇圖像與自身相對應的序號。當系統發(fā)生漏檢時(shí)，系統還向用戶(hù)提供手工框選接口，以修正系統對人臉的漏檢。系統會(huì )實(shí)時(shí)將每次考勤結果存人數據庫系統，同時(shí)生成考勤圖像、考勤表等方便考勤查看。系統流程圖如圖2所示。
四、實(shí)驗結果
為驗證該考勤系統的實(shí)際效果，作者將該考勤系統應用于課堂的學(xué)生點(diǎn)名中。實(shí)驗發(fā)現，僅在A(yíng)daBoost算法檢測下，會(huì )出現較為嚴重的誤檢現象。在加入了膚色校驗之后，誤檢率明顯下降。結合兩種方法后，基于A(yíng)daBoost算法結合膚色模型進(jìn)行人臉檢測具有很好的可用性以及魯棒性，可顯著(zhù)降低誤檢率。
基于人臉檢測結果，通過(guò)學(xué)生分別登錄選擇注冊，獲得了實(shí)際上課學(xué)生的考勤結果。
五、結束語(yǔ)
本文基于A(yíng)daBoost算法和膚色模型校驗，結合用戶(hù)選擇注冊，實(shí)現了多入場(chǎng)景下的考勤。實(shí)驗證明，該方法具有良好的可用性及魯棒性，目前，考勤系統已經(jīng)作為課堂考勤工具正在使用，能夠獲得準確的學(xué)生到課結果。然而，該系統還存在較多問(wèn)題，當存在如遮擋、側臉、低頭等姿態(tài)時(shí)，檢測精度下降，尚不魯棒。系統可使用人臉識別方法取代人工注冊，減少用戶(hù)操作。在人臉檢測過(guò)程中，通過(guò)將采集到的人臉入庫，供后續人臉識別使用。由于傳統人臉識別方法如：PCA、LBP等，在多人大尺度場(chǎng)景中識別率較低，尚不滿(mǎn)足統計需求，因此探索多入場(chǎng)景下高精度人臉識別算法將是未來(lái)研究工作的重點(diǎn)。
【基于A(yíng)daBoost+膚色模型的多人臉檢測考勤系統】相關(guān)文章：
基于云安全的主動(dòng)防御系統多引擎檢測設計06-06
基于遞階結構的多模型切換控制03-07
基于OSI參考模型的測井系統互連設計03-07
淺談分布式入侵檢測系統模型設計03-09
基于系統動(dòng)力學(xué)模型的庫存控制機理研究03-20
基于OpenGL的邦寶模型積木分析系統設計與實(shí)現03-18
智能建筑多系統集成管理模型的研究03-18