快速反應智能安全監控系統的設計與實現
加入技術交流群
(3)特征分析
人臉候選區域分割完畢后，需對每一個區域進行分析，以判斷該區域是否是人臉。為了提高檢測速度，可以忽略人臉的面部特征，而主要檢查人臉候選區域的形狀、結構、比例及灰度分布等。若符合人臉的這些特點，則認為該區域代表一個人臉。根據人臉的幾何規則及顏色聚類的特點，如果一個區域滿足2個條件：(a)高度/寬度比例范圍介于1.2與2.0之間；(b)該區域內的像素平均灰度值與距該區域上部達10像素以上的區域的平均灰度值之差介于0.2～0.6之間。符合這兩個條件,則可認為該區域代表人臉。
(4)人臉區域驗證
對于初步檢測的人臉區域，還需要進行驗證才能確定是否為真正的人臉。對于人臉的驗證，一般有3種方法：(1)基于先驗知識的方法；(2)基于局部特征的方法；(3)基于模板的人臉檢測方法。基于先驗知識的方法識別率不高，如果圖像背景中存在類人臉區域，則必然會導致誤檢測。基于模板的方法數據量運算大，不能滿足實時性要求。本系統采用的是基于局部特征的方法。
在人臉的特征中，最明顯的特征就是眼睛，因此可把人眼作為驗證的主要依據，同時配合嘴唇或鼻子進行驗證。首先要找到眼睛的位置，在灰度圖像下，眼睛的特征最為明顯，通過設定適當的閾值很容易確定出人眼的可能區域。通過計算這兩個區域的中心距離D，在該距離中心點的位置下方找到嘴部位置，長度為L。當D/L滿足：1D/L2時，可判斷為人臉。人臉的檢測過程如圖5所示。本文引用地址：http://www.104case.com/article/163068.htm
3.3 人臉識別
人臉的識別算法有多種，不同的算法各有優缺點。本文主要借鑒彈性圖匹配技術來完成人臉的識別。彈性圖匹配是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結合的識別算法。由于該算法較好地利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特征點的功能，因而具有良好的識別效果。在FERET測試中，該技術的若干指標名列前茅。其缺點是運算量大，實現稍復雜。通過對該算法進行改進，配合一定的代碼優化措施，可以滿足實時檢測要求。
在人臉識別時，首先要進行人臉特征提取。主要采用恰當的小波分解，得到高頻分量和低頻分量，其中的高頻分量主要表示人臉的細節，低頻分量表示人臉的基本特征，對人臉的表情反應比較遲鈍，只提取低頻分量，這樣可以提高準確率和運算速度。對提取的人臉特征，利用支持向量機（SVM）分類器識別人臉，和系統自建的人臉庫進行匹配，以確定是否為非法入侵者，是否啟動報警系統和通知小區監控中心。算法流程如圖6所示。
本文設計的人臉檢測系統，利用運動目標檢測方法，大大緩解了硬盤數據存儲的壓力，同時提高了系統的智能化程度。利用膚色判斷與特征分析來確定人臉，可以提高系統的檢測速度。針對膚色判斷受光照影響很大的問題，本系統在原有系統的基礎上增加了補光措施光，減少了光照的影響，提高了檢出的準確率。通過攝像頭輸入720×576的彩色圖片，檢出的人臉在擁有300人的自建人臉庫中識別，平均用時0.9 s，識別率達93%以上，可以滿足安防監控的要求，具有較高的實用價值。
評論