4.10文献阅读日志

4.10——文献

人脸识别

基于adaboost算法的人脸检测

[1]兰胜坤.基于Adaboost算法的人脸检测实现[J].电脑与信息技术,2021,29(02):16-19.

adaboost 算法是一种典型的反复训练的过程，核心思想是对同一个训练集中的大量样本进行训练，训练出不同的 弱分类器，然后将获得的 弱分类器 进行级联，最终构成一个 强分类器。
Adaboost实现过程 :
1.使用分类器将同一训练集中每个样本划分出不同的类别，同时将记录分类后的每个样本的对错，并记录此次的整体分类的准确率。并根据记录更改 样本权值。
2.更新权值之后的样本替代原来的图像再次加入到原来的训练集中，然后重复上面的分类训练过程。
Adaboost算法框架：
（1）为给定的训练图像初始化权值
（2）归一化训练图像权值
（3）对每个特征，训练出一个分类器，并计算误差
（4）更新权值
（5）获取最终的强分类

矩形特征

进行图像处理的时候，对于简单的图像处理，通常采用 矩形特征。矩形特征 对 线段、边缘类型 会比较敏感，但是只能进行粗略的检测

人脸检测实现

此文献采用了OpenCV 编程来实现人脸检测。就简单介绍使用了OpenCV,然后没了…
抱着学习的心态，阅读其它文献

基于opencv的人脸识别系统的应用研究

[1]李妹.基于opencv的人脸识别系统的应用研究[J].信息系统工程,2020(12):85-87.

前沿

人脸识别分为两个过程 人脸识别（Face Recognition） 和 人脸检测（Face Detection）。人脸检测 的目标是判断待检测图像中是否存在人脸以及人脸在图片中的位置，人脸识别是将检测到的人脸与数据库中已知的人脸进行对比，得出相似度的信息。

系统总体设计

系统工作的时候，打开摄像头获取实时的图像，然后对获取的图像进行人脸检测，截取人脸图像，经过预处理后进行特征提取，并于事先训练好的样本库中的人脸识别分类器进行相似度计算，从而根据相似度值判断检测到的人脸是否是样本库中的人脸。

系统实现

（1）图像采集
图像采集负责图像 的采集，将外部设备的图像转换为可处理的数字图像格式。
（2）图像预处理
采集实时图像时，受环境影响，比如拍摄角度、光线、位置等影响，导致人脸在整幅图中的位置并不确定，因此通过图像预处理，能够之人脸图像能够拥有标准灰度等级、标准位置、标准大小。方式包括以下几种：1、几何归一化（将图像中人脸截取出来，然后进行缩放，做到统一大小）2、灰度归一化（彩色图像转换为灰度图像，降为方便处理）3、平滑处理（模糊处理，降噪处理失真问题，常用方式为高斯处理）4、灰度平衡（通常采用直方图均衡、可以减小不同人脸图像的亮度差别）
（3）人脸检测与定位
Adaboost算法…
人脸检测的方法训练过程：
1、采集训练集样本，并进行数据的预处理（色彩转换、图像缩放、归一化等）
2、利用积分图算法计算样本中集中的所有类Harr特征
3、使用Adaboost算法，输入harr特征，得到的一个分级级联分类器。
检测过程：人脸检测函数义不同比例大小的扫描窗口对图片进行数据扫描计算进行匹配，找到目标的方形区域就会返回方形区域，返回坐标位置。
（4）人脸识别
人脸特征提取是人脸识别过程中重要的一个环节。PCA是一种数据降维的方法，它尽可能用较少的特征向量表示高维的数据，以达到减少数据量，缩小数据，较少计算量的目的。在降维的过程中，尽量使用向量线性变换来表征数据的关键信息，所以可以最大程度的保留人脸数据的特征信息。