3.4.2 身份識別階段

在識別新的人臉圖片時，具體的操作方法流程如下：

（1） 基于前面得到的M 個特征臉，將新采集的圖片投影到各個特征臉，計算得到一個權重集合（權重向量）。

（2） 判斷新圖片是否是一幅人臉圖像，即通過判斷圖像是否足夠靠近人臉空間。

（3） 如果是人臉圖像，則根據(jù)前面計算的權重集合（權重向量），利用權重模式將這個人臉分類劃歸到初始時計算得到的各個個體或者是成為一個新 的個體照片。簡單而言，就是計算新權重到原來各個個體權重的距離，選擇最近的，認為是識別成這個個體；如果最近的距離超出閾值，則認為是一個新的個體。

（4） 更新特征臉或者是權重模式。

（5） 如果一個未知的人臉，出現(xiàn)了很多次，也就意味著，對這個人臉沒有記錄，那么計算它的特征權重（向量），然后將其添加到已知人臉中［6］。

OpenCV 實現(xiàn)調用cvRead《datatype》（）加載訓練結果XML 文件，調cvEigenDecomposite（）將采集圖片映射至PCA 子空間，利用最近距離匹配方法SquaredEuclidean Distance，計算要識別圖片同每一個訓練結果的距離，找出距離最近的即可。

3.5 臉部表情識別

臉部運動跟蹤利用了Camshift 算法，該算法利用目標的顏色直方圖模型將圖像轉換為顏色概率分布圖，初始化一個搜索窗的大小和位置，并根據(jù)上一幀得到的結果自適應調整搜索窗口的位置和大小， 從而定位出當前圖像中目標的中心位置。

Camshift 能有效解決目標變形和遮擋的問題，對系統(tǒng)資源要求不高，時間復雜度低，在簡單背景下能夠取得良好的跟蹤效果。

Camshift 的OpenCV 實現(xiàn)分以下幾步：

（1）調用cvCvtColor（）將色彩空間轉化到HSI 空間，調用cvSplit（）獲得其中的H 分量。

（2） 調用cvCreateHist（）計算H 分量的直方圖，即1D 直方圖。

（3） 調用cvCalcBackProject（）計算Back Projection.

（4） 調用cvCamShift（）輸出新的Search Window 的位置和面積。

我們利用光流算法評估了兩幀圖像的之間的變化，Lucas–Kanade 光流算法是一種兩幀差分的光流估計算法。它計算兩幀在時間t 到t +δt 之間每個每個像素點位置的移動。是基于圖像信號的泰勒級數(shù)，就是對于空間和時間坐標使用偏導數(shù)。

首先要用到shi-Tomasi 算法，該算法主要用于提取特征點，即圖中哪些是我們感興趣需要跟蹤的點，對應函數(shù)為cvGoodFeaturesToTrack（），可以自定義第一幀特征點的數(shù)目，函數(shù)將輸出所找到特征值。接下來是cvCalcOpticalFlowPyrLK 函數(shù)， 實現(xiàn)了金字塔中Lucas-Kanade 光流計算的稀疏迭代版本。 它根據(jù)給出的前一幀特征點坐標計算當前視頻幀上的特征點坐標。輸入參數(shù)包括跟蹤圖像的前一幀和當前幀，以及上面函數(shù)輸出的前一幀圖像特征值，自定義的迭代標準，輸出所找到的當前幀的特征值點。這些點可以確定面部局部區(qū)域的特征 如眼部，鼻子高度與寬度，嘴部兩側與底部的夾角等等，利用與前一幀的特征比較，可得出反應臉部動態(tài)變化的參數(shù)，這些數(shù)據(jù)可以與臉部的一些簡單表情相關聯(lián)。下面圖4 為跟蹤眼睛上下眨動的圖像。

圖4 跟蹤眼部上下眨動圖像

4 總結

本文以OpenCV 圖像處理庫為核心，以QT 庫所提供的界面框架為基礎，提出了人臉識別系統(tǒng)設計方案，實驗證明本方案具有較好的實用性，可移植性。但仍有許多不足之處，如身份與表情識別部分可以通過引入神經網絡或支持向量機SVM 進行分類，可以使識別準確率與識別種類數(shù)得到提高，這些也是后續(xù)工作中步需要改進的。