基于OpenCV的人脸检测与识别系统

摘 要：本论文以OpenCV图像处理库为基础，采用QT作为图形界面开发，具有人脸采集，图片训练，数据库管理及人脸识别等功能，并且使用光线补偿等方式提高识别率。

关键词：OpenCV QT 人脸检测 人脸识别

中图分类号：TP31 文献标识码：A 文章编号：1672-3791（2013）07（b）-0004-02

近年来计算机视觉技术在视觉领域中取得了飞速的发展，并在其他领域中得到了广泛的应用，人脸识别在图像处理与视频检索、视频监控、视频显示等方面占据着重要的位置。本文提出了基于opencv图像处理库的人脸检测与识别系统，通过分析人脸检测与识别的原理及方法设计了人脸检测与识别系统，该系统具有人脸采集，图片训练，数据库管理及人脸识别等功能，并且使用了光线补偿等方式更好的进行图像的处理和后期的识别。

1 系统的运行流程图

该人脸检测与识别系统的处理流程如图1。

2 系统详细设计及实现

2.1 人脸定位模块

基于OpenCV的人脸检测中，先进行图像的采集，然后建立自适应模型并将该模型进行训练，使用XML文件保存该训练模型数据，有了这个模型后我们就可以从新使用新的模型来进行图片的对比，把当前的图片与该模型进行匹配得出的结果使用矩形进行标记，并在QT界面上画出该目标区域。

2.2 人脸识别模块

人脸识别的流程为，从摄像头采集图片后对图片进行灰度化处理，分配PCA存储空间，再使用级联分类检测器对图片进行特征提取训练。提取出采集的人脸图片的特征，保存数据到facedata.xml文件。人脸识别的具体实现步骤和函数如下。

（1）得到一个32位的浮动图像。

IplImage* convertFloatImage ToUcharImage（const IplImage *srcImg）

（2）保存源图片的所有特征向量。

void FaceRec：：storeEigenfaceImages（）

（3）下载需要训练的数据，并将训练好的数据保存到xml文件中。

void FaceRec：：learn（）

{ szFileTrain = "40.txt"； //训练数据的路径

doPCA（）； //为人脸训练分配PCA空间

storeTrainingData（）； //将训练好的数据保存到xml文件中

if （SAVE_EIGENFACE_IMAGES）

{storeEigenfaceImages（）； //保存这些训练图片为一张位图 }

（4）从摄像头中获取一帧图片。

int FaceRec：：recFromFrame（IplImage *faceImage）

（5）从facedata.xml下载训练好的数据。

int FaceRec：：loadTrainingData（CvMat ** pTrainPersonNumMat）

（6）为图片分配PCA空间。

void FaceRec：：doPCA（）

2.3 光线补偿的模块

从摄像头对图像进行采集会受到设备的干扰及环境因素的影响，从而会使图像的色彩向某个固定的方向移动，例如色彩偏黄、变蓝、变黑等。系统为了消除图像的色彩偏差，需要对图像的RGB三个分量值进行线性调整。使用检测图像中亮度在前10%的像素（参考白），按公式计算出调整值。整幅图像的其他像素点的色彩值也都按这一调整尺度进行交换，通过这种技术可以更好的进行图像的处理和后期的识别。

在QT下通过增加菜单栏，在其顶部添加一子目录，将命名为“预处理”，并在其下方的属性栏中命名为“弹出”菜单，右击预处理则该选项会自动生成一个子菜单项，属性名为“光线补偿”，并在右下面的属性中把ID号设置为ID_READY_LIG HTERGTHNSATE，对应文件FaceDetect.Cpp中的函数recognize（）实现，并在recFromFrame（IplImage *faceImage）中添加如下代码：

hDIBTempp = gDib.CopyHandle（hDIB）；

gDib.LightingComper（hDIB）；

GlobalUnlock（hDIB）；

Invalidate（）；

光线补偿通过对图像的RGB进行转换而使图片的光线变亮或变暗，函数LightingComper（）是类facerecognize的一个目标函数。

2.4 测试

3 结语

基于OpenCV图像处理库的人脸检测与识别具有人脸采集，图片训练，数据库管理及人脸识别等功能，系统采用Linux作为开发工具，利用QT作为图形界面开发，使用面向对象的思想来编写图像处理模块，并把该模块的各个功能进行独立出来，建立各个独立的类，从而减少了程序之间的耦合性，增加了代码的可重用性和可移植性，系统运行流畅，有广泛的使用前景。

参考文献

[1] 张惠发.人脸识别的关键问题研究[D].吉林大学，2012.

[2] 李友坤.BP神经网络的研究分析及改进应用[D].安徽理工大学，2012.

[3] 褚勤.基于小波分析和支持向量机的人脸识别方法研究[D].华南理工大学， 2012.

[4] 廖文军.基于连续Adaboost算法的多角度人脸检测技术研究与实现[D].南京邮电大学，2012.

[5] 赵晓辉.基于改进的分块LBP人脸识别算法研究[D].昆明理工大学，2012.