毕业论文基于adaboost的人脸检测算法研究与实现

基于adaboost的人脸检测算法研究与实现学 院计算机学院专 业计算机科学与技术班 级04010104学 号2010040101130姓 名何明阳指导教师郭威负责教师沈阳航空航天大学2012年6月摘 要在信息技术与Internet高速发展的今天，如何借助先进的科学技术和科学的管理方法，提高获取所需信息及处理信息的效率，是企业急待解决的一个问题。而网络办公自动化系统以其精确的处理业务流程和高效的收集相关信息的特征，获得地方企业及单位的青睐。为此本文尝试立足于该需求来设计和实现一个OA系统。本文在对J2EE标准下的架构进行分析与研究的基础上，以某企业单位办公自动化系统为对象，提出了以Struts, Spring, Hibernate为架构的设想，来设计、搭建和实现该系统。系统的主要功能有：个人办公桌面功能、日常管理功能、考勤管理功能、计划制定功能、审核管理功能、员工管理功能、通讯管理功能等7个功能。首先，本文对系统的SSH架构所采用的关键技术进行介绍和分析，并提出分层概念，将系统页面的呈现、系统的业务逻辑、数据的持久化剥离出来，形成独立的模块，以此来实现系统的解藕，优化系统的可扩展性。其次，在设计系统的过程中运用UML设计模式即利用用例图、时序图、类图、活动图等方式来分析和建立系统模型，该模型结合企业行政化办公的特点，并根据分层的概念将模型按层次的需求来建立。最后，根据模型来实现该系统。通过Spring的IoC依赖注入功能来实现系统分层后各层之间上下文的连接，利用Struts技术来实现MVC模式，使用Hibernate框架来控制数据访问。通过测试，该系统安全稳定，最大化地满足了企业的日常需求，为企业的稳健发展提供了一个良好的平台。关键词：办公自动化管理、SSH框架、考勤管理、审核管理。Based on SSH framework of Office Automation Systems Research and ImplementationAbstractToday in the rapid development of information technology and Internet, it is an emergency problem to be solved for the enterprise that how to use advanced science and technology and scientific management methods to improve the efficiency of obtaining the required information and processing information. However, Network Office Automation System gain Local businesses and some units favor because of its precise processes of handling business and the efficient collection of relevance information. So this article will attempt to design and implement an OA system based on the proposed requirements.In this paper, author put forward an idea with Struts-Spring-Hibernate as the framework to design, build and implement the system, based on the analysis and research of the framework with J2EE as the standard ;and the object that the Network Office Automation System of one department of an enterprise. The systems main functions are : Personal office desktop function, daily management function, the attendance management function, plan review management function, audit management function, the staff management function, communication management functions and so on .First of all, this paper introduces and analyzes the key technology used in the systems SSH framework, and proposes the conception of Stratification. It separates the presentation of the systems page, related to business logic and data persistence from the whole to form the independent modules, then to achieve the systems decoupling and the optimization of scalability .Secondly, during the process of designing the system, it uses software design module UML, such as use Case Diagram, Sequence Diagram, Class Diagram, Activity Diagram, to analyze and build the system modules building is combined with the character of enterprise s administrative office, according to conception of stratification .At last, it achieves this system according to the module. After stratifying the system, the connection of each layer is realized by the IoC dependency injection capabilities of Spring. It uses Struts to realize MVC module, and Hibernate framework to control the data access.Through the test, this system security and stability, maximize to meet the daily needs of the enterprise, for enterprises steady development provides a good platform.Keywords: Office automation, SSH framework, attendance management、audit management.目 录1绪论11.1研究的背景和意义11.2办公自动化的国内外发展现状及未来的发展11.3研究内容31.4论文结构42 SSH架构介绍52.1 Struts简介62.1.1 Struts的体系结构62.1.2 Struts的核心组件及请求处理流程62.2 Spring简介82.2.1 Spring框架结构82.2.2 Spring的核心思想92.2.3 Spring在SSH架构中的作用102.3 Hibernate简介102.3.1 Hibernate的理论基础102.3.2 Hibernate对实体对象关联关系的映射112.3.3 Hibernate在SSH架构中的作用123 OA系统的需求分析与总体设计133.1 OA系统的需求分析133.2 OA系统功能模块建模153.2.1系统用例图153.2.2查询待审核任务时序图163.3 OA系统的总体设计183.3.1系统框架总体设计183.3.2系统数据库设计214 OA系统的实现264.1搭建系统平台264.2审核管理模块的实现264.2.1审核管理表示层的实现274.2.2审核管理业务层的实现294.2.3审核管理持久层的实现304.3审核管理模块的实现展示315总结33参考文献34致 谢361 绪论1.1 研究的背景和意义随着计算机科学技术的不断发展,人脸检测技术在生活办公方面的应用不断增多。因为有着较为广泛的研究价值和实用意义，近些年来人脸检测技术发展成为非常热门的计算机科研领域。一个完整的人脸检测盒识别系统应包括三个方面：人脸检测，特征提取和人脸识别。人脸检测是人脸自动识别完成的第一步，是人脸自动识别系统要解决的首要问题。在现在这个信息爆炸的年代，身份验证在生活中的很多场合越来越多的使用，使我们对于自动身份验证的及时有效性要求越来越迫切。由于人体的生物特征具有很强的个体差异性和自身稳定性，是进行身份认定的最理想依据。和利用指纹，视网膜，声音等其他人体特征的人身鉴别方法相比，人脸识别具有蕴含信息量大，直接，友好，便捷等特点，更容易被广大用户接受。人脸检测是人脸自动识别系统的关键环节之一。近些年来，伴随着电子商务等应用的迅速发展，人脸识别已成为最有影响力的，最不可或缺的生物身份验证手段。在此背景下，自动人脸识别系统必须要求能对一般环境图像具有较强的适应能力，由此面临一系列问题和困难使得人脸检测开始作为一个独立的课题进行研究并受到重视。1.2 人脸检测的国内外发展现状及未来的发展对人脸检测的研究最早可追溯到20世纪70年代。早期的研究主要致力于模板匹配，子空间方法，变形模板匹配等。近期人脸检测的方法主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫随即域的方法，以及基于肤色的人脸检测。概括来说，可将人脸检测分为四类。即基于知识的方法（Knowledge-based）,特征不变量方法（Feature invariant）,模板匹配的方法（Template matching）,基于表象的方法（Appearance-based）。目前，国外有很多对人脸检测问题的研究，比较著名的有MIT,CMU,USC等；国内的清华大学，北京工业大学，亚洲微软研究院，中科院计算机研究所，中科院自动化研究所等也有从事人脸检测方面的相关研究。1.3 研究内容本论文的研究内容主要有以下三个方面：（1）首先本文要介绍的是人脸检测的背景和现今解决人脸检测问题的一些主流方法，方便读者对人脸检测有更全面的理解。（2）因为为了解决人脸检测问题我引入的算法是Adaboost算法，所以本文的核心内容就是对Adaboost算法的探讨。包括如何对图片做前期处理，如何运用强分类器、弱分类器和级联分类器实现对人脸检测的实现。（3）在本程序中，我还引入了OpenCV来实现对人脸检测的实现。所以在文章中还介绍了如何用OpenCV来实现基于Adaboost的人脸检测的实现。1.4 论文结构本文设计实现了一个基于J2EE架构的OA系统，论文主要描述了本系统在开发过程中的设计思路、实现方法、关键技术的选用等内容，重点说明了整个系统的体系架构，并验证本系统的主要功能。论文的组织结构如下：第一章：绪论。主要介绍课题背景、意义及国内外研究现状，本论文的研究内容和论文结构。第二章：人脸检测方法介绍。首先介绍J2EE架构相关概念、优势及开发模式，其次介绍J2EE轻量级架构Struts + Hibernate + Spring即SSH架构的工作原理、优势、作用等内容。以便对相关技术有全面的认识，为后两章节内容打好技术基础。第三章：基于Adaboost人脸检测的原理。整理分析用户的需求，并在需求的基础上对各个功能模块进行建模，利用UML的图形化开发模式来描述用户的需求，并根据模式来设计系统的总体框架，区分功能层次。该阶段主要以审核管理模块为例，通过用例图、活动图、时序图、类图来描述该业务模型的建模过程。第四章：用OpenCV实现Adaboost的人脸检测本章描述了系统实现中环境搭建、编码及运行界面等相关工作，在编码部分将每一个层次的功能代码进行解析，强化对轻量级框架分层结构的认识及实现过程。第五章：功能实现第六章：总结2 人脸检测方法介绍在这个部分先简单介绍下至今用于单幅人脸检测的技术，并介绍用于本程序的Adaboost算法。人脸检测主要分为两大类，基于知识的方法和基于学习的方法，下面做简单的介绍。2.1 基于知识的人脸检测方法人脸检测利用的是人脸的共性特征，基于知识的方法就是由这些特征检测人脸。人脸的特征主要包括：灰度特征，边缘和形状特征，结构特征，纹理特征和肤色特征等。下面一一做简单的介绍。灰度特征人脸区域内具有明显的灰度分布特征。眼眉，眼睛和嘴巴的灰度值较其他区域低。额头，脸颊，下颚和鼻梁区域的灰度较高。所以人脸具有明显的灰度梯度分布特征。根据这些特点，可以实现对人脸区域的粗略检测。在人脸区域进行水平和垂直方向的灰度投影。根据极小点位置可以确定人脸各个器官的大致位置。边缘和形状特性人脸和人脸上的各个器官具有明显的边缘和形状特性。人脸的轮廓，眼睛的轮廓，鼻侧线和嘴唇的轮廓都可以看成近似的几何图形，如椭圆，弧线和线段。可以用Snakes模型或主动形状模型抽取人脸的边缘特征。结构特征结构特征主要表现在人脸的对称性和各个器官的空间位置分布。因为人脸在结构上是左右对称的，所以在对称位置上的边缘和灰度特征是基本一致的。而各个器官本身也具有对称性,各个器官按一定的关系组合在一起。各个器官相对位置保持不变。根据这些结构特征来区分人脸和背景。纹理特征人脸具有特定的纹理分布特征，基于灰度共生矩阵建立人脸纹理特征模型，得到表征人脸的一系列纹理特征。肤色特征肤色特征具有相对的稳定性，由于肤色信息不受人脸表情，角度的影响，使得肤色特征在人脸检测中十分常见。常用的肤色模型有高斯模型，混合高斯模型和直方图模型。2.2 基于学习的人脸检测方法基于学习的人脸检测方法是将人脸区域看作一类模式，即模板特征，使用大量的“人脸”与“非人脸”样本训练，构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。在人脸检测的过程中，先用一定的预处理手段去除背景的干扰。这个过程可以看成一个简单的粗检过程。经过粗检后的图像进入分类器进行仔细确认。不同的检测方法在仔细检查的步骤中采用不同的技术。最后，分类器的输出经过一定的后处理步骤，得到最终的检测结果。在基于学习的人脸检测方法中，分类器的构建是最核心的内容，主要包括典型特征的提取和分类算法的选择两个方面。在用基于学习的人脸检测方法进行细检的过程中，可以采用的方法有基于人工神经网的的方法，基于特征空间的方法，基于概率模型的方法，基于支持向量基的方法，和Adaboost方法。由于本程序的核心算法采用Adaboost算法，所以下面简略介绍其算法内容。基于Adaboost的人脸检测是一种基于积分图，级联检测器和Adaboost算法的方法，Adaboost算法是它的核心内容。Adaboost算法的基本思想就是将大量的分类能力一般的弱分类器通过一定的方法叠加起来，构成一个分类能力很强的强分类器。Adaboost用于人脸检测时，从人脸中抽取大量的一维简单特征。这些特征都有一定的人脸和非人脸的区分性。系统使用这大量的一维简单特征，组合起来达到很好的分类效果。将强分类器串联在一起组成级联分类器。遵循“先重后轻”的分级分类思想，即将由更重要特征构成的结构较为简单的强分类器放在前面，提高检测效率。3 基于Adaboost人脸检测方法的原理在基于Adaboost人脸检测的方法中，首先使用矩形特征来描述样本图像，提出积分图像的定义来快速计算矩形特征，然后再用Adaboost算法训练这些矩形特征得到强分类器，由于这些矩形特征可以通过积分图像很快的求得，大大提高了分类器的速度。3.1 矩形特征用Adaboost进行人脸检测时，首先需要从人脸抽取简单的特征。由于脸部的一些特征可以粗略看为一些线段，所以可以用矩形特征来粗略的对人脸进行判断。在进行用矩形特征粗检人脸的过程中，我们引入两个或多个的全等矩形相组合作为特征模板。定义特征模板内有黑色和白色两种矩形。将特征模板的特征值定义为白色矩形像素和减去黑色矩形像素和。下面是几种最基本的特征模板：它的特征值可用公式表示为：featurej=其中: featurej代表第j种Haar块的特征值,X1是第j个H aar块的权值, X2是第j个Haar块中黑色矩形的权值。 RectSum ( r1 )代表第j个Haar块中包含的所有象素点的象素值之和。RectSum ( r2 ) 代表第j个H aar块中黑色矩形块所包含象素的象素值之和。不同的Haar块特征原型的特征值中的权值比( X1:X2 )如表1(特征原型为图1中依次的14个Haar特征原型)。3.2 计算特征总数假设图像大小为WH，矩形特征大小为wh,令X=，Y=。那么矩形特征的个数为：（1）0度的矩形特征数目运算：XY （2）对于旋转45度的矩形特征数目运算：XY 其中z=w+h综上所述，如果图像的尺寸为2424，则矩形数目为下表所示：特征类型w/hX/Y特征数目1（a）1（b）2/1 1/212/24 24/12432001（c）1（d）2/1 1/28/884642（e）2（g）3/1 1/38/24 24/8276002（f）2（h）4/1 1/46/24 24/6207362（a）2（c）3/1 1/36/643562（b）2（d）4/1 1/44/436003（a）3/38/884643（b）3/33/31512特征总数1179413.3 积分图在人脸检测中,在上面已经提到,一个图片会包涵数量巨大的矩形特征,计算巨型特征的值的计算量特别庞大,检测速度也会非常缓慢。所以在计算矩形特征的时候我们引入了积分图。这是一种对原图像的中间表达方式，这种方式使得矩形特征能够使矩形特征的值得到快速的计算。所谓的积分图像其实就是对原图的一次双重积分(先按行积分,然后按列积分)。那么它的积分表示为：其中是原图像，是积分图像。又因为我们计算的是原图中某一点左上方所有像素的值的和，可见是一个离散的加和。因此在点x,y的积分图像的计算方法如下所示：其中是计算后的积分图像，是原图，如下图所示：如上图所示，在矩形D中的像素和可以通过四点计算得到，在点1的积分图像的和可以通过矩形A内的点的和得到。在点2的值就是A+B, 在点3的值就是A+C,在点4的值就是A+B+C+D。在D内的点的和可以如下计算得到：4+1-（2+3）。如果使用以下函数： 其中是每一列的和，积分图像可以在对原图的一次遍历后计算得到。如果使用积分图像，那么任何矩形中的像素和都能通过四个顶点的值计算出来。显然双矩形特征的值可以通过八个顶点计算得到。然而，双矩形特征包括了两个相邻的矩形和，因此它们可以用六个顶点的值计算得到。如果是三矩形就是八个点，四矩形就是九个点，如下图所示。特征A的值为： （6-5-3+2）-（5-2-4+1）；特征B的值为：（4-3-2+1）-（6-4-5+3）；特征C的值为：（7-6-3+2）-（6-5-2+1）-（8-7-4+3）；特征D的值为： （6-5-3+2）+（8-7-5+4）-（5-4-2+1）-（9-8-6+5）3.4 Adaboost算法Adaboost算法的核心思想是利用大量的分类能力一般的简单分类器通过一定的方法叠加起来，构成一个分类能力很强的强分类器。再将若干个强分类器串联成为级联分类器。完成图像中人脸的检测。在上面的步骤中，我们已经利用积分图得到了矩形特征值，将这些特征值与简单的弱分类器一一对应起来。弱分类器是一种可以通过一些粗略的分类判断经验规则得到的分类器。将很多这样的弱分类器按照一定的规则组合起来，就可以得到一个高准确度的分类预测法则。算法描述如下：（1）给定一系列训练样本(X1,Y1),(X2,Y2), (Xn,Yn)，Yi=0表示其为负样本（非人脸），Yi=1表示其为正样本（人脸）。N为一共的训练样本数量。然后进行初始化权重：4|w1,i=D(i)；（2）对t=1,2T：归一化权重：qt,i=（3）对每个特征f，训练一个弱分类器h(x,f,p,)；计算对应所有特征的弱分类器的加权(qt)错误率f：f = 然后选取最佳的弱分类器ht(x)（拥有最小误错率t）：t =minf,p,ht(x)=h(x,ft,pt,t)（4）按照这个最佳弱分类器，调整权重：wt+1,i=wt,it1-i 其中ei=0表示xi被正确的分类，ei=1表示xi被错误地分类； t=最后的强分类器为：其中4 用OpenCV实现Adaboost的人脸检测OpenCV是由Inter公司资助的开源计算机视觉库。它由一系列的C函数和少量的C+类构成。可以方便的实现图像处理和计算机视觉方面的很多通用算法。OpenCV拥有包括300多个C函数的跨平台中、高层API，不依赖于外部数据库。4.1 OpenCV中Haar分类器的数据结构OpenCV用四个结构体定义了分类器结构，其中的CvHaarStageClassif ie结构如下:# define CV- HAAR- FEATURE-MAX 3/* 一个Haar特征由2 3个具有相应权重的矩形组成* /typedef struct CvHaarS tageC lassif ierint coun;t/* 构成强分类器的弱分类器的数量* /float thresho ld; /* 叠加分类器的阈值* /CvH aarC lassifier* c lassif ier;/* 定义分类器数组* /int nex ;tint ch ild;int paren;tCvHaarS tageC lassif ier;CvHaarC lassifierCascade结构如下:typedef struct CvH aarC lassif ierC ascadeint flags; /* 标志位* /int coun;t/* 分级分类器中强分类器的数量* /CvS ize orig- w indow- size;/* 训练中原始目标的大小* /CvS ize real- w indow- size;/* 待检测物体的大小* /doub le scale; /* Haar块缩放的尺寸* /CvHaarStageC lassifier* stage- classifier;/* 定义强分类器数组* /CvH idH aarC lassifierCascade* hid- cas;CvHaarC lassifierCascade;4.2 OpenCV人脸检测模块及相关函数基于Adaboost的人脸检测器主要包涵训练和检测两个模块，下面对OpenCV中的检测模块进行简要介绍。检测模块流程图见图：（1)函数LoadHaarC lassifierCascade. 装载训练好的级联分类器, 其格式为CvHaarClassifierCascade * cvLoadHaarClassifierCascade( const char * directory, CvSize orig_window_size);其中directory为包含训练好的级联分类器文件的路径. CvSizorig_window_size为级联分类器在训练中采用的检测目标的尺寸。（2)将分类器转化为OpenCV 的内部格式, 这一步骤是必不可少的. 这是OpenCV 只能处理内部优化格式的分类器。（3)检测要用到函数HaarDetectObjects。该函数使用针对某目标物体训练的级联分类器在图像中找到包含目标物体的矩形区域, 并将这些区域作为一系列的矩形框返回。 其格式为：CvSeq* cvHaarDetectObjects( const CvA rr* image,CvHaarClassifierCascade * cascade, CvMemStorage* storage, double scale_factor = 1.1, int minneighbors=3, int flags=0, CvSize min_size= cvSize( 0, 0) ) ；其中image是被检图像。cascade haar是级联分类器内部标志形式. storage用来存储检测到的一系列候选目标矩形框的内存区域。Scale_factor是在前后两次相继的扫描中, 搜索窗口的比例系数。minneighbors是构成检测目标的相邻矩形的最小个数(默认为- 1). flags是操作方式。 Min_size是检测窗口的最小尺寸。 默认情况下被设为分类器训练时采用的样本尺寸。（4)标定要用到函数RunHaarClassifierCascade。该函数在给定位置的图像中运行级联分类器, 用于对单幅图片进行检测。其格式为：int cvRunHaarClassifierCascade ( CvHaarClass_fierCascade* cascade, CvPoint pt, start_tage= 0)；其中cascadeHaar是级联分类器. pt是待检测区域的左上角坐标. Start_stage 是级联层的初始下标值。5 功能实现本系统在技术上，充分利用了Struts、 Spring、 Hibernate这三个框架在搭建中小级企业级Web应用架构的优势。表示层使用DIV、 CSS布局，配合Struts标签，方便JSP页面开发；利用Struts框架来控制业务逻辑的转发，确保系统的结构层次区分明显，有利于系统在日后运行过程中的扩展及维护；持久层使用Hibernate框架进行管理，充分利用ORM的功能来简化数据库操作，及提高系统的兼容性；业务层使用Spring框架来整合系统，通过Spring的applicationContext文件承接上下层，将系统的各实体对象设置为依赖注入，以实现系统高内聚、低藕合的特性，利于系统的并行开发。在功能上，完成了系统的个人桌面展示、日常管理、考勤管理、计划管理、审核管理、员工管理、通讯管理等7个功能，从系统运行的角度上讲本系统的主要功能已基本实现。除此之外，本系统在实现的过程中还有不足的地方需要改善：（1）本系统在开发中主要致力于系统架构的搭建，而在安全性能上没有进行充分的分析，当前系统的网络安全是一个很关键的问题。因此，在系统的完善过程中应将安全性放在第一位进行研究，这将是一项很有挑战性的工作。（2）在页面展示上，人机互动的过程中使用的js脚本控制（验证用户输入、AJAX异步请求等）较少，用户体验度不是很好。（3）对Struts2过滤器的使用还有待进一步地学习和掌握，在文件共享之下载中还存在问题。综上所述，本论文在实现OA办公自动化系统的基础上，来学习和研究目前很流行的基于J2EE标准的SSH架构，通过搭建系统的架构来强化对Struts、 Spring、Hibernate这三个框架的认知，并成功的实现了OA系统的7项基本功能。参考文献1 姜浩.办公自动化系统及其应用M.北京:清华大学出版社，2006:18202 杨莹，刘献忠.基于工作流技术的OA系统模型研究J。电脑与信息技术，2006 11(3): 21243 王继成，刘占军，辛彦军等.基于Internet办公自动化系统的设计与实现J.中国教育信息化，2007 13(9): 28304 杜龙.办公自动化的国内外发展状况及未来的发展方向J.电脑知识与技术，2009 12(5): 16185 许昊.浅谈第三代办公自动化系统的核心一知识管理J.全国商情一经济管理研究，2009 12(17) : 41426 王美琴.基于J2EE的轻量级SSH架构整合研究J.电脑知识与技术，2009 13(5): 66707 田秀彦.论J2EE中Hibernate+Spring架构及其在OA系统开发中的应用J.科技信息，2008 24(1): 78798 孙卫琴.精通Struts基于MVC的Java Web设计和开发M.北京:电子工业出版社，2007: 15189 王军豪，彭岩.Hibernate+Struts+Spring整合技术在电子政务中的应用J.计算机工程与设计，2008,30(6): 1409141210 窦亮，黄国兴.基于Struts框架的Web应用开发J.微型电脑应用，2006, 19(10): 19119811 ThomasRisberg.SpringliveEB/OL.http:/jroller.eom/page/raible 2009.1012 费清春，万振凯.基于Hibernate的业务数据统计分析的设计和实现J.现代电子技术，2008 3(1): 848513 高淑芝，陈小伟.基于Hibernateg一对多，多对多关联的研究J.今日科苑，2008 11(14): 10911014 王先国.UML统一建模实用教程M.北京:清华大学出版社，2009: