基于特征脸方法的人脸识别实现_第1页
基于特征脸方法的人脸识别实现_第2页
基于特征脸方法的人脸识别实现_第3页
基于特征脸方法的人脸识别实现_第4页
基于特征脸方法的人脸识别实现_第5页
已阅读5页,还剩58页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

目录[键入文字]摘要随着近几年计算机网络传输,跟踪识别,机器学习等技术的兴起与成熟,而新技术的兴起使得越来越多的人可以享受到这些技术进入生活后带来的便利。OpenCV—OpenSourceComputerVisionLibrary是一个广受欢迎的开源计算机视觉库,它提供了非常多的函数,具体实现了很多计算机视觉算法,算法从最基本的滤波到高级的物体检测、三维重建、图像处理皆有涵盖。并可以在Linux、Windows、Android、MacOS等操作平台上运行,以轻量级、高效率著称,且提供多种语言接口。OpenCV有超过500个功能,跨越了许多视觉领域,用于安全、医疗成像、模式和人脸识别、机器人技术和工厂产品检验。本设计以opencv视觉算法库为基础,采用C++语言开发,具有人脸数据采集,图片训练以及人脸检测等功能。该系统经测试能够进行长时间的、稳定的运行,并在其上可以进行二次开发。关键词:人脸检测,级联分类器训练,面部特征提取目录ABSTRACTABSTRACTWiththeriseandmaturityofcomputernetworktransmission,trackingrecognition,machinelearningandothertechnologiesinrecentyears,theriseofnewtechnologiesenablesmoreandmorepeopletoenjoytheconveniencebroughtbythesetechnologiesintotheirlives.OpenCV--OpenSourceComputerVisionLibraryisapopularOpenSourceComputerVisionLibrary.ItprovidesmanyfunctionsandimplementsmanyComputerVisionalgorithms,rangingfromthemostbasicfilteringtoadvancedobjectdetection,3dreconstructionandimageprocessing.AndcanrunonLinux,Windows,Android,MacOSandotheroperatingsystems,knownforlightweight,efficient,andprovideavarietyoflanguageinterface.Withmorethan500functions,OpenCVspansmanyvisualfields,includingsecurity,medicalimaging,patternandfacerecognition,roboticsandfactoryproducttesting.Thispaperisbasedonopencvlibrary,C++languagedevelopment,withfacecollection,imagetrainingandfacedetectionfunctions.Thesystemcanrunstablyforalongtimeandcanberedeveloped.Keywords:facedetection,,cascadeclassifiertraining,Facialfeatureextraction目录目录目录第1章绪论 11.1选题背景 11.2人脸检测的要点 11.3人脸检测的国内外发展概况 21.3.1国内发展概况 21.3.2国外发展概况 21.3.3国内外研究方向对比 3第2章开发环境与系统功能 42.1开发环境 42.2.1硬件环境 42.1.2软件环境 42.2系统功能 4第3章设计系统方案流程 5第4章人脸识别的三大方法 64.1Eigenfaces(特征脸)方法 64.1.1PCA主要作用 64.1.2PCA主要过程 64.1.3基于特征脸方法的人脸识别实现过程 74.1.4特征脸识别的不完美之处 84.2Fisherfaces(线性判别) 84.2.1LDA的主要思想 94.2.2LDA计算特征向量 94.2.3LDA多分类 124.2.4LDA与PCA比较 134.3LBPH(局部二进制编码直方图) 144.3.2LBPH的背景与理论基础 164.3.3LBP计算结果 18第5章系统的详细设计 205.1数据的收集和预处理 205.1.1收集数据 205.1.2数据预处理 215.2模型的训练 245.2.1制作数据集 245.2.2训练数据模型 265.3实现人脸识别 275.3.1OpenCV的模块 275.3.2OpenCV的基础类和操作 285.3.3人脸识别过程 285.4搭载到门禁系统 30第6章系统调试 316.1调试过程 316.2试验结果 32第7章总结 34参考文献 35致谢 37附录 38附录一生成CSV文件程序 38附录二ROI分割程序 41附录三模型训练程序 44附录四人脸识别程序 49外文资料原文 53译文 56电子科技大学成都学院本科毕业论文第4章人脸识别的三大方法第1章绪论第1章绪论1.1选题背景人脸检测是计算机视觉与模式检测领域中及其重要的研究方向,人脸检测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PGM是便携式灰度图像格式(portablegraymapfileformat)对人脸进行检测的方法,介绍的主要内容是图像处理、分类器训练,重点分析基于OPENCV人脸检测与检测的原理及方法,采用基于OPENCV的级联分类检测器,能够根据视频图像提取人脸特征进行训练。目前,高性能的微电子和视觉处理系统已经运用在各个领域中,特别是基于视觉处理系统中的人脸检测系统已经走在了科学前沿。在生物检测技术中人脸检测是对图像先进行补光处理,处理过后的图片通过定位眼睛、鼻子、嘴唇来确定人脸的脸部区域,最后根据人脸的眼睛的距离来确定图片是不是一个人的脸,再使用高斯平滑,来消除图像噪声,最后进行二值化处理,采用局部阈值来进行二值化,接下来就对图片中的人脸进行定位,特征提取和检测操作。经过验证,图像经过预处理对之后的检测准确率有巨大的影响,可以提高人脸检测和检测的准确率。在其他国家,人脸检测技术已经运用在智能家居、智能机器人、以及军事安防和其他安全部门。在国内,我们对人脸检测技术的研究始于20世纪90年代,主要用在公共安全领域、智能家居、金融管理、物业管理、以及网络安全和考勤等方面。1.2人脸检测的要点采集的图片进行人脸检测通过以下步骤:先对需要检测的目标进行特征的提取,利用这些特征数据建立目标检测模型,然后将需要检测的图像与目标模型进行匹配,如果匹配成功则使用矩形来进行标记。脸检测技术股由于受到一些光线,环境的影响会造成检测的精度不高, 现在大多数都集中研究在正面人脸图像的检测上,但由于人脸面部表情、拍照角度或拍照光照等条件的变化下,得到的人脸照片中的特征不同,因此使用数据库中存储的样本的有限个角度拍摄的照片,去检测任意角度的照片,使检测范围得到很大的限制。为了解决以上出现的问题电子科技大学成都学院本科毕业论文现在人们提出了使用为了确定个人的几何特征,必须提供特定的特征,只针对一人,选择特定的点来表示眼睛、鼻子、鼻子、嘴巴等。1.3人脸检测的国内外发展概况在许多领域中已经使用到了人脸检测与检测技术,人脸检测技术在世上起到了举足轻重的作用,英国的布莱索在1996年,对面部识别技术的研究开始,经过30多年的开发,面部识别技术达到了高速发展的顶峰,取得了巨大的成功。1.3.1国内发展概况在我国对人脸检测技术的研究始于20世纪80年代,国内主要有清华大学,北京理工大学,和自动化所的研究人员从事人脸检测与检测的研究。1.3.2国外发展概况许多国外的研究人员在从事识别和检测问题的研究,主要被有麻省理工、CMU、欧洲、日本和其他国家,随着面部识别的深入研究,国际发表的文章数量大幅增加。还有用于收集和检测图像的摄像机,主要用于CMOS摄像机,以及通过USB摄像机接收图像。因此,在操作可行性方面,只要系统用户的硬件软件满足需求,就可以使用面部识别系统。第5章系统的详细设计第1章绪论1.3.3国内外研究方向对比表1-1国内外研究方向对比国内国外基于几何特征的人脸正面自动检测方法。基于代数特征的人脸正面自动检测方法。基于连接机制的人脸正面自动检测方法。模板匹配示例学习神经网络基于隐马尔可夫模型的方法基于AdaBoost的人脸检测算法基于彩色信息的方法基于形状分析的方法第3章设计系统方案流程第2章开发环境与系统功能2.1开发环境2.2.1硬件环境运行开发软件所需的硬件条件:CPU:运行频率800M及以上;内存容量:内存要达128M以上。2.1.2软件环境系统运行的软件环境:该系统可以使用在以下操作系统中。如Linux3.0.5内核、Linuxubuntu系统、Linuxferdor系统、Windows系统等。2.2系统功能本系统的主要具备如下功能:模板匹配图像获取功能:图片的获取主要是通过从CMOS或者USB摄像头来获取图像,从CMOS摄像头获取的为模拟信号,必须要通过YUV转换得到数字信号,得到的图片保存在数据库中。图像预处理功能:该模块主要包括图像光线补偿、图像变成灰色、高斯平滑、均衡直方图、实现图像对比度增强、二值化变换等。人脸定位功能:从摄像头获取的图片经过前期的预处理后,将通过检测器来标记眼睛、鼻子、嘴唇来确定人脸区域,并对该图片的特征进行提取。特征检索功能:通过面部测试后对个人进行特征检索的人,因为每个人的脸类型不同,眼睛之间的距离等因素可以定义每个人的不同特征。检测功能:从摄像头获取的图片进过处理后,将提取的特征值与预先训练好的目标模型进行比对,来对当前的图片进行检测。第3章设计系统方案流程在生物特征检测技术中人脸检测不同于其他的计算机视觉检测技术,人脸检测通过将视觉信号转换为机器能够检测的数字信号,从而使用计算机来进行判断处理。计算机通过摄像头看到的东西要简单的多,简单来说,这是一组由数字组成的矩阵,这些数字显示了物体发出的光的强度和弱度,摄像机的光敏元件将光信号转换成数字信号,在矩阵中测量。在opencv库中不仅有自带的已经训练完成的分类器,而且在网络上也可以轻松下到orl人脸数据库,所以我设计以下方案:下载orl人脸数据库;利用带摄像头的设备采集自己的人脸照片;将采集好的照片裁剪至数据库里人脸数据的大小并修改格式;将自己的人脸数据添加进入人脸数据库并生成csv数据集;使用csv数据集训练模型;使用训练好的模型做人脸识别;第4章人脸识别的三大方法第4章人脸识别的三大方法第4章人脸识别的三大方法4.1Eigenfaces(特征脸)方法Eigenfaces是一种面部识别技术,由PCA(PrincipalComponentAnalysis)导出。Eigenface(特征脸)使用的一个基本技术由Sirovich和kirby提供,并由turk和Pentland来用作识别和识别面孔。面部识别的基本理念是将脸部图像看作一个又一个矩阵,使用脸部空间中的一组正交向量,选择最重要的正交向量作为描述原始空间的“基本要素”。4.1.1PCA主要作用在很多应用中,需要对大量数据进行分析计算并寻找其内在的规律,但是数据量巨大造成了问题分析的复杂性,因此我们需要一些合理的方法来减少分析的数据和变量同时尽量不破坏数据之间的关联性。于是这就有了主成分分析方法,PCA作用有两个:数据降低维度,减少变量的数量,确保变量的独立性,提供合理解释。去除噪声,发现数据背后的固有模式。4.1.2PCA主要过程表4-1PCA的主要过程(1)特征中心化:将每一维的数据(矩阵A)都减去该维的均值,使得变换后(矩阵B)每一维均值为0;(2)计算变换后矩阵B的协方差矩阵C;(3)计算协方差矩阵C的特征值和特征向量;(4)选取大的特征值对应的特征向量作为“主成分”,并构成新的数据集;4.1.3基于特征脸方法的人脸识别实现过程表4-2实现过程(1)将训练集的每一个人脸图像都拉长一列,将他们组合在一起形成一个大矩阵A。假设每个人脸图像是M*M大小,那么拉成一列后每个人脸样本的维度就是d=M*M大小了。假设有N个人脸图像,那么样本矩阵A的维度就是d*N。(2)将所有的N个人脸在对应维度上加起来,然后求个平均,就得到了一个“平均脸”。(3)将N个图像都减去那个平均脸图像,得到差值图像的数据矩阵Φ。(4)计算协方差矩阵C=Ф(5)将训练集图像和测试集的图像都投影到这些特征向量上了,再对测试集的每个图像找到训练集中的最近邻或者k近邻,进行分类即可。对于步骤(4),涉及到求特征值分解。如果人脸的特征维度d很大,例如256*256的人脸图像,d就是65536了。那么协方差矩阵C的维度就是d*d=65536*65536。对这个大矩阵求解特征值分解是很费力的。如果人脸的样本不多,也就是N不大的话,我们可以通过求解C'=ФT∙Ф矩阵来获得同样的特征向量。可以看到这个C'=ФT∙Ф只有ФC∙C∙νi其中,ei是C'=ФT∙Ф的第i个特征向量,vi是C=Ф∙ФT的第i个特征向量,由证明可以看到,νi4.1.4特征脸识别的不完美之处要让系统准确识别需要保证人脸图像满足。接下来要检测的人脸尺寸不能过度偏离库中特征脸的尺寸。接下来要检测的人脸图像必须为人脸的正面。如果不满足上述条件,就会发生错误。从PCA的方法可以看出,面部识别方法是通过测量每个人脸的维度来定义的。求得的特征向量(特征脸)中包含训练集每个纬度的绝大部分信息。但是若测试集中人脸尺寸不同,那么与特征脸中维度的也就没法对应起来。4.2Fisherfaces(线性判别)线性判别式分析(LinearDiscriminant,LDA),又称FisherLinearDiscriminant,是贝尔哈默1996年引入的一种模式识别算法。线性判别式分析模型基本思想将高维样本投影低维的向量空间,使重要信息抽取和分类特征尺寸效应压缩投影模型之后样品提供新的子空间有最大最小距离类间距,即在这类模型有更好的空间割裂性。4.2.1LDA的主要思想LDA是一种有监督学习的降维技术。这点和PCA不同。PCA是不考虑样本类别输出的无监督降维技术。看图4-1的两种降维方式:图4-1两种降维方式图中有两种投影方式,从肉眼来看,右图应该比左图更好,因为在投影之后,右图的两种类型的黑色和蓝色样本更加集中,分的很清楚,并且二者之间有明显的距离。左边的图覆盖了边界上的数据,俩种数据的边缘有交集。这就是LDA的基本概念。4.2.2LDA计算特征向量目前,我们认为有太多的初始特征希望将d-维特征简化为一个维度,我们必须确保类别“清楚”反映在由每个例子类别定义的低维度数据中。所以下边的例子都是以在二维平面的点在直线上的投影,来进行类别区分的。我们对投影后两类是否能够分得开,直观印象就是两类的中心点(均值)相离较远,下面按照这个思路进行推导。每个类别的平均值:μj=1Njx∈Xjx由于x到w投影后的样本点均值为:μj=1Nj怎样才是最佳的直线(ω)呢?计算结果就是:J(ω)越大越好。但是还需要考虑样本点投影后的内聚性上边这个J(ω)行不行呢?看图4-2:图4-2抽样点分布图抽样点在椭圆中均匀分布,当投影到达x1横轴时,可以在J(ω)之间得到更大的间隔,但是由于它们更大,x1无法分离样本点。纵向x2轴的投影,虽然J(离散值几何是抽样点的内置程序,值越大,它就越分散,反之亦然。虽然我们希望在投影后的抽样点得到满足:不同抽样点差值越大越好,相同抽样点差值越小越好。所以我们可以用J(ω)和S一起来测量,最后的测量公式是:Jω=μ这个公式是不是看得很面熟,不就是缺少了样例数为分配的协方差矩阵么,它称为散列矩阵(scattermatrices)。最后目标表达式为:αrgmαxJω=ω用拉格朗日法求解:在求导之前,必须要对分母进行归一化,因为不做归一化的话,ω缩小、扩大任何倍,都成立,无法确定ω。令:ωTSωω=1加入乘子求导:c→d→Sbω=其中用到了矩阵微积分,求导时可以简单地把ωTSω这个公式称为Fisherlineardiscrimination。因此,我们所要做的就是要求原始样品的平均值和偏差,以找到最佳方向ω。最后二维样本的投影结果图:图4-3二维样本的投影结果图4.2.3LDA多分类图4-4多维度投影假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意n维样本xi,yi矢量∈{C1和C2,…Ck,}。我们决定Nj。K)对于j类样本的数量,Xj(j=1.2)…K)一组j类样品,而mj(j=1.2)……K)为第i类平均向量样本测定Σj(j=2…K)是j类的一个共变质矩阵,可以很容易地将LDA2分类为多个类别。因为我们是低维度的多级投影,所以现在进入的投影不是直线,而是超平面。假设我们投影的低维是d,相应的向量是(w1,w2,Wd),由碱基向量组成的矩阵是W,是n*d。其中:Sω=j=1Sb=j=1kN相对于二分类的情况要改变,原来测量的是两个中点的分布,它们相对于每个类的抽样中心进行测量。类似的像点μj试样单平均色散矩阵,如果样点较多,那么样品比重大,可用Ni/N提交,但由于J(ω)倍数不敏感,因此使用WTSbW和WTSargmaxJW用主对角素元素的乘积代替:JW首求出特征值,然后取前K个特征向量组成W矩阵。4.2.4LDA与PCA比较表4-3LDA与PCA的同异点相同点不同点两者均可以对数据进行降维。两者在降维时均使用了矩阵特征分解的思想。两者都假设数据符合高斯分布。LDA是有监督的降维方法,而PCA是无监督的降维方法LDA降维最多降到类别数k-1的维数,而PCA没有这个限制。LDA除了可以用于降维,还可以用于分类。LDA选择分类性能最好的投影方向,而PCA选择样本点投影具有最大方差的方向。从坐标图看出,在某一定条件下LDA比PCA降维要优秀。图4-5数据分布4.3LBPH(局部二进制编码直方图)LBPH(LocalBinaryPatternsHistograms)局部二进制编码直方图,建立在LBPH基础之上的人脸识别法基本思想如下:首先,考虑到每个像素根据周围灰色像素值的大小而定,用二进制代码将其编码,从而接收整个图像的编码;然后我们在gradxLBP图像领域获得gradyLBP直方图,然后在每个领域,获得LBP直方图通过比较各种图像直方图的编码者面部识别,以实现个人的优势在于他们不影响采光,减少和旋转移位。4.3.1LBPH人脸识别算法原理计算各图像LBP编码图像LBPi,大小为(w-2*radius,h-2*radius)各像素值计算方法如下:依次计算所有像素坐标第n邻域对应像素偏移坐标dxdx双线性差值计算所有像素坐标(x,y)第n邻域的灰度值graydx,lbp(x,y)计算所有像素的LBP编码值;lbpx,y=接下来计算直方图,各LBPi图像对应直方图矩阵HISTi宽度为2neighbors=256高度为计算每个格子的宽度和高度:w_grad=LBPi∙cols/gridxh_grad=LBP计算每一个直方图格子高度,按顺序排列,在每一行中连续存储结果;根据高度分类,所有的组织图都被划分为w_grad*h_grad。按字符串到字符串的顺序,向量矩阵将HISTi转换为1。将所有人脸训练图像直方图矩阵HISTi插入到成员变量_histograms,其中_histograms的行数为gradx*grady*2再更新模型首先设置更新模型图像数据和图像对应标签数据;更新模型算法和训练模型算法一致,唯一的区别是在训练模型之前不需要将_labels和_histograms清零。按照上述中方法计算待识别人脸图片直方图矩阵HISTq,计算HISTq和训练模型中各图像_histogramsi直方图之间的距离,记录距离最dis_min的直方图图像对应标签label_min,如果dis_min<threshold,则该人脸图片对应标签为label_min,否则返回-1。计算两直方图之间距离方法(opencv函数compareHist)如下:disi=j=0因此,对于训练模型i组图,组图的高度(j),组图的高度与检测图的高度相同;len为最大。4.3.2LBPH的背景与理论基础最初的LBP运算符将灰色值定义在3*3像素内,将其与其他8像素值进行比较,如果周围像素的值大于或等于像素中心,则像素点表示为1或0。因此,3-3相邻区域内的8个点可以产生8位二进制数字(通常转换为十进制,即256种的LBP代码),即在窗口中心像素点获得LBP值,并利用这个值来反映该区域的文本特征。图4-6LBP像素转换圆形LBP算子基本LBP算子最大的缺点是,它只覆盖固定半径内的一小部分,显然不满足不同尺寸和频率纹理的需求。为了适应不同规模、结构特点、LBP算子改进Ojala将3*3邻域扩展任意邻域和圆形方形邻域,改善周边取代LBP算子使半径R的圆形邻域像素点在任何数量,从而像半径R为形式,与各区域包含语句正是利用LBP算子的OpenCV样品、LBP圆下面是对LBP圆算子的理解:图4-7几种圆形LBP算子旋转不变模式正如LBP定义所示,LBP算子保持不变的灰度,但没有固定的转向,当图像旋转时,会产生不同的LBP值。此外,像Maenpaa这样的人扩大了LBP算子的范围,提供了一个旋转不变性的LBP算子,即连续旋转的邻域算子。下面的图显示了不变量LBP的搜索过程,下面的数字表示LBP的值,而图中的8个LBP周期最终得到了LBP的值,旋转不变性15。这意味着图中的所有8个LBP周期都对应于LBP代码的常数,即00001111。图4-8旋转不变的LBP示意图等价模式LBP算子可以为其生成不同的二进制模型,后者包含p在圆区域的选择点,半径为r。例如,5*5的范围内的20个选择点有220=1048576个二进制系统。如此多两位数的样本,无论是纹理提取还是鉴定、分类和获得纹理,都不利于提取。为了解决过度二进制模型的问题并提高统计数据,Ojala建议使用“等价模型”来减少LBP运算器的类型。例如,00000111(从0跳到1跳,从1跳到0跳)是一种由00001111组成的等价物。除等价模型类外,所有模型都被归类为另一类,即10010111类(跳了四次)。在这种改进中,二进制模型的多样性显著减少,其数量从原来的P(P-1)+2+1减少,P表示等价模型类包含P(P-1)+2的边界域选择点的数量。对于3乘3的范围内的8个选择点,最初的256个向量减少到59个,从而减少了特征向量的测量量,减少了高频噪声的影响。4.3.3LBP计算结果很明显,在早期提取的LBP能够在每个像素中获得LBP的“编码”之后,最初的LBP特征(每像素记录的灰色值)仍然是“照片”(每像素记录的LBP值)。图4-9原始图像图4-10LBP图谱正如我们从上面的分析中看到的,这个特性与位置信息密切相关。直接从两张图片中提取“特征”,以及对可能导致“不受监管”的词语的歧视性分析。后来,研究人员发现,图像可以被划分为多个子区域,每个像素点在每个边提取lbp特征,然后在每个边创建lbp的统计组织图。因此,每个子区域都可以用统计组织图来描述;整个场景由几个统计组织者组成;例如,100像素大小的图像被分成10*10=100个子集(可以以不同的方式划分),每个子集大小为10*10;在每个像素点上,在每个顶点上,提取LBP特征,然后创建一个统计组织图;因此,在这张图中,10*10个子集和10*10个统计组,李用10*10个统计组来描述。然后,使用不同的特征相似函数,我们可以判断两个图像之间的相似;第5章系统的详细设计5.1数据的收集和预处理5.1.1收集数据我们利用摄像头设备拍照10张以上保存在电脑里,然后下载ORL数据库,40人,每个人的数据库,10张图片。照片是在不同的时间、不同的光线下收集的(睁开眼睛、微笑或不微笑),在不同的个人细节下(戴眼镜或不戴眼镜)。所有的图像都是在黑暗、均匀的背景下收集的,面部表情(有些是轻微的旋转)。图5-1采集好的人脸第5章系统的详细设计5.1.2数据预处理通过ImageWatch功能可以看到ORL人脸数据库中的图像的大小是92x112。图5-2读取出的图像在ORL人脸数据库里面建立文件夹S41,将自己的照片进行ROI分割成相同的大小并保存进去,且转换为.pgm格式。初始化人脸、人眼分类器将图像转为灰度图将图像直方图均衡化检测人脸用初始化人脸、人眼分类器将图像转为灰度图将图像直方图均衡化检测人脸用ROI分割人脸区域将分割出的区域调整为合适大小并保存开始是否有图片是否结束第5章系统的详细设计图5-4ORL数据库文件夹图5-5ORL数据库具体文件5.2模型的训练个人人脸数据库在计算机“研究”这些个人样本后确定了培训的必要性。现在面临的一个问题是如何读取训练样本作为记忆。opencv手册明确规定,Eigenfacercognizer培训功能的输入参数是包含所有教学图像的图像容器。那么,如何制作这些容器中的一个并将所有的样品放入其中呢?有很多方法,我在实验中使用CSV文件读取方法。5.2.1制作数据集首先创建一个包含所有文件路径名的CSV文件,也就是一个文本文件。我的ORL数据库存放地址为:“D:\Opencv\cx\feces”;打开Windows命令提示符(cmd.exe)键入:图5-6DOS命令得到at.txt打开后:图5-7生成的CSV文件每个路径后加上标签:图5-8最终的CSV文件自此数据集制作完成。5.2.2训练数据模型首先要把之前图片和标签提取出来。这时候就是at.txt派上用场的时候了.我们如果要利用CSV文件去读取我们想要的图像和标签,可以使用stringstream和getline方法。代码如下:staticvoidread_csv(conststring&filename,vector<Mat>&images,vector<int>&labels,charseparator=';'){ std::ifstreamfile(filename.c_str(),ifstream::in); if(!file){ CV_Error(CV_StsBadArg,error_message); } stringline,path,classlabel; while(getline(file,line)){ stringstreamliness(line); getline(liness,path,separator); getline(liness,classlabel); if(!path.empty()&&!classlabel.empty()){ images.push_back(imread(path,0)); labels.push_back(atoi(classlabel.c_str())); } }}开始数据训练,首先,创建一个图像容器和一个标记的教学图像存储容器,然后调用voidread_csv()来填满这两个容器,代码如下:stringfn_csv="E:\\ORL\\at.txt";//读取你的CSV文件路径.vector<Mat>images;//2个容器来存放图像数据和对应的标签vector<int>labels;read_csv(fn_csv,images,labels);//从csv文件中批量读取训练数据然后创建一个PCA人脸分类器,暂时命名为model吧,创建完成后,调用其中的成员函数train()来完成分类器的训练,代码如下:Ptr<FaceRecognizer>model=createEigenFaceRecognizer();model->train(images,labels);注意,在创建createEigenFaceRecognizer()函数,可以人为指定分类结果和尺寸特征阈值训练,这里我们采用系统默认参数。train()函数的运行时间取决于模型上的图像数量,而ORL上的400个图像的培训大约需要一分钟。具体如下:model->save("MyFacePCAModel.xml");之后可在程序文件目录下找到训练好的XML文件如下:图5-8训练好的模型文件自此模型训练部分就做好了。5.3实现人脸识别5.3.1OpenCV的模块表5-1在官方文档中的重要模块。模块功能core简洁的核心模块,定义了基本的数据结构,包括稠密多维数组Mat和其他模块需要的基本函数。imgproc图像处理模块,包括线性和非线性图像滤波、几何图像转换(缩放、仿射与透视变换、一般性基于表的重映射)、颜色空间转换、直方图等等。video视频分析模块,包括运动估计、背景消除、物体跟踪算法。calib3d包括基本的多视角几何算法、单体和立体相机的标定、对象姿态估计、双目立体匹配算法和元素的三维重建。features2d包含了显著特征检测算法、描述算子和算子匹配算法。objdetect物体检测和一些预定义的物体的检测(如人脸、眼睛、杯子、人、汽车等)。ml多种机器学习算法,如K均值、支持向量机和神经网络。highgui一个简单易用的接口,提供视频捕捉、图像和视频编码等功能,还有简单的UI接口。gpuOpenCV中不同模块的GPU加速算法。ocl使用OpenCL实现的通用算法。此外还有一些其它辅助模块,如Python绑定和用户贡献的算法。5.3.2OpenCV的基础类和操作OpenCV包含几百个类。为简便起见,只看几个基础的类和操作。过一遍这几个核心类足以对这个库的机理产生一些感觉认识。cv:Mat是OpenCV数据的基本结构,用于表示任意的N维矩阵。由于图像只是一个二维矩阵的特殊场景,它们也被用于cv:Mat。因此,cv:Mat是OpenCV中最常使用的类,它可以通过以下方式调用。uchar*pixelPtr=cvMat.data+rowIndex*cvMat.step[0]+colIndex*cvMat.step[1]Algorithm是OpenCV中一部分算法的抽象基础类,包括在我们使用的FaceRecognizer类。在创建Algorithm时,使用算法名称调用Algorithm:create,可以用get()和set()方法获得和安装不同的参数,这有点像键盘编码。此外,Algorithm从一开始就支持从/保存参数到XML文件或YAML文件的函数。5.3.3人脸识别过程OpenCV提供了一组在培训后可以找到的对象检测功能。库有几个参数可以直接用于不同的场景,如脸、眼睛、嘴巴、身体、上半身、下半身和表情符号。探测引擎由几个非常简单的探测器级联组成。这些探测器被称为Haar特征探测器,每个探测器的大小和重量都不一样。在培训阶段,决策树通过已知的对错图像优化。当正确的级联特征及其规模和重量由训练安装时,这些参数可以由级联加载和初始化。我们已经训练了级联分级器。首先我们初始化级联分类器:Ptr<FaceRecognizer>modelPCA=createEigenFaceRecognizer();modelPCA->load("MyFacePCAModel.xml");初始化后我们就可以使用它来进行人脸检测了,检测代码如下cv::Matimg;vector<cv::Rect>faceRects;doublescalingFactor=1.1;intminNeighbors=2;intflags=0;cv::SizeminimumSize(30,30);faceDetector.detectMultiScale(img,faceRects,scalingFactor,minNeighbors,flagscv::Size(30,30));在测试过程中,训练分级器跟踪每一个像素在不同的尺度下输入到图像中,以检测大小不同的人。每次scalingFactor参数决定将比值提高几倍。minNeighbors参数规定,与相应的面部云相邻的像素必须被识别为可能的面部区域。如果一个符合条件的区域在没有催化剂的情况下将像素转移到像素上,那么这个区域可能不是我们预期的结果。与少数相比,像素更匹配的面部区域被拒绝。如果minnygbors设置为0,所有可能的面部区域将返回。参数标志是OpenCV1的残留物。x版本的API,总是0。最后,minimumSize参数定义了我们正在寻找的面部区域的最小值。faceRects向量包括通过面部识别获得的所有面部区域(img)。面部识别图像可以通过cv获得:Mat运营商,这是一种非常简单的方式:cv:MatfaceImg=aFaceRect。将检测得到的标签保存起来。if(!face_test.empty()){predictPCA=modelPCA->predict(face_test);}如果跟我们csv文件里的标签一样就显示自己的名字if(predictPCA==35){stringname="YanQiwei";putText(frame,name,text_lb,FONT_HERSHEY_COMPLEX,1,Scalar(0,0,255));}5.4搭载到门禁系统本设计搭载于Windows系统上,门禁系统可用Windows上位机程序控制门锁等安全措施。编写上位机程序可用QT、LabView等软件,待人脸识别程序识别出特定的人脸后,通过串口,蓝牙,WiFi等通道将信号发送到下位机,下位机接收到信号后作出相应的反应。经测试本设计可轻易搭载到市面上的各个门禁系统上。成熟的人脸识别门禁系统,对于外观,便捷性,都有很高要求,本人缺少必要生产、购买条件,故不作研究。第6章系统调试第6章系统调试第6章系统调试6.1调试过程安装好opencv与visualstudio2015后测试软件是否能正常运行发现出现以下错误:fatalerrorLNK1112:modulemachinetype'x64'conflictswithtargetmachinetype'X86'错误原因及解决方法:这个错误出现的原因是:在visualstudio2015中不能进行32位的OpenCV的编译,而且我整个配置过程都是针对于64位系统而进行的,所以我要让VS2015运行64的调试模式,其实很简单,在工具栏中切换一下就好:图6-1切换调试模式我利用Dos命令生成csv文件没有后缀标签。错误原因及解决方法:利用Dos命令生成csv文件无法加上后缀标签,可以生成完后用Excel打开csv文件添加标签。也可以用Python脚本自动生成带标签数据集的CSV文件,同样其他编程语言也可实现。训练模型的时候报错:1>opencv配置.obj:errorLNK2001:无法解析的外部符号"structcv::Ptr<classcv::face::LBPHFaceRecognizer>__cdeclcv::face::createLBPHFaceRecognizer(int,int,int,int,double)"(?createLBPHFaceRecognizer@face@cv@@YA?AU?$Ptr@VLBPHFaceRecognizer@face@cv@@@2@HHHHN@Z)等错误无法通过编译。错误原因及解决方法:在头文件中声明了函数,但是cpp文件缺少了函数实现部分;忘了将这个.h,.cppAddtoproject;以上两种情况都没有做,没有将它对应的lib文件添加到Setting->LINK中;最后将face.hpp加入进去问题解决。训练模型的时候报错:无法识别的标识符createFisherFaceRecognizer()错误原因及解决方法:opencv3.0及以上版本将FaceRecognizer类和其他一些类独立出来做成了一个扩展库contrib库。去opencv官网下载下载后安装即可消去错误。训练模型程序运行后无法读取足够的图片,无法完成模型的训练。错误原因及解决方法:我保存在ORL人脸数据库里的人脸图片数据为jpg格式而其他图片数据为pgm格式,将jpg修改为pgm后缀后再次生产csv文件后程序正常运行。6.2试验结果经试验此系统可以较为准确的识别出特定的人脸(我自己),正面人脸识别成功率最高,可达到95%以上,下面是具体试验结果:图6-2识别并标注自己参考文献第7章总结人脸识别技术作为一个高新技术具有极高的价值。生物学当中,唯一的判断的标准,有虹膜识别、指纹识别,声音识别、人脸识别。指纹识别和声音识别的采集成本极小,但是由于其极高的可复制性使得识别精度不尽人意。而虹膜识别最为精准,但是虹膜识别采集成本非常高,识别的效率相对不是很高,需要等待的时间,无法大规模普及。综合来说人脸识别是现阶段最好开发的一个技术。现在人脸识别也确实在金融行业和安保行业大放异彩。本设计是基于Opencv的人脸识别系统,它通过收集人脸数据、预处理人脸数据、训练模型,最后进行识别人脸应用的一系列过程,可以较为准确的识别出特定的人脸,正面人脸检测准确度为95%以上,并且可以在其他opencv支持的平台上进行二次开发。此系统在人脸识别算法上可以再次改进以得到更高的识别率,可以提高在各种环境下的识别准确度,可以提高同时识别的人数。这些不足我将在未来对其学习并完善。参考文献参考文献[1]C++从入门到精通/明日科技编著.-3版.-北京:清华大学出版社,2017(2018.9重印)[2]学习OpenCV(中文版)(美)布拉德斯基(Bradski,G).(美)克勒(Kachier,A)著:于仕琪,刘瑞祯译-北京:清华大学出版社,2009.10[3]山世光.面部特征检测与检测的研究与实现M.哈尔滨:哈尔滨工业大学,高等教育出版社,1999年7月[4]蒋遂平.人脸检测技术及应用简介[M].北京:淸华大学,中国计算机世界出版,2003
年12月[5]徐慧.visualC++数字图像实用工程案例精选[J].北京:北京大学人民邮电出版社.
2004年3月[6]徐慈.visualC++数宇图像模式检测技术及工程实践[M].北京华北科技大学:人民邮电出版社2006年8月
[7]胡迎春等.人脸图像特征点眼睛的定位与提取[M].柳州:广西工学院学报,人民邮电出版社,2003年3月[8]周长发.精通visualC++图像处理编程[M].北京:电子工业出版社,2004年10月
[9]张宏林.visualC++数宇图像模式检测技术及工程实践[J].北京:人民邮电出版
社,2006.8
[10]何斌等.visualC++数字图像处理[M].北京:北京科技大学,人民邮电出版社,2001
年4月[11]芮维通,姚瑞趦.VC++6.0程序设计教程.北京:机械工业出版社,2003年4月
[12]马安鹏.VC++6.0程序设计导学[M].北京:清华大学出版社,2003年6月
[13]张威等.VC++程序设计技巧与实例[J].北京:中国铁道出版社,2003年3月[14]王丽娟.基于OpenCV混合高斯建模的运动目标检测[J].电子测试,2009.(第9
期):86-90.[15]于成忠,朱骏,袁晓辉.基于背景差法的运动目标检测[J].东南大学学报(自然科
学版),2005.第35卷增刊(Ⅱ):159-161.
[16]蔡瑞奎.C#实现运动物体的检测方法[J].自动化与信息工程,2008.第1期:8-11.
[17]皮文凯.刘宏,査红彬.基于自适应背景模型的全方位视觉人体运动检测[J].北京大学学报(自然科学版〉.第40卷(第3期):458-464.
[18]GrantPalmer等著,薛莹等译.BeginningC#2008Objects中文版[M].北京2008年
6月[19]马国峰,杨俊红,周兵.基于YUV颜色空间的视频运动检测[J].计算机工程与设计,
2008,笫29卷(第14期):3700-3708.[20]AshokSamal,PrasanaA.IyenGar.AutomaticRecognitionandAnalysisofHumanFacesandFacialExpressions[J],PatternRecognition,1992,25(1):65-77[21]RobertoBrunelli,TomasoPoggio.FaceRecognition:FeaturesversusTemplate[J].IEEETransactionPat.Ana.andMachineIntelligence,1993,15(10):1042-1052[22]TurkM,PentlandA.Eigenfacesforrecognition,JouralofCognitiveNeuroscience,1991,3(1):71-86BellhumerP.N.,HespanhaJ.,KriegmanD.,Eigenfacesvs.fisherfaces:Recognitionusingclassspecificlinearprojection[J],IEEETransactionsonPattenAnalysisandMachineIntelligence,SpecialIssueonFaceRecognition,1997,17(7):711-720[23]周激流,张晔.人脸识别理论研究进展[J].汁算机辅助设汁与图形学学报,1999,11(2):180-184[24]张生立.单样本多姿态人脸识别研究[J].计算机应用,2006,26(12):2851-2853[25]l雷静.基于OpenCV的人脸跟踪识别系统研究[D].西安:西安电子科技大学,2010[26]卢春雨,张长水,闻方,阎平凡.基于区域特征的快速人脸检测法[J].淸华大学学报(自然科学版),1999,39(1):101-105[27]刘明朵,高文.复杂背景K的人脸检测与跟踪系统[J].计算机研究与发展,1997,34(增刊):54-58[28]王蕴红等.融合全局与局部特怔的子空间人脸识别算法[J].计算机学报,2005,28(10):1657-1663[29]PhillipsP.J.,WechslerH.,HuangJ.,etal.TheFERETdatabaseandevaluationprocedureforfacerecognitionalgorithms[J].ImageandVisionComputing,1998,16(5):295-306[30]CaryBradiski,AdrianKaehler.LeamingOpenCV[M],USA:O’ReillyMedia,2008:1-89致谢致谢致谢首先我要感谢我论文指导老师微电子技术系的王昱琳老师以及各专业老师,是你们的细心指导和关怀,使我能够顺利的完成此次毕业设计,在我的学业和论文的研究工作中无不倾注着老师们辛勤的汗水和心血。老师的严谨治学态度、渊博的知识、无私的奉献精神使我深受启发。从尊敬的导师身上,不仅学到了扎实、宽广的专业知识,也学到了做人的道理。在此我要向我的导师致以最衷心的感谢和深深的敬意。其次我要感谢各类专业书籍、专业论文,专业博文的编写者,你们专业而严谨的书籍是我最好的精神食粮,是我扫除设计中的困难的利剑。让我对我所学过的知识有所巩固和提高,并且让我对当今opencv、人脸识别的最新发展技术有所了解。在整个过程中,我学到了知识,増长了见识。在今后的日子里,我仍然要不断地充实自己,争取在所学领域有所作为。最后我要感谢我的同学,大家一起商量问题,认真听取不同人的意见往往会有出其不意的效果,为我解决了许多问题。脚踏实地,认真严谨,实事求是的学习态度,不怕困难、坚持不懈、吃苦耐劳的精神,是我在完成此次毕业设计中的最大收获,这次次意志的磨练,是我实际能力的一次提升,也会对我未来的学习和工作有很大的帮助。附录一生成CSV文件程序译文附录附录一生成CSV文件程序#include<iostream>#include<vector>#include<io.h>#include<fstream>usingnamespacestd;ofstreamoff("csv.txt",ios::out);vector<int>number;intnum=0;voidgetFiles(stringpath,vector<string>&files){ //文件句柄 longhFile=0; //文件信息 struct_finddata_tfileinfo; stringp; if((hFile=_findfirst(p.assign(path).append("\\*").c_str(),&fileinfo))!=-1) { do { //如果是目录,迭代之 //如果不是,加入列表 if((fileinfo.attrib&_A_SUBDIR)) { if(strcmp(,".")!=0&&strcmp(,"..")!=0){ getFiles(p.assign(path).append("\\").append(),files); num++; } } else { files.push_back(p.assign(path).append("\\").append()); number.push_back(num); } }while(_findnext(hFile,&fileinfo)==0); _findclose(hFile); }}intmain(){ char*filepath="D:\\Opencv\\cx\\att_faces"; vector<string>files; getFiles(filepath,files); charstr[30]; intsize=files.size(); for(inti=1;i<size;i++){ off<<files[i].c_str(); off<<";"; off<<number[i]; off<<"\n"; } off.close(); return0;}附录二ROI分割程序附录二ROI分割程序#include<opencv2\opencv.hpp>#include<iostream>#include<stdio.h>usingnamespacestd;usingnamespacecv;/**FunctionHeaders*/voiddetectAndDisplay(Matimg);/**Globalvariables*/Stringface_cascade_name="haarcascade_frontalface_default.xml";Stringeyes_cascade_name="haarcascade_eye_tree_eyeglasses.xml";CascadeClassifierface_cascade;//定义人脸分类器CascadeClassifiereyes_cascade;//定义人眼分类器Stringwindow_name="Capture-Facedetection";/**@functionmain*/intmain(void){ Matimg=imread("55.jpg"); //VideoCapturecapture; //Matframe; //--1.Loadthecascades if(!face_cascade.load(face_cascade_name)){printf("--(!)Errorloadingfacecascade\n");return-1;}; if(!eyes_cascade.load(eyes_cascade_name)){printf("--(!)Errorloadingeyescascade\n");return-1;}; //--2.Readthevideostream //capture.open(0); //if(!capture.isOpened()){printf("--(!)Erroropeningvideocapture\n");return-1;} //while(capture.read(frame)) //{ // if(frame.empty()) // { // printf("--(!)Nocapturedframe--Break!"); // break; // } //--3.Applytheclassifiertotheframe detectAndDisplay(img); intc=waitKey(0); if((char)c==27){return0;}//escape //} return0;}/**@functiondetectAndDisplay*/voiddetectAndDisplay(Matimg){ inti=1; std::vector<Rect>faces; Matimg_gray; cvtColor(img,img_gray,COLOR_BGR2GRAY); equalizeHist(img_gray,img_gray); //--Detectfaces face_cascade.detectMultiScale(img_gray,faces,1.1,3,CV_HAAR_DO_ROUGH_SEARCH,Size(50,50)); for(size_tj=0;j<faces.size();j++) { MatfaceROI=img(faces[j]); MatMyFace; if(faceROI.cols>100) { resize(faceROI,MyFace,Size(92,112)); stringstr=format("D:\\pic\\pic%d.jpg",i); imwrite(str,MyFace); imshow("ii",MyFace); } waitKey(10); }附录三模型训练程序附录三模型训练程序#include<opencv2/opencv.hpp>#include<iostream>#include<fstream>#include<sstream>#include<math.h>#include<opencv2/face.hpp>usingnamespacecv;usingnamespacestd;usingnamespacecv::face;staticMatnorm_0_255(InputArray_src){ Matsrc=_src.getMat(); //创建和返回一个归一化后的图像矩阵: Matdst; switch(src.channels()){ case1: cv::normalize(_src,dst,0,255,NORM_MINMAX,CV_8UC1); break; case3: cv::normalize(_src,dst,0,255,NORM_MINMAX,CV_8UC3); break; default: src.copyTo(dst); break; } returndst;}//使用CSV文件去读图像和标签,主要使用stringstream和getline方法staticvoidread_csv(conststring&filename,vector<Mat>&images,vector<int>&labels,charseparator=';'){ std::ifstreamfile(filename.c_str(),ifstream::in); if(!file){ stringerror_message="Novalidinputfilewasgiven,pleasecheckthegivenfilename."; CV_Error(CV_StsBadArg,error_message); } stringline,path,classlabel; while(getline(file,line)){ stringstreamliness(line); getline(liness,path,separator); getline(liness,classlabel); if(!path.empty()&&!classlabel.empty()){ images.push_back(imread(path,0)); labels.push_back(atoi(classlabel.c_str())); } }}intmain(){ //读取你的CSV文件路径. //stringfn_csv=string(argv[1]); stringfn_csv="at.txt"; //2个容器来存放图像数据和对应的标签 vector<Mat>images; vector<int>labels; //读取数据.如果文件不合法就会出错 //输入的文件名已经有了. try { read_csv(fn_csv,images,labels); } catch(cv::Exception&e) { cerr<<"Erroropeningfile\""<<fn_csv<<"\".Reason:"<<e.msg<<endl; //文件有问题,我们啥也做不了了,退出了 exit(1); } //如果没有读取到足够图片,也退出. if(images.size()<=1){ stringerror_message="Thisdemoneedsatleast2imagestowork.Pleaseaddmoreimagestoyourdataset!"; CV_Error(CV_StsError,error_message); } //下面的几行代码仅仅是从你的数据集中移除最后一张图片 //[gm:自然这里需要根据自己的需要修改,他这里简化了很多问题] MattestSample=images[images.size()-1]; inttestLabel=labels[labels.size()-1]; images.pop_back(); labels.pop_back(); //下面几行创建了一个特征脸模型用于人脸识别, //通过CSV文件读取的图像和标签训练它。 //T这里是一个完整的PCA变换 //如果你只想保留10个主成分,使用如下代码 //cv::createEigenFaceRecognizer(10); // //如果你还希望使用置信度阈值来初始化,使用以下语句: //cv::createEigenFaceRecognizer(10,123.0); // //如果你使用所有特征并且使用一个阈值,使用以下语句: // cv::createEigenFaceRecognizer(0,123.0); Ptr<FaceRecognizer>model=createEigenFaceRecognizer(); model->train(images,labels); model->save("MyFacePCAModel.xml"); Ptr<FaceRecognizer>model1=createFisherFaceRecognizer(); model1->train(images,labels); model1->save("MyFaceFisherModel.xml"); Ptr<FaceRecognizer>model2=createLBPHFaceRecognizer(); model2->train(images,labels); model2->save("MyFaceLBPHModel.xml"); //下面对测试图像进行预测,predictedLabel是预测标签结果 intpredictedLabel=model->predict(testSample); intpredictedLabel1=model1->predict(testSample); intpredictedLabel2=model2->predict(testSample); //还有一种调用方式,可以获取结果同时得到阈值: //intpredictedLabel=-1; //doubleconfidence=0.0; //model->predict(testSample,predictedLabel,confidence); stringresult_message=format("Predictedclass=%d/Actualclass=%d.",predictedLabel,testLabel); stringresult_message1=format("Predictedclass=%d/Actualclass=%d.",predictedLabel1,testLabel); stringresult_message2=format("Predictedclass=%d/Actualclass=%d.",predictedLabel2,testLabel); cout<<result_message<<endl; cout<<result_message1<<endl; cout<<result_message2<<endl; waitKey(0); return0;}附录四人脸识别程序附录四人脸识别程序#include<opencv2\opencv.hpp>#include<iostream>#include<opencv2\face.hpp>#include<opencv2\features2d.hpp>usingnamespacestd;usingnamespacecv;usingnamespacecv::face;intmain(){ VideoCapturecap(0);//打开默认摄像头 if(!cap.isOpened()) { return-1; } Matframe; Matedges; Matgray; CascadeClassifiercascade; boolstop=false; //训练好的文件名称,放置在可执行文件同目录下 cascade.load("haarcascade_frontalface_alt.xml"); Ptr<FaceRecognizer>modelPCA=createEigenFaceRecognizer(); ; modelPCA->load("MyFacePCAModel.xml"); while(!stop) { cap>>frame; //建立用于存放人脸的向量容器 vector<Rect>faces(0); cvtColor(frame,gray,CV_BGR2GRAY); //改变图像大小,使用双线性差值 //resize(gray,smallImg,smallImg.size(),0,0,INTER_LINEAR); //变换后的图像进行直方图均值化处理 equalizeHist(gray,gray); cascade.detectMultiScale(gray,faces, 1.1,2,0 //|CV_HAAR_FIND_BIGGEST_OBJECT //|CV_HAAR_DO_ROUGH_SEARCH |CV_HAAR_SCALE_IMAGE, Size(30,30)); Matface; Pointtext_lb; for(size_ti=0;i<faces.size();i++) { if(faces[i].height>0&&faces[i].width>0) { face=gray(faces[i]); text_lb=Point(faces[i].x,faces[i].y); rectangle(frame,faces[i],Scalar(255,0,0),1,8,0); } } Matface_test; intpredictPCA=0; if(face.rows>=120) { resize(face,face_test,Size(92,112)); } //Matface_test_gray; //cvtColor(face_test,face_test_gray,CV_BGR2GRAY); if(!face_test.empty()) { //测试图像应该是灰度图 predictPCA=modelPCA->predict(face_test); } cout<<predictPCA<<endl; if(predictPCA==35) { stringname="YanQiWei"; putText(frame,name,text_lb,FONT_HERSHEY_COMPLEX,1,Scalar(0,0,255)); } imshow("face",frame); if(waitKey(50)>=0) stop=true; } return0;}外文资料原文外文资料原文Thenextstepi

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论