施工现场人脸识别授权协议书怎么写才有效（人脸识别免责声明条款怎么写）

摘要人脸检测主要是基于计算机识别的一项数字化技术，用以准确获取人的脸部大小和位置信息，在进行人脸检测时，突出主要的脸部特征，淡化次要的环境、衣着等因素。对于某些情况下，人脸检测也可以计算出人脸，如眼睛，鼻子和嘴等精确的微妙特征。由于在安全检测系统，医学，档案管理，视频会议和人机交互等领域人脸检测系统都有光明的应用前景，因此人脸检测逐渐成为了两个跨学科领域研究的热门话题:人工智能和当前模式识别。本文基于OpenCV视觉库具体的设计并开发了对数字图像中的人脸检测的程序，所采用的人脸检测的原理主要是分类器训练模式。

2.2图像预处理由于一些外界条件的不同，例如用干采集图像的设备的性能好坏、现场光照明暗程度不同等，图像通常会存在噪声、清晰度低等缺陷。此外，图像中人脸的绝对坐标及区域大小会随着人离摄像头的远近而改变。要想保证提取到的人脸特征不会受到上述这些因素的影响，则需要在提取特征人脸之前，对图像进行预处理。

2.2.1灰度图像转换由于对彩像数据的分析比黑白图像要难得多，所以将彩像转换成灰度图是图像预处理的第一步。对图像进行灰度化处理是智能识别的基础，一般采集的图像都是三原色(R,G.

2.2.2图像噪声消除通常视频可以理解为连续的图像序列，在采集、保存、传输视频图像数据的过程中常会出现噪声干扰现象，噪声会使图像失真，使图像不像原木那样均匀连续地变化，进而会对图像的后续处理产生影响。因此，对视频图像进行检测分析之前，应对输入的图像进行噪声消除，尽最地消除图像中的噪声干扰，有助于准确快速地获取图像的特征，从而也能更好地进行模式识别等复杂处理，同时也能够减少目标检测的计算量。按影响图像质量的噪声源可将图像噪声分为三类：第一类，阻性元件内部电子自由热运动产生的电子噪声，常用零均值高斯白噪声模型来近似。第二类，由于光电转换引起的泊松噪声(椒盐噪声)。第三类，在感光过程中产生的颗粒噪声。根据噪声与信号之间的关系，噪声也可分为加性噪声和乘性噪声。加性噪声的来源主要有人为噪声、自然噪声、内部噪声，主要表现形式有脉冲噪声和高斯噪声。乘性噪声往往具有随机性，是图像中最普通的噪声，其中一个典型代表是光照变化。OpenCV消除图像噪声的常用方法有:均值滤波、中值滤波和高斯滤波。均值滤波对高斯噪声有较好的抑制作用，中值滤波适用于处理椒盐噪声。简单介绍下这三种去噪方法。

2.2.2图像边缘检测在对图像进行目标检测时，图像边缘是重要的提取信息。根据人眼的直观感受，目标图像的边缘信息是最明显的，图像边缘在整个图像中变化差异最大。提取图像边缘的主要依据是目标边缘处像素点的灰度值变化比较剧烈。图像边缘往往处于前景物体与背景图像的交界处，所以一般采用高通滤波器，保留高频信号。常用的边缘检测方法有:梯度边缘检测、差分边缘检测、So

3.1人脸识别原理人脸识别算法的原理：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。此方法是把人脸面部器官之间关系编码并准则化的人脸检测方法。这是一种自顶而下的方法，根据人脸面部器官的对称性、灰度差异等先验知识，制定一系列的准则。当图像中的待测区域符合准则，即被检测为人脸。人脸及器官具有典型的边沿和形状特征，通常人们利用采用Laplacian，So

3.2人脸检测方法现有的人脸检测方法，人致分为三类：基于人脸几何特征的方法、基于人脸肤色的方法和基于人脸统计理论的方法。

(1)基于人脸几何特征的方法人脸的几何特征即人脸的而部特征(如眼睛、鼻户、嘴巴、耳朵、肤色等)，主要判别标准是人脸轮廓五官的对称性以及各个特征之间相对的位置。典型的基于人脸几何特征的方法有:基于先验知识的人脸检测方法和基于模板的人脸检侧方法.基于先验知识的检测方法，首先需要确定人脸区域，然后通过前辈总结的先验知识来检验是否存在人脸，例如人脸面部五官的对称性、灰度值的不同等.人脸五官存在一些基本的规律，例如眼睛的形状及对称性，眼睛、鼻子、眉毛和嘴巴处的像素灰度值要大于人脸其他部位，鼻和嘴巴的中心点的连线与两只眼睛的连线是垂直的等.可以将这些特征信息作为一个判别准则.若图像符合这些准则，则确定存在人脸。该算法的优点为人脸特征比较直观、检测容易实现、计算量小。然而，该算法也存在不容忽视的缺点，检测准确率不高。如果人脸表发生变化或人脸偏向的角度不同，则人脸特征的判别准则也会产生很大的变化。这种情况下，若只采用固定准则去定义人脸.则会产生人睑的误检漏检，检测准确率不高。基于模板的人脸检测方法，就是预先将包含人脸局部特征的标准脸部模型参数化。利用算法计算出图像待检测区域的特征与标准脸部模板的相似度，如果相似度的大小符合制定的准则(大干某个阈值)，就可以判断检测区域存在人脸。该方法虽然实现容易，但标准模板的设定固定单一，不能有效地解决人睑姿态、大小以及形状变化等问题。为了提高该方法的鲁棒性，人们又提出了基干弹性模板的人脸检测方法。在该方法所建立的模型中，对应面部器官(人眼、鼻子等)的尺寸、位置、角度等信息的参数被设置为可变参数，这样在检测时能够根据被测图像的具体情况动态地调整标准模板的参数，利用修正后的标准模板再进行检测，检测的准确度会提高很多，而且能够减少外界环境(光线、人脸表情变化等)对检测结果的影响。该算法缺点是耗时较长，不利于实时性检测。

(2)基于人脸肤色的方法肤色是人面部的重要特征，不依赖于面部其他器官的细节特征，相对稳定性较强。人脸表情变化、人脸偏向角度变化等情况对确定肤域不会产生影响，并且其色彩信息能够区别于大多数背景物体的颜色，从而可以很好地对人脸区域进行分割。因此，基于肤色的人脸检测方法实用性较强。但是由于外界环境的变化，光照强度、光源颜色的变化，对利用肤色特征进行人脸分割会产生很大的影响。因此，需要结合几何形状、运动分析算法，才能很好地在视频中对人脸进行定位。面部肤色特征一般通过建立肤色模型来描述，Gauss模型、混合Gauss模型以及直方图模型都是常用的肤色模型。检测时根据被测图像像素与肤色模型的相似度，然后结合空间相关性将可能的人脸区域从背景中分割出来，再对分害出的区域进行几何特征分析，确定其与人脸特征的相关值，从而排除非“人脸”的似肤域。

(3)基于人脸统计理论的方法基于统计理论进行人脸检测的方法是目前人脸检测领域的研究重心。其主要思想是将人脸检测的问题转化为统计学上模式识别的问题，即通过采用统计分析以及机器学习的方法，对人脸样本以及非人脸样本进行训练，得到其各自的特征，从而构建一个人脸分类器。利用该分类器可以完成对人脸的检测，同时可以得到人脸的绝对坐标和大小。现有的主要方法包括有:基于特征空间的方法、摹于人工神经网络的方法、基于支持向量机的方法、基于隐马尔可夫模型的方法以及

3.3改进型双重人脸检测总结

3.2节多个人脸检测算法的特点可以发现:基于几何特征的方法虽然容易实现，但易出现人脸的误检漏检，检测效果较差;基于人脸肤色的方法容易受到外界光线强度变化的影响，鲁棒性差，检测正确性低:相比较而言，基于人脸统计理论的方法检测正确率较高，应用比较广泛。其中Ada

3.4双眼定位算法传统的Ada

3.5双重检测算法的实现支持矢量机(SupportVectorMachines)是由XXX与其领导的贝尔实验室的小组一起开发出来的一种新的机器学习技术。SVM的理论基础来自于Vapnik等提出的统计学习理论，它的基本思想是，对于一个给定的具有有限数量训练样本的学习任务，如何在准确性(对于给定训练集)和机器容量(机器可无错误地学习任意训练集的能力)进行折中，以得到最佳的推广性能。与传统统计学相比，统计学习理论(StatisticalLearningTheory或SLT)是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本统计问题建立了一套新的理论体系，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。Vapnik等人从

六、七十年始致力于此方面研究，到九十年代中期，随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视。目前将该理论已经得到了一些应用，比如在光学字符识别等方面，并且获得了比较好的效果，不过由于建立完整的理论体系时间不长，该方法用于人脸检测的很少，尽管SVM算法的性能在许多实际问题的应用中得到了验证，但是该算法在计算上存在着一些问题，包括训练算法速度慢、算法复杂而难以实现以及检测阶段运算量大等等。Osuna等人介绍了一种具体的算法并对人脸识别问题进行了实验。他将样本集分为两个集合

4.1设计思想程序设计的总体思想是通过VS2010编写一个基于OpenCV视觉库的Windows应用程序。首先基于Ada

4.2程序设计流程分类器的训练过程是通过windows命令来完成的，可分为两个阶段：

c.样本集建立：根据人脸数据库样本的属性，设定相应的Windows命令行参数，建立正样本集和负样本集及其相应的样本集说明文件。

c.读取待检测图像：使用XXX函数找到指定的待检测图像，并判断待检测图像的格式是否符合程序检测的要求，拒绝可能引起程序崩溃的错误文件格式。

4.3代码编写

4.3.1载入图片阶段使用MFC编程函数。penDlg载入待检测的数字图像源文件，通过图像文件格式设定语句:JPGfileformat，可以设定所载入的图像为JPG或

4.3.2图片预处理阶段为保证检测的效率和准确性，要预先将载入的图像转化为灰度图像在进行处理，这里使用。penCV库的。vCreateImage创建首地址并分配存储空间函数再进行处理。IpllmageGray_Img二cvCreateImage(cvSize(img-width,img-height),8,1);对图片做过灰度化处理以后，还需要考虑所有待检测图像间的差异，为确保检测结果的准确，特别是面对一些明显偏暗或偏亮的图片时，如果不对待检测图片做出调整图像的局部特征会直接影响检测的结果，因此需要对待检测的图像在预处理阶段做出对比度调整或直方图调整。由于待检测的图像一般在尺寸，色彩，分辨率等方面不同于训练集中所用到的图像，这些图像的来源不同，背景不同，光照情况导致的亮度也有明显的差异，因此即使对这些待检测图像做对比度调整也不能够得到像调整训练集图像那样统一化的结果，因此待检测图像的预处理不适合做对比度调整，但对这些图像做灰度直方图均衡却能得到理想的效果，灰度直方图均衡化能够让过亮或过暗的图像灰度分布更加均匀，能够更好的突出图像中的人脸。这一部分的预处理操作使用OpenCV视觉库自带的。vEqualizeHist函数来完成。

4.3.3加载分类器并进行检测将训练好的分类器放在程序跟目录下，并使用下列语句指定分类器名称：constcharcascadename二Harr-Ad

4.3.4打印检测结果当程序检测到图片中存在的人脸之后并确定位置之后，会在原图片中按人脸的所占比例以圆形标记在原图片中标出。