人臉檢測技術在“多媒體課程”中的教學應用

張湃，孟慶瑩

（唐山學院智能與信息工程學院，河北唐山，063000）

0 引言

2019年，教育部《關于深化本科教育教學改革全面提高人才培養(yǎng)質量的意見》強調，全面提高了人才學習的質量，需要促進支持教學的科學研究，促進高等教育機構和大學的發(fā)展，以使最新的研究成果成為一名教師，支持學生盡早進入項目、實驗室和團隊，通過先進的研究提高學生的創(chuàng)新能力和實踐能力。近年來，研究團隊致力于實施數學，在圖像識別領域學習優(yōu)秀，從研究內容和成果到數學建模課程教學，逐步形成了以質量、應用、研究為目標的多層次、創(chuàng)新的人才學習方式，取得了良好的實踐教學效果。

隨著數字和網絡文字的出現，人臉識別技術[1]已逐漸滲透到的日常生活中[2-4]與基本的人臉識別技術相關。人臉識別是人臉數據處理的最重要內容，已成為模式識別、圖像識別系統和計算機視覺等研究的熱點。由于人臉是人體的生物學特性之一，因此人臉是個體外觀等主觀因素之一，表情和姿勢的差異，以及圖片質量、背景和復雜度、光照強度等客觀因素對人臉識別結果的影響，因此人臉識別是一個非常復雜的問題，但也具有非常重要的學術價值和應用機會。

視覺是一個快速發(fā)展的科學方向，新方法層出不窮。科學技術的不斷進步將逐步將人臉識別技術應用于許多領域，包括多生物特征人臉識別，近年來，視頻監(jiān)控攝像機已在多個城市普及，并在交通監(jiān)控、社會保障、交通安全等方面發(fā)揮了重要作用，在調查和案例解決領域，本研究主要涉及人臉識別和基于集成系統的人臉識別網絡。

人臉識別技術是指計算機用來檢測人臉圖像或視頻流的技術。人臉的復雜性以及拍攝圖像和視頻的環(huán)境的多樣性使得計算機領域的人臉識別技術成為一門非常復雜的學科。

面部識別的使用分類：（1）位置。它用于區(qū)分人臉與圖像或視頻流，并精確定位人臉和圖像的確切位置；（2）關鍵位置。它用于檢測照片或視頻流中的人體特征，如眼鏡、鼻子、嘴唇及其屬性；（3）面部識別。它用于通過圖像或視頻流中的面部線條準確識別一個人的身份；（4）面部監(jiān)控。連續(xù)監(jiān)控并確定視頻流面的位置、方向和一半；（5）面部表情識別。從圖像或視頻流中識別人們的情緒狀態(tài)：快樂、悲傷、憤怒。

應用與展望：（1）給視頻通話增加樂趣，比如動態(tài)地在臉上戴口罩；（2）同步虛擬圖像和對應人臉的表情和動作；（3）識別某一級別，如登錄驗證；（4）運動捕捉和控制，例如使用手勢控制計算機。

所涉區(qū)域：

（1）計算機學習

計算機學習始于1959年亞瑟·塞繆爾（Arthur Samuel）提出的國際象棋學習算法。1998年，湯姆·米切爾（Tom Mitchell）給出了一個數學定義：

對于計算機程序，給定任務T和性能監(jiān)控方法P，如果測量結果P受T影響經驗E，我們認為計算機程序已經學習了E；

反饋檢測技術是對未知圖像或視頻流人臉的識別和定位，P在確定圖像或視頻流人臉時是準確的（實際上有一個更準確的評估標準用于此評估）。該程序通過體驗一組人臉圖像而非人臉圖像來改進P。

計算機學習本質上是一組基于高等數學、概率論、數理統計和線性代數的復雜的人工命題。通過對一組樣本的分析和評估，不斷審查閾值，最終完成對未知樣本的相對準確的評估。

（2）圖像處理

主要用于圖像處理時的物體去除和面部輪廓定位；提取特征時，應使用預視覺圖像分離計算機學習所需樣本的數學特征，并最終以直角繪制面部特征；利用輪廓點所示樣本的線性變換得到面部輪廓的位置，作為特征輪廓矩陣；

處理流程：（1）像抓取人臉樣本圖譜一樣抓取它；（2）學習像AdaBoost一樣的抓地力。找到他臉的大致位置。

本實驗根據人臉特征，根據圖像輪廓構建方法，在此基礎上，通過并行計算，向量函數由多個候選人臉的形態(tài)、顏色和紋理特性組成，快速提取目標，最后，將開發(fā)一種連續(xù)平均量化的人臉檢測算法和埋入程序。本實驗旨在利用數學理論和軟件解決圖像領域的突出問題，包括多個知識點和多個跨學科知識，具有綜合性、適用性、可擴展性和可擴展性，交叉性和探索性，鼓勵創(chuàng)新人才的培養(yǎng)。

本設計主要研究了基于連續(xù)平均量化的人臉識別技術，通過SMQT去除人臉特征，得到目標結構，并通過SNOW分類對人臉和人臉進行分類，準確定義人臉的具體位置。對于遮擋和多方面人臉，仍然精確耐用。

1 連續(xù)平均量化人臉檢測原理

連續(xù)平均量化算法SMQT是Ni1sson，2005年提出的局部特征分配方法，可以以較低的運行成本獲得結構特征[5]?；趙in更新策略[6]具有良好的學習和預測率。該計劃主要用于控制SMQT算法對光照、旋轉、遮擋、，在復雜背景等因素的影響下，主要的識別過程是通過連續(xù)平均量化去除候選區(qū)域中的人臉特征，然后通過SNOW分類訓練出的特征對人臉和人臉進行分類，而不是準確地識別人臉位置。

SMQT的目標是隔離對光和傳感器可變性不敏感的功能。該方法可以自動降級圖像結構并獲取結構屬性。該屬性用于隔離對光不敏感的光敏感屬性，為了減少繪制線條時對照明因素的影響。

SNOW分類器是瘦網絡線性單元的訓練結構。SNOW最初在Roth的面部位置提供。其主要目的是使用預定義的樣本特征訓練線性和可持續(xù)的網絡，并訓練面部和面部網絡，在SNOW分類訓練過程中，訓練樣本也分為兩類：正樣本和負樣本，即人臉和人臉樣本。

在表面檢測期間，分類可能會出現重復檢測等現象。該算法使用幾何位置和分級方法來降低重復率。每個分類與其他分類分開識別。如果給定區(qū)域的重復率高于指定閾值，一定數量的分類能夠檢測到該區(qū)域，而使用不同的分類來識別該區(qū)域。保留分類結果較高的分類，刪除其他分類，并且無法獲得重復的結果。

2 樣本處理和實驗結果

（1）對于包含單個人臉圖的不同表情，不同程度光照及不同偏轉角度時檢測結果分別如圖1，圖2所示。

圖1 FERET人臉庫中人臉不同表情檢測結果

如上所示，該算法實現了目標人臉識別，圖1顯示了識別不同表情、不同角度的結果，基本達到100%。如圖2所示，對于不同的光照，人臉正面和正面的檢測效果、精度和強度都很好，因此，SMQT+SNOW算法不受光照不均勻、人臉角度低和旋轉的影響。

（2）對于包含多張人臉的檢測結果如圖3、圖4所示。

圖3 包含五張人臉的圖片和檢測后的圖片

圖4 多張不同角度人臉圖片及其檢測結果

基于上述指標，可以看到，一張臉、兩張臉以及不同靈巧度和光照水平的多個表情的檢測結果原則上都在90%以上，檢測效率也很高。然后分析了三個因素的影響：遮擋，采用SMQT+SNOW人臉檢測方法，光照強，背景復雜。

（3）有眼鏡，帽子，圍脖等遮擋物時的人臉檢測結果如圖5所示。

圖5 有各種遮擋物的人臉檢測結果

由圖5，圖6可以觀察，由于人臉有圍巾，帽子，眼鏡等障礙物的阻擋，導致人臉面部特征提取不全面，因此識別率有所下降。圖6和圖7降低了基于SMQT+SNOW的人臉識別算法檢測結果的準確性，原因是密度過大、光線過強、人臉大小過大以及相互閉合，導致錯誤檢測和漏檢；表示如果在強光照下人臉固定區(qū)域過大，則SMQT+SNOW算法的檢測率不高。以下指標顯示了復雜背景下的人臉識別結果。

圖6 單人臉較強光照的檢測結果

圖7 有較強光照時的人臉檢測結果

①通過仿真實驗圖顯示，SMQT+SNOW檢測算法對單個人臉和多個人臉圖像都具有較高的檢測率；②根據上述所有圖像的識別結果，可以得出結論，一般來說，通過矩形框識別的面部具有一個共同特征，即面部基本上為正，面部角度不太大，因此旋轉角度太大）過多的表達會影響SMQT+SNOW的檢測；③如果有帽子、圍巾、頭發(fā)等障礙物，會有一些虛假檢測和未應答檢測；④在普通光照條件下，SMQT+SNOW算法人臉識別效果好，檢測率高，如果光線強，檢測效果會降低，會消失，假檢測也會消失，當然這也與人臉的數量和密度有關?？傊?，SMQT+SNOW算法對某些遮擋、強光照、困難背景、任意位置等因素具有較高的檢測率。

3 結語

本設計主要研究基于連續(xù)平均量化的人臉識別技術，重點研究不同位置、不同表情、不平等購物對人臉識別的不利影響。是否有人臉圖像。如果有肉，需要定位人臉并用矩形框進行識別。本設計使用連續(xù)平均變換去除人臉特征，然后使用雪分類對人臉和人臉進行分類，為了準確確定人臉的位置，為了提高檢測算法的準確性和可靠性，改進訓練方法，有效提高檢測效率，降低誤檢率，這意味著：它提高了算法的速度，顯著提高了算法的可靠性和準確性。