ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ ＡＮＤ ＩＤＥＮＴＩＦＩＣＡＴＩＯＮ ＴＥＣＨＮＩＱＵＥＳ 人工智能及识别技术 基于ＳＶＭ的人脸检测研究 胡萍萍 （桂林电子科技大学网络中心，广西桂林５４１００４） 摘要：支持向量机（ＳＶＭ）是在统计学习理论基础上发展起来的一种新的机器学习算法。依据ＳＶＭ良好识别和 泛化能力，实现了一种基于支持向量机的图像人脸识别方法。利用Ｏｐｅｎｃｖ提取样本类的低层特征，训练具有径向 基核函数的ＳＶＭ分类器，在ＶＳ２００８和Ｑｔ平台下实现识别软件开发。运行结果表明，软件具有良好的图像人脸检 测能力。 关键词：ＳＶＭ；低层特征；Ｏｐｅｎｃｖ；人脸检测 Ｒｅｓｅａｒｃｈ ｏｎ Ｈｕｍａｎ Ｆａｃｅ Ｄｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＳＶＭ ＨＵ Ｐｉｎｇｐｉｎｇ （Ｎｅｔｗｏｒｋ Ｃｅｎｔｅｒ，Ｇｕｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｘｉ Ｇｕｉｌｉｎ ５４１００４） Ａｂｓｔｒａｃｔ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ）ｉｓ ａ ｎｅｗ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｔｈｅ ｉｆｅｌｄ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ．Ａｃ— ｃｏｒｄｉｎｇ ｔｏ ｉｔｓ ｇｏｏｄ ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ａｂｉｌｉｔｙ，ｔｏ ｉｍｐｌｅｍｅｎｔ ａｎ ｉｍａｇｅ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ。ｆｉｒｓｔ ｔｏ ｅｘｔｒａｃｔ ｌｏｗ—ｌｅｖｅｌ ｆｅａｔｕｒｅｓ ｏｆ ｓａｍｐｌｅｓ Ｕｓｉｎｇ Ｏｐｅｎｃｖ，ｔｈｅｎ ｔｒａｉｎ ＳＶＭ ｃｌａｓｓｉｉｆｅｒ ｗｉｔｈ ＲＢＦ ｋｅｒｎｅ１． ａｃｈｉｅｖｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｏｆｔｗａｒｅ ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｖ￥２００８ ａｎｄ Ｑｔ ｐｌａｔｆｏｒｍ．Ｒｅｓｕｌｔ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｏｆｔｗａｒｅ ｈａｓ ｔｈｅ ａｂｉｌｉｔｙ ｔｏ ａｃｃｕ— ｒａｔｅｌｙ ｄｅｔｅｃｔ ｈｕｍａｎ ｆａｃｅ ｉｎ ｉｍａｇｅ． Ｋｅｙ ｗｏｒｄｓ：ＳＶＭ；ｌＯＷ—ｌｅｖｅｌ ｆｅａｔｕｒｅｓ；Ｏｐｅｎｃｖ；Ｈｕｍａｎ Ｆａｃｅ ｄｅｔｅｃｔｉｏｎ 随着网络技术的发展，数字多媒体数据的日益增多。图 用ＶＳ２００８打开Ｃｍａｋｅ生成的ＯｐｅｎＣＶ．ｓｉｎ，在Ｄｅｂｕｇ下， 像做多媒体数据的主体，每天都在成级数增长，系统对全部 选择Ｓｏｌｕｔｉｏｎ Ｅｘｐｌｏｒｅｒ里的Ｓｏｌｕｔｉｏｎ ＯｐｅｎＣＶ，点右键，运行 图像进行索引、查询的速度越来越慢。如果能把图像按类别 “Ｒｅｂｕｉｌｄ Ｓｏｌｕｔｉｏｎ”；如编译无错误，再选择ＩＮＳＴＡＬＬ项目， 分开索引，检索图像的检索系统的性能将得到大幅提高Ｉｌｌ。无 运行“Ｂｕｉｌｄ”；然后在Ｒｅｌｅａｓｅ下，重复执行。ＶＳ２００８调用的 人工参与的图像自动分类技术可以过滤掉别不相关的图像， Ｏｐｅｎｃｖ动态库生成完毕。 人脸识别技术做为人物类别图像分类的主要方法得到了广泛 １．１．２配置环境 的理论研究。 （１）将ＶＳ２００８￣ｂｉｎ目录加入Ｗｉｎｄｏｗｓ系统环境变量Ｐａｔｈ 利用开源类库Ｏｐｅｎｃｖ和跨平台的ｃ＋＋图形用户界而应用 中。 程序框架Ｑｔ，在ＶＳ２００８编译器下实现了一种基于ＳＶＭ的人 （２）打开ＶＳ２００８ Ｅｘｐｒｅｓｓ，逐一打开菜单Ｔｏｏｌｓ一＞Ｏｐ— 脸检测方法。 ｔｉｏｎｓ一＞Ｐｒｏｊｅｃｔｓ ａｎｄ Ｓｏｌｕｔｉｏｎｓ一＞Ｖｃ＋＋Ｄｉｒｅｃｔｏｒｉｅｓ，在右倾０对 ｌ 平台搭建 话框Ｓｈｏｗ ｄｉｒｅｃｔｏｒｉｅｓ ｆｏｒ下，选择ｅｘｅｃｕｔａｂｌｅ ｆｉｌｅｓ，加入目录 Ｏｐｅｎｃｖ作为开源跨平台的计算机视觉库，实现了很多图 ＶＳ２００８下ｂｉｎ目录；再选择ｉｎｃｌｕｄｅ ｉｆｌｅｓ，加入目录ＶＳ２００８ 像处理、计算机视觉、机器学习等方面算法。但其ＨｉｇｈＧＵＩ 下的ｉｎｃｌｕｄｅ中ｏｐｅｎｃｖ目录；再选择ｌｉｂｒａｒｙ ｆｌｉｅｓ，加入目录 类库只是用来建立快速软件原形或是试验用的，它的设计意 ＶＳ２００８下的１ｉｂ目录。 图是为用户提供简单易用的图形用户接Ｅｌ［２１。于是选用Ｑｔ和 １．２ ＶＳ２００８集成Ｏｔ Ｏｐｅｎｃｖ组合，充分发挥一处编译，处处运行的优势。 在ｗｉｎｄｏｗｓ上开发，ＭｉｎＧＷ编译出的ｄｅｂｕｇ版本Ｏｔ— １．１ Ｏｐｅｎｃｖ２．２在ＶＳ２００８下安装和配置 Ｃｏｒｅｄ４．ｄｌｌ很大，故选用快捷的ＶＳ编译器和调试器。 在Ｏｐｅｎｃｖ Ｃｈｉｎａ网站下载最新Ｏｐｅｎｃｖ２．２源代码和 １．２．１编译安装 ＣＭａｋｅ。 下载Ｑｌ源代码和Ｑｔ Ｖｉｓｕａｌ Ｓｔｕｄｉｏ Ｉｎｔｅｇｒａｔｉｏｎ，用Ｖｉｓｕａｌ １．１．１编译Ｏｐｅｎｃｖ Ｓｔｕｄｉｏ ２００８ Ｃｏｍｍａｎｄ Ｐｒｏｍｐｔ进入到命令行，切换至Ｑｔ目录 （１）用ＣＭａｋｅ导出ＶＣ＋＋项目文件 输入ｃｏｎｆｉｇｕｒｅ—ｐｌａｔｆｏｒｍ ｗｉｎ３２一ｍｓｖｃ２００８，选择版本并开始编 运行ｃｍａｋｅ—ｇｕｉ，设置路径为ＯｐｅｎＣＶ安装路径，并创建 译ｑｍａｋｅ工具，输出工程等，然后输入ｎｍａｋｅ命令编译所有 子目录ＶＳ２００８，用于存放编译结果。然后点击ｃｏｎｆｉｇｕｒｅ，选 工程。安装Ｑｔ Ｖｉｓｕａｌ Ｓｔｕｄｉｏ Ｉｎｔｅｇｒａｔｉｏｎ。 择Ｖｉｓｕａｌ Ｓｔｕｄｉｏ ９ ２００８，如果是ＶＣ＋＋２００８的Ｅｘｐｒｅｓｓ版本， 则不支持ＯｐｅｎＭＰ，需要取消ＥＮＡＢＬＥ—ＯＰＥＮＭＰ选项，取消 作者简介：胡萍萍（１９８０一），女，本科，助理工程师，研究 后再次选择“Ｃｏｎｇｆｉｇｕｒｅ”，完成后选择“Ｇｅｎｅｒａｔｅ” 方向：计算机网络与管理。 （２）编译Ｏｐｅｎｃｖ Ｄｅｂｕｇ和ｒｅｌｅａｓｅ版本库 收稿日期：２０１１－０６—１５ 黼淼 电脑编程技巧与维护 １．２．２配置环境 增加ＱＴＤＩＲ路径为４．６一ｔｐｌ目录，把４．６一ｔｐ下ｂｉｎ和ｌｉｈ 目录加入到ＰＡＴＨ中。 在新建项目选择Ｐｒｏｐｅｒｔｉｅｓ，在ＬＩＮＫＥＲ中的ＩＮＰＵＴ中添 加依赖库ｏｐｅｎｃｖ—ｃｏｒｅ２２０ｄ．１ｉｂ、 ｏｐｅｎｃｖ＿ｈｉｇｈｇｕｉ２２０ｄ．１ｉｂ、 ｏｐｅｎｃｖ＿ｖｉｄｅｏ２２０ｄ．１ｉｂ、ｏｐｅｎｃｖｍ１２２０ｄ．１ｉｂ、ｏｐｅｎｅｖｌｅｇａｃｙ２２０ｄ． １ｉｂ、ｏｐｅｎｃｖｉｍｇｐｒｏｃ２２０ｄ．１ｉｂ等所需类库。 ２ 分类器一支持向量机 支持向量机（ＳＶＭ，Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ）是Ｖａｐｎｉｋ 等人根据统计学习理论提出的一种机器学习方法，它以结构风 险最小化原则为理论基础。其主要思想是针对两类分类问题， 在高维空间寻找一个最优分类超平面作为分类平面，以保证 最小的分类错误率。 ２．１线・陛可分支持向量机 设ＳＶＭ算法的输入是一个线性可分样本集合： ｛（ｘｉ， ｙｉ）Ｉｘｉ∈Ｒｄ，ｙｉ Ｅ｛一１，１｝，ｉ＝ｌ，２，…，ｎ｝，其中ｙｉ是样本ｘｉ的 所属类别标，ｄ是样本的维数，Ｎ是训练样本的个数。ｄ维空 间中线性判别函数一般形式为ｇ（ｘ）＝ｗ・ｘ＋ｂ，分类面方程为 Ｗ・ｘ＋ｂ＝Ｏ。其中ｘ输入的样本，Ｗ和ｂ分别称为权重向量和偏 置。要求分类函数对所有样本正确分类，即满足： ｙＪ（ｗ・Ｘｉ）】＋ｂ Ｉ， ＝１．２，…，１７ （１） 解ｍｉｎｆｆｗＴＩ／２，满足上述条件得到的分类间隔最大，对应 在离分类而最近的各类样本集的边界上的训练样本称为支持 向量１３１。利用Ｌａｇｒａｎｇｅ优化方法可以将上述最优分类面问题转 换对偶问题，即在约束条件： Ｙｉａ ＝０ ，≥ｏ， ‘，，７ ｒ，、 ＝１ … 求解函数ｐ（ 一 １ｃｔ，ｃｔ ｉＹ￣Ｙ ）的最大值 ．，解 后得到的最优函数是： ＿ｆ ＿厂（ ）＝ｓｇｎ｛（Ｗ ）＋ｂｊ＝ｓｇｎ｛ ａｉｙ，（ｘ￣’ ）＋ｂ｝ ｆ 、 ｉ：Ｉ … 其中：ｓｇｎ ０为符号函数，其取值决定ｘ所属类别。 ２．２非线性支持向量机 如果支持向量机解决的是非线性问题，需要通过非线性 映射把数据从非线性空间转化到高维的线性特征空间，由于 支持向量机把原问题转化为对偶问题，计算复杂度不在取决 于空间维数，而取决于样本数，因此可以在高维线性空问求 解最优分类面。根据泛函的有关理论，只要一种核函数满足 Ｍｅｒｃｅｒ条件，它就对应一变换空间内积，即存在适当的核函 数 （一，Ｘ，）＝ （ ） （ ，），就可以实现某一非线性变换后的 线性分类［４１。线性分类中的最优函数可以写成： ０ ．Ｊ，’ ）＝ｓｇｎ｛ （誓 ）＋ ｝ ｆ４） ，＝ｌ 由公式（４）可知，核函数的选择影响非线性支持向量机 的分类性能。目前ＳＶｍ常用的核函数有４种：线性核函数、 多项式核函数、径向基（ＲＢＦ）核函数、Ｓｉｇｍｏｉｄ核函数。采 用ＲＢＦ核函数。 、 毫麓编程技巧与 ２０１１．１６ 熊 ３ 程序设计 ３．１软件流程 ‘人脸检测程序分为分类器训练、样本检测两个部分，整 个程序的运行流程如图１所示。 图１程序流程 ３．２程序实现 ３．２．１检测方法训练模块 （１）根据指定样本路径，加载训练样本。其中人脸图像 （正例样本）数为５００，非人脸图像（负例样本）数为１０００， 通过ＣＶ—ＬＯＡＤ—ＩＭＡＧＥ—ＧＲＡＹＳＣＡＬＥ参数将输入图像转换为 单通道二值图像，调整图像为指定大小，然后进行平滑处理， 减小噪声的影响，记录样本图像每个像素的像素值作为特征 向量，特征向量维数为１９＂２９，存储在数组中。正例样本加载 代码如下： ，，载入正样本 ｆｏｒ（ｉ＝０；ｉ＜ｐｉｍａｇｅ＿ｎｕｍ；ｉ＋＋） ｛ ｉｍｇ—ｏｒｇ＝ｃｖＬｏａｄＩｍａｇｅ （ｆｉｌｅｎａｍｅ，ＣＶ＿ＬＯＡＤ＿ＩＭ— ＡＧＥ＿ＧＲＡＹＳＣＡＬＥ）； ｓａｍｐｌｅ—ｉｍｇ＝ｃｖＣｒｅａｔｅＩｍａｇｅ（ｃｖＳｉｚｅ（ｗｉｄｔｈ，ｈｅｉｇｈｔ）， ＩＰＬ＿ＤＥＰＴＨ＿８Ｕ，１）； ｃｖＲｅｓｉｚｅ（ｉｍｇ＿ｏｒｇ，ｓａｍｐｌｅ＿ｉｍｇ）； ｃｖＳｍｏｏｔｈ（ｓａｍｐｌｅ＿ｉｍｇ，ｓａｍｐｌｅ＿ｉｍｇ，ＣＶ＿ＧＡＵＳＳＩＡＮ， ３，０，０，０）； ｏｆｒ（ｉｉ＝０；ｉｉ＜ｈｅｉｇｈｔ；ｉｉ＋＋） ｛ ｆｏｒ（Ｊｊ＝０；ＪＪ＜ｗｉｄｔｈ；ｊｊ＋＋） ｛ ｄａｔａ［ｉ ｉｍａｇｅ＿ｄｉｍ＋（ｉｉ ｗｉｄｔｈ）＋ＪＪ】＝ ｆｌｏａｔ（（ｉｎｔ）（（ｕｃｈａｒ）（ｓａｍｐｌｅ＿ｉｍｇ－＞ｉｍａｇｅＤａｔａ［ｉｉ ｓａｍｐｌｅｉｍｇ一＞ｗｉｄｔｈＳｔｅｐ＋ｊｊ】）），２５５．０）； （２）将像素值数组转换为矩阵，初始化分类器训练参数， ＣｖＳＶＭ：：ＲＢＦ参数指明使用径向基核函数。Ｓｖｍ．ｔｒａｉｎ ０方法执 行支持向量机的训练，迭代次数为１０００次，训练结果保存在 ｆａｃｅ．ｘｍｌ文件中，方便保存和加载，代码如下： 腑玎始化参数 ｃｖｌｎｉｔＭａｔＨｅａｄｅｒ（＆ｄａｔａ＿ｍａｔ，ａｌｌ＿ｉｍａｇｅ＿ｎｕｍ，ｉｍａｇｅ＿ｄｉｍ， ＣＶ３２ＦＣ１，ｄａｔａ）； ｃｖｌｎｉｔＭａｔＨｅａｄｅｒ （＆ｒｅｓ＿ｍａｔ， ａｌｌ＿ｉｍａｇｅ＿ｎｕｍ， １， ＣＶ＿３２ＳＣ１，ｒｅｓ）； ｃｒｉｔｅｒｉａ＝ｃｖＴｅｒｍＣｒｉｔｅｒｉａ（ＣＶ＿ＴＥＲＭＣＲＩＴ＿ＥＰＳ，１０００， ＦＬＴＥＰＳＩＬＯＮ）； ｐａｒａｍ＝ＣｖＳＶＭＰ￣ａｍｓ （ＣｖＳＶＭ：＿Ｌ—ＳＶＣ，ＣｖＳＶＭ：： ＲＢＦ，１０．０，０．０９，１．０，１０．０，０．５，１．０，ＮＵＬＬ，ｃｒｉｔｅｉｒａ）； 删【ｌ练，保存到ｆａｃｅ．ｘｍｌ ｓｖｍ．ｔｒａｉｎ ｆ＆ｄａｔａ＿ｍａｔ，＆ｒｅｓ＿ｍａｔ，ＮＵＬＬ，ＮＵＬＬ， ｐａｒａｍ）； ｓｖｍ．ｓａｖｅ（”ｆａｃｅ．ｘｍｌ”）； ３．２．２检测模块 （１）按照指定路径，读取测试样本，依据ｃｖＬｏａｄＩｍａｇｅ ０ （下转到８４页） 电脑编程技巧与维护 （ ｙ） ，（ ， ）＋ＭＯ （ｘ，Ｙ） （５） 于背景技术进行分割算法的关键问题。 ． 用第ｍ帧和完整背景作差分得到 ＦＤ（ｘ Ｊ ）一Ｉ， ，（ ．Ｙ）一Ｂ（ｘ，Ｙ）ｌ—ｌ ＭＯ， （ｘ， ）一Ｏ （ ．Ｊ ）ｌ（６） 由式（６）可以看出，第ｍ帧和完整背景的差分结果是运 动物体和被运动物体所遮挡住的背景之间的差值，二者是完 全重合的，从而克服了Ｉ类误差，即不会把遮挡 显露背景检 参考文献 【１］Ｗａｎｇ Ｃｈｅｎｇｒｕ，Ｇｕ Ｇｕａｎｇｈｕａ．Ａ ｖｉｄｅｏ ｏｂｊｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｂａｃｋｇｒｏｕｎｄ ｓｔａｔｉｓｔｉｃａｌ ｔｅｃｈｎｏｎｌｇｙ．Ｏｐｔｏ—Ｅｌｅｃ— ｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｕｇｕｓｔ ２００４． 测成运动物体。 根据引理２所述，运动物体和背景之间的灰度值差别较 大，即ＭＯ， （ 川０ （ｘ， ）的值较大，而背景的灰度值在差 分模板中将为零。因此，不会将运动物体内部的像素检测为 背景，即克服了Ⅱ类误差。 【２】Ｙａｎｇ Ｇａｏｂｏ，Ｚｈａｎｇ Ｚｈａｏｙａｎｇ．Ａｎ ｅｆｉｃｉｆｅｎｔ ｖｉｄｅｏ ｏｂｊｅｃｔ ｓｅｇ－ ｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｂａｃｋｇｒｏｕｎｄ ｒｅｇｉｓｔｒａｔｉｏｎ ａｎｄ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ．Ｊｏｕｒｎａｌ ｏｆ Ｓｈａｎｇｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ａｐｒｉｌ ２００３． ［３］Ｙｕ Ｙｕｅｌｏｎｇ．Ｋｅｙ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｎ ｖｉｄｅｏ ｓｅｍａｎｔｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ，［ｄｏｃｔｏｒａｌ ｄｉｓｓｅｒｔａｔｉｏｎ］．Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｄｅｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ａｐｒｉｌ ２００５． ３ 结语 通过以上的理论推导证明，只要得到可靠的背景信息， 利用这些可靠的背景信息重构出完整的背景图像，再用当前 帧和重构的背景图像相减，就可以消除遮挡问题的影响，得 到比较准确的分割结果。因此得到准确可靠的重构背景是基 Ｅ・ Ｅ・ Ｅ・ Ｅ・ Ｅ●！Ｅ● ｅ・Ｓ Ｅ Ｅ・ Ｅ・ Ｅ・Ｉ ［４］Ｗａｎｇ Ｊｕｎ，Ｓｈａ Ｙｕｎ，Ｗｕ Ｙｕｓｈｕ．Ａｕｔｏ ｖｉｄｅｏ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏ－ ｉｒｔｈｍ ｂａｓｅｄ ｏｎ ｂａｃｋｇｒｏｕｎｄ ｍｅｔｈｏｄ．Ｃｏｍｐｕｔｅｒ ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ，Ｓｅｐｔｅｍｂｅｒ ２００４． （上接第８２页） 的参数转换为灰度或彩色图像。用ｓｖｍ．１ｏａｄ ｆ’．ｆａｃｅ．ｘｍｌ”）加 载已经训练好的ｘｍｌ文件。 （２）缩放测试图像，每隔３个像素，提取测试图像的部 利用Ｑｔ编写简单的图形用户界面窗口，拖放ｂｕｔｔｏｎ按钮， 并实现其响应事件。 ４ 运行结果 执行基于ＳＶＭ的人脸检测软件，选择多人脸图像进行测 试，检测结果如图２所示。 一……一……一＿＿ 固ｉ盈ｌ 分图像，存储到１９＂２９的像素值数组中，然后用ｃｖＳｅｔＤａｔａ ０ 存储到ｍ矩阵中，主要代码如下： ｓｒｃｔｍｐ＝ｃｖＣｒｅａｔｅｌｍａｇｅ（ｃｖＳｉｚｅ（（ｉｎｔ） （ｔｗ／ｓｔｅｐｓ），（ｉｎｔ） ｃｖＲｅｓｉｚｅ（ｓｒｃ，ｓｒｃ＿ｔｍｐ）； ｔｗ＝ｓｒｃｔｍｐ－＞ｗｉｄｔｈ； （ｔｈ／ｓｔｅｐｓ）），ＩＰＬ＿ＤＥＰＴＨ＿８Ｕ，１）； ｔｈ＝ｓｒｃｔｍｐ一＞ｈｅｉｇｈｔ； —ｆｏｒ（ｓｙ＝０；ｓｙ＜＝ｓｒｃ＿ｔｍｐ一＞ｈｅｉｇｈｔ—ｈｅｉｇｈｔ；ｓｙ＋＝ｓｔｅｐｙ） ｛ ｏｒ（ＳＸ＝０；ｓｘ＜＝ｓｒｃ＿ｔｆｍｐ一＞ｗｉｄｔｈ—ｗｉｄｔｈ；ＳＸ＋＝ｓｔｅｐｘ） ｌ诩璃持菊器１ ｌ＾艟 箍Ｉ ｛ ｆｏｒ（ｉ＝０；ｉ＜ｈｅｉｇｈｔ；ｉ＋＋） ｛ 图２检测结果图 ｆｒ（ｏｊ＝０；Ｊ＜ｗｉｄｔｈ；ｊ＋＋） ｛ ａ［ｉ ｗｉｄｔｈ＋Ｊ】＝ ｌｆｏａｔ（（ｉｎｔ） （（ｕｃｈａｒ） （ｓｒｃ＿ｔｍｐ一＞ｉｍａｇｅＤａｔａ【（ｉ＋ 从文中可以看出，实现的检测方法几乎能够检测全部人 脸，取得了较好的检测效果，表明ＳＶＭ分类算法的优良性能。 图中未检测出来的人脸，由于图像中的人脸结构不完整，受 到部分图像划分方式的影响。今后，应在特征向量多样化、 ｓｙ） ｓｒｃ—ｔｍｐ一＞ｗｉｄｔｈＳｔｅｐ＋（ｊ＋ｓｘ）］））／２５５．０）； ｝｝ ｃｖＳｅｔＤａｔａ（＆ｍ，ａ，ｓｉｚｅｏｆ（ｆｌｏａｔ） ｉｍａｇｅ＿ｄｉｍ） 减少背景因素影响方面进一步改进算法，编写更实用、高效 的系统。 （３）ｓｖｍ．ｐｒｅｄｉｃｔ ０引用保存在矩阵中的图像特征进行预 测，判断测试样本所属的类别。如果测返回结果为１，则用绿 参考文献 ［１】王陈飞，肖诗斌．基于ＳＶＭ的图像分类研究【ＪＪ．计算机 与数字工程，２００５，ｆ３４）：７４—７６． 色矩型标记。主要代码如下： ｒｅｔ＝ｓｖｍ．ｐｒｅｄｉｃｔ（＆ｍ）； ｉｆ（（ｉｎｔ）ｒｅｔ＝＝１） ｛ ｓｃａｌｅ＝（ｌｆｏａｔ）ｓｒｃ－＞ｗｉｄｔｈ／ｔｗ； ｃｖＲｅｃｔａｎｇｌｅ（ｓｒｃｃｏｌｏｒ，ｃｖＰｏｉｎｔ（（ｉｎＯ （ＳＸ ｓｃａｌｅ）， ［２］于仕琪，张兆翔．Ｏｐｅｎｃｖ中文参考手册．ｈｔｔｐ：／／ｗｗｗ．ｏｐｅｎｃｖ． ｏｒｇ．ｏｎ／ｉｎｄｅｘ．ｐｈｐ／Ｔｅｍｐｌａｔｅ：Ｄｏｃ，２０１０． ［３］薛明东，郭立．基于ＳＶＭ算法的图像分类ＩＪ】．计算机工 程与应用，２００４，（３０）：２３０—２３２． ［４】高丽．基于ＦＢＴ的改进ＳＶＭ多类分类方法研究［Ｄ】．哈 （ｉｎｔ） （ｓｙ ｓｃａｌｅ））， ｃｖＰｏｉｎｔ（（ｉｎｔ） （（ｓｘ＋ｗｉｄｔｈ） ＋ｈｅｉｇｈｔ） ｓｃａｌｅ），（ｉｎｔ） （（ｓｙ ｓｃａｌｅ）），ＣＶ＿ＲＧＢ（０，２５５，０），２）； ３．２＿３ ０ｔ编写ＧＵＩ ２０１１．１６ 尔滨：哈尔滨理工大学，２００９． 毫麓鳙程技巧与 雅