1.直方圖均衡化、濾波編碼、閾值分割（峰谷法、灰度閾值法）、區域增長、**合併
3. 基於圖的分割（
3. pca主成分分析方法（**大**）
主成分分析[39]（pca）方法是一種數學變換方法，它能夠將高維資料按實際問題的需要被簡化的描述出來，同時還能夠反映出高維資料中那些本質的資料資訊，達到降低資料維數的目的[40]。它簡單實用，而且沒有引數限制，應用領域多。最早將pca方法用於人臉識別過程中的研究者是pentland，由於該方法被證實簡單有效，因而很快流行起來。在人臉識別過程中，pca把人臉空間中的高維資料經過kl變換分解對映到較小維數的特徵空間中，這種方法在損失最小人臉資料資訊的前提下獲得了最大限度的資料降維。設參加訓練用的人臉影象大小為m
×n，讓其按照行或列順序重新排列成為乙個d
=m×n
維的向量，設樣本集有k
幅表情影象，則所有訓練樣本的向量集合記為x
=，xi
對應一幅影象形成的d
維向量。計算k
幅影象的平均向量，平均向量又叫平均臉：
然後用每幅訓練影象減去平均向量，得：
用ai, i
=1, 2,…, k
作為列，生成d
×k維的矩陣a
，計算a
的協方差矩陣 ：
這裡c是d
×d維的矩陣，然後求
c的特徵向量
，並由它們構成
一組新的正交基，我們將這組特徵向量記作v
1,v2,…v
d，同時求出特徵向量對應的特徵值λ
1,λ2,…,λ
d。特徵向量按行組合形成特徵矩陣v
，則人臉影象x
i在這組基下的投影yi為：
投影後的向量y
i的維數仍為d
，可以將特徵值λ
1,λ2,…,λ
d按從小到大的順序排列，從c
的特徵向量中選出前k
個特徵值所對應的向量組成特徵矩陣v
，這裡k
<
d，將x
i在此特徵矩陣上進行投影得到的yi為k
維向量，相比x
i有很大程度的降維，這裡的向量y
i便是從對應人臉樣本x
i上提取得到的即將用於後續分類器訓練的特徵向量。若將得到的特徵向量v
1,v2,…,v
d按照樣本影象大小m
×n還原成矩陣並作為影象顯示出來，可以看出特徵向量呈人臉形狀。因此該方法也為「特徵臉」方法。圖3.1（a）是orl人臉庫中所有人臉樣本的平均臉，圖3.1（b）是為用orl人臉庫中的一系列樣本求得的前3個特徵臉，即為求得的v
1,v2,v
3所對應的圖
4. haar特徵
基於機器學習的方法分為訓練和測試兩個階段，訓練階段需要採集大量的人臉和非人臉樣本影象供機器學習所用，通過學習可以獲得乙個確定了判別函式的分類器。在測試階段，便可利用該分類器對一幅輸入影象進行人臉檢測，具體檢測過程可描述如下：在被檢測影象上設定一子視窗，提取該子視窗上的特徵向量，將特徵向量作為訓練階段所確定的分類器的輸入，從而來判斷該子視窗是否為人臉。子視窗在整個影象上逐畫素的移動，每個子視窗都進行相同的判斷，從而最終確定檢測影象上是否存在人臉以及人臉的位置。和基於先驗知識的方法相比較，基於機器學習的方法能夠應對複雜環境下的人臉檢測問題，它是當前的主流研究方向。在基於機器學習的方法中，人臉的特徵或類別是利用統計分析和機器學習[31]的技術從樣本中學習來的。機器學習方法主要有人工神經網路方法，支援向量機方法，adaboost方法，其中adaboost方法已經被證明是一種有效而實用的學習方法，由於該方法的巨大成功，近幾年的人臉檢測方法通常是該方法的變形或者擴充套件，有著廣泛的應用性。
adaboost演算法是由freund和schapire[32]提出的一種將弱分類器訓練成強分類器的方法。viola和jones[33]於2023年首次將adaboost演算法應用在人臉檢測這一領域，該方法的關鍵是使用了haar矩形特徵和積分圖[34]。
haar矩形特徵結構不複雜，計算代價小，可以作為人臉檢測用特徵。基本的haar矩形特徵有5種形式，如圖2.1所示。其中兩個矩形塊狀（a）和（b）的特徵取值是白色矩形中的畫素灰度值之和與黑色框畫素灰度值之和的差，可用來表示影象中邊緣資訊。三個矩形塊狀（c）和（d）的特徵值為兩個黑色矩形中的畫素灰度值之和與乙個白色矩形中框畫素灰度值之和的差，可用於表示影象中線條資訊。四個矩形塊狀（e）的特徵值定義為兩個白色矩形中的畫素灰度值之和與兩個黑色矩形框畫素灰度值之和的差，可用來表示影象中斜向邊界資訊。這種影象特徵的數量是十分巨大的，例如乙個大小為24×24的檢測器模板，相應矩形框的個數有4萬多個。
可借助積分影象快速計算出基本的haar特徵值。如圖2.2（a）所示，任意一幅影象f
的積分影象g
在任何乙個畫素點(x,y
)的取值定義為：
由圖2.2（b）可知，借助於積分影象，只需經過4次查表便可獲得任意乙個矩形框內的所有畫素之和。經過8次查表運算可以得到任意乙個包含兩個矩形框的haar特徵。由圖2.1可知，由於haar特徵的矩形框相互鄰接，所以乙個包含2個矩形框的haar特徵可由6次查表運算得到，乙個包含3個矩形框的haar特徵可由8次查表運算得到，乙個包含4個矩形框的特徵可由9次查表運算得到。adaboost演算法中用到了haar特徵來訓練分類器，該演算法的基本思想是先將多個分類能力一般的弱分類器通過某種方法整合起來，構成乙個鑑別能力很強的強分類器，再將若干個強分類器串聯成為級聯分類器以完成影象的搜尋檢測[35]。
鑑於adaboost演算法在人臉檢測方面良好的效能表現，opencv提供了基於該演算法的相關函式，研究者便可以利用這些現成的函式來快速進行人臉檢測。opencv包含一系列預先訓練好的物體識別檔案，當然**也允許你訓練並儲存新的物體模型。此技術雖然可以用於人臉檢測，但也不限於此，它還可以進行人眼檢測。
優化演算法知識點整理
幾種優化演算法，梯度下降的種類 考慮無約束優化問題 minxf x minxf x 梯度下降 梯度下降法是一種常用的一階優化方法，是求解無約束優化問題最簡單 最經典的方法之一。其中，f x 連續可微。若能構造乙個序列x0,x1,x2,x0,x1,x2,滿足 f xt 1 根據泰勒一階展開 f x x...
知識點整理
一 標準庫容器和演算法 1.順序容器 與前面類似 2.關聯容器 map和multimap 元素包含key 鍵 和值 value 兩部分 按照鍵對元素排序 map不允許重複元素出現，但multimap可以 set和multliset 是包含已排序物件的關聯容器 只是單純的鍵的集合 set不允許重複鍵出...
知識點整理
一 標準庫容器和演算法 1.順序容器 與前面類似 2.關聯容器 map和multimap 元素包含key 鍵 和值 value 兩部分 按照鍵對元素排序 map不允許重複元素出現，但multimap可以 set和multliset 是包含已排序物件的關聯容器 只是單純的鍵的集合 set不允許重複鍵出...