openCV+ASM+LBP+Gabor实现人脸识别（GT人脸库）

原理：使用GT人脸库做样本，VS2010下使用openCV2.44自带的Haar算法检測人脸区域，ASM Library特征检測，然后使用YCrCb颜色空间做肤色检測，再用LBP+Gabor小波提取特征，最小邻近距离做分类识别。

1、GT人脸库

Georgia Tech face database，网址：http://www.anefian.com/research/face_reco.htm

GT人脸库包括50个人，每人15张不同角度、不同表情的正面照片。

图片为JPG格式，640*480，大小在159~192KB之间。Zip压缩下总大小130M。

特点是数据量比較多，每一个人的图像信息丰富多变，相对也比較其它库难以识别。

2、openCV人脸区域检測

	pFaces = cvHaarDetectObjects(
		pic8, g_FDcascade, g_FDstorage,
		1.1,
		3,
		0 |
		//CV_HAAR_DO_CANNY_PRUNING	|
		//CV_HAAR_FIND_BIGGEST_OBJECT	|
		CV_HAAR_DO_ROUGH_SEARCH		|
		CV_HAAR_SCALE_IMAGE |
		0,
		cvSize(20, 20));

下面几个图片在CV_HAAR_DO_CANNY_PRUNING | CV_HAAR_FIND_BIGGEST_OBJECT（识别最大的人脸区域）下识别不出来：

s05_07.jpg // 能够在CV_HAAR_DO_ROUGH_SEARCH | CV_HAAR_SCALE_IMAGE（识别全部的人脸区域）下识别,见下图

s24_03.jpg // 无法识别

s32_06.jpg // 无法识别

s32_14.jpg // 识别错误

s43_14.jpg // 识别错误

可见openCV的检測率还是非常高的（745/750 = 99.33%）。

s05_07.jpg 

s01_01.jpg

3、ASMLibrary特征检測

ASM Library是国人的作品，https://code.google.com/p/asmlibrary/

	#define FDFN	"haarcascade_frontalface_alt2.xml"
	#define ASMFN	"AsmModel.amf"

	g_AsmFit.Read(ASMFN));
	g_FDcascade = (CvHaarClassifierCascade*)cvLoad(FDFN, 0, 0, 0);

	g_detshape[0].x = float(g_faceRc.x);
	g_detshape[0].y = float(g_faceRc.y);
	g_detshape[1].x = float(g_faceRc.x+g_faceRc.width);
	g_detshape[1].y = float(g_faceRc.y+g_faceRc.height);
	InitShapeFromDetBox(g_shape, g_detshape,
		g_AsmFit.GetMappingDetShape(), g_AsmFit.GetMeanFaceWidth());
	g_AsmFit.Fitting(g_shape, picCopy); // fit ASM model

识别以后，提取人脸区域。

4、YCrCb颜色空间做肤色检測

		for (int w=0; w<src->width; w++)
		 {
			 if (pycrcb[Cr]>=133&&pycrcb[Cr]<=173&&pycrcb[Cb]>=77&&pycrcb[Cb]<=127)
			 {
				 SkinCount++;
			 }
			 pycrcb+=3;
			 psrc+=3;
		 }

依照肤色推断公式检查区域内的肤色像素，依照阈值为0.2推断是否为人脸区域，

再进一步规范化并获取人脸特征。

 s05_07提取的人脸特征灰度图
   s01_01提取的人脸特征灰度图

5、LBP+Gabor小波

LBP见：http://baike.baidu.com/view/1099358.htm?fr=aladdin

Gabor见：http://en.wikipedia.org/wiki/Gabor_filter

Complex

Real

Imaginary

where

and

简单的说就是使用Gabor变换在0~4五个尺度，0~8八个邻域方向对前面提取的人脸灰度图做卷积运算。然后提取灰度直方图作为特征。

					tmpV0 = tmpV * exp(-tmpV * (x*x + y*y) / 2.0);
					tmpV1 = k*cos(phi)*x + k*sin(phi)*y;
					cvmSet( re, y+kernelRadius, x+kernelRadius, tmpV0 * cos(tmpV1) );
					cvmSet( im, y+kernelRadius, x+kernelRadius, tmpV0 * sin(tmpV1) );

					/* G{scale_idx,angle_idx} = k^2/sigma^2 * exp(-k^2*(X.^2+Y.^2)/2/sigma^2)...
						.*(exp(1i*(k*cos(phi)*X+k*sin(phi)*Y) - DC)); */

6、最小邻近距离

最后使用最小邻近距离，推断 待检測图片与样本的距离，最小的即为匹配的样本。

7、几点总结

1、速度：训练大概是0.16s一幅，识别大概是0.35s一幅。速度有点慢。

2、识别率：一组測试採用5个人每人5个图片作为样本，測试每一个人另外5张照片。

比如s01-s05，使用每人前5张照片（共25张）训练，中间或最后5张照片（共25张）作为待识别图片，识别率均为92%（23张）。