电子产品世界

　　正反样本vec文件生成后需要通过_Opencv提供的opencv_haartraining可执行程序进行样本训练。训练完成后将生成一个xml文件，即通过AdaBoost算法生成的用于人脸检测的分类器文件。此处主要利用了AdaBoost的OpenCV实现。

　　使用生成的分类器进行人脸检测时主要使用了OpenCV提供的两个方法：

　　(1)load()方法，其主要功能为载入生成的分类器。

　　(2)detectMultiScale()方法。此方法通过使用之前载入的分类器，在输入的图像中查找人脸区域并返回人脸区域的位置。

　　在AdaBoost初步确定人脸区域后，采用肤色模型校验。肤色检测需要设置肤色范围，通过将图像中的像素点与“标准肤色”相比较，从而区分图像中的肤色区域与非肤色区域。

　　在设置“标准肤色”范围时，实验中采用了三种广泛使用的颜色空间：RGB色彩空间、HSV色彩空间、YCbCr色彩空间。

　　实验中，共设置两个RGB标准肤色模型^[10]。RGB肤色模型一的阈值范围应满足：G>40、B>20 、R>G、R>B、MAX(R,GB)-MIN(R,G,B)>15。RGB肤色模型二的阈值范围应满足：R>220、|R-G|<15、R>G、R>B。

　　采用(1)(2)(3)(4)：

(1)

(2)

(3)

(4)

　　将RGB颜色转换为HSV颜色^[11]，然后设置HSV标准肤色阈值范围^[12]应满足：0

　　采用公式(5):

(5)

　　将RGB颜色转换为YCbCr颜色^[12]，然后设置YCbCr标准肤色阈值范围^[13]为：

　　通过与标准肤色数据对比，图像某区域像素同时符合三种标准肤色阈值范围时即认为是肤色区域。结合AdaBoost检测结果综合判定人脸区域。最后通过rectangle方法在图像上使用矩形框标注人脸位置。

　　使用时，首先由教师通过手机拍摄课堂照像(如图1所示)并登录系统上传考勤图像。后台服务器监测到有图像上传即对图像进行人脸检测，并对不同人脸逐一标注序号。被考勤人员分别登录系统，选择图像与自身相对应的序号。当系统发生漏检时，系统还向用户提供手工框选接口，以修正系统对人脸的漏检。系统会实时将每次考勤结果存入数据库系统，同时生成考勤图像、考勤表等方便考勤查看。系统流程图如图2所示。

4 实验结果

　　为验证该考勤系统的实际效果，作者将该考勤系统应用于课堂的学生点名中。实验发现，仅在AdaBoost算法检测下，会出现较为严重的误检现象。在加入了肤色校验之后，误检率明显下降。结合两种方法后，基于AdaBoost算法结合肤色模型进行人脸检测具有很好的可用性以及鲁棒性，可显著降低误检率。

　　基于人脸检测结果，通过学生分别登录选择注册，获得了实际上课学生的考勤结果。

5 结束语

　　本文基于AdaBoost算法和肤色模型校验，结合用户选择注册，实现了多人场景下的考勤。实验证明，该方法具有良好的可用性及鲁棒性，目前，考勤系统已经作为课堂考勤工具正在使用，能够获得准确的学生到课结果。然而，该系统还存在较多问题，当存在如遮挡、侧脸、低头等姿态时，检测精度下降，尚不鲁棒。系统可使用人脸识别方法取代人工注册，减少用户操作。在人脸检测过程中，通过将采集到的人脸入库，供后续人脸识别使用。由于传统人脸识别方法如：PCA、LBP等，在多人大尺度场景中识别率较低，尚不满足统计需求，因此探索多人场景下高精度人脸识别算法将是未来研究工作的重点。

参考文献:

[1]Majumder A, Behera L, Subramanian VK. Automatic and Robust Detection of Facial Features in Frontal Face Images:  Computer Modelling and Simulation (UKSim), 2011 UkSim 13th International Conference[C]. Cambridge: IEEE, 2011:331-336

　　[2]Verma A, Raj S A, Midya A, et al. Face detection using skin color modeling and geometric feature //International Conference on Informatics, Electronics and Vision[C]. Dhaka: IEEE, 2014:1-6

　　[3]Ban Y, Kim S, Kim S, et al. Face detection based on skin color likelihood[J]. Pattern Recognition, 2014, 47(4):1573–1585

　　[4]Ghimire D, Lee J. A Robust Face Detection Method Based on Skin Color and Edges[J]. Journal of Information Processing Systems, 2013, 9(1):141-156

　　[5]Mohamood N, Hashim N M Z, Aziz K A A. Sliding Window for Radial Basis Function Neural Network Face Detection[J]. International Journal of Science & Engineering Applications, 2014, 3(4):94-97

　　[6]Quraishi M I, Das G, Das A, et al. A novel approach for face detection using artificial neural network// International Conference on Intelligent Systems and Signal Processing[C]. Gujarat: IEEE, 2013:179 - 184

　　[7]Viola P, Jones MJ. Robust Real-Time Face Detection[J]. International Journal of Computer Vision, 2004, 7(2):137-154

　　[8]Li R, Li C. Adaboost Face Detection Based on Improved Covariance Feature[J]. Journal of Computers, 2014, 9(5): 1077-1082

　　[9]Freund Y, Schapire R E. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139

　　[10]Kovac J, Peer P, Solina F. Human skin color clustering for face detection: The IEEE Region 8 EUROCON 2003: Computer as a Tool[C]. Ljubljana: IEEE, 2003: 144-148

　　[11]Prema C, Manimegalai D. Survey on skin tone detection using color spaces[J]. International Journal of Applied Information Systems, 2012, 2(2): 18-26

　　[12]Sobottka K, Pitas I. A novel method for automatic face segmentation, facial feature extraction and tracking[J]. Signal Processing: Image Communication, 1998, 12(3):263-281

　　[13]Kukharev G, Nowosielski A. Visitor Identification–elaborating Real Time Face Recognition System[J]. Winter School on Computer Graphics (WSCG), 2004, 2:157-164

关键词： 人脸检测 自动识别 考勤 多人 201508