0 引言

　　人臉作為圖像與視頻中最重要的視覺圖像之一，在計算機視覺、模式識別、多媒體技術研究中占有很重要的地位。可視化分析和目標識別研究中最具有挑戰性的任務之一就是理解人們如何處理和識別彼此的相貌，并進行相應的計算機建模來最終完成人臉的自動識別。近年來，隨著計算機科學在人機交互領域的快速發展，作為人臉信息處理中的一項關鍵技術，人臉檢測與識別現在已經成為模式識別與計算機視覺領域內一項受到普遍重視。無線視頻監控系統將被監控點實時采集的圖片、視頻文件通過無線網絡及時地傳輸給遠程監控中心，實時動態地報告被監測點的情況，及時發現問題并進行處理。

　　本文提出了一種有效的無線遠程人臉追蹤系統的解決方案。采用AdaBoost算法進行人臉的檢測，選擇了Haar特征方法，把訓練得出的Haar特征轉換成弱分類器，通過一定的方法將弱分類器進行組合構成強分類器，對分類器進行訓練后應用到圖像中進行人臉區域的檢測，從而得到較準確的人臉信息;采用GPRS技術進行人臉圖像數據的無線傳輸，通過GPRS/CDMA無線窄帶網絡連接Internet互聯網絡，在無線視頻監控終端對視頻信號進行實時采集，無線傳送到遠程服務器;采用Gabor小波進行特征提取，獲得人臉圖像的Gabor特征;采用SVM進行分類，對人臉圖像進行分類識別，得出識別結果，對符合條件的人臉給出警報。本系統可以應用于商場、機場、車站、地鐵站等場所。

　　1 視頻圖像處理

　　1.1 去噪處理

　　圖像在生成和傳輸過程中常受到各種噪聲的干擾和影響，使圖像質量下降。所以在進行圖像分析和處理之前都需要對圖像進行去噪處理。噪聲的模型按照對圖像的影響可以分為加性噪聲模型和乘性噪聲模型兩大類。假設，f(x，y)為原始圖像，g(x，y)為有噪聲的圖像，n(x，y)為噪聲。

　　加性噪聲模型為：

　　g(x，y)=f(x，y)+n(x，y) (1)

　　乘性噪聲模型為：

　　g(x，y)=f(x，y)[1+n(x，y)] (2)

　　空域中去噪方法包括：中值濾波、均值濾波等。中值濾波是基于排序統計理論的一種能有效抑制噪聲的非線性處理技術。其核心運算是將模板中的數據進行排序，這樣一個亮點(暗點)的噪聲，就會在排序過程中被排在數據序列的最右側或最左側，因此，最終選擇的數據序列中間位置上的值一般不是噪聲點的值。由此便可以達到抑制噪聲的目的;均值濾波實際上就是用該像素對應的模板中各像素值的均值替代該像素的像素值，均值濾波的方法是，對待處理的當前圖像，選擇一個模板，該模板為其近鄰的若干像素組成，用模板中像素的均值來替代原像素值。

　　1.2 亮度調整

　　由于采集圖像時的光照強度和相機自身性能的不同，使得采集到的圖像的亮度有許多不同。而本文的人臉檢測是基于特征的，特征值與圖像的灰度值有很大關系。所以即使圖像對應的特征結構相同，但是由于亮度不同，通常會被分類器認為是不同的圖像。所以無論是在訓練分類器階段還是在檢測階段都需要對圖像進行亮度的調整，需要將不同亮度的圖像調整到同一范圍。常用的亮度調整技術包括：線性動態范圍調整、非線性動態范圍調整、直方圖均衡化等。線性動態范圍調整的方法是其中比較簡單的一種，計算量也比較小。調整的計算公式如下：

　　1.3 圖像的形狀變換

　　圖像形狀變換是指用數學建模的方法對圖像形狀發生的變化進行描述的過程。最基本的圖像變換包括圖像的縮小、放大、旋轉等。本文中的訓練階段和檢測階段都需要對圖像進行形狀的變換，比如在建立訓練樣本庫的時候將不同尺寸的圖像歸一化到19×19的尺寸。圖像縮小從物理意義上來說，是將描述圖像的物理尺寸縮小相應的倍數。數字圖像的縮小是通過減少像素個數來實現的，所以就需要根據所期望縮小的尺寸數據，從原圖像中選擇合適的像素點，使圖像縮小之后可以盡量保持原有的特征不丟失。

　　圖像放大，從物理含義上來講是指圖像縮小的逆運算。但是圖像放大是從小數據量到大數據量的過程，因此需要對許多數據進行估計。由于圖像相連像素之間的相關性很強，所以可以利用這個相關性來實現圖像的放大。比較好的圖像放大的方法是雙線性插值法，該方法不是將原圖像的像素復制到子快中，而是只填寫在子快的某一個像素的位置上。采用雙線性插值的方法可以平緩像素塊之間的過度，有效的抑制了馬賽克現象的產生。本文采用了雙線性插值的方法。