Software Application  •
软件应用
Electronic Technology & Software Engineering  电子技术与软件工程• 63
【关键词】人脸检测 Adaboost 智能安防
目前，人脸检测和识别技术发展日渐成熟，各种人脸检测算法和实现方法在不同领域的应用日益增多，各行业对所在小型区域的安全保障越来越重视，关于人脸检测与识别的软件算法在不断更新，从早期普遍应用的模式识别范畴里的各种神经网络算法到现在引起广泛关注的机器学习之深度学习，有关检测和识别算法本身的准确度和可靠性在逐步提高。
伴随着人工智能的兴起，信息安全、系统识别等领域成为人工智能的研究热点，现代生活节奏加快，给人们的生活出行增加了许多不可预测的因素，同时人们对自己所处环境的安全保障因素日益重视，促使各种小型办公场所、私人会所等采取智能安防措施避免受到意外损失。
在人脸检测的特征因素中，根据人脸众多器官的形态特征等各不相同，都可作为待测目标。但在系统实际工作中进行实时检测，往往会受到眼镜、头发等遮挡物的干扰，而且在安防区域摄像头等传感器采集的人脸图像信息中，可能受到成像角度、光照强度等因素的影响，导致采集人脸中出现侧脸或者模糊等情况，所以高精度的检测算法在一定程度上可以缩小图像采集带来的误差。
系统实现通过MATLAB 软件对人脸检测的各种算法进行比较优化，选用可靠性高的Adaboost 人脸检测算法，通过提取特征信息计算特征值，构建人脸模型的弱分类器和强分类
基于MATLAB 人脸检测实现方法在智能安防系统中的应用
文/刘美枝  杨磊
器，进而模拟人脸视频图像采集和检测，与数
据库预先存放的人脸库进行对比后作出响应，发挥智能安防作用。
1 系统总体设计
智能安防在人脸检测仿真系统的研究主要工作集中于视频图像样本采集、图像归一化处理、利用Adaboost 算法实现Haar-like 模型积分图转换训练样本数据建立分类器、在模拟安防系统工作过程中对输入图像进行特征计算等处理，系统最终将输入图像的检测结果进行标记，系统实现总体结构如图1所示。
人脸检测方法种类繁多、分类复杂，安防
系统的人脸检测算法实现主要通过MATLAB 软件设计M 语言程序，常用的检测方法有基于先验知识、人脸特征、统计原理等。
2 人脸检测方法
2.1 基于先验知识的检测方法
根据先前经验积累和人类共识，人脸面部存在共性规范和特征：人脸轮廓有圆脸、方脸等，但都接近于椭圆形，人脸的眼睛、嘴巴、鼻子等面部器官在长宽距离和尺寸比例都遵循一定的规律，一些器官存在对称性等特征。
将人脸特征根据模板分类，需提前建立人脸模板标准数据库，因人脸特征种类繁多，模板库需随时更新，单纯的模板匹配检测方法效率低。
基于先验知识的人脸检测方法以人脸面部整体效构造为出发点，提取出人脸共有的特征，当图像背景区域复杂或者人脸表情复杂干扰因素很多的情况下，检测难度较高，系统算法设计的可靠性不高。2.2 基于统计原理的检测方法
随着深度学习的不断深入研究，基于深度神经网络的人脸检测技术也日渐成熟，人工智能已经在人们的日常生活中得到广泛应用。
matlab软件怎么使用图2和图3是BP 神经网络的神经元模型和网络结构图，该神经网络含有输入层，输出层，隐藏层。隐藏层神经元采用的理想激活函数是阶跃函数，由于阶跃函数的不连续、不光滑特点，通常采用Sigmoid 函数作为激活函数。
BP 神经网络构建的数学模型为：
其中，f 为Sigmoid 激活函数，ωi 为权值，x i 为输入样本，θj 为阈值。
3 Adaboost人脸检测算法
3.1 Haar-like特征提取
Haar-like 特征提取算法与
Adaboost
结合在人脸检测方面有突出效果。原始的Haar-like 特征定义了四个基本特征结构，每个特征结构看成是一个窗口，该窗口在输入图像中按固定步长滑动，直至遍历整个图像。每遍历一次后，窗口的宽度和长度会按比例放大，重复之前的遍历步骤，直到放大到最后一个比例结束。宽度上放大的最大倍数为K w ，高度上放大的最大倍数为K h ，计算公式如下：
●基金项目：山西大同大学青年科学研究项目（2018Q1）。
<<；下转64页
图1：系统总体结构
图2：神经元模型
图3：BP 神经网络结构图
64 •电子技术与软件工程  Electronic Technology & Software Engineering
软件应用
• Software Application
【关键词】Ispring Suite 多媒体课件 制作 应用
随着现代信息技术的发展，高中学校开始创新尝试采用各类网络信息设备辅助教学，但是相对而言，传统的多媒体课件在教学中仍处于不可取代的重要地位，然而多媒体课件制作过程中却存在很多的问题，如何提升多媒体课件制作的质量和教学效果成为了当前高中教学广泛关注的热点话题。作为交互式多媒体课件开发工具，Ispring Suite 凭借其多重优势，
Ispring Suite 在多媒体课件制作中的应用
文/杨亮1  吴琼2
在多媒体课件制作中发挥了重要的作用，深受
高中教师亲睐。
1 诠释Ispring Suite
1.1 Ispring Suite的定义
Ispring Suite 是一款集合了PowerPoint 和Flash 优势的E-learning 交互式多媒体课件开发工具，利用Ispring Suite 在多媒体课件制作
中的应用，教师无需具备编程能力就可以制作出具备交互性极强的E-learning 课件。1.2 Ispring Suite的特点
iSpring Suite 具备多种功能，在多媒体课件制作中起到了很大的促进作用。如iSpring Suite 可以丰富Power Point 课件内容，弥补Power Point 课件制作的不足之处；可以将Power Point 转化为Flash 形式，制作出微课作品，微课能够呈现出三分屏效果，创建出多元化的课程课件，如视频讲座、问卷调查、互动测试等等；还可以利用iSpring Suite 生成学习
平台，学生可以在平台上互动交流，提高学生的自主学习能力，增强学生参与教学活动的主动性和积极性，教学效果可以通过学习平台的自动评价进行获取。iSpring Suite 制作的多媒体课件还可以直接插入视频网站上的视频，只需要复制视频网站上所需视频的URL ，粘贴在iSpring Suite 的工具栏的地
址栏，就可以插入到幻灯片中，还可以将导入的swf 、FLV 类型文件导入到幻灯片中。iSpring Suite 多样化的功能为多媒体课件制作提供了多种可能，大大提高了多媒体课件制作的质量。
2 Ispring Suite应用在多媒体课件制作中的重要意义
在高中教学中，多媒体课件是辅助教学的重要工具，是信息技术与课程整合最有效果的教学方式，但是如何能制作出更加精美的多媒体课件，提高教学质量，调动学生学习的热情和积极性成为了很多高中教师关注的问题。
当前，很多高中教师在制作多媒体课件时，有很多工具作为制作辅助，最为常
其中，w 和h 是整个图像的宽和高，w 0
和h 0是Haar-like 窗口的初始宽和高。Haar-like 特征提取就是利用窗口在图像中滑动过程中，计算图像被窗口覆盖区域中，窗口白区域像素和减去窗口黑区域像素和得到的值就是Haar-like 特征维度。
使用积分图方法快速计算Haar-like 特征，将图像某个区域从起点开始到其他各点所形成矩形区域的像素和提前计算存储，需要用到时直接索引，降低了Haar-like 特征计算时间复杂度。
3.2 训练弱分类器
单纯采用一个最基本的Haar-like 特征计算输入图像的Haar-like 特征值，进行分类判断效果不好，通过训练弱分类器使其误差最小化，弱分类器的数学结构如下式：
其中，x 表示一个检测子窗口，f i 为特征，
<<；上接63页
θi 为阈值，p i 指示不等号的方向，h j 是训练的
弱分类器的结果。对每个特征训练一个弱分类器，使得这个弱分类器对所有训练样本的分类误差最小。
对每个特征f i 计算所有训练样本的特征值，经过排序后计算全部正样本的权重和T +，全部负例的权重和T -，该特征元素之前正样本的权重和S +，该特征元素之前负样本的权重和S -。阈值的分类误差为：
通过计算获取分类误差最小的阈值，即得到了一个最佳弱分类器。Adaboost 迭代算法把不同的训练集得到的弱分类器按照不同权值集合起来构成一个强分类器。
4 结论
本文人脸检测主要采用Adaboost 算法和MATLAB 软件编程实现。算法过程主要包括人脸和非人脸样本采集、Haar-like 特征值的积分图求解、训练强弱分类器。后续结合硬件平台实现具有一定的应用价值。
参考文献
[1]马飞，刘红娟，程荣花.基于人脸五官结
构特征的表情识别研究[J].计算机与数字工程,2011,39(09):111-113.
[2]刘王胜，冯瑞.一种基于AdaBoost 的
人脸检测算法[J].计算机工程与应用,2016,52(11):209-214.
[3]郭志波.人脸快速检测和特征抽取方法的
研究[D].南京理工大学,2007.
[4]许志影，李晋平.MATLAB 及其在图
像处理中的应用[J].计算机与现代化,2003(04):64-65+69.
作者简介
刘美枝（1989-），女，内蒙古自治区鄂尔多斯市人。硕士学位。助教。研究方向为机器学习。
作者单位
山西大同大学物理与电子科学学院  山西省大同市  037009

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。