[[alternative]]Similar Face Image Retrieval by Local Feature

碩士[[abstract]]影像處理研究領域裡，人臉辨識這個議題受到廣泛的重視。在本論文中，建構一套使用局部特徵的相似人臉影像檢索系統，本系統可透過網際網路上傳人像圖片進行檢索搜尋，系統架構主要可分人臉偵測、特徵擷取及人臉影像檢索三大部分，人臉偵測使用Viola與Jones[1]提出了積分影像(Integral Image)概念和一個基於Adaboost 方法訓練人臉偵測分類器的方法。特徵擷取部分則將人臉各特徵區域預先劃分比例，再透過Haar-like特徵的基礎上，經由Boosting演算法學習訓練(左眼、右眼、鼻子及嘴巴)參數，再與特徵區域進行Adaboost的特徵偵測，得到的特徵利用主成分分析(PCA)方法抽取特徵參數。最後人臉影像檢索則為選擇檢索特徵部位及權重值設定所組成，透過複合式的特徵部位檢索資料庫得到相似人臉影像。[[abstract]]In the field of image processing research, the topic of face recognition has been catch the extensive attention. In this paper, we use local features to build a Similar Face Image Retrieval System. This system can search portraits by uploading it to the Internet. The system architecture can be mainly divided into three parts, including face detection, feature capture and facial characteristic searching. The face detection part takes advantages of the Integral Image concept from Viola [1] and a human face detecting training method of Adaboost. The feature capture part pre-scales each facial feature, and adds parameters through Boosting algorithm (left eye, right eye, nose and mouth) on the base of Haar-like characteristics. Then we combine the first and second part to detect the feature capture regions by Adaboost. The detected features were analyzed by principal component analysis (PCA) method to extraction of characteristic parameters. Finally, the Face Image Retrieval System is consisting of alternate feature regions and the value set weight. By using this system, we could search similar face images through a feature database.[[tableofcontents]]第1章 緒論 1 1.1 研究背景及動機 1 1.2 研究目的 4 1.3 論文章節及架構 5 第2章 相關研究 6 2.1 人臉偵測 6 2.2 CANNY邊緣偵測 11 2.3 PCA 主成分分析 15 第3章 使用局部特徵的相似人臉影像檢索系統 20 3.1 系統架構與流程 20 3.2 人臉偵測 25 3.3 特徵區域設定 27 3.4 PCA取得特徵向量 30 3.5 人臉影像檢索機制 30 第4章 系統建置 36 4.1 軟體硬環境 36 4.2 系統成果 41 4.3 影像檢索效能與評估 48 第5章 結論 62 參考文獻 64 附錄 英文論文 66 圖 2-1 點 處的積分影像值 7 圖 2-2 計算矩形和示意圖 7 圖 2-3 其中四種的矩形特徵 8 圖 2-4 AdaBoost演算法所選出的第一與第二個特徵(取自[1]) 9 圖 2-5 層疊分類器示意圖(取自[1]) 10 圖 2-6 (a)受雜訊影響的邊，(b)和(d)為梯度和高斯的filter，(c)和(e)為作旋積之後的結果。(取自[3]) 12 圖 2-7 Canny邊緣偵測前圖形 14 圖 2-8 Canny邊緣偵測後圖形 14 圖 2-9臉資料庫中，22張正面臉部影像 18 圖 2-10 22張正面臉部影像，透過PCA處理後特徵臉 19 圖 3-1 系統架構 20 圖 3-2 人臉偵測結果 21 圖 3-3 左眼、右眼、鼻子、嘴巴特徵區域擷取 21 圖 3-4 Canny邊緣檢測之人臉臉型 22 圖 3-5 人臉經由PCA主成分分析得到的特徵臉 22 圖 3-6 檢索系統新增資料流程 24 圖 3-7 檢索系統資料檢索流程 25 圖 3-8 人臉偵測架構圖 27 圖 3-9 人臉偵測結果 27 圖 3-10 眼睛特徵區域設定 28 圖 3-11鼻子特徵區域設定 29 圖 3-12嘴巴特徵區域設定 29 圖 3-13 競爭型類神經網路檢索的架構 30 圖 3-14 全臉 32 圖 3-15 左眼 33 圖 3-16 右眼 33 圖 3-17 鼻子 33 圖 3-18 嘴巴 33 圖 3-19 臉型 33 圖 4-1 登入畫面 41 圖 4-2 顯示人臉資料庫 42 圖 4-3 上傳圖片 42 圖 4-4 圖片上傳後，系統啟動特徵擷取及清除功能 43 圖 4-5 系統成功抓取臉部特徵 44 圖 4-6 特徵檢索設定、搜尋資料庫及特徵存入資料庫 45 圖 4-7 圖形檢索結果 搜尋出第一相似圖片 46 圖 4-8 圖形檢索結果 搜尋出第二相似圖片 47 圖 4-9 圖形檢索結果 搜尋出第三相似圖片 47 圖 4-10正臉 49 圖 4-11側臉 49 圖 4-12側面光線 49 圖 4-13微笑 49 表 3-1 鼻子排序結果 34 表 3-2 嘴巴排序結果 34 表 3-3 尚未加權權重總排序結果 35 表 3-4 加權權重總排序結果 35 表 4-1 單一特徵檢索 正臉排名平均值 51 表 4-2 單一特徵檢索 側臉排名平均值 51 表 4-3單一特徵檢索 側面光線排名平均值 52 表 4-4單一特徵檢索 微笑排名平均值 52 表 4-5二個特徵檢索 正臉排名平均值 52 表 4-6二個特徵檢索 側臉排名平均值 53 表 4-7二個特徵檢索 側面光線排名平均值 54 表 4-8二個特徵檢索 微笑排名平均值 54 表 4-9 三個特徵檢索 正臉排名平均值 55 表 4-10三個特徵檢索 側臉排名平均值 56 表 4-11三個特徵檢索 側面光線排名平均值 56 表 4-12三個特徵檢索 微笑排名平均值 57 表 4-13 四個特徵檢索 正臉排名平均值 58 表 4-14四個特徵檢索 側臉排名平均值 58 表 4-15四個特徵檢索 側面光線排名平均值 59 表 4-16四個特徵檢索 微笑排名平均值 59 表 4-17 五個特徵檢索 正臉排名平均值 59 表 4-18五個特徵檢索 側臉排名平均值 60 表 4-19五個特徵檢索 側面光線排名平均值 60 表 4-20五個特徵檢索 微笑排名平均值 60 表 4-21 六個特徵檢索 正臉排名平均值 60 表 4-22六個特徵檢索 側臉排名平均值 61 表 4-23六個特徵檢索 側面光線排名平均值 61 表 4-24六個特徵檢索 微笑排名平均值 61[[note]]學號: 796410107, 學年度: 9