人臉辨識結果

圖 4.16 為人臉訓練與辨識流程圖，基於 Haar 分類器的辨識程式需要準備大量 正負樣本圖像做訓練，其中正樣本給予欲辨識人臉約 40 張圖像，負樣本則透過網路 收集約 400 張不同人臉。接著把樣本灰階化，再透過 Haar-like 特徵法進行特徵擷取，

接著使用 Adaboost 法進行分類器訓練，最後得到由強分類器組成的級聯分類器訓練 資料。在辨識方面則透過網路攝影機進行圖像擷取，接著同樣進行灰階化與 Haar-like 特徵法進行特徵擷取，再以訓練得到的級聯分類器進行特徵辨識、分類，最後顯示 出辨識結果。

Fig. 4.16 人臉訓練與辨識流程圖

48

Fig. 4.17 為辨識程式執行所出現的畫面，Fig. 4.18 為欲辨識人臉進入畫面 中，由於還未進行資料訓練，所以不會顯示出辨識結果。

Fig. 4.17 程式執行畫面

Fig. 4.18 未經過資料訓練

實驗一：經過圖像訓練後顯示出辨識結果，並標示出人臉位置，如 Fig.4.19 所示。

Fig. 4.19 辨識出人臉結果

實驗二：當受測者離攝影機較遠或偏離正中間，發現並不影響辨識結果，如 Fig.4.20、

Fig.4.21 所示。

Fig. 4.20 離畫面較遠時

50

Fig. 4.21 偏離畫中間位置

實驗三：以側臉以及偏斜角度進行辨識測詴，由於辨識特徵已經一定程度變形，因 此辨識失敗，如 Fig.4.22 所示。

Fig. 4.22 側臉與傾斜面部角度辨識測詴

實驗一至三各條件情形與辨識結果如 Table 4.1 所示，以“”表示條件存在。

52

實驗四：進行裝飾品改變，實驗摘下眼鏡進與摘下眼鏡並戴上口罩以及戴上眼鏡與 口罩進行辨識。由結果可知摘下眼鏡與摘下眼鏡戴上口罩並沒有辨識困難，然而帶 著眼鏡與口罩雖然實驗結果偶爾可辨識出，但由於辨識機率過低視為無法辨識，如 Fig.4.23 所示。

Fig. 4.23 裝飾品改變辨識測詴

實驗五：在實驗四的情況下戴上帽子，進行頭飾改變辨識測詴。在有無眼鏡的情況 下戴上帽子，皆能辨識成功，然而在摘下眼鏡情況下戴上口罩與帽子卻無法辨識出。

顯示頭飾改變確實會影響辨識結果，帽子壓下的頭髮也會蓋住眉毛特徵。帶著眼鏡、

口罩進行髮飾改變則無法辨識成功，如 Fig.4.24 所示。

Fig. 4.24 頭飾改變辨識測詴

54

實驗六：在光源改變的情況下進行飾品改變。結果無論是否有戴眼鏡皆可辨識成功，

而戴上口罩後則無論有無眼鏡都無法辨識，與實驗四結果相比，可知光源改變會影 響辨識率，如 Fig.4.25 所示。

Fig. 4.25 在改變光源下進行裝飾品改變辨識

實驗七：在實驗六的情況下進行頭飾改變，戴著帽子進行辨識。根據結果，無論有 無眼鏡皆能辨識成功，而戴上口罩後無論有無眼鏡都無法辨識，與實驗六結果一樣，

如 Fig.4.26 所示。

Fig. 4.26 在改變光源下進行頭飾改變辨識

56

4.5 本章小結

本章為說明整個人辨識嵌入式系統搭建與實現的過程，並在最後呈現系統辨識 的成果。一開始介紹 pcDuino V2 嵌入式帄台系統的搭建，包括燒寫內核、ubuntu 作 業系統安裝、系統空間擴展。再介紹了辨識程式所使用到的 OpenCV 函式庫的編譯 與安裝後，接續介紹了程式所使用到的 Qt 圖形用戶介面開發框架的編譯與安裝，包 括 Qt Library 與 Qt Creator，以及進行網路攝影機的驅動，最後呈現人臉辨識嵌入式 系統的辨識結果。

58