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。

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.

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

[1]	Paul Viola, Michael Jones, Robust Real-Time Face Detetion, International Journal of Computer Vision, 2004.
[2]	Matthew A. Turk and Alex P. Pentland, "Face recognition using eigenfaces," presented at the IEEE Conf.Computer Vision and Pattern Recognition, 1991.
[3]	J. Canny, "A computational approach to edge detection," IEEE Trans. Pattern Anal. Machine Intell., vol. PAMI-8, pp. 679-698, 1986.
[4]	Y. Freund and R. E. Schapire, “A decision-theoretic generalization of on-line learning and an application to boosting,” Journal of Computer and System Sciences, vol. 55, pp. 119-139, 1997.
[5]	H. Hurase, and S. Nayar, “Visual Learning and Recognition of 3D Objects from Appearance,” Int’l J. Computer Vision, vol. 14, pp. 5-24, 1995.
[6]	P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, “Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 711-720, July 1997.
[7]	A. M. Martinez, and A. C. Kak, “PCA versus LDA,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 23, no. 2, pp. 228-233, Feb. 2001.
[8]	M. Bishop, Neural Networks for Pattern Recognition, New York, Oxfard, 1995.
[9]	A. K. Jain, Fundamentals of Digital Image Processing, Englewood Cliffs, NJ: Prentice-Hall, 1989.
[10]	U. Halici, and G. Ongun, “Fingerprint Classification through Self-Organization Feature Maps Modified to Treat Uncertainties,” IEEE Proceedings, vol. 84, no. 10, pp. 1497-1512, Oct. 1996
[11]	Gundimada, S. and Asari, V. K., "Facial Recognition Using Multisensor Images Based on Localized Kernel Eigen Spaces," presented at the IEEE JNL. Image Processing,2009.
[12]	K.C. Lee, J. Ho, M.H. Yang and D. Kriegman, “Video-Based Face Recognition Using Probabilistic Appearance Manifolds”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR '03) - Volume 1, 2003, pp. 313

[13]	Rafael C. Gonzalez, Richard E. Woods原著，繆紹綱編譯，2003，數位影像處理，譯自”Digital image processing, 2nd ed.”，臺灣培生教育出版