現在影像辨識技術的研究已經研究許久，在許多領域上皆有所應用，如車牌辨識、人臉辨識。而本論文主要的研究是另一領域的應用，目前尚未有人做過的“與面相學結合的人臉特徵與個性分析系統”，而且此研究剛好也結合了中國的傳統文化。本系統主要提供一個與面相學結合的個人大頭照自動化人臉特徵分析系統，結合面相特徵來分析個性特質，經由對映工作職務的個性特質，給予適任的職務的建議。
    系統首先找出臉部的位置，第二步驟、對各臉部子區域（眼睛、嘴巴、鼻子）做定位動作。第三步驟、針對臉部子區域做特徵擷取，得到位置和大小的特徵值。第四步驟、定義眼睛、嘴巴、鼻子的面相特徵，如“大眼睛”。第五步驟、使用臉部子區域特徵的特徵值來與對映的面相特徵的特徵值，得到個人的個性特質。第六步驟、經由個人的個性特質，與工作職務的個性特質對映，給予適任的職務的建議。
    使用OPENCV既有的一些Function來達到基於特徵的人臉偵測系統，在人臉和眼睛、鼻子、嘴巴的偵測是使用Paul Viola的Haar特徵原理來定位。在人臉定位中，雖然原本的正確率已經達到90％以上，本系統加入判斷人臉區域是否有眼睛特徵的條件，有眼睛特徵才是真正的人臉物件，使正確率更達接近100％。
    在眼睛、鼻子、嘴巴特徵的定位因為背景複雜的因素變多，致使正確率降低，本系統加入五官比例定位判斷的方案，實驗後確實可以提高辨識率。臉部子區域特徵擷取則經由各種影像處理技術，如平滑、腐蝕、膨脹、直方圖均衡化，並且加上二值化與影像映射而得到相關的座標特徵值，再經由座標特徵值計算而得到大小特徵值。本系統將面相特徵給予定義和量化，在使用座標特徵值和大小特徵值當參數來對映，得到個人的個性特質。最後由個人的個性特質與工作職務的個性特質對映，而給予適任職務的建議。

The Face recognition can be applied to many different fields. For example, the building entrance guard control, the criminal verification, the security verification of finance, and the identity verification of the network trade, etc. But, I don’t want to do these things that someone already do. I thing I can find an interesting application and nobody did it ever. This is my purpose. 
  The system is different with the above applications. It provides a new application and interesting applications. Combination of Physiognomy characteristics and facial recognition do the personality characteristics analysis. And, combination of the social psychology and the personality characteristics of work duties do suitable job recommendations by matching the personality characteristics.
  The object of my research is the Analysis of Face Feature and Personality. I combine the Chinese’s Physiognomy and Face recognition to do a system. The system automatically analyses personality from personal photo of big head. Some image technical, for example, location and analysis I use some function from OPENCV that did from INTEL. In this paper, an approach to face detection based on Boosted Cascade arithmetic is introduced. This arithmetic adopts the image representation of integral image and cascade classificatory structure, so that the arithmetic can detect faces quickly and accurately. This paper also presents solutions of improving Boosted Cascade arithmetic. The first solution is using the model of eyes feature to verify face detection. The result is better than original. And, the second solution is to use the proportion and position of sub-block of face to verify the result of detection from eye, nose and mouth. The result is also better than original.
  When we location the eye, nose and mouth, then we can get the position and size feature by some image process. Then, using these features to map the Chinese’s Physiognomy features, the Chinese’s Physiognomy features have to define and to quantify. We can get the personality of personal. Finally, we can use the personality of personal to map the personality of job. Then, get the right job of personal.

目錄
圖目錄	VIII
表目錄	X
第1章 概論	1
1.1 研究動機	1
1.2 研究目的	2
1.3 本文架構	3
第2章 人臉辨識介紹與相關研究之探討	4
2.1 人臉偵測與辨識介紹	4
2.2 OPENCV介紹	6
2.3 面相之介紹	7
2.4 職場與個性	14
第3章 人臉與眼睛、鼻子、嘴巴偵測	21
3.1 系統架構	22
3.2 矩形特徵	24
3.3 影像積分	25
3.4 ADABOOST演算法	27
3.5 BOOSTED CASCADE多層分類器級聯結構	29
3.6 基於BOOSTED CASCADE演算法的人臉檢測的實現	32
3.7 基於BOOSTED CASCADE演算法的人臉局部特徵檢測的實現	38
第4章 人臉局部區域特徵分析與個性特質分析和職務建議	47
4.1 人臉局部區域分析	47
4.2 局部區域特徵分析與面相定義	57
4.3 特徵與個性之分析	64
4.4 個性特質分析和工作職務建議	68
第5章 實驗與結果	77
5.1 系統描敘	77
5.2 系統UI與人臉偵測結果	77
5.3 人臉局部區域定位、特徵的擷取與分析結果	78
第6章 結論與未來展望	84
6.1 結論	84
6.2 未來展望	85
參考文獻	87
附錄—英文論文	89


圖目錄
圖 2.3-1  五官圖[7]	9
圖 2.3-2  觀眼特色圖[7]	11
圖 2.3-3  觀鼻特色圖[7]	12
圖 2.3-4  觀口特色圖[7]	14
圖 3.1-1  系統架構圖	23
圖 3.1-2  系統設計流程圖	24
圖 3.3-1  點(x,y)處的積分影像值	26
圖 3.3-2  任何影像內部的矩形和	27
圖 3.4-1  Viola 使用的四種矩形特徵	27
圖 3.4-2  AdaBoost演算法選出的第一及第二個特徵	28
圖 3.5-1  多層分類器級聯結構	30
圖 3.6-1  基於Boosted Cascade演算法的人臉檢測的演算法實現流程圖	34
圖 3.6-2  人臉偵測錯誤檢測的範例圖	35
圖 3.6-3  臉部偵測的眼睛器官(雙眼)驗證	35
圖 3.6-4  基於眼睛驗證的Boosted Cascade演算法流程圖	37
圖 3.6-5  加入眼睛驗證的人臉辨識結果	38
圖 3.7-1  基於Boosted Cascade演算法的五官檢測的演算法實現流程圖	40
圖 3.7-2  錯誤的眼睛檢測結果	41
圖 3.7-3  錯誤的鼻子檢測結果	41
圖 3.7-4  錯誤的嘴唇檢測結果	41
圖 3.7-5  五官定位比例圖	42
圖 3.7-6  Boosted Cascade演算法加上五官比例關係定位的五官檢測的演算法實現流程圖	45
圖 3.7-7  Boosted Cascade演算法加上五官定位比例的眼睛檢測的結果	45
圖 3.7-8  Boosted Cascade演算法加上五官定位比例的鼻子檢測的結果	46
圖 3.7-9  Boosted Cascade演算法加上五官定位比例的嘴唇檢測的結果	46
圖 4.1-1  眼睛原始檔	48
圖 4.1-2  鼻子原始檔	48
圖 4.1-3  嘴唇原始檔	48
圖 4.1-4  眼睛做灰階轉換	48
圖 4.1-5  鼻子做灰階轉換	48
圖 4.1-6  嘴唇做灰階轉換	48
圖 4.1-7  眼睛做Smooth	50
圖 4.1-8  鼻子做Smooth	50
圖 4.1-9  嘴唇做Smooth	50
圖 4.1-10 眼睛邊緣偵測結果圖	50
圖 4.1-11 鼻子邊緣偵測結果圖	51
圖 4.1-12 嘴唇邊緣偵測結果圖	51
圖 4.1-13 眼睛二值化結果圖	51
圖 4.1-14 鼻子二值化結果圖	51
圖 4.1-15 嘴唇二值化結果圖	51
圖 4.1-16 眼睛侵蝕結果圖	52
圖 4.1-17 鼻子侵蝕結果圖	52
圖 4.1-18 嘴唇侵蝕結果圖	52
圖 4.1-19 眼睛膨脹結果圖	52
圖 4.1-20 鼻子膨脹結果圖	52
圖 4.1-21 嘴唇膨脹結果圖	53
圖 4.1-22 雙眼區塊垂直映射	53
圖 4.1-23 雙眼區塊水平映射	53
圖 4.1-24 擷取雙眼區塊的四個座標	53
圖 4.1-25 鼻子區塊垂直映射	54
圖 4.1-26 鼻子區塊水平映射	54
圖 4.1-27 擷取鼻子區塊的四個座標	54
圖 4.1-28 嘴巴區塊垂直映射	55
圖 4.1-29 嘴巴區塊水平映射	55
圖 4.1-30 擷取嘴巴區塊五個座標點	55
圖 4.1-31 人臉局部區域分析實現流程圖	56
圖 4.4-1  臉部局部特徵的個性特質分析與工作職務配對流程圖	69
圖 4.4-2  眼睛、鼻子、嘴巴的個性特質與工作職務的個性特質配對關係	70
圖 5.2-1  系統UI和人臉偵測結果	78
圖 5.3-1  人臉的嘴巴偵測與分析結果	81
圖 5.3-2  人臉的鼻子偵測與分析結果	81
圖 5.3-3  人臉的眼睛、鼻子、嘴巴組合偵測與分析結果	82
圖 5.3-4  人臉的眼睛、鼻子、嘴巴組合分析無適任工作職務結果	82

表目錄
表 4.2-1 眼睛特徵與個性特質對映範例	58
表 4.3-1 工作與個性特質對映範例	65
表 5.2-1 本實驗人臉辨試結果	78
表 5.2-2 單獨左眼或右眼與雙眼的辨識率比較	78
表 5.3-1 人臉的左眼和右眼偵測結果	79
表 5.3-2 人臉的鼻子偵測結果	79
表 5.3-3 人臉的嘴巴偵測結果	79

[1]  Shantanu Sharma, Nitin Gupta. April 28, 2003. ”An Active Appearance Model Based Face Recognition System”. A report on Special Topics in Computer Sciences (CS397), 
[2]  Sheethal Bhat, Marios Savvides. 2008. “Evaluating Active Shape Models for Eye-Shape Classification”. IEEE
[3]  Paul Viola, Michael Jones. 2001. “Rapid Object Detection using a Boosted Cascade of Simple Features”. ACCEPTED CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION
[4]  張家豪。中華民國九十七年七月。”以AAM與PCA為基礎之眼鏡特徵弱化方法於人臉辨識之改進”。 國立中央大學資訊工程研究所碩士論文。
[5]  OpenCV(Open Source Computer Vision Library) 。網址：http://opencv.willowgarage.com/wiki/Welcome 。
[6]  Intel® Integrated Performance Primitives (IPP) 。網址：http://www.intel.com/software/products/ipp/index.htm 。
[7]  富說網。網址： http://www.yusoo.com.tw/main.php 。
[8]  中國人力資源網。網址： http://www.hr.com.cn 。
[9]  104人資學院。網址： http://www.104ehr.com.tw 。
[10] Y. Freund, R.E. Schapire. 1997. “A decision-theoretic generalization of on-line learning and an application to boosting”. Journal of Computer and System Sciences. vol.55, pp. 119-139
[11] 脇尚平。中華民國82年11月。“瞬間人相學” 。益群書店股份有限公司，初版3刷。 
[12] H. Schneiderman, T. Kanade. 2000. “A statistical method for 3d object detection applied to faces and cars. In Proc”. IEEE Conference on Computer Vision and Pattern Recognition, pages 746–751