动态人脸识别的简要原理分析
前言：今天在电脑压箱底的位置竟然找到了当年大学毕业的毕业设计，当时做的是一个安全检测系统，其中有一个模块是人脸识别，从中摘出来三张图片和大家分享，时间已久，下面全是即兴书写，如有bug，敬请百度，谢谢~~~
动态人脸识别顾名思义，就是运动中人脸的识别。我不用开源视觉库OPENCV，因为OPENCV中的人脸识别相当耗时，如果在某些嵌入式系统中，显然运行不流畅。
其实还有其他的简单的方法可供使用，本文暂不考虑背景运动，假定背景是静态的。
看到运动一词，我第一反应时使用————帧间差分，何为帧间差分，请自行百度。图像相邻两帧经过灰度，二值化，帧间差分后轮廓明显、清晰，这有利于我们进行下一步的图像处理。目前处理结果如下图（a）.
经帧间差分后，进行2D直方图投影后，可以很明显的看到，直方图的分布规律，直方图的优点，处理简单，特征明显，而且人脸轮廓分布规律清晰可辨。见下图（b）。
对直方图进行分布统计后，初步得到如下图（C）中的矩形区域，这个就是粗略的人脸区域。
经过上面的简单处理，虽然人脸区域已经初现端倪，但是这个区域波动性很大，准确性不高，不适合进行人脸识别。因为2D直方图的投影还有许多噪声，这影响了我们的分布统计结果，从而得到了又较大误差的人脸区域，如何削弱或者去掉噪声呢？
由于噪声点都是比较分散、细小的，所以我们选择图像形态学处理进行图像处理。何为图像形态学处理，老规矩，自己百度去。下面是进行形态学处理后的2D直方图效果，可以明显看出经过形态学处理的图像，噪声明显减少，人脸区域识别准确性大大提高。。。其中形态学处理占用的处理时间较其他图像识别处理方法少，特别适合在嵌入式系统中使用。
下面进行基本图像处理和形态学处理对人脸识别准确性对比：太明显了吧，左边误差嗖嗖的大，右边误差嗖嗖的小。
以上仅供大家参考，方法简单，但不失风韵。如有bug，请百度自纠之。。谢谢~~~~~
