旋转人脸的检测及检索.pdfVIP

旋转人脸的检测及检索1 刘留 1 了解更多请访问：/ 更多人脸检测资料访问：/facelocalization/ E-Mail ：Geo.Cra@ 摘要：本文论述了一种基于眼睛粗定位划分可能人脸区域后送入分类器进行判别的人脸检 测方法，该方法能够正确检测 0°～360°旋转人脸图像，对于非监视环境下的人脸检测具有 错误报警低，速度快的特点，本方法应用在人脸检索中已经取得了比较好的效果，同时本 文还对该方法的推广进行了探讨，提出了一种具有图像平面内旋转缩放不变性的物体检测 方法。 关键字：人脸检测、眼睛定位、凸包填充、分类器、神经网络、人脸检索、特征点配准 1. 引言 在实际生活中，人脸检测技术有着广阔的应用空间。首先，它是人脸识别实用化的关 键一步，对人脸识别的精度有很大的影响。另一方面，人脸检测技术在基于内容的搜索[4] 中 也有极大的价值，比如著名的NameIt系统即是人脸检测技术应用在这一方面的实例。 本文提出了一种基于眼睛定位与分类器的人脸检测新方法，该方法将基于彩色图像的 人脸检测和基于灰度图像的人脸检测方法结合起来，这种方法在现阶段能实现非监视环境 下图像平面内 0°～360°的旋转人脸检测，拓展了人脸检测的角度范围，并且有效地降低了 错误报警数。基于此，本文实现了一个桌面检索系统和一个互联网人像搜索系统，桌面检 索系统对于普通家庭数码照片的检索具有速度快，检出率高的特点；互联网人像搜索系统 对海量人脸数据的检索速度较快，检出率较高。在本文提出的人脸检测方法分析的基础上， 还提出了一种广泛的基于特征点匹配的物体检测算法，该算法具有图像平面内的旋转缩放 不变性。 2. 相关工作 人脸检测技术[1]从上世纪 80 年代开始作为人脸识别的一部分进行研究，但随着研究的 深入，人们发现人脸检测，又特别是非监视环境下的人脸检测难度和人脸识别相当，甚至 更难。至今，人脸检测技术经过几十年的发展，许多方法应用于其中，但大多数差强人意， 而人们的注意力也主要集中在了对于监视环境下的实时人脸检测，并且提出了一些很好的 方法，例如AdaBoost 1[2-5]，这些方法实现监视环境下的人脸检测无疑是适用的，但是，对于 非监视环境下的人脸检测，特别是一些复杂环境下的人脸检测，AdaBoost 、ANN2 [6-8]、SVM3 [9] 等方法的错误报警数仍然较高。 人脸检测的任务是在多种环境中将人脸检测出来，其中存在伪人脸、光线不均匀等种 种噪声。就人脸本身而言，由于各个人的不同，而且表情差异极大，也是这一问题的难点 所在。经过多年的发展，监视环境中的人脸识别技术已经臻于成熟，但是人脸检测技术的 研究，特别是在复杂背景中的人脸检测技术仍然方兴未艾。 1 AdaBoost ：提升算法，由Freund和Scbapire于 1995 年提出，思想是将一系列的弱分类器组合构成一个强分类器。 2 ANN ：Artificial Neural Network ，人工神经网络，最早由Hebb.提出，由于其方便性和较高的准确性，广泛应用于分类领 域。 3 SVM ：Support Vector Machine，支持向量机，由Vapnik等人于 1995 年提出，现在已经推广到了非线性的多类分 类，由于其不需要知道样本的分布概率就能够取得很好的结果，而受到青睐。 - 2 - 虽然人脸检测技术经过数十年的发展已经有了长足的进步，现阶段也有很多的人脸检 测程序，但是尽管大多数方法中采用的分类器和训练方法不同，大致思路仍然是一致的， 即建立多分辨率的金字塔图像，然后再沿x ,y 轴开始用一个固定窗口进行检测。 图 1. 现阶段的人脸检测方法大致思路 这样的方法大多数对于旋转人脸的检测有着先天的不足。因为依照这样的思路，必须 对多个方位建立分类器，在实际检测中费时太多，不够实用，而如果用旋转人脸来训练分 类器则会导致分类器错误率直线上升，无法使用。 自 2001 年Viola-Jones[2]提出AdaBoost方法以后，监视环境下的人脸检测问题基本上被