基于小波分析与神经网络的人脸检测方法.pdfVIP

第12卷第1期 电路与系统学报 V01．12No．1 ANDSYSTEMS 2007年2月 JoURNAL0FCIRCUITS Febmary，2007 文章编号：1007一0249(2007)01-0055一07 基于小波分析与神经网络的人脸检测方法‘ 章品正， 舒华忠 (东南大学计算机科学与工程学院影像科学与技术实验室，江苏南京210096) 摘要；本文设计了一种结合小波分析与神经网络优点的人脸检测方法。该方法主要包括两个阶段。在训练阶段首 先借鉴图形学中的背景生成方法对AR人脸数据库中的人脸样本进行背景叠加；然后对经过预处理的训练样本进行小 波分解，并将得到的小波系数输入精心设计的神经网络进行训练。在人脸检测阶段，通过将缩放后的图像的各个区域 输入神经网络，由神经网络判断输入区域中是否包含人脸：在得到检测结果后，本文通过基于规则的方法以及基于 SusAN的方法进行人脸区域验证取舍与合并；最后通过实验结果的分析比较可以发现本文的方法不仅可以实现人脸 区域的快速检测，而且不受光照变化以及噪声的影响。 关键词z神经网络；小波分解；人脸检测 中图分类号。TP391．4文献标识码：A 1 介绍 人脸检测任务需要回答两个基本问题：目标图像中是否有人脸存在?在有人脸存在的情况下人脸 的位置与尺寸分别是多少?作为面部信息处理的第一步，它是当前计算机视觉与模式识别领域的研究 热点之一。人脸检测的众多方法都是建立在对面部特征进行分析的基础上而提出的。这些特征包括肤 色特征、轮廓特征、灰度分布特征、镶嵌图划分特征、对称性结构特征等。建立在对这些特征进行分 析基础上的人脸检测方法包括基于边缘的方法[1]，基于颜色信息或灰度信息的方法【2J，基于运动信息 背景、光照、外貌以及表情等因素的影响而难以得到稳定可靠的结果。 参考人类的视觉系统可以发现它在进行目标区域检测时首先提取有效信息，然后对所抽取的信息 进行高效的智能处理，最终得到良好的结果。Cun等人[7]的方法通过权值共享的方法进行有效信息的 抽取并通过神经网络方法对抽取的信息进行高效的处理。他们认为如果期望获得良好的结果，那么就 需要将与实际问题相关的先验知识融入到所构建的机器学习系统之中。他提出的神经网络在结构上通 过隐层节点与输入图像的某一个局部区域进行全连接而实现权值共享。他认为通过这种方式可以保留 目标的局部信息以及各个局部之间的拓扑结构关系。该方法通过神经网络训练可将先验知识融入神经 提出的神经网络结构进行了一些调整，并将其应用到人脸检测中，也取得了较好的结果。本文将人脸 图像的有效特征信息归纳为两类：一类为小范围内表征的特征信息，另一类是大区域内表征的特征信 息。眼睛、鼻子、嘴巴区域内的灰度分布信息属于前者，而脸颊区域以及前额区域的纹理信息则属于 后者。通过小波变换可以将两类信息相对集中的变换到各个不同的尺度下。在获得各个尺度的小波系 数之后可使用神经网络方法对其进行处理。 首先对输入的图像灰度信息进行一次二维小波分解并将得到的小波系数的模值作为输入。在这种方式 下实现了在空问域与尺度域上联合表征图像信息。另外根据小波分解后所得系数的关联相似性设计了 神经网络的结构，而Rowley方法中神经网络的结构是依据对他对图像区域的划分方式构建的，在他 的论文[8]中叙述了划分的具体方式与依据。本文在训练过程中采用的是AR人脸库【9J中的数据，而且通 +收稿日期；2004-10-14修订日期：2005-01—27 56 电路与系统学报 第12卷 过应用图形学中背景的生成方法对AR人脸库中的单调背景进行了调 整。最后通过神经网络的训练得到了一个结合小波分解与神经网络方 法的分类器并在此基础上设计实现了一个人脸检测的算法。通过实验 结果的分析比较认为该方法具有较好的稳定性与准确性。 本文在第2节说明了小波分解后所得特征信息的特点；在第3节 说明神经网络构建、训练样本预处理和神经网络的训练方法；第4节 给出人脸检测与验证的方法；在第5节和第6节分别给出实验结果的 分析比较以及结论。