文献综述范例解释.docxVIP

文献综述范例 基于Adaboost算法的人脸检测 文献综述 人脸检测概述 随着社会的发展，各个方面对快速有效的自动身份验证和识别的要求日益迫切。人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，具有很强的个体差异性、自身稳定性、唯一性和不易被复制的良好特性，因而它们为身份鉴别提供了必要的前提；并且同其他生物特征识别技术相比，人脸是一个信息极丰富的模式集合，是人类互相判别、认识、记忆的主要标志[1]，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性，也是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一[2]。 所谓人脸识别，是指给定一个场景的静态图像或动态视频，判断其中是否存在人脸，如果存在人脸则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息并且依据这些信息进一步提取每张人脸蕴含???身份特征，将其与已知人脸库中的人脸进行对比，从而识别场景中单个或者多个人的身份[3]。 人脸识别过程可分为人脸检测（判断输入图像中是否存在人脸)、人脸特征提取(检测每个人脸的主要器官位置和形状)和人脸识别(将人脸特征提取结果与库中人脸对比)三个阶段。使用Adaboost算法进行人脸识别流程[5]如图 1所示。 图 1 人脸检测与人脸识别流程 在人脸识别这一过程中，第一步即人脸检测是最为关键的。检测的准确性、定位精确性和检测速度将影响整个系统的性能。在实际应用中，由于客观因素的影响，人脸检测问题的难易程度以及处理方法有很大差异。在某些情况下由于图像(照片)的获取环境是可以人为控制的(如身份证照片等)，因而人脸的定位可以轻易地做到。但在大多数的场合中由于（1）人脸是一类高度非刚性的目标，存在相貌、表情、肤色、姿态等差异；（2）人脸上可能存在一些附属物，毛发、化妆品等；（3）人脸的姿态千变万化，并且存在遮挡物；（4）待检图像性质的差异性。如：图像的分辨率、摄录器材的质量等；（5）光照的种类、强度和角度的不同，其作用在人脸上所产生的性质不同的反射，造成不同区域的阴影[6]；（6）场景较复杂，人脸的位置预先不知道等因素会使人脸检测问题变得更为复杂。因而人脸的自动检测具有一定的挑战性。 虽然人脸检测是一个极富挑战性的问题，但是它的研究对于当今人类社会具有十分重要的意义。人脸识别/检测(face detection)作为人脸信息处理中的一项关键技术，成为模式识别与计算机视觉领域内一项受到普遍重视、研究十分活跃的课题。它在智能人机接口、数字视频处理、保安等领域有着很大的应用价值。 常用人脸检测算法以及存在的问题 人脸检测技术从最初对背景单一的正面灰度图像的检测，经过对多姿态(正面、侧面等)人脸的检测研究，发展到能够动态实现人脸检测，目前正在向三维人脸检测的方向发展。在此过程中，人脸检测技术涉及的图像逐渐复杂，检测效果不断地得到提高。虽然人脸检测研究已积累了宝贵的丰富经验，但目前的检测技术仍然不能对诸如复杂背景中的人脸等进行有效的处理和自动跟踪。人脸自身及所处环境的复杂性，如表情、姿态、图像的环境光照强度等条件的变化以及人脸上的遮挡物(眼镜、胡须)等，都会使人脸检测方法的鲁棒性受到很大的影响。 人脸检测算法 （1）肤色区域分割与人脸验证方法 对于彩色图像，在确定肤色模型之后，首先可以进行肤色检测，在测出肤色像素后，根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域，同时利用区域的几何特征或灰度特征进行是否是人脸的验证，以排除其它色彩类似肤色的物体。 （2）基干启发式模型的方法 基于启发式模型的方法首先抽取几何形状、灰度、纹理等特征，然后检验它是否符合人脸的先验知识。Govindaraju等人使用变形模板匹配头顶轮廓线和左右两条面颊轮廓线，实现人脸定位。 （3）基于特征空间的方法 此类方法将人脸区域图像变换到某一特征空间，根据其在特征空间中的分布规律划分“人脸”与“非人脸”两类模式。主分量分析是一种常用的方法。MIT的Sung等人提出了基于事例学习的方法，属于特征空间方法的还有因子分解方法(FA)和Fisher准则方法(FID)。 （4）基于支持向量机的方法 支持向量机(SVM)是Vapnik等人提出的基于结构风险最小化原理(SRM)的统计学习理论，用于分类与回归问题。SRM 使VC维数的上限最小化，这使得SVM 方法比基于经验风险最小化(ERM)的人工神经网方法具有更好的泛化能力。 （5）基于概率模型的方法 基于概率模型方法的一种思路是计算输入图像区域属于人脸模式的后验概率P，据此对所有可能的图像窗口进行判别。CMU的Schneiderman等人提出一种基于后验概率估计的人脸检测方法。另一种概率模型是用于描述信号统计特性的隐马尔可夫模型(HMM)。Nefian等人提出了基于嵌入式HMM的人脸检测方