人脸检测是几个重要的是.docVIP

人脸检测是在几个重要的是，由于人脸图像输入采取自动化系统。例子包括全自动人脸识别系统，基于视频监控和预警系统，人脸/身体跟踪系统和感性的人机界面。大多数人脸检测算法可分为基于特征或外观为基础。近年来，外观的人脸检测算法，采用机器学习和统计估算方法已显示所有现有的人脸检测方法的优异成绩。 外观的人脸检测技术的例子包括AdaBoost算法，该算法FloatBoost的S - AdaBoost算法，神经网络，支持向量机（SVM），隐马尔可夫模型和贝叶斯分类器。中提琴和琼斯提出强有力的AdaBoost的人脸检测算法，该算法可以检测面临一个具有较高的检测率迅速和强有力的方式。李等人。提出的浮算法，提高学习与最小误差率提高了分类器的AdaBoost算法的一个改进版本。浮法升压算法使用回溯机制，提高后的每个迭代过程AdaBoost的人脸检测率。但是这种方法在计算上比更密集的AdaBoost算法。江洛提出了S - AdaBoost算法，在处理离群模式检测和分类的AdaBoost算法的一个变种。既然是S - AdaBoost算法用于计算不同阶段不同分类器，它患有计算效率低下和缺乏准确性。 在各种不同的神经网络为基础的人脸检测方法，罗利等人的工作。特别是众所周知的。罗利等人。采用多层神经网络学习训练的脸和非面对面模式套脸和非脸图像组成。他们的技术的重大缺点是，该检测主要是限于直立正面的面孔。虽然罗利等人。进一步推广他们的方法来检测旋转的人脸图像，报告的结果是不是因为由此产生的低破案率乐观。面对支持向量机（SVMs）的检测技术的使用结构风险最小化，尽量减少上层的预期推广误差的约束。支持向量机的主要缺点包括在学习过程和高内存需求密集型计算。面对隐马尔可夫模型（HMMs的）的检测技术所面临的假设和非面对面模式可以作为一个参数随机马尔可夫过程，其使用可以学到一个明确的估计过程参数输出的特点。一个HMM模型的训练目标是估计的HMM模型的相应参数，最大限度的概率或观察到的训练数据的可能性。施奈德曼和Kanadepresent一个朴素贝叶斯人脸检测，这是对当地的外观和在多尺度面临格局中的地位联合概率估计的分类。然而，朴素贝叶斯分类器性能的报道是穷人。为了解决这个问题，提出了限制史内德曼贝叶斯networkfor脸检测执行一个在大货舱搜索可能的网络结构，以确定最佳的构造分析贝叶斯网络为基础的分类器。 在视频跟踪对象也被广泛研究的计算机，因为计算机，例如各种自治机器人，视频监控，人眼跟踪和人脸跟踪算法广泛使用的跟踪视觉应用视觉研究人员。目标跟踪算法设计运行在更广泛的结构和较少的情况下需要处理的不确定性和误差闭塞引起的复杂问题，在光照的变化，观点和对象规模。因此，许多技术已经发展到针对不同的视觉目标跟踪上述问题，在过去10年文献报道。 对视觉对象跟踪的各种技术可以分为图像（地区）为基础，轮廓为基础或过滤为基础的。图像（地区）的跟踪方法通常从输入图像中提取的一般特征，然后结合regionbased这些功能采用高级别现场信息。 Intille等。提出一个BLOB，其中用于实时跟踪跟踪人的背景减去提取前景的地区。前台区域，然后分成基于肤色斑点。这种方法具有良好的运行时性能，但是从一个在受到重大不利的斑点合并计算时，在现场的方式彼此的对象。基于轮廓的跟踪方法假定跟踪对象是由等高线为界已知的性能。被跟踪的轮廓像素从一个imageframe到下使用预定义的轮廓形状模型。动力或弹性轮廓模型用来处理对象的形状因变形或规模变化的变化。过滤为基础的方法是基于对象的预测和更新的功能随着时间的推移，即对在视频序列连续帧。物体的形状和物体的位置随着时间的推移跟踪是充分解决了传统卡尔曼跟踪问题在哪里可以有效地作为一个线性动态系统建模案件过滤器。扩展卡尔曼滤波（EKF）是一个传统的卡尔曼滤波扩展到非线性的单峰过程，但其中非线性行为可以由当地线性接近。但是，它已被广泛接受的粒子过滤器要优于传统的卡尔曼滤波的跟踪性能方面，由于粒子过滤器提供了一个强大而不会被跟踪对象仅限于一个线性系统模型框架。 粒子过滤器，也被称为序贯蒙特卡罗过滤器，已广泛应用于视觉跟踪，以解决限制来自非线性和非正常的议案模型产生。粒子过滤器的基本思想是利用近似的后验密度递归贝叶斯过滤器在与某些分配权重的粒子集的。该冷凝算法，一个简单的粒子过滤器，由伊萨德提出的旨在解决问题，从跟踪的非线性和不正常所引起的运动模型。在抽样一步，凝聚算法使用一个简单的建议分布绘制的粒子集，它定义了粒子的状态在上一帧的条件分布。该提案的分布，然后用逼近目标后验分布。一个普遍遵守的凝结算法的缺点是，建议分布不纳入从目前从而在更长远的衔接到所需的后验分布造成的框架需要时间的信息。 已经制定了各种办法来改善传统的粒子滤波器的跟踪性能。 Li等al.