人脸检测算法综述人脸检测算法综述.doc

计算机科学与技术学院 毕业设计（论文）开题报告 设计（论文）题目： 人脸检测算法综述 学生姓名： 赵梓宇 学 号： 系（部）： 计算机学院 专 业： 电子信息科学与技术 指导教师： 梁志贞 2013 年 3 月 23 日 毕 业 设 计（论文）开 题 报 告 本课题的研究意义，国内外研究现状、水平和发展趋势 为了使计算机能够获取视觉并且能根据所获取的视觉信息来识别所关注的对象，科学家们发展出了计算机视觉理论，也即模式识别，这门学科在国防，科研，安全，智能生产等等各个方面都大有用处，而人脸识别时模式识别的一个分支，是近年来的研究热点，其相关技术的应用范围也在不断扩大，比如罪犯识别，安全验证，快速人数统计等等，人脸检测技术的出现与飞跃，为机器视觉在人机交互领域的长足进步奠定了坚实的基础。 人脸检测是指在输入图像中判断是否存在人脸区域，并进一步确定人脸的位置、大小、姿态等信息。在几十年的研究过程中，科学家们开发出了多种人脸检测算法，这些算法大致可以分为三种类别：基于肤色的检测方法，基于形状的检测方法，基于统计理论的检测方法。 人脸检测技术的发展大致可以划分为三个阶段： 第一阶段人脸检测通常只是作为一个一般的模式识别问题而被研究，所采用的技术主要是基于人脸几何结构特征的方法，在这个阶段并无多少重大的科研成果出现。 第二阶段是人脸检测技术的高潮期，诞生了很多具有代表性的人脸检测算法，如Fisherface人脸检测方法、弹性匹配技术、Eigenface人脸检测方法。同时麻省理工大学所做的对比实验证明了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这个向导性的结论和Eigenface方法共同作用，很大程度上推动了基于表观的线性子空间建模和基于统计模式的检测技术，使他们成为了人脸检测技术的主流。 第三阶段，非理想条件下的人脸检测技术成为了研究热点，这主要是由于人脸检测算法评估表明：主流的人脸检测技术对光照，姿态等由于非理想采集条件或人员不配合造成的变化鲁棒性差。 目前，人脸检测有许多难点，而且要考虑较多方面的因素，比如既要保证较高的检出率，又要保证较低的误检率，人脸检测的主要难点包括： 人脸的多样性，人脸中包含很多细节和特性，比如人的发型、肤色、眼睛的大小和睁闭等，都可能给人脸检测带来困难。 人脸的遮挡，比如眼镜，额前的长发，还有外界环境引起的遮挡等。 人脸的视觉变化，人脸的视觉变化包括平面内旋转和平面外旋转，拍摄到的可能是侧面人脸或倾斜人脸。 复杂的背景，如果人脸隐藏在与肤色相似且难以分离的背景当中，可能会出现误检的情况。 多变的成像条件。主要有光照，阴影，成像设备的限制等方面的影响。 目前非线性建模方法，统计学习理论，基于boosting的学习技术，基于3D模型的人脸建模与检测方法等逐渐成为备受重视的人脸检测发展趋势。 毕 业 设 计（论文）开 题 报 告 本课题的基本内容，预计可能遇到的困难，提出解决问题的方法和措施 学习adaboosting算法，画出算法流程图，根据这个算法编写代码，编译程序，输入图片进行验证，修改代码的参数，比较不同参数，图片的检测率和误检率。困难：如何用代码实现adaboosting , 如何收集大量的标准的图片用于分类器学习。 本课题拟采用的研究手段（途径）和可行性分析 1.了解人脸检测的各种方法，包括基于肤色的检测方法，基于形状的检测方法，基于统计模式的检测方法。 2.详细学习adaboosting算法，利用adaboosting算法训练强分类器。 3.利用OpenCv实现基于adaboosting算法的程序。并通过大量样本训练分类器，已及输入图片进行检测。 4．论文工作计划(阶段工作内容及计划完成指标) 1.资料收集，这个阶段收集大量的资料，用于了解并学习目前的各种人脸检测技术，对人脸检测技术有一个宏观的了解。 2.AdaBoosting算法学习，通过深刻的理解，对adaboosting算法有细致的认识，对算法流程能熟练掌握。 3.利用OpenCv实现基于AdaBoosting的算法。 4.训练分类器，输入图片，检测结果，对比识别率和误检率。 5.工作总结，并对未来的人脸检测技术的发展进行预测。 毕 业 设 计（论文）开 题 报 告 指导教师意见：（对本课题的深