第2章 人脸检测与识别算法综述.docVIP

第2章 人脸检测与识别算法综述 1.1 人脸检测与识别系统 人脸检测与识别系统大致可以分为：人脸检测模块、人脸校正模块以及人脸识别模块，如图1.1所示。 图1.1人脸检测与识别系统 人脸检测的目标是从一副图片或者一帧视频中标定出所有人脸的位置2人脸检测算法 目前人脸检测方法很多，大致可以分为两大类：基于先验知识的人脸检测方法和基于后验学习和训练的方法。 1.2.1基于先验知识的人脸检测方法 基于先验知识的人脸检测方法一般是先提取人脸的各种特征，然后根据一些知识规则来检验它们是否符合人脸的先验知识，以此来确认图像中是否包含人脸。该方法所使用的人脸特征大致可分为：基本特征和肤色特征。其中基本特征包括灰度特征、轮廓和形状特征、结构特征、纹理特征。 Yuille等[7]提出用可变形模板来描述人脸的形状信息，通过和输入图像的边缘、峰、谷和可变形模板中参数进行动态性交互、修正，采用优化算法，在参数空间内进行能量函数极小化来判定人脸。 Yang[3]等首先提出基于镶嵌图（又称为马赛克图）的人脸检测方法，即采用由粗到细的二级结构的方法检测人脸。通过平均和下采样方法得到多个不同分辨率的图像，这些低分辨率图像被称为镶嵌。在最低两级分辨率的镶嵌图中，采用一系列规则快速地获得人脸候选区域。然后在高分辨率图像中，提取人脸特征的轮廓线，符合眼、嘴特征的候选区域被最终确认为人脸图像。 H.Martin[11]设计了肤色模型表征人脸肤色，利用一个感光模型对输入图像修正和补偿并建立人脸颜色分类器，其输出作为神经网络的输入进行检测。此外，Tony等采用高斯混合模型表示人脸肤色RGB中各个分量的统计分布，通过阈值比较判断像素是否为人脸像素。 模板匹配方法也可以认为是基于先验知识的人脸检测方法，一般是先假设一个标准的人脸模板，然后计算输入人脸图像与标准人脸的匹配度，并确定一个阈值，当匹配度超过这个阈值时，即可认为输入图像包含人脸；没有超过这个阈值，就认为不包含人脸。模板匹配又分为固定模板匹配和可变模板匹配两种。 Govindaraju[6]等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。 Miao[8]等基于人脸特征轮廓线的重心定义了重心模板。先用重心模板粗匹配，再将候选人脸区域划分为9个子区域，根据各子区域内灰度特征和轮廓线象素数的比例关系进一步验证。 Shen[9]等提出采用人脸横纹特征检测可能的眼睛对，获得候选区域后再采用灰度投影、纹理检测等规则进行验证的人脸检测方法。后来，Wu和Shen[10]等人联合提出特征和模板结合的人脸检测算法。为了能够较好地区分两眼的横纹，该方法同时采用方形和矩形单元镶嵌图，并用预定义的具有人脸水平垂直方向峰谷特征的四个模板进一步确认人脸区域。该算法被接受进入MPEG-7标准。 基于先验知识的人脸检测方法适用于较强约束条件下(如简单背景、头部图像等)的人脸检测。由于使用的特征较少，此类算法可以达到较高的检测速度，实现实时检测与跟踪。但是 基于先验知识模型方法的检测效果太依赖于特征的提取和预先定义的规则，有其明显的局限性。其局限性表现在： ① 由于灰度受光照影响较大，强的光照变化会产生一些伪边沿; ② 人脸结构的对称性是一个重要的特征，对姿态变化比较敏感; ③ 为了验证人脸区域，常常需要结合各人脸器官的特征及其之间的结构关系。当图像质量较差时，特征不容易检测; ④ 人脸样本是开放集合，获取先验知识比较困难。 总之，该类方法对质量较好的图像具有好的检测性能，对于复杂的图像检测效果一般不够好。 1.2.2基于后验学习和训练的方法 目前，用的更多的是基于后验学习和训练的方法，这一类方法是将人脸区域看作一类模板特征。使用大量的“人脸”与“非人脸”样本训练、构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。因此，在这一类方法中人脸检测问题实际上被转化为统计模式识别的二分类问题。这类的人脸检测主要有下面几种方法：基于特征空间的方法、基于人工神经网的方法、基于支持向量机的方法、基于概率模型的方法、基于Adaboost学习算法的方法。 ① 基于特征空间的方法 基于特征空间的方法是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。这类方法里比较有代表性的就是Turk和Pentland提出使用PCA[12]（Principal Component Analysis,主成分分析）方法进行人脸检测和识别。主成分分析方法是对图像进行KL变换，以消除原来各个分量之间的相关性，取变换后所得到的最大的若干个特征向量来表示原来的图像，保留了原始图像的最大差异性信息，这若干个分量就称为主成分。将PCA用于人脸检测，对训练集中的人脸图像进行主成分分