人脸检测实现算法研究.docVIP

人脸检测实现算法研究 　　A Survey on Face Detection 　　 　　Liu Shuang 　　（Guangdong Provincial Qingyuan Polytechnic，Qingyuan 511500，China） 　　 　　摘要：本文总结回顾了人脸检测的主要内容、难点、分类、检测方法，主要是基于知识、基于模板、基于特征以及基于外观的方法，最后回顾了人脸检测算法的速度发展历程，其中P.Viola提出的Adaboost算法和Cascade算法使人脸检测从真正意义上走向实用。 　　Abstract: This paper is mainly about the dominating approach to implementing face detection, which is based on knowledge, template, feature or appearance. In addition, the paper also talks about the difficulties of face detection and how to classify it. Last but not least, summary of the time complexity development of face detection is discussed. In particular, the Adaboost algorithm and Cascade algorithm proposed by P.Viola made face detection practical. 　　关键词：人脸检测 模板 特征 Adaboost Cascade Kullback-leible-Boosting 　　Key words: face detection；template；feature；Adaboost；Cascade；Kullback-leible-Boosting 　　中图分类号：TP39文献标识码：A文章编号：1006-4311（2011）２6-0133-01 　　0引言 　　人脸检测是指在输入图像中确定所有人脸（如果存在）的位置，大小和位姿的过程。人脸检测最初来源于人脸识别，同时也与人脸追踪，人脸定位等问题密切相关，后来被作为单独的问题提出并进行研究，是模式识别、计算机视觉里一项十分活跃的课题。 　　人脸检测的主要难点由两方面构成：一方面是由人脸内部因素产生，包括人脸细节的复杂变化及人脸的遮挡；另一方面由人脸的外部因素产生，包括光照条件，图像的成像条件等。 　　1人脸检测的分类[3] 　　按照不同的标准，人脸检测可以分为不同的类别，这里指的是对二维静态图像的人脸检测的分类。以色彩属性为分类依据，可分为彩色图像和灰度图像；以人脸姿态为依据可分为正面和侧面；以人脸数目为依据可分为单人脸和多人脸；以背景图像为依据可分为简单背景和复杂背景，等等。 　　不同的分类问题的复杂程度可能不同，如单人脸与多人脸、简单背景与复杂背景；同时可用于检测的特征也不尽相同，如对于彩色图像可采用用于肤色特征的算法，而这在灰度图像是行不通的。现今实现人脸检测尚无通用的方法，各种方法均是建立在特定的条件之上。 　　2人脸检测方法的分类[1] 　　从一幅图像中检测出人脸的方法可分为以下4类： 　　2.1 基于知识的方法基于知识的方法是利用规则检测人脸，规则库的建立需要建立模型，而模型的建立则来源于人的先验知识。Yang和Huang通过三层规则检测人脸。道先通过采样二次采样获得多分辨率图像。对于分辨率最低图像，通过最低级的规则（Lever1）比较人脸灰度与背景灰度的差别确定人脸候选区，接着在（Lever 2）对候选区进行局部直方图均衡化及边缘检测，最后用Lever 3在最高分辨率的图片下对眼，嘴等人脸特征进行检测。整个过程从整体到局部，分层检测。 　　2.2 基于特征的方法基于特征的方法就是利用边缘检测器提取面部特征，然后通过建立统计模型描述特征之间的关系确定是否存在人脸。在检测过程中可在提取边缘后通过椭圆拟合得到人脸候选区，也可通过找到确定的面部特征的排列检测人脸。这种方法是对人脸各部分特征分别进行检测，更能体现人脸特征的结构关系。对于彩色图像，还能基于人的肤色特征进行检测。 　　2.3 基于模板匹配的方法基于模板的方法用眼、鼻、嘴、人脸轮廓等子模板建模，对输入图像进行边缘提取并与子模板进行匹配实现检测。比如对子图像与人脸轮廓子模板的关系可检测出人脸候选区，再用其他子模板在候选区匹配。 　　2.4 基于外观的方法基于外观的方法中“模板”要由图像中学习。从图像中提取特征向量，通过各种不