探究影像辨识里脸部侦测技术.docVIP

探究影像辨识里脸部侦测技术 　　机器视觉里面最难的部分要属于辨识影像的意义，因为在此之前，机器要先能做到侦测的地步。侦测影像中有意义的物体并非一件容易的事情，因为“有意义”的描述是非常笼统且因人的观念而异。事实上，在计算机视觉（computer vision）或是影像了解（image understanding）的研究里面，侦测可分成刚体侦测与非刚体侦测两种研究客体。其中非刚体（nonrigid bodies）的侦测与辨识是一项颇具难度的工作，原因就在于非刚体具有一定范围的外型可变程度，其光线条件、形状均可能因角度、环境情状等因素而出现变异。富士（Fujifilm）相机最近的广告主打脸部定焦功能，让脸部影像拍摄起来更清晰。这功能对许多人来说是实用且有需要的，但是其简单操作后的隐藏技术却是错综复杂不是那样容易。在本文里面，我们将一探脸部侦测技术的使用原理与相关技术，这些方法里面有些稍做改良便可应用在数字相机或数字摄影机里面，也藉由技术的相关讨论，我们也可以体会到“一将功成万骨枯”的震撼。 　　 　　未来最生活化的科技 　　 　　不论在人机接口（human computer interface）、家庭视频保全（home video surveillance）或是生物侦测的脸部辨识及其影像数据库管理技术，人类脸部侦测与辨识技术，在许多辨识应用（identification applications）占有日益重要的应用角色。为了要让脸部辨识（face recognition）的辨识率更高，脸部位置的侦测便位居关键地位，不过在目前许多脸部辨识的算法，其均假设脸部位置是已知的情况。这种情形也常发生在脸部追踪（face tracking）应用上面，他们也通常是在假设脸部起始位置已知的情况下进行。因此为使其系统具备连贯性，往往需要结合多种算法始能完成任务，但这也造成系统复杂度增高与处理上可能无法最佳化的问题。有人将脸部的侦测（face detection）可以视为是一种分类问题，其主要功能在于判别输入之单一影像内是否存在脸部区域，如果存在则进一步确定脸部位置。换句话说，区分脸部区域与非脸部区域之所在为脸部侦测的第一步。因此脸部定位（face localization）只是脸部侦测的一个其中步骤而已。而为了辨识人类脸部位置，目前已经发展出一些常用的判断方法，例如：整体/模版方法（holistic/template approaches）、特征依存性方法（feature-based approaches）以及这两种方法的混用模式（hybrid model）。不过混用模式在处理上有其限制，不但运算成本高且无法大量处理脸部影像的变异部分。在最近这几年里，常被所使用的脸部侦测技术主要有：主分量分析（Principal Component Analysis，PCA）、色彩分析技术（color analysis）、霍氏转换（Hough transform）、类神经网络（neural networks）、移动撷取（motion extraction）、模版配对（template matching）、信息论（information theory）、机器学习（machine learning）、几何模型（geometrical modeling）、统计量式的分析（statistic-based analysis）…等等这几种，一般可概分成“观视法（view-based approaches）”、“统计法（statistic）”与“学习法（learning-based approaches）”三大类。其中观视法与学习法中的类神经网络方法，都需要大量的脸部及非脸部影像训练数据，并且其辨识影像有些限制，大多只能局限在正面的灰阶影像。因此一些人就以其它方法来作为辨识脸部位置的方法，例如：A. Colmenarez及R. FeAraud等人便利用移动撷取（motion extraction）的方式来辨识脸部位置；或者M. Abdel-Mottaleb、K. Sobottka及C. Garcia等人则使用肤色（skin-tone color）来作为侦测人脸是否存在的依据。但是这种依据肤色的脸部侦测方法存有很多困难有待解决，例如：复杂背景的克服、光线条件的问题（即是不同色温问题）、伪面具辨识抵抗与肤色变异度之范围等问题。因此这些算法各有优、缺点，目前广为大家所采用者应算是“特征式（feature-based approaches）”的方法，其利用脸部几何特征（geometrical facial feature）来分别脸部区域与非脸部区域的视觉数据（visual data）。这种使用脸部几何特征的侦测方式，对于用来侦测不同姿势的脸部位置有很大的帮助。不过为使脸部侦