人脸检测方法的分类.docVIP

人脸检测方法的分类 TOC \o 1-3 \n \h \z \u 1 基于传统知识的方法 2 基于几何特征的方法 3 基于相关匹配的方法 4 基于表象的方法 5 基于统计理论的方法 5.1 基于子空间方法 5.2 神经网络 5.3 支持向量机 5.4 隐马尔科夫模型 5.5 基于AdaBoost方法 可以将人脸检测的方法分为五类： 1、基于传统知识的方法 2、基于几何特征的方法 3、基于相关匹配的方法 4、基于表象的方法 5、基于统计理论的方法 当然，有许多人脸检测的方法并不能简单地归于上述中的某一类，而是几类的组合。也可以将人脸检测的方法简单地分为两类[2]：基于特征的和基于图像的。基于特征的方法指以某种特征为最小处理单元的方法；基于图像的方法指以图像中的像素为处理单元的方法。 1 基于传统知识的方法 这个方法将人类有关典型的脸的知识编码成一些规则。通常这些规则包括了脸部特征之间关系的知识。这个方法主要用于人脸的定位。 一些关于人脸的知识，可以归纳成下面几个简单的规则： 一、轮廓规则： 人脸的轮廓可近似地被看成一个椭圆，则人脸检测可以通过检测椭圆来完 成。对任意一幅图像，首先进行边缘检测，并对细化后的边缘提取曲线特征，然 后计算各曲线组合成人脸的评估函数来检测人脸。 二、器官分布规则： 虽然人脸因人而异，但都遵循一些普遍适用的规则，即五官分布的几何规则。检测图像中是否有人脸，即是否存在满足这些规则的图像块。这种方法一般是先对人脸的器官或器官的组合建立模板，然后检测图像中几个器官可能分布的位 置，对这些位置点分别组合，用器官分布的知识规则进行筛选，从而找到可能存在的人脸。 三、对称性规则： 人脸具有一定的轴对称性，各器官也具有一定的对称性。 四、运动规则： 若输入图像为动态图像序列，则可以利用与人脸或人脸的器官相对于背景的运动来检测人脸，比如利用眨眼或说话等动作的探测来实现人脸与背景的分离。 基于知识的方法是一种自上而下的方式。它其中一个困难是如何将人类知识转化成为有效的规则：如果规则制定得太细，那么可能有许多人脸无法通过规则的验证；如果规则制定得太宽泛，那么可能许多非人脸会被误判为人脸。 2 基于几何特征的方法 这个方法的目标是寻找那些即使当姿势、视角和光线条件变化时仍然存在的结构特征，并利用这些特征来定位人脸。由于人类能够毫不费劲地“看到”在不同光线和姿态下的人脸和物体，因此研究人员认为有一个潜在的假设：存在一些关于人脸的不依赖于外在条件的属性或者特征。 有许多方法就是按照这个潜在假设，首先去寻找这种脸部特征（通过大量样本学习的方法），然后用寻找到的特征去检测人脸。对比基于知识的自上而下的方法，这种基于特征的方法是自下而上的。 人的肤色被证明是人脸检测的一个有效特征。人脸肤色聚集在颜色空间中一个较小的区域，因此可利用肤色特征能够有效地检测出图像中的人脸。利用肤色特征检测出的人脸区域可能不够准确，但如果在整个系统实现中作为人脸检测的粗定位环节，它具有直观、实现简单、快速等特点，可以为后面进一步进行精确定位创造良好的条件，以达到最优的系统性能 3 基于相关匹配的方法 基于相关匹配的方法包括模板匹配法和等强度线方法。 1、模板匹配法：Poggio 和Brunelli 专门比较了基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法，并得出结论：基于几何特征的人脸识别方法具有识别速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别方法。 2、等强度线法：等强度线利用灰度图像的多级灰度值的等强度线作为特征进行两幅人脸图像的匹配识别。等强度曲线反映了人脸的凸凹信息。这些等强度线法必须在背景与头发均为黑色，表面光照均匀的前提下才能求出符合人脸真实形状的等强度线。 4 基于表象的方法 对比模板匹配，这个方法的模型是从一系列具有代表性脸部表观的训练图像 学习而来，再将学习而成的模板用于人脸检测，而不像基于模板的方法，模板是由专家预先定义的，因此这也是一种自下而上的方法。现在许多人脸检测方法都是这种基于表象的方法。 一般而言，基于表象的方法利用统计分析和机器学习的技术来寻找人脸和非人脸图像的有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这些分布模型或者判别函数来检测人脸。一般，为了计算的效率和检测的效益，都会先降低图像的维数。 许多基于表象的方法都可以在概率论的框架中理解。特征向量可以看成是随机变量 x，这个随机变量被分类条件密度函数p(x|faces)和p(x|nonfaces)分别描述成人脸和非人脸。 图像中备选的人脸或者非人脸位置可以用贝叶斯判决规则(Bayesian classification)或者最大概似法(maximum likeliho