图片人脸检测系统的设计与实现【文献综述】.doc

1、毕业设计文献综述 计算机科学与技术 图片人脸检测系统的设计与实现 一、前言部分 人脸检测是智能人机接口的关键技术之一，它在人脸识别、表情识别、人脸合成和人脸编码等领域具有很重要的应用价值 2。 其中人脸检测以其在安全检查、视觉监测、智能人机接口、基于内容的检索、数字视频处理等诸多领域的应用前景和重要的学术价值，已成为一个相对独立的课题而受到普遍重视 6。 人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这 些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识

2、别每个人脸的身份。人脸识别的过程可以分为以下三个部分： (1)人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小； (2)面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息； (3)人脸比对：根据面部特征定位的结果，与库中人脸对比，判断该人脸的身份信息； 显然地，在任何一个自动化的系统中，人脸检测都是解决上述问题的第一步。这里所要研究是关于人脸检测的方法。 人脸检测则是指在输入图像中确定所有人脸 （如果存在）的位置与大小。人脸检测系统的输入是可能包含人脸的图像，输出是关于图像中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述 3。 无论是从实际应

3、用还是理论研究的角度来看，人脸检测都是一个颇具吸引力的课题，人脸检测问题长久的生命力在很大程度上源于自身的难度。如果我们将问题限制在二维图像上，人脸检测问题就变成在数字图像中检测人脸表观的模式。众所周知这并不是一个轻而易举的任务。将人脸视为刚体，则它在三维空间中的转动会使得其在二维视平面上的投影产生变化；当人脸静止不动时，周围环境的光照情况 仍会影响其表观，如强烈的测光所产生的阴阳脸；在真实世界中，对人脸的刚体假设往往不成立，五官挪位的夸张表情随处可见；此外，还有其他诸多变数，如化妆、胡须、遮挡等等，上述这些因素都增加了人脸检测问题的难度 7。 二、主题部分 人脸检测问题最初来源于人脸识别，是

4、自动人脸识别系统中的一个短剑环节。近年来，随着人机交互技术日益成为当前研究的一个中心，人脸检测问题越来越受到重视，成为模式识别与计算机视觉领域研究的一个热点 15。人脸检测是自动人脸识别系统中一个关键环节，但是早期的人脸识别研究主要针对具有较强约束条 件的人脸图像（如无背景的图像），往往假设人脸位置已知或很多容易获得，因此人脸检测问题并未受到重视。近几年随着电子等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的适应能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸检测的应用背景已经远远超出了

5、人脸识别系统的范畴，在基于内容的检索、数字 处理、视觉等发面有着重要的应用价值。这种技术目前最热门的领域有四种，第一是身份的认证和安全防护在许多安全级别要求较高的区 域，都需要对大量的人员进行基于省份认证的门禁管理。第二，媒体与娱乐，在网络虚拟世界里，通过人脸的变化，可以产生大量的娱乐节目和效果。第三是图片的搜索，基于人脸图像识别技术的搜索引擎将会具有广泛的应用前景。第四是 协助调查 。 目前，在银行、金库发生抢劫事件已经屡见不鲜。发生这样的事件不是一时就能够制止的，但是可以通过人脸检测的设备来提取并记录罪犯的人脸，提供给公安机关以帮助破案。 现在的人脸检测方法有很多，下面介绍几种： 1. 基

6、于肤色和模板的人脸检测方法 该算法分为两个步骤构成：（ 1）基于肤色模型的区域分割，为 了尽可能精确地分割出肤色区域，在 HIS（ hue-saturation-intensity）颜色空间，将亮度分量与两个色彩分量一起，根据统计建立了一个更精确地三维模型，在此基础上，根据同一图片中人脸颜色和非人体背景的色彩具有相对差异性以及具体图片中人脸的颜色具有一致性的事实，提出了基于区域颜色一致性标准的快速分割算法。（ 2）基于模板的检测，在分割出的肤色区域中，使用平均双眼和平均人脸模板匹配加人工神经网验证的方法，在一定尺度范围内进行穷举搜索，精确定位出人脸，其中为了减少错误警报，使用了双神经网仲裁方法

7、。算法 以大量样本为统计数据，分别建立肤色模型、构造平均脸模板和训练人工神经网。但是该算法存在一些局限性，例如，没有考虑强侧光、眼镜被头发遮挡以及正面多角度、侧影等情况下的人脸检测。但是不难看出，通过放射变换生成多角度模板，该算法可以推广到正多角度人脸的检测，只是计算量将会增加很多 1。 2. 基于连续 Adaboost 算法的多角度人脸检测 该方法是指检测图像中覆盖一个较大视角范围的人脸表观模型，一般要超过 30 度范围。与正面人脸检测相比，多视角人脸检测的研究相对薄弱，难度也大得多。是一种基于 Haar特征 LUT 型型弱 分类器的连续 Adaboost 方法。 Haar 型特征反映了图像

8、的局部灰度变化，这种特征基本上使用于所有基于表观的图像模式。 LUT 型弱分类器的优点在于它几乎能够近似模拟任何形式的概率分布函数。与二值断言相比连续的置信度更精确地刻画了两样本的分类边界。 Adaboost 是一种通用的学习算法，将若干个弱分类器整合成类似干线性感知机的强分类器。采用这个学习算法训练基于视图的瀑布型人脸检测器。在线检测时采用多分辨率搜索和姿态预估策略进行加速。实验表明该方法在正面人脸检测和多视角人脸检测上都有十分优越的性能。该方法可以推广到 其他三维物体的多视角检测问题 7。 3.肤色检测和人眼定位的人脸检测方法 肤色是人脸最重要的特征之一，不依赖于面部的细节特征，对于旋转、

9、表情等变化情况都适应，具有相对的稳定性并且与大多数背景物体的颜色相区别。肤色分割前对图像进行色彩平衡，采用形态学滤波器对候选人脸进行降噪，这些步骤都大大提高了人脸检测的精确度，而且并没有花费很多时间。在人眼精确定位上，采用适合提取眼部特征的 Susan 算子精确定位眼角点。实验证明该方法可以很好的应用于人脸检测 8。 4. 基于 BP 神经网络的人脸检测算法 该算法将人脸 区域看做一类模式，使用大量的“人脸”与“非人脸”样本训练、构造分类器（即网络训练），通过判断图像中所有可能区域属于那些模式的方法实现人脸的检测。主要由两大部分组成：网络训练和人脸定位。这两部分即相互独立又有联系，对这两部分进

10、行独立编程，并通过一个文件将它们联系起来，即网络训练好之后将权重保存在文件中，供人脸定位使用。由于构造精确地分类器是实现人脸准确定位的关键。通过实验表明，基于BP 神经网络的人脸检测方法具有较强的适应能力和鲁棒性，它可以有效地运用于多人脸、不同尺寸、不同姿势、不同面部表情、不同肤色、不同光 照条件和复杂背景的情况，是一种有效地人脸检测方法。而且通过适当增加训练样本的数量和类型，可进一步提高检测性能。但是，此方法也存在着一定的局限性，例如，不能精确地定位人脸，对于图像中人脸过小、过多的情况适用性不强，不能很好地区分和肤色非常相似的背景等。要解决以上问题，今后的研究方向是将模糊神经网络方法应用于人

11、脸检测，此方法将模糊系统与神经网络技术有机结合起来，取长补短，能极大地提高整个系统的学习能力和表达能力，是一种很有潜力的人脸检测方法 10。 5. 支持向量机方法 支持向量机（ SVM）是由 V. N. Va p n i k 在 1995 年提出的一种新的统计学习理论 11。其指出经验风险（ empirical risk）最小并不能保证期望风险最小；提出了结构风险最小化原理（ Structure Risk Minimization， SRM）；给出核心概念 VC 维（ Vapnik-Chervonenkis Dimension），指出为了最小化期望风险必须同时最小化经验风险和 VC 维。 使用

12、 SVM 方法进行人脸检测面临两方面的困难：（ 1）训练 SVM 是一个求解二次规划问题，计算量巨大；（ 2）训练非人脸需 要大量样本，这样就会导致出现大量的支持向量。Osuna 等使用 SVM 方法进行人脸检测，其利用“自举”的方法搜集大量的非人脸样本，然后使用优化逼近的方法选择出少量的支持向量为关键支持向量，这样就大大减小了运算中支持向量的数目 4。 此后， J. C. Platt 提出了称为顺序最小最优化（ Sequential Minimal Optimization， SMO）的支持向量机训练方法，其将一个大型的求解二次规划问题分成一系列最小可能的二次规划问题，这样就避免了对大型二次

13、规划问题直接求解，大大提高了训练速度 12。 梁路宏等使用模板匹配先进行粗选，然后采用 SVM 分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练，有效地降低了训练的难度 13。祝海龙等采用小波变换方法提取人脸特征，大大地降低了特征矢量的维数，并用交叉检验方法有效地解决了支持向量机训练时的参数估计问题。通过实验得到了较高的检测性能 14。 6. 隐马尔可夫模型方法 隐马尔可夫模型（ Hidden Markov Model， HMM）是一种存在两种机理的随机过程。其一是有限状态的马尔可夫链，其二是序列的观察值。因为不能直接 得到马尔可夫链的状态，而只能通过观察值来观察

14、，因此称为隐马尔可夫链。 Nefian 将人脸从上到下划分为五个互有重叠的区域（头发、额头、眼、鼻、嘴） 9。该文根据这个划分构造了一个包含五个状态的一维连续 HMM 用以表示人脸。接着对各块进行 KL 变换，取每块若干最大的特征向量作为观测值对 HMM 进行训练。此后， Nefian 等 还提出了嵌入式隐马尔可夫模型（ Embedded-HMM）的方法。该方法除了将人脸从上到下划分为五块外，还在每块当中从左至右嵌入一个 HMM。接着进行二维 DCT 变换，使用变换后得到的系数作为训练值。 三、总结部分 本文在系统研究相关文献的基础上，综合了人脸检测的发展和研究状况。提出了人脸检测的历史背景，

15、在现实生活中的利用，还提到了 人脸识别是一个具有挑战性的问题。 现在的人脸检测方法有很多，本文提到了几种人脸检测方法。在实际的人脸检测识别过程中，人脸识别的复杂性使得单独使用任何一种现有的方法都不可能取得很好的识别效果，总结很多基本方法，是目前人脸检测识别技术研究的显著特点。人们提出了基于混合方法的人脸检测方法，该方法实现了信息的融合，是未来人脸检测研究领域的主要课题。 四、参考文 献 1 艾海舟，梁路宏，徐光祐，张 钹 .基于肤色和模板的人脸检测 J.软件学报， 2001，12 (12)： 1874-1792 2 张洪明，赵德斌，高文 .基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测

16、 J.计算机学报， 2002， 25（ 11）： 1250-1256 3 徐 锦 .人脸检测的自适应肤色分割算法研究 J.贵州大学学报， 2007， 24(2)：171-174 4 E Osuna, R Freund, F Girosi. Training support vector machines: An application to face detection A. Proc. Computer Vision and Pattern Recognition C. 1997. 130-136. 5 杨清夙 ，游志胜，张先玉 .基于豪斯多夫距离的快速多人脸检测算法 J.电子科技大学学报，

17、 2004， 33（ 4）： 407-409 6 梁路宏 , 艾海舟 , 何克忠 , 张 钹 .基于多关联的模板匹配的人脸检测 J.软件学报， 2001， 12(01)： 0094-102 7 武 勃 , 黄 畅 , 艾海舟 , 等 . 基于连续 Adaboost 算法的多视角人脸检测 J . 计算机研究与发展 , 2005 , 42 (9) : 1612-1621 8 徐 锋，赵怀勋，涂 强 .肤色检测和人眼定位的人脸检测方法 J.计算机系统应用， 2010， 19（ 2） . 9 A V Nefian, M H Hayes. Face detection and recognition u

18、sing hidden Markov models A. Proc IEEE Conference on Image Processing C. Chicago, 1998. 141-145. 10 周敬利，吴贵林，余胜生 .基于 BP 神经网络的人脸检测算法 J.计算机工程， 2004，30（ 11）： 0034-036 11 V Vapnik. The Nature of Statistical Learning Theory M. New York, Springer-Verlag, 1995. 12 J C Platt. Sequential minimal optimization:

19、 A fast algorithm for training support vector machines R. MSR: Technical Report MSR-TR-98-14, 1998. 13 梁路宏 , 艾海舟 , 肖习攀 , 等 . 基于模板匹配与支持向量机的人脸检测 J. 计算机学报 , 2002, 25(1): 22-29. 14 祝海龙 , 屈梁生 , 张海军 . 基于小波变换和支持向量机的人脸检测系统 J. 西安交通大学学报 , 2002, 36(9): 947-950. 15 喻 阳，桂预风 .基于肤色信息和投影法的人脸偏转检测 J. 电子测量技术， 2010，33（ 6）： 54-56