人脸识别总述和相关算法.doc

报告题目： 人脸检测 报告人： 卢 志 国 学 号目录 综述 人脸检测的基本概念 Mosaic图和横纹目标提取 复杂背景下的自动人脸检测 实验结果 1．综述 人脸检测的目的是自动确定图像中是否存在人脸，并给出人脸个数、大小及其位置等参数。 人脸是人类特有的，是视觉世界中最常见的对象，广泛存在于可视电话、视频消息、手持无线终端、电视新闻与电视会议等视频业务中。与人脸相关的自动识别一直是计算机视觉和人工智能领域中一项极富挑战性的工作，并在视频检索、门卫安全、视频通信、虚拟现实和人机交互等相关场合得到了广泛的内用。这 些应用往往首先要求实现人脸的自动检测。 然而实际应用情况十分复杂，不同的人脸姿势、不同的成像条件、不确定的饰物以及复杂的背景等，均向人脸检测算法提出了苛刻的要求。目前还没有一种人脸检测算法能够不加限制地适 用于所有场合，主要困难在于如下几个方面： (1) 人脸器官的形状、尺寸、纹理、表情等化复杂，难以用统一的模式加以描述。 (2) 人脸表面存在一些附属异物，如眼镜、耳环等。 (3) 光照等成像环境变化，使图像质量相差较大。 (4) 图像背景千变万化。 1.1人脸规则 人脸具有自身的内在属性，反映在图像上，具有一定的空间相关性，即人脸规则。可以通过检测图像是否满足这中规则或满足的程度来确定图像中是否存在人脸。利用规则描述人脸，与先验知识的完备性有关。因人脸特征变化大，人脸的界定涉及多种因素。抽象出既能表达人脸的共性，又不与其他概念相交叉的人脸规则是比较困难的。不过随着人们对人脸模式的认知逐步深入，基于规则的人脸检测方法越来越受到人们的重视。 2.人脸检测的基本概念 世界上没有两张完全相同的人脸，但不同的人脸却具有共性，即都是由眉、眼、鼻、嘴等器官组成，且具有固定的结构和良好的对称性。人脸模式的共性为人脸检测提供了依据。 Harmon是最早提出根据人脸特征来检测人脸的专家之一。他通过研究发现，人脸信息的绝大部分属于低频成分，凭借这些信息可将人脸模式从其他模式中辨别出来。降低分辨率会削弱人脸的个性，增强人脸的共性，因此降低分辨率无疑是人脸检测最有效的途径之一。但一幅图像的分辨率降得太低，则很容易将其他一些模式与人脸模式混同，如大猩猩的脸在低分辨率下与人脸十分相似。为了能进—步区分这类模式，只有提高图像的分辨率以进—步筛选出真正的人脸模式。 计算机检测人脸的过程一般可分为两个阶段。第—个阶段为机器认知过程，即自学习过程。通过大量已知人脸模式的学习，获得关于人脸模式的特征。第二个阶段是模式匹配过程。下面以最典型的模式匹配方法来说明人脸检测的基本概念。 已知人脸模式可用矢量形式表示为：判断图像在当前位置的一个区域内是否含有人脸模式的方法是：对被检测的图像区域进行特征提取，按照人脸模式Y 的特征提取方式，生成表示未知待测模式的矢量然后进行模式匹配。 匹配的方法通常是设定一种度量，用于测定已知人脸模式Y和未知待测模式 X 之间的距离，如欧式距离或马式距离，距离表示为取定某阈值t 如果则表示 X 与 Y 的匹配效果好，可判断 X 与 Y 属于同—类模式，即当前被检测的图像区域内含有人脸；否则判 X 不是人脸模式。 匹配的结果通常不完全准确的，往往会出现漏检“真脸”和误检“假脸”。“真脸”漏检是因为在生成标准人脸模式时，人脸模式的共性特征被提取出来，个性特征被丢弃了；而实际待检的人脸模式具有多样性，从而造成个别特殊人脸的漏检。“假脸”误检是由于图像其他景物的局部特征具有和标准人脸模式相似的特征所造成的。解决的办法是在建立用于判别的标准人脸模式时，扩大对人脸个性特征的提取，同时增强对非人脸图像的辨别能力。 3.Mosaic图和横纹目标提取 3.1Mosaic 图 Mosaic图是原始图像的低分辨率图像，通过将原始图像分块平均而获得。具体方法为：以给定长度(长度单位为像素)将原始图像逐行逐列划分为互不重叠的正方形排列块，求取每个排列块的平均值，并用该平均值替代该块中原先所有像素的灰度值，此时所得到的图像被称为原始图像的Mosaic图，其正方形排列块被称为Mosaic单元。图1(b)、(c)、(d)分别给出了原始图像即图1(a)在4x4,5x5,6x6分辨率下的Mosaic图。从图中可看出，Mosaic图实际上描述了原始图像的低领特征。 图1 不同分辨率的Mosaic图 因此，利用Mosaic图，可按容易地提取出人脸的粗特征。 3.2横纹目标提取 从图1中可以看出人脸器官如双眉、双眼、鼻和嘴都有一个共性，即当所观察的人脸在图像平面内不是太斜（与垂直方向的夹角在-30°~30° 之间)时，它们基本成水平分布且具有较明显的对称性。虽然各器官的长度不等，但它们在垂直方向上的宽度大致近似，且该特征在Mosaic图