人脸检测方法综述.pdf

人脸检测综述 人脸检测（Face Detection) 的研究最早可以追 溯到上个世纪六十年代。 主要目标 是在图像中确定是否存在人脸，如果 存在则定位人脸的位置、大小以及面部特征等。 人脸检测综述 涉及领域 包括模式识别、人工智能、数字图像处理、 计算机图形学、生理学、心理学等等。 应用范围 人脸识别、跟踪、表情识别等相关课题与 身份鉴定、视频分析、人机交互等实际应用。 人脸检测综述 目前可以说人脸检测课题仍然没有完备的解决方案， 该领域将继续保持极大的挑战性。其主要难点在于： 人脸的姿态，如正面旋转、侧面旋转、抬低头等 人脸的遮挡，如胡须、头发、眼镜、饰物等 人脸的表情，如喜怒哀乐等直接影响面部特征 图像质量，尤其是光照条件对全局的影响 人对人脸的感知过程仍未被彻底了解 人脸检测综述 早期：模板匹配 模板匹配方法是指对模板图像与目标图像相同位 置的像素灰度值或颜色值进行比较，并计算各灰度 差或颜色差的总和。这种方法比较简单，在早期的 人脸检测系统中较常见，如Craw等人运用了由40个 [1] 人脸特征模板进行人脸定位 。 之后的研究者对模版匹配进行了改进，提出了 变形模板方法。Yuille等人运用变形模板方法建立了 一个描述人脸特征（如双眼）的弹性模型。检测时 由能量函数使得输入图像的对应点与弹性模板相应 的边缘、峰和谷区域相匹配[2] 。 人脸检测综述 中期： 这一时期奠定了许多优秀检测方法的理论基础。 如主成份分析(PCA)、统计学习与神经网络在人脸检 测中的应用。 统计学习的基本思想是从大量给定的正例和反例 集合中归纳产生出接受最大范围正例并排斥最大范围 反例的一般规则。具体到人脸检测问题上，就是将样 本分为人脸样本和非人脸样本进行学习并从而得到分 类算法。 人脸检测综述 中期： 神经网络 NN 变形模板 Active Shape Model(ASM) 主成份分析与特征脸 PCA, Eigenface 纹理分析与空间人脸灰度 隐马尔可夫模型 HMM 的Rowley等人利用神经网络分类器进行人脸检测[3] : 90.5%(正面) 76.9%(正面+旋转) : 2~4秒/帧(320*240) 人脸检测综述 近期：各种方法并驾齐驱 基于特征的检测往往需要先验知识，因此特征 的选取与界定需要研究者来决定。 基于统计的方法首先要进行大量样本的统计学 习，从而受样本空间的影响较大。 目前的趋势是根据具体应用采用不同方法,结 合模板匹配、统计学习、主成份分析、肤色信息等 等，达到特定环境下最优化的人脸检测结果。 人脸检测综述 近期： 彩色信息 RGB-other, Mixture of Gaussian 支持向量机 SVM 统计学习与神经网络 多通道特征融合 人脸检测综述 近期： Adaboost方法[4] 是一种基于统计的学习算法，能够在学习过程 中不断根据正例反例中各个定义好的特征所起的效 果调整该特征的权值，最终按照特征的性能由好到 坏给出判断准则，同时利用Cascade算法，即在检测 过程中不断舍弃无法满足某一特征阈值的区域来减 少进一步判断的区域个数，从而达到了减少计算时 间的目的。该算法代表了目前检测速度快、精度高 的统计方法发展趋势，但同时也受到学习集影响较 大。 人脸检测综述 Adaboost方法（Viola et al） 正确率：78.3%