- 1、本文档共38页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
人脸检测方法综述
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%
文档评论(0)