人脸检测与识别研究..ppt

人脸检测与识别研究 报告人：郑文明 东南大学信息处理与应用工程研究中心 系统结构框图 人脸检测简述 人脸检测是人脸识别的第一步，其目的是从输入图象中判断是否有人脸存在，如果有，则给出人脸的位置和大小。复杂背景下的人脸检测是人脸检测的一个主要难点，主要体现在： 人脸自身的复杂性。人脸模式受许多因素的 影响，这些因素包括人种、性别、肤色、面部佩戴物等。 光照、背景的复杂性。由于人可能处于任何的背景之中，因而背景具有不确定性和无穷多样性。 位置、尺寸的复杂性。人脸通常处于一种不确定的大小和位置，包括人脸自身的旋转、倾斜以及摄像机角度等因素的影响。 人脸检测的方法大致可分为基于彩色的人脸检测法，基于运动的人脸检测法，基于先验知识的人脸检测法以及基于统计的人脸检测法。 人脸检测法（一） 基于运动的人脸检测法 对于运动图象（如视频图象），可以利用运动信息进行物体的检测和分割。在人脸检测中，利用运动信息，可以快速准确地定位出人脸的大致区域。Choong Hwan Lee (1996)等人提出了一种在利用运动和彩色信息复杂背景下检测人脸的方法。 人脸检测法（二） 基于彩色的人脸检测法 基于彩色的人脸检测法主要是利用人的肤色特征来迅速找到人脸的区域，从而实现人脸的初定位。基于彩色的人脸检测的关键技术是对人脸肤色的确定和识别。Wang(1997)等人采用贝叶斯最小代价准则来进行肤色的分类。首先把彩色空间从RGB色度空间变换到YCbCr空间，然后采用基于贝叶斯最小代价准则来进行肤色的分类。Menser（1999）等人采用高斯模型来描述肤色的分布，通过概率大小来进行肤色的分类。Hsu（2002）等人提出了一种新的肤色分布模型，这种模型通过对YCbCr色度空间进行非线性变换来消除亮度（Y）对肤色的影响。从而更加准确地描述人脸肤色分布。 人脸检测法（四） 基于统计的人脸检测法 Turk和Pentland(1991)提出特征脸(Eigenface)方法来检测和识别人脸；Rowley等人(1995)等人提出了一个多层前向神经网络模型来检测人脸；Sung和Poggio等人(1995)提出了基于事例学习的人脸检测法；Liu等人(1997)提出了一个基于概率决策的神经网络模型来检测人脸，人眼和识别人脸;Osuna(1997)等人把人脸检测问题看成是一个由人脸和非人脸两类模式的分类问题，并采用支撑矢量机(SVM)方法来进行人脸的分类；Yang (2000)等人混合线性子空间法进行人脸检测 。 基于统计的方法其最大优点在于它可以通过训练来自动地提取人脸的特征，主要缺点是所提取出的特征十分隐晦，缺乏认知学上的意义。此外，训练时间长，计算量大，而且一般需要大量精心制作的样本。 基于统计的人脸检测法 基于事例学习的人脸检测参考文献 1. K.K. Sung, T. Poggio, “Example-Based Learning for View-Based Human Face Detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.20, No.1, pp.39-51, 1998. 基于统计的人脸检测法(续) 基于支撑矢量机的人脸检测参考文献 E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: An Application to Face Detection,” Proc. IEEE conf. Computer Vision and Patter Recognition, pp.130-136, 1997. 基于统计的人脸检测法(续) 4. 基于线性子空间的人脸检测(Yang et al, 2000) Yang (2000)等人提出了两种混合线性子空间的人脸检测方法。其中一种方法是采用混合自组织映射(SOM) 和FLD的方法，他们首先应用SOM神经网络算法进行人脸和非人脸的聚类，把把人脸空间和非人脸分别聚类成26个子类；其次，根据聚类后的结果，把整个人脸样本看成是一个多类问题，对于非人脸样本也是如此。 采用FLD方法对上述多类模式进行鉴别矢量的求解，进而对未知图象的人脸和非人脸的归类。 参考文献 M.-H. Yang, N. Ahuja, and D. Kriegman, “Mixture of Linear Subspace for Face Detection,” Proc. Fourth Int’l Conf. Automatic Face and Gesture Recogniti