科技信息2008年第27期
做人原则
SCIENCE&TECHNO LO GY INFORMATION
最后的英文短语1.引言
CFRP随着社会的发展和技术的进步，无论是商业、金融还是日常工作、生活等各方面都存在能够进行快速、有效的身份验证的迫切需求。生物特征因为自身的稳定性和差异性，已经成为身份验证的重要手段[1]，与其他利用视网膜识别及指纹识别等人体生物特征进行身份验证相比，人脸识别的应用具有直观、友好及方便等特点，正越来越受到国际学术界、企业界、政府及国防军事部门的高度关注，具有广泛的应用背景。
人脸检测是一个相当复杂的问题，由于面部表情的不同及光照条件的变化，眼、口、鼻、耳和胡须等影响，面部伤痕的出现等，均可不同程度地影响人脸检测的准确度，导致误检或漏检。因此，多年来人脸检测方法的研究一直引起人们的关注。
人脸检测方法可分为基于启发式模型的方法的和基于统计模型方法的两大类[2]。下面分别对其进行论述。
2.基于统计模型的方法
finish的过去式
基于统计模型的方法将人脸图像看作一个高维矢量，在高维空间中对分布信号进行检测。此类方法将人脸区域看作一类模式，即模板特征，使用大量的人脸与非人脸样本训练并构造分类器，通过判断图像中所有可能区域属于哪类模式的方法实现人脸检测。
基于统计模型的方法又可以分为：基于特征空间的方法，基于人工神经网络的方法，基于概率模型的方法和基于支持向量机的方法。
基于特征空间的方法将图像变换至某一个特征空间，再根据图像在此空间中规律区分人脸和非人脸。人工神经网络(ANN)是一种重要的机器的学习方法，该方法是把模式的统计特性隐含在ANN的结构和参数之中，对于人脸这类复杂的、难以显式描述的模式，基于ANN 的方法具有独特的优势。基于统计的方法是目前比较流行的方法，是解决复杂的人脸检测问题的有效途径，较适合对正面人脸图像进行检测，但图像中人脸尺度及位姿发生变化，特别是旋转变化，会使检测难度加大，准确率相应降低。它的优点是[9]:①不依赖于人脸的先验知识和参数模型，可以避免不精确或不完整的知识造成的错误;②采用了实例学习的方法获取模型的参数，统计意义上更为可靠;③通过增加学习的实例可以扩充检测模式的范围，提高检测系统的鲁棒性。基于统计模型的方法大多适用于复杂背景图像中的人脸检测。此外，还有基于概率模型的方法和基于支持向量机等方法。
3.基于启发式模型的方法
基于启发式模型的方法首先抽取几何形状、灰度、纹理等特征，然后检验它们是否符合人脸的先验知识。早期利用人脸的轮廓、对称性等少量特征的方法适用于较强约束下(如简单背景、头肩图像的人脸检测)。由于使用的特征较少，此类算法可以达到较高的检测速度，实现实时检测和跟踪。利用人脸五官分布特征的知识模型方法能够在一定程度上适用于复杂背景图像中的人脸检测，同时达到较高的检测速度。
基于启发式模型的人脸检测方法通过检测出不同的人脸特征的位置，然后根据它们之间的空间几何关系来定位人脸。这种方法又可以进一步分为基于知识和基于局部特种的检测策略。基于知识的方法首先定位候选人脸区域，然后再通过人脸的先验知识来检测人脸是否存在。与之对应得基于局部特征的方法中，人脸的局部特征如眼镜、鼻子和嘴唇等首先被检测出来，然后由这些局部特征组合成人脸[1]。
基于知识的方法利用人的先验知识建立若干规则，将人脸检测问题转化为基于面部特征不变量的假设验证问题。利用人脸的椭圆形轮廓特性，文献[3]提取边缘特征，并根据广义变换提取椭圆形状信息，进行人脸检测。文献[4]提出子一种基于知识的快速人脸检测方法，采用符合人脸生理结构特征的人脸镶嵌图模型，建立较为完备的知识库，并采用多级检测的步骤加快检测速度。文献[5]在传统的镶嵌图法基础上，提出了一种新的广义三分图的人脸模型分块方案，取得较好效果。眼睛是人脸上最独特的一种器官，已成为许多检测方法所利用的关键特征。此外，由于人的肤色在图像中的聚类特性及对方
向的不敏感性，已在人脸检测中得到了应用[6]。基于知识的方法需要利用人脸的几何和灰度等方面的特征整理出各种检测规则，建立规则库，这种规则库还需要在实用中不断修改和完善。
与基于知识的方法相比，基于局部特征的方法首先在整个图像中搜索一组人脸局部特征，然后通过它们之间的几何关系组合成候选的人脸区域。由于局部人脸特征的不变性，通过组合人脸局部特征，可把这种方法应用在检测不同位置、不同角度的人脸。该方法所面临的主要问题是由于图像噪声等因素的影响，造成人脸局部特征不明显，使得根据局部特征组合人脸的算法失效，从而产生拒识和误识[1]。
Yow和Cipo lla[8]对基于局部特征的方法进行了改进，使它更适合于检测图像中不同大小、方向和视角的人脸。其对原方法的改进主要体现在运用更多的人脸局部特征空间几何关系，以及组合后的标准人脸模型。Chin-Chuan Han[9]等提出了一种基于形态学预处理的快速人脸检测方法，此方法可用于定位多角度的人脸位置，而且基于形态学的眼睛近似物分段过程除了一幅复杂背景图形95%以上的区域，从而大大降低了下一步人脸检测所需的时间。B url[10]等人建立了人脸局部特征之间相对位置关系得概率描述，能够识别经过平移、旋转过的人脸。
4.基于肤色模型的人脸区域检测算法及其实现
4.1算法描述
基于人脸肤色模型的算法，属于基于启发式模型方法的一种。算法利用相似度方法，使用人脸样本进行训练，得到一些关于人脸肤色平均值等参数，根据这些参数对人脸区域进行检测和定位。人脸检测和定位算法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、尺度等信息的参数化描述。
算法首先定义:
r=
R
R+G+B
,b=
B
R+G+B
把三维的RGB降成了二维，在变换之后的二维平面上，肤色区域很集中。在此二维平面上，采用训练
算法计算得到一个分布中心，根据所考虑的像素离该中心的远近得到肤色的相似度，从而得到一个原图的相似度分布图，再按照一定的原则对该分布图二值化，以最终确定肤色的区域。
勤哲参数训练算法。参数的训练使用一组标准人脸的彩色图像样本。设图像的某一点用x表示，则x=[r,b]T，其中r表示红色分量,b表示绿色分量。则其训练算法为:
1)读取图像序列
2)对于每一幅图像
a)确定样本中各像素点的平均值；使用公式:
cps是什么意思
M=E(x)
便利品b)计算协方差矩阵；使用公式:
C=E((x-M)(x-M)T)
3)计算总体平均值和协方差矩阵
)保存训练参数
人脸检测算法。算法根据训练得到的参数，计算待检测图像的相
人脸检测技术研究及实验养壁虎
付慧高思庆
(临沂师范学院信息学院山东临沂276005)
【摘要】本文论述了人脸检测研究的背景和方法，重点介绍了基于启发式模型的方法和基于统计模型的方法，包括基于知识的方法、基于局部特征的方法、基于特征空间的方法、基于人工神经网络的方法等。最后在VC下实现了一个基于肤色模型的人脸检测算法，并分析和比较了算法结果。
○I T技术论坛○
/
Houg h
4
420
