基于OpenCV的人脸检测 毕设论文 - 图文

第2章 检测方法

人脸检测经历了较长的发展过程，期间涌现出了很多的检测方法，本文以M．H．Yang在2002年发表的关于人脸检测方法的分类方法把人脸检测方法分为以下四种：基于知识的方法(Knowledge-based Methods)、特征不变量方法(Feature Invariant Approaches)、模板匹配方法(Template Matching Methods)、基于外观的方法(Appearance-based Methods)。

当然，有许多人脸检测的方法并不能简单地归于上述中的某一类，而是几类的组合。也可以将人脸检测的方法简单地分为两类：基于特征的和基于图像的。基于特征的方法指以某种特征为最小处理单元的方法；基于图像的方法指以图像中的像素为处理单元的方法。

2.1 基于知识的方法

此方法是把人脸面部器官之间关系编码并准则化的人脸检测方法。这是一种自顶而下的方法，根据人脸面部器官的对称性、灰度差异等先验知识，制定一系列的准则。当图像中的待测区域符合准则，即被检测为人脸。

人脸及器官具有典型的边沿和形状特征，通常人们利用采用Laplacian，Sobel和Canny等算子来提取边沿特征，将这些特征用于人脸的定位。边沿和形状对于光照条件的变化具有很好的鲁棒性，灰度特征对光照比较敏感。

每一个人脸都有固定的纹理特征，利用这种特征来区分不同的对象，Skufca和Augusteijn共同努力研究了一种通过鉴别类似于人脸的纹理推断人脸的存在的方法。Nakano和Dai也将SGLD模型用于检测人脸，取得了很好的效果。

Yang等首先提出了基于知识规则的由粗到细的三级结构来检测人脸。通过平均和采样的方法得到原图像在不同分辨率下的图像，那些低分辨率的图像被称为镶嵌图(MosaicImage)。针对不同分辨率的图像采用不同的准则进行判定，在低分辨率图像里的准则主要体现了人脸的大体轮廓，而在高分辨率图像里的准则主要体现了人脸的细节特征。虽然,Yang的方法在检测性能方面并不突出，但由粗至细的检测思想对以后的研究工作产生了积极的影响。

但是人脸的类型有千差万别，如果制定的规则太细，真正的人脸可能会被漏掉；如果制定的规则太笼统，有可能造成较高的虚警率。

2.2 特征不变量方法

这个方法的目标是寻找那些即使当姿势、视角和光线条件变化时仍然存在的结构特

9

征，并利用这些特征来定位人脸。由于人类能够毫不费劲地“看到”在不同光线和姿态下的人脸和物体，因此研究人员认为有一个潜在的假设：存在一些关于人脸的不依赖于外在条件的属性或者特征。有许多方法就是按照这个潜在假设，首先去寻找这种脸部特征（通过大量样本学习的方法），然后用寻找到的特征去检测人脸。对比基于知识的自上而下的方法，这种基于特征的方法是自下而上的。

Sirohey提出了用椭圆拟合人脸区域的方法。Graf等人提出了利用某些形态学的方法进行人脸的检测方法。Leung等人提出一种利用人脸五个特征来定义和检测人脸的方法。Han等人提出了一种通过形态学眼部分割的方法来进行人脸检测的方法。

与基于知识规则的方法相比，该类方法主要是企图寻找人脸不变化的特征来对人脸进行检测，特征不变量方法的根本假设是：在所有的人脸检测过程中存在着图像空域或者频域不变量，而且这种不变量是唯一的。于是人脸检测过程就是在图像中全局搜索这种不变量。该类方法中所采用的特征不变量主要有：面部特征、纹理。皮肤颜色和多种特征的融合。该类方法中所采用的一个主要问题是：图像特征极大的收到光照、遮挡和其它噪声的影响，当阴影存在时，面部的特征辩解将被减弱，而阴影的边界将被增强，此时导致边缘感知分组无效。

Sirohey提出了一种从复杂背景中分割定位人脸的方法，该方法使用人脸边缘图信息和椭圆拟合方法检测人脸。Augusterjn提出了一种通过面部相似性纹理信息的人脸检测方法，通过在16?16大小的子图像上计算二阶统计特征纹理信息。在许多的人脸检测应用中，肤色被认为是人脸检测中一种有效的特征，因为颜色信息和运动信息是一种有效减少搜索空间的特征。最近，人脸检测最常采用的主要方法是联合几种不同的特征方法检测。它们首先利用全局特征，如肤色和形状大小等信息寻找人脸候选区域，再根据局部特征，如眼睛、鼻子和头发等信息来确认候选区域是人脸区域。

在实际的检测情况下，由于噪声和遮挡等问题的存在，人脸的某些特征可能被破坏，这将严重影响此算法的检测效果。

2.3 模板匹配方法

该方法大多是用归一化去互相关，在图像灰度层次上直接比较目标模板和候选图像区域之间的相似性，得到表示相似程度的值，然后与相应阈值比较判断候选图像区域是否为人脸区域。其中较为典型的例子就是Yullietlo等提出的基于弹性模板匹配的人脸检测方法。由于模板本身比较粗略，所以模板匹配的人脸检测方法往往精度不是很高，而且计算量较大，速度较慢。

模板匹配通常被用于人脸检测的验证，这样可以更进一步提高人脸检测系统的准确率，它的主要思想是利用模板与待检测图像之间的相关程度来对图像中的入脸进行判断。可变形模板和预先定义的模板是人脸检测常用的模板。Venkatraman和GovindarajuI使用小波延伸的方法用于图像的边缘提取。Tsukamoto等提出一个人脸模式的定性模型(QMF)。QMF方法将每一个样本图像分割成一些块，再对各个块估算

10

其定性特征。

主动形状模型(ASM)和主动外观模型(AAM)是近年来流行的一种对象形状提取算法，其核心思想是在某种局部点模型匹配的基础上，利用统计模型对待识别的人脸的形状进行约束，从而转化为一个最优化求解问题，并期望最终收敛到实际的人脸形状上去。

而且，在实际的检测中，由于人脸的尺度、形状等的变化较大时往往检测效果较差，此种方法也没有获得较广泛的应用。

2.4 基于外观的方法

基于外观的方法也可以称为基于统计的人脸检测方法也可以称为基于分布特征的检测方法，它是利用统计分析和机器学习等方法来获得人脸和非人脸特征，利用这些特征和判决函数来进行人脸检测的方法。

MIT 的Sung 和Poggio提出了一种基于分布特征的人脸检测方法。他们建立了一个分布模型，指出通过对图像正例和反例样本的学习可以获得人脸的分布模型。该系统由两个部分组成，人脸模式和非人脸模式的分布模型及一个多层感知器分类器。每一个人脸和非人脸的学习样本首先进行预处理，包括归一化，直方图均衡等，然后处理为19×19 的图像，将这个图像作为361 维的矢量。接下来将这些矢量采用改进的K 均值聚类算法分成6个人脸和6个非人脸的聚类。每一类用它们的均值图像和协方差矩阵表示成一个高维的高斯函数。见图2-1 所示。

图

2-1 Sung 和Poggio提出的人脸非人脸聚类模型

11

值得强调的是，为了解决人脸检测中“非人脸”样本的选取问题，Sung 等人采用“自举（bootstrap）”方法：首先建立一个只使用“人脸”样本和少量“非人脸”样本训练的初始分类器对一组图像进行检测，将所有错检非人脸为人脸的图像加入“非人脸”样本库；然后把得到的“人脸”和“非人脸”样本训练构成一个新的分类器进行重新检测。将以上过程不断循环，直到收集到了足够的“非人脸”样本。这种循环检测来得到非人脸的收集方法后来得到许多研究者的使用。

由于人脸图像的复杂性，只使用基本特征与简单规则很难有效地描述人脸与背景的本质区别，因此基于统计和学习的方法越来越受到重视。这类方法是把人脸区域看作一类模式，利用统计分析与机器学习的方法对大量人脸样本和非人脸样本进行学习得到各自的统计特征，然后根据这些特征构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸检测。实际上，人脸检测问题被转化为统计模式识别的二分类问题。该类方法主要包括：线性子空间法、神经网络、隐马尔可夫模型、支持向量机、基于AdaBoost算法等方法。

12