视频人脸检测

摘要 人脸识别可以广泛应用到身份验证、信息安全、电子商务、多媒体等诸多领域。随着社会日益增长的巨大需求、计算机软硬件技术的成熟和人脸识别研究的日趋进步，人脸检测逐步受到重视。特别是真实场景下的人脸检测研究，己经逐步成为人脸识别系统是否能够真正实用的关键。 对于人脸检测的研究，已经经历了由简单到复杂，由静态图像检测到视频实时检测的发展，特别是最近几年出现的基于Haar特征的人脸检测，具有检测速度快、鲁棒性好、可以实时检测等优点真正实现了在PC机上的人脸快速检测。本文在前人的研究基础上，探讨了Haar特征的人脸检测算法，实验结果表明，基于haar特征的人脸检测算法检测准确，速度快，具有较高的实用价值。 关键词： Haar特征；人脸检测；实时性 3.1人脸检测的难点 人脸检测作涉及众多领域，如人工智能、模式识别等，应用背景复杂。虽然在近来这一问题受到众多研究机构、研究人员的广泛关注并取得较多成果，但是距离找到一种能够普遍适用于各种复杂情况的准确率很高且完全满足实时性要求的检测算法，还有很长的探索之路，这一问题仍具有极大的挑战性。主要表现在[11]： 1、人脸是一个具有不确定因素的待测目标，如人脸上可能有附属物（眼镜等）的存在，人脸特征（肤色等）差异大，这对于模式分类造成较大难度。 2、实际应用环境中检测目标的复杂程度对算法的适应性要求很高。例如，检测环境包含部分被遮挡的人脸，衣服上的人脸图像，镜面中的人脸图像都会给检测结果造成较大影响。 3、人脸的现实采集条件如光照条件、捕捉数据、传输质量等也会对检测结果造成实际的影响。 4、往往检测成功率高的人脸检测算法如支持向量机的方法无法满足实时性的要求。 3.2人脸检测方法研究 3.2.1基于知识的由上向下的方法 基于研究者对人脸的知识。很容易就通过人脸特征的关系得到一些简单的法则，例如，人脸有两个对称的眼睛，一个鼻子，一个嘴巴。它们之间的关系可以用它们之间的距离表示出来。对输入的图像，首先抽取面部特征，再得到候选的人脸，通过知识(规则)来检测，最后验证检测结果。 GuangzhengYang和Huang提出了一种基于镶嵌图(MosaieImage)的人脸检测方法很典型[12]。所谓镶嵌图就是将图像划分为一组大小相同的方格，每个方格的灰度为格中各个像素的平均值。该方法从人脸内部区域的灰度分布规律出发，构建了一个三层的基于知识的金字塔(hierarchical knowledge based)结构的人脸检测系统。第一层先把图像转换成尺寸大小为n*n的镶嵌图，然后利用规则，如“人脸中心具有4个均亮度值”，搜索可能的人脸区域。第二层则对第一级搜索出的可能人脸运用更加严格的规则，排除大部分的假脸。第三层则通过提取脸部的部件来做最后的验证。 他们的算法的一个很有趣的特征就是由粗倒细和注意焦点的策略这会降低计算量。虽然他们的方法检测率不高，但是对后来的工作起了很大的作用。Kouropoulos和pitas的方法[13]。对水平和竖直方向进行投影，其中嘴唇，鼻子和眼睛具有局部最小值。对于严格约束的背景，只有一个人脸的图像具有很好的检测效果。相反，对复杂背景和多个人脸效果很差。他们的投影的方法在某些场合很有用。基于知识的方法在背景受约束的情况下可以检测出人脸，并且基于的规则都是人类很容易理解的。缺点是很多规则很难用计算机描述，复杂背景下效果很差。 3.2.2自底向上的基于特征的方法 和自顶向下的方法相反，人们试图寻找人脸中不会变化的特征来进行检测。假设基于这样一个观察结果：人类自身可以检测不同光线和不同姿式的人脸的器官，因此，这些特征必然存在某些和上述变量无关的量。 可以利用的人脸特征分为颜色特征和灰度特征两大类。灰度特征包括亮度、边缘、纹理、轮廓等。 Sirohey提出一种在均一背景下分割人脸的定位方法。它使用Canny边缘检测，然后启发式的搜索，删除边缘以及将边缘归并成组，最后只有人脸轮廓被保留下来。然后一个椭圆形来匹配这个边缘。它的方法达到80%的准确率。 Chetverikov使用另外一种方法，就是使用“污点”(blob)和“条纹”streak 。它们的人脸模型由两个黑色的“污点”，以及三个白色的“污点”组成，分别代表眼睛，颧骨和鼻子。然后使用“条纹”来表示人脸轮廓，眉毛和嘴唇。使用2个三角形关系来对这些污点的空间关系编码。使用低分辨率的LaPlacian图像进行“污点”检测。然后扫描图像寻找三角形关系作为人脸候选，最后在候选人脸周围发现到“条纹”后，就是检测到人脸。 Yow和Cipolla提出的基于特征的方法。首先使用一阶高斯梯度滤波器，对滤波器的响应点进行检查和分类(例如检测边缘的长度、宽度、亮度等)，将特征和数据库中的特征计算相关度，如果各个特征之间的Mahalanobis距离满足条件(使用Baycs神经网络)，人脸检测成功。他的方法的特点是可以检测不同方向和不同姿式的人脸。 Leung提出的随机图匹配方法。它将人脸检测问题转换为“面部特征”的几何关系匹配问题。“面部特征”定义是多方向、多尺度高斯梯度算子的平均响应，一般是人眼、鼻子等。先对多个人脸特征之间的距离通过高斯分布进行学习，然后在被测试图像中，使用随机图匹配的方法寻找人脸。 基于特征的算法的优点是对人脸姿式和方向具有较好的鲁棒性，缺点是在光线、噪声等影响下会有非常大的误差。特征的边界可能非常微弱，阴影也可能造成很强的边缘。这些都会使得算法无效。而且，基于特征的算法无法在复杂背景下检测人脸，文献中大多要求的背景。 3.2.3 基于模板的方法 人们很早就开始使用模板匹配方法来尝试检测人脸。比较重要和典型的是sinha提出的“比值(ratio)模板”的方法[11]。他的关键思想是，虽然面部特征的亮度变化很大，但是人脸特征之间亮度的“相对亮度”是基本不变的(例如眼睛总是比周围的区域暗)。于是，他使用了如图中所示的“比值模板”，每块的面积是14*16象素，计算成对的亮度“比值”。 Sinha的这种思想后来被广泛的利用，有人也对这种思想进行了扩展，例如引入小波来检测汽车、人脸等。基于模板的方法，最大的特点是简单好用，但是和基于知识的方法一样，缺点是对人脸姿式敏感，算法复杂度高[14]。