基于灰度信息的人脸检测算法研究

摘 要 人脸检测技术是人工智能领域内具有挑战性的研究课题之一。让计算机能够记忆、识别人脸一直是众多计算机科学工作者追求的目标。人脸检测在安全监视、图像检索等领域具有潜在应用价值。 文章简单介绍了人脸检测的发展应用，分析了现有的人脸检测算法，并进行了比较。 其次，依据肤色特征不依赖于面部的细节变化，不受旋转、表情等因素的影响，具有较强的稳定性，并且也能够同大多数背景颜色相区分的原理，尝试了一种基于人脸灰度信息的人眼定位方法，该方法采用了一个结构分类器，对定位的人眼区域进行优化。 最后，在上述理论和方法的基础上，将人眼定位和灰度信息检测方法相结合，进行人脸验证。实验结果显示，该方法使得单个人脸的实时检测与定位取得了令人较为满意的准确性。 关键字：肤色模型，人眼定位，人脸检测目? 录摘 要??? IAbstract??? II第一章 序言??? 41.1 人脸检测的提出??? 41.2 人脸检测的发展应用??? 41.3 人脸检测方法??? 51.3.1 基于先验知识的方法??? 61.3.2 基于特征不变性的方法??? 61.3.3 基于模板的方法??? 61.3.4 基于形状与边缘的人脸检测方法??? 71.3.5 基于肤色特征的人脸检测方法??? 71.3.6 基于纹理特征的人脸检测方法??? 81.5 本文的内容结构??? 8第二章 人脸检测理论与技术??? 92.1 人脸检测理论??? 92.2 人脸检测的评价标准??? 92.3 人脸测试技术??? 102.4? AdaBoost算法??? 102.5 人眼检测方法??? 12第三章 基于灰度信息的人脸检测算法研究??? 153.1人眼定位基本方法??? 153.2 人眼粗检测??? 153.3 人眼精确定位??? 173.4 系统总体流程图??? 183.5 实验结果??? 18参考文献??? 25 人脸检测研究内容?? 人脸检测的研究范围主要是人脸检测与定位（对任意的图像，判断其中是否有人脸，人脸的数量，位置及大小）。 人脸检测：即从各种不同的场景中检测出人脸的存在，并确定其位置。在某些情况下由于图像(照片)的获取环境是可以人为控制的（如身份证照片等），因而人脸的定位可以轻易地做到；但在大多数的场合中由于场景较复杂，人脸的位置是预先不知道的，因而首先必须确定场景中是否存在人脸，如果存在人脸，再确定图像中人脸的位置。脸部毛发、化妆品、光照、噪声、面部倾斜和人脸大小变化以及各种各样的遮挡等因素，会使人脸检测问题变得更为复杂。按背景的复杂程度分类，人脸检测可分简单背景下的人脸检测和复杂背景下的人脸检测，按图像的类型分类，人脸检测可分为灰度图像的人脸检测和彩色图像的人脸检测。通常情况下，图像中人脸的位置或者是正面像或者是侧面像。人脸检测的主要目的是在输入的整幅图像上寻找人脸区域，把图像分割成两个部分—人脸区域和非人脸区域，从而为后续的应用做准备。可见，人脸检测的结果直接影响着整个系统的性能。经过多年的发展，人们己经提出了多种人脸检测方法。现有的方法大致可分为两大类：一类是基于人脸各部分特征的检测方法；另一类是把人脸作为一个整体来考虑的检测方法。第一类方法主要是先检测出人脸的局部特征，然后确定人脸的存在和位置。这类方法的主要优点是能给出主要特征的位置，便于应用;缺点是鲁棒性较差，应用范围窄。第二类方法则不必考虑脸部各细节特征，从而可以较充分地考虑人脸的整体信息，因而鲁棒性较好，应用范围广，但缺点是检测时间较长，还不能较好的应用于实时系统中。总而言之，人脸检测问题涉及到以下五个具体问题的研究： （l）表示，即如何描述一个典型的人脸。一种表示方法是基于几何特征的方法，另一种是基于统计特征的方法。 （2）尺度，即如何处理不同尺度大小的人脸。在一张图片中很可能同时存在不同尺度的多张人脸，如何设计一种算法可以将不同尺度的所有人脸都检测出来呢？对于不同的人脸表示方法，采用不同的策略：比如基于特征的人脸表示方法，人脸是通过各个特征点以及相对位置关系来描述的，那么检测人脸的过程实质上就是找是否存在符合相对位置关系的那些特征点，所以根据相对位置便可以检测出不同尺度的人脸；而对于基于整体的人脸表示方法，一般通过分类器来判别是否存在人脸，而分类器又常常是针对某个尺度的，一般的做法是将需要判别的候选脸进行缩放（以分类器所需要的尺度为标准），对候选脸进行缩放一般要求以两眼为中心。 （3）搜索策略，即如何找出这些人脸。对于灰度图像来说，一般采取的搜索策略是对整个图像进行穷举搜索。但是为了提高检测速度，现在很多算法采用层叠分类器对图像进行筛选，通过简单分类器逐渐丢弃非人脸区域，最后在较小的候选区域进行穷举；对于彩色图像来说，一般先根据肤色信息进行判断，将非肤色区域丢弃，然后在候选区域进行穷举。 （4）速度，即如何提高处理速度。要提高处理速度，就要从以上几个方面入手，即要采用合适的表示方法以及合适的搜索策略和判别方式。比如对高维数据进行降维，利用某种方法得到较小的候选人脸区域等等，这些都是提高处理速度的有效方法。 （5）精度，即如何提高检测的精确度。往往检测精度和检测速度是相互矛盾的，采用某些简单的表示或判别方法会达到比较理想的速度，但是精度却会受到影响，所以最好的方法是在速度和精度之间进行折中。 任何人脸检测方法都要基于以上五个方面进行考虑，由于人脸图像本身的特点给计算机实现自动人脸检测带来很多难点，如成像条件环境的影响；头发、眼镜等的遮挡影响；成像对象的姿态、人脸随年龄增长、随表情等变化的影响等。因此，目前的一些算法都是针对某一类问题提出的，而实现通用的人脸检测算法还不现实。 1.4 人脸检测方法 人脸检测的基本思想是用知识的或统计的方法对人脸建模，比较所有可能的待检测区域与人脸模型的匹配度，从而得到可能存在人脸的区域。人脸检测所包含的内容十分广泛，从不同的角度可以有多种分类方式。按照图像类型来分，可以分为静止图像和动态视频序列中的人脸检测。对于静止图像，侧重点在于如何使检测算法适应更多种类的图像。而对于动态视频序列来说，速度则是其首要要求。按照色彩信息来分类，可以分为彩色图像和灰度图像中的人脸检测。前者可以利用到颜色信息，例如肤色、唇色等信息来辅助判断人脸的位置，因而比单纯的灰度图像检测简单一些。按照图像的前景，即人脸的姿态的不同分类，有的针对正面（包括平面内旋转一定角度）的人脸，有的则针对正面和侧面的人脸。按照图像背景的复杂程度来分，分为简单背景和复杂背景的人脸检测。简单背景指可能没有背景，或者背景的类型比较单一，复杂背景是背景未知的情况，背景中可能包含有和人脸非常类似的模式，这种情况下往往会导致虚警。对静态图像来说，现在研究的算法基本上都是针对复杂背景。如果图像中人脸的数目已知，这时的人脸检测就退化为人脸检测定位问题，这是只需确定人脸的位置即可。 根据人脸检测算法的发展和现状，可将人脸检测方法分为三类，即基于几何特征的方法、基于皮肤特征的方法和基于统计理论的方法。基于几何特征和皮肤特征的方法都属于基于知识的方法，是利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征及其相互之间的几何位置关系，或肤色、纹理等皮肤特征来检测人脸。基于统计的方法则将人脸看作是一个整体的模式—二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度判断人脸是否存在。在这几种框架下，发展了许多方法。目前，随着各种方法的不断提出和应用条件的变化，将知识模型与统计模型相结合的综合系统将成为未来的研究趋势。