【正文】 限性，目前該方法只作為粗檢的手段。（2）變形范本法：考慮到人臉是可變形體，該方法通過非線性最優(yōu)化方法求得一個參數(shù)模板，該模版如果能使能量函數(shù)最小，那么它就能描述所求參數(shù)特征。該方法穩(wěn)定可靠，而且與姿態(tài)和光照無關(guān)，但是能量函數(shù)的系數(shù)適應(yīng)的范圍不廣而且計算量過大。該方法比較成熟，實現(xiàn)起來比較簡單，但是效率并不高。人臉模式的變化滿足一定的規(guī)律，所以可以歸納描述人臉特征的規(guī) 則，如灰度分布、比例關(guān)系、紋理信息等。該方法首先檢測出人臉面部特征的位置，然后根據(jù)各特征之間的幾何關(guān)系來定位人臉。主要有以下兩種方法：基于器官特征的方法：該方法首先提取五官的圖像特征。該特征可以用幾何、灰度、空間等來描述。然后通過五官位置和相互之間幾何關(guān)系來檢測人臉。雖然每個人臉都不同，但是可以用輪廓規(guī)則、五官分布規(guī)則。對稱性規(guī)則、運動規(guī)則來制定人臉判定規(guī)則。基于膚色的方法：人臉膚色在顏色空間上的分布相對集中，而且與圖片中其他部分是基本不重合的。當(dāng)表情變化或者面部轉(zhuǎn)動時，膚色并不會變，在人臉檢測時有很強(qiáng)的穩(wěn)定性。用膚色信息檢測人臉時，要選擇合理的色度坐標(biāo)。通常的做法是將彩色的R、G、B分量歸一化以便突出色度信息。相比于亮度而言，人對色度更加敏感。所以Y Cb Cr這樣一個色差模型更符合人類視覺特點。其中，Y是亮度信號，Cr Cb是色度信號。雖然基于膚色的方法不夠準(zhǔn)確，但是能夠簡單快速地定位人臉這是一種學(xué)習(xí)型的方法。將人臉檢測視為區(qū)分“非人臉樣本”與“人臉樣本”的模式識別問題，通過對大量人臉樣本集和非人臉樣本集的學(xué)習(xí)、訓(xùn)練產(chǎn)生建立起一個能正確識別人臉樣本的分類器。然后掃描整個待檢測圖像，用分類器判別是否包含人臉。有很多種不同策略的分類器，如下所示：（1）隱馬爾科夫模型：描述信號統(tǒng)計特性。其過程是一個雙重隨機(jī)過程。特征序列與狀態(tài)序列之間的并沒有嚴(yán)格的一一對應(yīng)關(guān)系。這種模型對于狀態(tài)序列來說是隱的。因為外界只能看到各個時刻的輸出值，看不到其中復(fù)雜過程。（2）支持向量機(jī)：兼顧模型的復(fù)雜性和學(xué)習(xí)能力，尋找一個平衡點。對有限樣本的情況下非常適用。通過構(gòu)造風(fēng)險最小的分類面來解決一個受限二次規(guī)劃問題。（3）人工神經(jīng)網(wǎng)絡(luò)： 是一種模仿大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。邊訓(xùn)練邊測試，并把在錯誤結(jié)果作為“反面教材”，進(jìn)一步修正分類器。預(yù)先將足夠量“正、反”圖像樣本和其識別結(jié)果輸入網(wǎng)絡(luò)，通過訓(xùn)練它就能識別類似的圖像是否包含人臉。但是想要獲得期望的性能，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的工作量很大。 Ada boost 方法該方法中文意思是自適應(yīng)性提升算法，是一種應(yīng)用了迭代思想的機(jī)器學(xué)習(xí)方法。Viola于2001年開創(chuàng)性地將其應(yīng)用到人臉檢測方面，并且融合了積分圖和級聯(lián)分類器于其中。其核心思想是使大量弱分類器聯(lián)合成為一個強(qiáng)分類器。雖然該方法源于PAC學(xué)習(xí)模型，但是并不過多地關(guān)注弱學(xué)習(xí)算法的先驗知識，而是經(jīng)過若干次迭代自適應(yīng)地降低弱學(xué)習(xí)的錯誤率。每次用樣本集訓(xùn)練后，重新確定每個樣本的權(quán)重。將新的數(shù)據(jù)集交給下層分類器繼續(xù)訓(xùn)練。作為最終決策分類器的是歷次訓(xùn)練得到的分類器的級聯(lián)。既保證了效率又兼顧了檢測正確率。Haar 特征和積分圖像密切相關(guān)，計算量較小應(yīng)用于Ada boost 算法中用來描述人臉面部灰度特征可以提升特征提取速度。將樣本圖像中的 Haar 特征提取出來后，需要通過訓(xùn)練，選出最優(yōu)的Haar 特征轉(zhuǎn)換成弱分類器，最后將弱分類器級聯(lián)后用于人臉檢測。 Haar 特征該特征其實就是矩形特征。它雖然僅能描述水平、垂直、中心環(huán)繞型的特征比較粗略但是對于邊緣、線段等簡單圖形結(jié)構(gòu)很敏感。在給定數(shù)據(jù)有限時，也能將特定區(qū)域的狀態(tài)編碼出來，并且檢測速度上比基于像素的系統(tǒng)優(yōu)異得多。對于檢測器來說一副圖像內(nèi)的矩形特征數(shù)量是很大的，比如24乘24的檢測器特征數(shù)量已經(jīng)達(dá)到了160000個。此時只有選出合適的矩形特征組成的強(qiáng)分類器才能較好的檢測出人臉。由多個全等的黑色或白色相鄰矩形組合成的模版，其特征值用所有白色和黑色矩形的像素總差值來定義。該特征模版包含有：邊緣特征、線性特征、和特定方向特征，如下圖31所示。要對弱分類器進(jìn)行訓(xùn)練，就要找出在子窗口中特征模板的所有形態(tài)。圖 31 特征模版分類眼睛和鼻子的顏色和周圍的灰度有區(qū)別，鼻梁兩側(cè)和鼻尖的灰度也是有差異的。所以可以得到如下圖32和下圖33所示的矩形特征和人臉特征的匹配。 圖 32 特征匹配圖 33 特征匹配特征數(shù)量很多導(dǎo)致特征計算的工作量很大，采用積分圖可以有效地簡化計算。對原始圖像中的每個像素進(jìn)行少量類比于微積分的簡單計算就能得到積分圖像。其主要思想是：預(yù)先將圖像各特定矩形區(qū)域像素之和保存到內(nèi)存中的某個數(shù)組中，當(dāng)需要該值時，直接從數(shù)組中取出即可，不用再重新計算。積分圖在多種尺度下計算不同特征時，所耗的時間是一樣的，有效地降低了計算量。圖 34 矩形區(qū)域單個弱分類器并不能直接拿來供分類使用，所以要將其優(yōu)化組合成強(qiáng)分類器，這樣就能大大提高對人臉的檢測能力。如果再將多個強(qiáng)分類器級聯(lián)起來，對人臉的檢測能力將會再次飛躍。Ada boost 算法引入了一種類瀑布型的級聯(lián)分類器，如圖35所示。在該分類器中，一級比一級復(fù)雜嚴(yán)格。隨著系統(tǒng)級數(shù)的增加非人臉圖像通過率大為降低，但是同時也可能會造成人臉圖像被錯誤地排除掉。所以該系統(tǒng)的設(shè)計原則如下：在保證人臉圖像通過的前提下，盡可能地抑制非人臉圖像的通過。圖35瀑布型級聯(lián)分類器 訓(xùn)練檢測過程及其優(yōu)化 訓(xùn)練：雖然每一個Haar特征都有一個弱分類器與之對應(yīng)，但是并不是每一個都能很好的表征人臉的灰度分布。因此訓(xùn)練過程中要解決的中心問題就是如何選取最優(yōu)Haar特征制成分類器。在選取訓(xùn)練樣本的時候，考慮到人臉是具有多種形態(tài)的，所以必須選取具有一定代表性的多個樣本。選取的樣本，人臉姿態(tài)要盡量一致，樣本大小也應(yīng)該統(tǒng)一。待檢測圖像的分辨率應(yīng)該在19乘19以上。人臉數(shù)據(jù)庫可參考MITCBCL庫，該庫有10個人的3200張訓(xùn)練圖片以及大量測試圖片。訓(xùn)練過程如下：（1）從圖像中提取出Haar特征，常用的5種特征如圖31所示（2）用獲得特征生成弱分類器（3）用多次迭代的方法找出最優(yōu)的弱分類器并提高其權(quán)重檢測：分類器在訓(xùn)練過程中所使用的樣本大小在很大程度上決定了其所能處理的對象的大小。實際中圖片中的人臉大小是各不相同的，因此要引入多尺度檢測機(jī)制。目前有兩種辦法：（1）在變換分類器尺度同時改變其閥值（2）對圖像用不同尺度抽樣。雖然第一種方法實現(xiàn)起來比較復(fù)雜，但是計算量小檢測速度較快。檢測步驟如下：（1）將待測圖像變換為灰度圖像（2）得出積分圖像（3）將不同尺度下的檢測結(jié)果合并（4）將合并后的結(jié)果再輸出優(yōu)化:雖然Ada boost 系統(tǒng)檢測速度比較高，但是其本身訓(xùn)練比較耗時。而且對有一定傾斜角度的人臉存在檢測盲區(qū)。可以從以下兩個方面進(jìn)行優(yōu)化：（1）在訓(xùn)練過程中將新的矩形特征模版引入弱分類器的模版當(dāng)中,如圖36所示（2）在檢測過程中引入膚色檢測和光照補(bǔ)償圖 36 新的矩形模版4 特征提取與人臉識別特征提取之前一般需要做幾何歸一化和灰度歸一化的工作。前者是指根據(jù)人臉定位的結(jié)果將圖像中的人臉區(qū)域調(diào)整到同一位置和