【正文】 主要集中在三個(gè)方面：1. 幾何特征點(diǎn)的提??；2. 變換域中的特征提?。?. 利用變形模板進(jìn)行特征提取。通常采用統(tǒng)計(jì)的方法或特征空間變換的方法進(jìn)行灰度特征的提取，如利用KL變換得到的特征臉，利用小波變換得到的小波特征等[2][3][4]。文獻(xiàn)[1]使用人臉灰度圖像的水平和垂直方向的像素灰度均值來描述人臉特征。但膚色的確定對光照和圖像采集設(shè)備特性較敏感。檢測定位過程中也會(huì)用到人臉特征。 人臉特征提取人臉特征提取是人臉識(shí)別中的核心步驟，直接影響識(shí)別精度。提取出待識(shí)別的人臉特征之后，即可進(jìn)行特征匹配。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(shí)。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。在選取訓(xùn)練樣本的時(shí)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(gè)樣本。隨著系統(tǒng)級(jí)數(shù)的增加非人臉圖像通過率大為降低，但是同時(shí)也可能會(huì)造成人臉圖像被錯(cuò)誤地排除掉。圖 34 矩形區(qū)域單個(gè)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。 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(jì)算的工作量很大，采用積分圖可以有效地簡化計(jì)算。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。在給定數(shù)據(jù)有限時(shí)，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。Haar 特征和積分圖像密切相關(guān)，計(jì)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。每次用樣本集訓(xùn)練后，重新確定每個(gè)樣本的權(quán)重。 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。（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。因?yàn)橥饨缰荒芸吹礁鱾€(gè)時(shí)刻的輸出值，看不到其中復(fù)雜過程。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(hào)統(tǒng)計(jì)特性。其中，Y是亮度信號(hào)，Cr Cb是色度信號(hào)。用膚色信息檢測人臉時(shí)，要選擇合理的色度坐標(biāo)。雖然每個(gè)人臉都不同，但是可以用輪廓規(guī)則、五官分布規(guī)則。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。（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(gè)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。第二步對全面檢查輸入圖像，計(jì)算與標(biāo)準(zhǔn)人臉模板中各局部特征的相似系數(shù)，與之前設(shè)定的閥值比較，判定是否存在人臉。人臉識(shí)別是把每一個(gè)人的人臉作為一個(gè)模式來對待，不同人的臉屬于不同的模式類，人臉識(shí)別的過程是將屬于不同人的臉歸于各自的模式。按照特定算法求這兩個(gè)偏導(dǎo)矩陣的幾何平均值，然后將該平均值賦給待求點(diǎn)的灰度值。原理就是通過一些算法，設(shè)定黑白二色的閾值，將圖像中的像素顏色均轉(zhuǎn)換為黑白二值，“1”表示黑色，“0”表示白色，這種圖像稱之為二值圖像，便于特征提取。文獻(xiàn)[2]通過將人臉彩色圖像從RGB色彩空間轉(zhuǎn)換到RIQ色彩空間，得到了更適于頻譜分析的特征分量。“S”形變換方法將灰度值處于某一范圍（人臉特征范圍）內(nèi)的像素灰度分布差距拉開，從而保證了對比度的提高，但此方法降低了其他灰度值的對比度。消除噪聲的方法很多，對于不同的噪聲應(yīng)該采用不同的除噪方法。這些噪聲信號(hào)的存在，嚴(yán)重的情況會(huì)直接導(dǎo)致整幅圖像的不清晰，圖象中的景物和背景的混亂。常用的圖像預(yù)處理方法有灰度化、二值化、幾何校正、直方圖修正、濾波、銳化、像素平均法等。6. 生理分類：對人臉生理特征分析，得出性別、年齡、種族等信息。2. 人臉的規(guī)范化：校正人臉在尺度、光照和旋轉(zhuǎn)等方面的變化。4. 三維人臉識(shí)別為了獲得更多的特征信息，直接利用二維人臉圖像合成三維人臉模型進(jìn)行識(shí)別，即將成為該領(lǐng)域的一個(gè)主要研究方向。2. 基于多姿態(tài)/表情的人臉識(shí)別人臉識(shí)別研究的發(fā)展階段。人臉識(shí)別應(yīng)用領(lǐng)域：身份鑒定、身份確認(rèn)、視頻監(jiān)控、面部數(shù)據(jù)壓縮。. . . . .人臉識(shí)別技術(shù)綜述控制工程 陳龍斌 12013002342摘要：簡要介紹了人臉識(shí)別技術(shù)的研究背景及其發(fā)展歷程；對人臉識(shí)別技術(shù)的常用方法進(jìn)行了分類總結(jié)；重點(diǎn)對近年來人臉識(shí)別方法的研究進(jìn)展進(jìn)行綜述并對各種方法加以評價(jià)；總結(jié)了現(xiàn)階段存在的研究困難并提出今后的發(fā)展方向。人臉識(shí)別技術(shù)是一種最友好的生物識(shí)別技術(shù)（非接觸、非侵犯），它結(jié)合了圖像處理、計(jì)算機(jī)圖形學(xué)、模式識(shí)別、可視化技術(shù)、人體生理學(xué)、認(rèn)知科學(xué)和心理學(xué)等多個(gè)研究領(lǐng)域。但由于人臉器官?zèng)]有顯著的邊緣且易受到表情的影響，因此它僅限于正面人臉（變形較?。┑淖R(shí)別。通過采集視頻序列來獲得比靜態(tài)圖像更豐富的信息，達(dá)到較好的識(shí)別效果，同時(shí)適應(yīng)更廣闊的應(yīng)用需求。目前國內(nèi)比較成熟的人臉識(shí)系統(tǒng)有： 人臉識(shí)別技術(shù)的研究范圍主要包括以下幾個(gè)方面：1. 人臉檢測：在輸入的圖像中尋找人臉區(qū)域。5. 表情/姿態(tài)分析：讓計(jì)算機(jī)感知表情變化，分析理解人的情緒。常見格式有BMP、GIF、JPEG、TIFF、PSD、PNG、SWF、SVG等?；虿杉b置的抖動(dòng)，也會(huì)引入噪聲，使圖像變的模糊不清；3. 在圖像數(shù)據(jù)的電子傳輸過程中，也不同程度的引入噪聲信號(hào)。對圖像噪聲的消除可以通過兩個(gè)途徑：空間域?yàn)V波或頻率域?yàn)V波。增強(qiáng)對比度有很多種方法，常見的有直方圖均衡化和“S”形變換等方法。文獻(xiàn)[1]給出了一種能夠?qū)GB色彩轉(zhuǎn)換成灰度級(jí)且適于突出人臉區(qū)域?qū)Ρ榷鹊霓D(zhuǎn)換模型：；其中f代表灰度值，r,g,b分別表示Red,Green,Blue分量的值。對于分析理解圖像特征和識(shí)別圖像大有裨益。Sobel邊緣檢測算子使用一個(gè)水平的有向算子和一個(gè)垂直的有向算子，每一個(gè)逼近一個(gè)特定的偏導(dǎo)數(shù)矩陣。人臉檢測是把所有的人臉作為一個(gè)模式，而非人臉作為另一個(gè)模式，人臉檢測的過程就是將人臉模式與非人臉模式區(qū)別開來。主要方法有：第一步建立一個(gè)標(biāo)準(zhǔn)的人臉模板，需要包含人臉的各個(gè)局部特征。由于很難用一個(gè)通用的人臉模版來模擬出所有臉型，而且人的面部特征變化很大，致使這種方法很有局限性，目前該方法只作為粗檢的手段。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。然后通過五官位置和相互之間幾何關(guān)系來檢測人臉。當(dāng)表情變化或者面部轉(zhuǎn)動(dòng)時(shí)，膚色并不會(huì)變，在人臉檢測時(shí)有很強(qiáng)的穩(wěn)定性。所以Y Cb Cr這樣一個(gè)色差模型更符合人類視覺特點(diǎn)。然后掃描整個(gè)待檢測圖像，用分類器判別是否包含人臉。這種模型對于狀態(tài)序列來說是隱的。通過構(gòu)造風(fēng)險(xiǎn)最小的分類面來解決一個(gè)受限二次規(guī)劃問題。但是想要獲得期望的性能，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)