人臉識別技術(shù)研究背景與方法-預(yù)覽頁
【正文】 。 圖1近年來,人臉檢測已經(jīng)吸引了更多科研人員的注意。人臉檢測作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù),近年來已成為模式識別與計(jì)算機(jī)視覺領(lǐng)域內(nèi)一項(xiàng)受到普遍重視,研究十分活躍的課題。人臉定位的目的是確定圖像中人臉的位置。面部表情識別涉及識別人類的情感狀態(tài)(高興、悲傷、厭惡等) 。人臉識別和人臉檢測將輸入的圖像（探測器）和數(shù)據(jù)庫（圖庫）的數(shù)據(jù)做對比，如果有匹配，則報(bào)告這些匹配。值得一提的是，盡管許多報(bào)紙都在使用“人臉檢測”，但是所使用的方法和得到的實(shí)驗(yàn)結(jié)果表明只能在一個(gè)圖像中定位單一的人臉。為了變得有效，分類器必須能推斷適度的訓(xùn)練樣本，或者更有效率地處理高維度訓(xùn)練樣本。它將典型的人臉形成規(guī)則庫對人臉進(jìn)行編碼。(3) 模板匹配方法(Template Matching Methods) 。與模板匹配方法相反,從訓(xùn)練圖像集中進(jìn)行學(xué)習(xí)從而獲得模型(或模板) ,并將這些模型用于檢測。在輸入圖像中首先提取面部特征,確定基于編碼規(guī)則的人臉候選區(qū)域。此外,很難將這種方法擴(kuò)展到在不同的位姿下檢測人臉,因?yàn)榱信e所有的情況是一項(xiàng)很困難的工作。多分辨率的分層圖像通過平均和二次采樣生成,如圖2 所示。最低分辨率的(Lever 1) 圖像用于搜索人臉的候選區(qū)并在后面較精細(xì)的分辨率下作進(jìn)一步處理。Kotropoulos 和Pitas提出了一種基于規(guī)則的定位方法。這些檢測到的特征組成了面部候選區(qū)。采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖模型。盧春雨等人對鑲嵌圖方法進(jìn)行了改進(jìn),按照人臉器官的分布將人臉劃分為3 3 個(gè)馬賽克塊,在檢測中自適應(yīng)地調(diào)整各塊的大小,使用一組基于各塊灰度和梯度統(tǒng)計(jì)特征的知識規(guī)則檢驗(yàn)該區(qū)域是否為人臉,取得了較好的實(shí)驗(yàn)結(jié)果。面部特征,如眉毛、眼睛、鼻子、嘴和發(fā)際,一般利用邊緣檢測器提取,根據(jù)提取的特征,建立統(tǒng)計(jì)模型描述特征之間的關(guān)系并確定存在的人臉。Graf 等人提出定位灰度圖像的面部特征和人臉的檢測方法。典型的人臉用五個(gè)特征(兩只眼睛、兩個(gè)鼻孔和鼻子與嘴唇的連接處) 來描述。這種方法的優(yōu)點(diǎn)是可以在不同的方向和位姿上檢測人臉。每一個(gè)子模板按照線分割定義。用Sobel 濾波器提取邊緣,將邊緣組織在一起,根據(jù)幾個(gè)約束條件去搜索人臉模板。人臉必須是垂直、無遮擋和正面的。旋轉(zhuǎn),每次旋轉(zhuǎn)5176。實(shí)驗(yàn)結(jié)果表明在圖像含有單個(gè)人臉要比圖像中含有多個(gè)人臉的結(jié)果好。實(shí)驗(yàn)證明,其提出的特征提取算法高效且魯棒性能好。許多基于外觀的方法可以被理解為概率結(jié)構(gòu)。因此,在基于外觀的方法中,大多數(shù)工作涉及的是由經(jīng)驗(yàn)確定的參數(shù)或用非參數(shù)方法近似p (x| face) 和p(x| non face) 。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些正交基組成低維線性空間。采用Z個(gè)主分量作為新正交空間正交基的方法稱為主成分分析(Principle Component Analysis,PCA)方法。與Kirby和Sirovich類似，在人臉圖像訓(xùn)練集上的主成分分析用來產(chǎn)生特征臉(Eigenfaces)，它張成圖像空間的子空間(人臉空間)。人臉距離計(jì)算的結(jié)果是“人臉圖”(face map)，從人臉圖的局部最小點(diǎn)就可以檢測到人臉。 杜平等人提出的人臉檢測方法，利用人類膚色在色度空間分布的穩(wěn)定性，檢測出圖像中的皮膚區(qū)域，然后將其在特征臉空間中投影、重建，通過求重建圖像的信噪比進(jìn)行判斷。首先將人臉和非人臉樣本規(guī)范化并將其處理為19X 19象素的圖像，然后變?yōu)?61維向量或模式。其中4,150個(gè)為人臉模式而其他的是非人臉模式。然后，在隨機(jī)圖像序列上運(yùn)行人臉檢測器并搜集當(dāng)前系統(tǒng)將非人臉模式錯(cuò)誤地分類為人臉的所有模式。用主成分分析(PCA)來定義子空間從而最好地表示人臉模式集。用多變量Gaussians和混合Gaussians密度分布進(jìn)行學(xué)習(xí)人臉局部特征的統(tǒng)計(jì)。Yang和Kriegman提出使用Fisher線性判別(FLD)從高維圖像空間將樣本投影到低維特征空間的方法。他們的實(shí)驗(yàn)結(jié)果表明，% 。Agui等人提出了層次神經(jīng)元網(wǎng)絡(luò)進(jìn)行人臉檢測。實(shí)驗(yàn)結(jié)果表明，如果所有的人臉在測試圖像中有相同的尺寸，則這種方法能夠檢測人臉。輸入圖像利用小波變換進(jìn)行分解。Lin等人提出使用基于概率決策的神經(jīng)元網(wǎng)絡(luò)進(jìn)行人臉檢測系統(tǒng)(PDBNN) 。他們的實(shí)驗(yàn)結(jié)果表明其性能優(yōu)于其他主要基于神經(jīng)元網(wǎng)絡(luò)的人臉檢測器。然而，新系統(tǒng)對垂直人臉的檢測率比垂直檢測器要低。梁路宏等人提出了基于模板匹配與人工神經(jīng)元網(wǎng)絡(luò)的人臉檢測算法。由于灰度受光照的影響較大，一般應(yīng)采用預(yù)處理技術(shù)；紋理、邊沿等特征對光照變化具有較好的適應(yīng)性，但是強(qiáng)的光照變化也會(huì)產(chǎn)生一些偽邊沿。另外，采用的知識規(guī)則可能不夠準(zhǔn)確或全面。加入典型的非人臉樣本圖像可以提高模型對人臉和非人臉圖像的區(qū)別能力，從而降低誤檢率。基于統(tǒng)計(jì)的人臉檢測方法一般能夠獲得較好的檢測效果，是目前的主流方法。由于眾多變化因素的影響，對不同的數(shù)據(jù)庫，各種方法的檢測效果很不相同，目前還沒有一個(gè)公認(rèn)的評估標(biāo)準(zhǔn)。（4）大多數(shù)應(yīng)用是面向?qū)崟r(shí)處理的，因此算法的復(fù)雜度和運(yùn)行速度也是一個(gè)重要的衡
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1