【正文】 圖 級聯(lián)分類器檢測人臉示意圖級聯(lián)檢測分類器的性能通過如下兩個指標(biāo)衡量:(1) 檢測率: (217)1KiRr?? 式中 為第 i 級強分類器的檢測率，K 為總級聯(lián)數(shù)。1,2wlim? 1,?(3) 洗擇 T 個弱分類器，執(zhí)行如下循環(huán)：for(t = 1,2,…T) ① 歸一化權(quán)值，使得 服從概率分布。 (212)()()issijsiigxMmf???式中 為特征函數(shù)，M 為子圖像中像素個數(shù)， 為子圖像均值， 為子ig si 2?圖像方差。因此，我們需要從這些數(shù)目巨大的特征中挑選最有利于分類的特征，為此我們采用 Freund 提出的AdaBoost 快速分類器訓(xùn)練算法。因此，通過遍歷一次原始圖像即可求出對應(yīng)的積分圖像。 人臉類 Haar 特征快速算法為了快速計算人臉類 Haar 特征，我們采用 Viola 提出的積分圖像方法，如圖 所示。將一維 Haar 變換推廣到二維： (23)1(,)(,)TFuvHfxyN??其中， 為圖像像素值，H 為 Haar 變換矩陣。 本文的人臉檢測方法本文采用基于 Haar 小波變換的級聯(lián)分類器人臉檢測算法。構(gòu)造一個好的弱學(xué)習(xí)算法對于Boosting 算法的成功起到至關(guān)重要的作用。通過對一個由 51 幅集體照片組成的圖像集進行測試，其中，正面端正人臉檢測率為 %，而任意旋轉(zhuǎn)角度的人臉檢測率只有 %。在訓(xùn)練過程中，HMM 的參數(shù)用 BaumWelch 算法更新計算。a 觀察向量b 隱式狀態(tài)圖 人臉的隱馬爾科夫模型其中，觀察向量是由人臉樣本轉(zhuǎn)換成的。模型經(jīng)學(xué)習(xí)后，進一步更新提煉；測試圖像通過計算特征向量的相似度來分類。每個子區(qū)域用 PCA 投影到低維空間，被量化為有限集合中，從投影樣本到編碼后的局部特征，去估計投影區(qū)域的統(tǒng)計量。因此研究快速學(xué)習(xí)算法是支持向量機在實用中急待解決的問題之一。用神經(jīng)網(wǎng)絡(luò)作仲裁器。Josson 等人把 PCA 和 SVM 結(jié)合起來應(yīng)用于人臉身份鑒定。SVM 由于其出色的學(xué)習(xí)性能，該技術(shù)已經(jīng)成為機器學(xué)習(xí)領(lǐng)域的研究熱點。卷積層中所有像素點共享一組模板系數(shù)，這大大減少了需要訓(xùn)練的參數(shù)數(shù)目，而下采樣降低了特征維數(shù)。后來 Rowley 等人將這種方法擴展用于旋轉(zhuǎn)的人臉檢測，使用的是 router 神經(jīng)元網(wǎng)絡(luò)，根據(jù)每個輸入窗決定可能的人臉方向，然后將窗旋轉(zhuǎn)到規(guī)范的方向，旋轉(zhuǎn)窗被送到上述的神經(jīng)網(wǎng)絡(luò)。Agui 等人提出了人臉檢測層次神經(jīng)網(wǎng)絡(luò)法。他們首先提取人臉區(qū)域中的密度和邊緣信息的特征向量，人臉區(qū)域中包括眼眉，眼睛和鼻子，代替了將整個人臉圖像轉(zhuǎn)換為用于神經(jīng)網(wǎng)絡(luò)的密度值向量。實驗表明，在噪聲存在甚至人臉圖像被部分遮擋的情況下，該網(wǎng)絡(luò)仍能有效的重建人臉圖像。神經(jīng)網(wǎng)絡(luò)分類器的目的是通過對大量人臉樣本和非人臉樣本的學(xué)習(xí)，確定一組模型參數(shù)，即權(quán)值被固定下來，即完成了訓(xùn)練，可進行檢測。 基于機器學(xué)習(xí)的人臉檢測方法在基于幾何特征的方法和基于模板的方法中，人臉的特征都是由專家預(yù)先定義好的，而在基于機器學(xué)習(xí)的方法中，人臉的特征或類別是利用統(tǒng)計分析和機器學(xué)習(xí)的技術(shù)從樣本中學(xué)習(xí)得來的。類似地，KLam 和 也用它進行頭部輪廓檢測。實驗證明，其提出的特征提取算法高效且魯棒性能好。旋轉(zhuǎn),每次旋轉(zhuǎn) 5176。Leung 等給出測試圖像，首先用一組多方向、多尺度的高斯濾波器提取特征。搜索時，將模板放在目標(biāo)預(yù)估位置附近，不斷調(diào)整參數(shù)使能量函數(shù)最小，使模型逐漸收斂于待定位的臉部特征。在模板匹配方法中，一個標(biāo)準(zhǔn)的人臉模板是手工預(yù)定義的模板或者通過函數(shù)的參數(shù)化進行定義的模板。3． 線性判別分析(LDA)線性判別分析(LDA, Linear/Fisher Discrimination Analysis)思想是將多維空間的樣本投影到一條直線上，形成一維特征空間。2. 獨立分量分析(ICA)從數(shù)學(xué)上講，獨立分量分析(ICA，Independent Component Analysis)是一種對多變量數(shù)據(jù)進行非正交線性坐標(biāo)變換的方法，坐標(biāo)軸的方向由可觀察到的混合數(shù)據(jù)的二階和高階統(tǒng)計信息確定，變換的目的是使變換后的變量間相互獨立。用于統(tǒng)計特征提取，從而形成子空間法模式的基礎(chǔ)。 基于代數(shù)特征的人臉檢測方法基于代數(shù)特征的人臉檢測方法，通常是將圖像空間的像素點變換到一個投影空間，用一定數(shù)量的基本圖像對人臉圖像進行線性編碼。在分析了足夠多的人臉圖像樣本基礎(chǔ)上，針對人臉圖像的灰度和邊緣信息，建立了一種較為完備的知識庫；為加快檢測速度，采用了多級檢測步驟。結(jié)構(gòu)化模型由一組不等式組成，而人臉則被定義為滿足這些不等式的區(qū)域。1. Yang 和 Huang 使用分層的基于知識的人臉檢測方法?；叶忍卣饕资芄庹沼绊戄^大，一般要采用預(yù)處理。他也是利用 SGLD 所表示的二序統(tǒng)計特性，在 16*16 的子圖像上計算紋理。由于噪聲的存在常引起邊緣不連續(xù)，再采用邊緣跟蹤器把屬于同一輪廓的邊緣連接起來，并通過約束搜索范圍防止邊緣跟蹤失誤。因而，多數(shù)研究者都是將膚色信息用于前期預(yù)處理，確定膚色區(qū)域后，在膚色區(qū)域中使用基于灰度特征的人臉檢測方法。 基于膚色特征的人臉檢測方法膚色是人臉的重要信息，不依賴于面部的細節(jié)特征，對于旋轉(zhuǎn)，表情等變化情況都適用，具有相對的穩(wěn)定性，并且和大多數(shù)背景物體的顏色相區(qū)別。第五章 系統(tǒng)構(gòu)建。 預(yù)期經(jīng)濟，社會，環(huán)境效益人臉識別技術(shù)對于維護國家安全和社會穩(wěn)定、打擊各類犯罪活動具有十分重大的意義。隨著第二代居民身份證換發(fā)工作的不斷深入，各地均積累了大量質(zhì)量優(yōu)良的第二代居民身份證數(shù)碼相片，利用此項圖片資源，結(jié)合人臉識別與圖像處理技術(shù)，我們可以對再次換證人員相片與數(shù)據(jù)庫里的相片進行精確比對。使用國際先進的人臉識別技術(shù)比對存檔圖像和待比對圖像是否相同可確定待驗人員和存檔人員是否為同一個人。如有網(wǎng)上通緝逃犯或者可疑人員提取現(xiàn)金，或破壞自動取款系統(tǒng)，系統(tǒng)將自動識別出來并立即自動報警。門禁系統(tǒng)，通過查驗?zāi)橙说挠行ёC件，辯明其身份，區(qū)分其級別，對其進行比對及驗證，決定其能否能進入特定區(qū)域；考勤系統(tǒng)，將員工出入控制，數(shù)據(jù)采集，信息查詢和考勤統(tǒng)計過程實現(xiàn)全面自動化管理。與剛體目標(biāo)不同，人臉是塑性變形體，任何基于剛體特性的特征抽取方法都很難達到滿意的效果。而普通人一般不具備對于指紋、虹膜的判別能力。第三階段——自動識別階段：在這一階段真正的實現(xiàn)了機器自動識別，人臉識別方法有了較大的突破，提出了多種機器全自動識別系統(tǒng)。 人臉識別國內(nèi)外研究現(xiàn)狀人臉識別的輸入圖像通常有三種情況：正面，傾斜和側(cè)面。近幾年隨著電子商務(wù)等應(yīng)用的發(fā)展, 人臉識別成為最有潛力的生物身份驗證手段，這種應(yīng)用背景要求自動人臉識別系統(tǒng)能夠?qū)σ话悱h(huán)境圖像具有一定的適應(yīng)能力, 由此所面臨的一系列問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視。人臉識別又分為特征提取和識別兩個部分。如：計算機不會疲勞，不會分心，無需受專業(yè)培訓(xùn)就能進行生物特征數(shù)據(jù)存儲，以及在指定范圍內(nèi)進行快速的照片搜索和身份判別，可以快速的進行照片的錄入，面部特征提取、分析，快速而準(zhǔn)確地判定一張照片的主人或數(shù)張照片是否為同一個人，也可在大量的照片數(shù)據(jù)中輕而易舉的找到需著重注意的重點人物。準(zhǔn)確的身份識別或認證是保證信息安全和公共安全的重用前提，人們對于既方便快捷又安全可靠的身份認證手段的需求日益迫切，而傳統(tǒng)身份認證方法（如鑰匙、證件、印鑒、磁卡等身份標(biāo)識物體或用戶名和密碼等身份標(biāo)識知識）已經(jīng)不能滿足當(dāng)前需要。人臉作為生物特征具有不易偽造、不會遺失、終身不變和隨身攜帶等優(yōu)點，與指紋、視網(wǎng)膜、虹膜、基因等其他人體生物特征識別系統(tǒng)相比，人臉識別系統(tǒng)更加直接、友好，使用者無任何心理障礙，是未來身份認證發(fā)展方向之一。人臉檢測是人臉識別系統(tǒng)首先需要解決的關(guān)鍵問題。自上世紀(jì) 90 年代后，人臉識別研究越來越受到國內(nèi)外學(xué)者的關(guān)注，也積累了大量的研究成果，提出了許多人臉識別技術(shù)方法。前者適用于構(gòu)造快速的人臉檢測和人臉跟蹤算法, 后者利用了人臉區(qū)別于其它物體的更為本質(zhì)的特征, 是人臉檢測領(lǐng)域研究的重點。如用幾何特征參數(shù)表示人臉正面圖像，以及利用歐氏距離提取人臉特征的統(tǒng)計識別方法。2. 采用非接觸式采集，沒有侵犯性，容易被接受。造成人臉檢測和識別的主要困難有：1. 具有外貌、膚色、表面粗糙度以及表情等模式的可變性，同時臉上可能存在眼鏡、胡須甚至傷痕等附屬物。將各種方法有效綜合是以后研究的必然趨勢。人臉識別系統(tǒng)所具備的高速自動識別能力很大程度上可以將公安、安全部門從以往的“人海戰(zhàn)術(shù)”中解脫了出來，大大提升了整個國家、社會的安全防范水平，從而達到威懾犯罪、懲治罪犯、維護社會穩(wěn)定、保障國家安全的目的。 機人臉識別認證系統(tǒng)我國勞動和社會保障事業(yè)在突飛猛進的發(fā)展，但由于法律法規(guī)及監(jiān)管制度不完善，很多地方存在著較嚴重的養(yǎng)老金冒領(lǐng)情況。公安及文化監(jiān)察中心對網(wǎng)吧推行了實名制。嵌入到硬件,做成與門禁設(shè)備相關(guān)產(chǎn)品。第二章 簡單介紹了人臉檢測的概念，基本原理，對目前存在的算法進行了比較分析，提出了結(jié)合膚色模型校驗和 Haar 特征級聯(lián)強分類器人臉檢測算法，并進行詳細介紹。目前，進行人臉檢測一般需要采用多種模式特征綜合的方法。目前，在已提出的基于膚色的人臉檢測方法中，分為三類：將膚色信息作為人臉檢測的核心方法；將膚色信息作為人臉檢測的前期處理方法；將膚色信息作為人臉檢測的后期驗證方法。常用的人臉結(jié)構(gòu)特征有：1. 邊緣和形狀特征人臉及人臉器官具有典型的邊緣和形狀特征，如人臉輪廓，眉毛邊沿，眼瞼輪廓等簡單的幾何單元。缺點是運算量很大，易受初始位置影響，對非凸形狀檢測效果不好，在變形，遮擋等干擾下易出錯。相應(yīng)的眼模板和嘴模板也經(jīng)常被使用。眉，眼，鼻和嘴等區(qū)域是按照一定比例關(guān)系組織在一起，兩眼和嘴中心構(gòu)成一個三角形。 2. Lin 等用正面人臉的雙眼和嘴，側(cè)面人臉的眼，嘴和耳之間呈三角形結(jié)構(gòu)特征，在圖像中可以檢測出正面，側(cè)面姿態(tài)的人臉。實驗結(jié)果表明其所采用的方法具有較高的準(zhǔn)確率(%)和光照魯棒性。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)。1．主分量分析(PCA)主分量分析(PCA，Principal Component Analysis)是多元統(tǒng)計分析中用來分析數(shù)據(jù)的一種方法。KL 變換從壓縮能量的角度看是最優(yōu)的，不僅使得降維后的均方誤差最小，變換后的低維空間有很好的人臉表達能力。人臉的許多重要信息隱含在圖像像素的高階統(tǒng)計關(guān)系中，ICA 方法可以更好的表示人臉視圖的局部特征。但卻忽略了同一個體由于光照、姿態(tài)等因素的不同而產(chǎn)生的類內(nèi)差異。利用此方法能檢測人臉的局部特征。(2) Craw 等人提出了一種基于正面人臉的形狀模板（也就是人臉的外形）定位方法。(4) Miao 等人提出了用于人臉檢測的層次模板匹配方法。(5) 梁路宏等人使用了直接的平均臉模板匹配方法?；顒虞喞Ｐ头ㄊ且粭l在外部約束力作用下的能量最小化樣條曲線，亦稱蛇形法(snakes method)。同時，固定模板對位姿，表情，尺度變化敏感。神經(jīng)網(wǎng)絡(luò)識別法的輸入是未知對象的特征向量或是將人臉直接用灰度圖(二維矩陣)表征，經(jīng)過不同層的傳播，產(chǎn)生一個輸出向量標(biāo)志著該未知對象屬于不同類別的可能性。因此，人們普遍利用了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)及分類能力，將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于人臉檢測中。該網(wǎng)絡(luò)實際上實現(xiàn)了對多幅人臉圖像的壓縮編碼(編碼信息同樣儲存在權(quán)值中),對人臉識別與生理分類均具有較高的準(zhǔn)確率。他們在 120 幅測試圖像上進行實驗，獲得%的錯誤拒識率和 %的錯誤接受率。Rowley 等對正面端正人臉和正面旋轉(zhuǎn)人臉的檢測單獨進行了研究。Carcia 等采用一個卷積神經(jīng)網(wǎng)絡(luò) CNN 結(jié)構(gòu)檢測人臉。但是它的缺點是需要大量的訓(xùn)練數(shù)據(jù)，且訓(xùn)練樣本比較充分才有可能得到較好的識別效果，否則對于變形，尺寸改變，光照改變等干擾不能很好的識別，并且它的有關(guān)參數(shù)常常只能依靠經(jīng)驗選取，因此這也是神經(jīng)網(wǎng)絡(luò)方法的瓶頸問題之一。SVM 在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，如泛化(generalization)性能好，無需先驗知識等。測試結(jié)果表明檢測率在 95%以上。但支持向量機仍有很多問題需要進一步研究解決。Schneiderman 和 Kanade 描述了基于局部外觀的連接概率和臉部位置的多尺度的 naive Bayes 分類器。Rickert 等也提出了應(yīng)用局部特征的連接統(tǒng)計模型的類似方法。訓(xùn)練 HMM 的目的是用標(biāo)準(zhǔn) Viterbi 分割和 BaumWelch 算法，通過調(diào)整 HMM 模型的參數(shù)，獲得訓(xùn)練數(shù)據(jù)的最大概率。對應(yīng)人臉的這五個部分構(gòu)造觀察向量，見圖 a，即將五官特征抽象為一個 HMM 的狀態(tài)序列。最后，基于最優(yōu)狀態(tài)序列和最大相似度進行人臉檢測。整個人臉檢測過程相當(dāng)于一個退化的決策樹。采用一個分類器逐漸復(fù)雜的多分類器級聯(lián)結(jié)構(gòu)大大提高了檢測速度，可達 15 幀/秒。0, khtttjthjj???????????其中，前兩個函數(shù)在整個區(qū)間上非零，其余函數(shù)為局部非零，并且局部化性質(zhì)隨著函數(shù)序號的增加而增強。圖 為 Viola 等人引用的人臉 Haar 特征，這些類 Haar 特征經(jīng)過平移，縮放后就可以檢測圖像中不同尺寸的相似結(jié)構(gòu)。,)xyii???式中， 表示原圖像在 處的積分圖像， 表示 處的原始(,)ixy (,)ixy(,)象素值。因此，對于一個矩形特征來說，其特征值只需通過簡單的加減運算在常量時間內(nèi)完成。1. 弱分類器圖 人臉 Haar 特征抽取圖示 如