【文章內容簡介】 將膚色信息作為人臉檢測的后期驗證方法。第一種方法對特定的應用場合檢測效果還可以，但如果圖像中非人臉部分含有和膚色相同顏色的目標時，這種方法進行人臉檢測就變得不可靠。將膚色信息作為后期驗證方法，可以提高檢測正確率，但完全沒有解決基于灰度檢測需要整體區(qū)域搜索，運算量大，時間長的問題。因而，多數(shù)研究者都是將膚色信息用于前期預處理，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。這樣就能明顯減少搜索空間，提高效率。 基于灰度特征的人臉檢測方法目前存在的基于灰度特征的人臉檢測方法可以分為五大類：基于知識的人臉檢測方法，基于代數(shù)特征的人臉檢測方法，基于模板的人臉檢測方法，基于機器學習的人臉檢測方法和基于級聯(lián)分類器的人臉檢測方法。 基于知識的人臉檢測方法基于知識的人臉檢測方法是根據人臉的結構特征知識，提取各種基本特征，然后根據一些知識規(guī)則確認圖像中是否包含人臉。特征是人們從人臉的表觀特征總結出來的先驗知識，并使用規(guī)則描述人臉的分布，顏色，紋理等特征，這些規(guī)則用來作為檢測的依據。常用的人臉結構特征有：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。利用這些特征可以定位人臉。圖 形狀特征模型通常采用 Sobel，Laplacian 和 Canny 等算子提取邊緣特征。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。Hough 變換也常用于提取人臉輪廓特征，并對噪聲有較好的適應性。應用 Snakes 模型和主動形狀模型能夠較好的抽取人臉的邊緣特征，但這些模型需要一個較好的初始位置。Snakes 方法是一種邊界檢測和圖像分割的方法，是一條由 n 個控制點組成的連續(xù)閉合曲線。Snakes 方法的優(yōu)點是可避免邊緣斷線的問題。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。2. 紋理特征人臉具有特定的紋理特征，如頭發(fā)，胡須等都可以用來區(qū)別于其他事物。如 Phillips 等人利用類似于人臉紋理的特征，來鑒別人臉是否存在。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。主要將紋理特征分為三種類型，包括：皮膚，頭發(fā)以及其他。他們用一個層級式相關神經網絡來監(jiān)督紋理的分類，再用一個自組織特性映射構成對應不同紋理類別的簇。由頭發(fā)和皮膚的紋理投票來標定整個人臉的紋理，并從紋理標簽來推斷人臉的存在。3. 灰度特征多個人臉圖像的平均就是一個簡單的人臉模板，可用于人臉檢測。相應的眼模板和嘴模板也經常被使用。人臉的眉，眼，嘴等區(qū)域的灰度值較低，前額，面頰，鼻梁和下頜等區(qū)域的灰度值較高，構成了明顯的灰度分布特征。對人臉區(qū)域分別在 X 和 Y 方向上對灰度值投影，根據極小點位置確定眼，鼻，嘴和臉頰邊界的位置，從而確定臉部的大概位置。灰度特征易受光照影響較大，一般要采用預處理。采用線性光照擬合和直方圖均衡的方法可以補償光照的影響。4. 結構特征人臉的對稱性也是十分有用的特征。正面人臉是左右對稱的，對應邊緣和灰度特征基本相同。各個器官也具有自身對稱性。眉，眼，鼻和嘴等區(qū)域是按照一定比例關系組織在一起，兩眼和嘴中心構成一個三角形。頭發(fā)的灰度和肩寬也可作為輔助特征。許多學者利用上述提到的人臉特征在基于知識的人臉檢測方法上做了大量研究。1. Yang 和 Huang 使用分層的基于知識的人臉檢測方法。提出了馬賽克方法，給出了基于人臉區(qū)域灰度分布的規(guī)則，依據這些規(guī)則對圖像從低分辨率到高分辨率進行篩選，以樣本滿足這些規(guī)則的程度作為檢測的依據，其采用分層次的的基于知識的方法進行人臉檢測，他們建立了一個三層檢測系統(tǒng)。第一層針對 44 的馬賽克圖像塊，根據相應的知識規(guī)則尋找人臉候選區(qū)域；第二層針對 88 的馬賽克圖像塊，也是根據知識規(guī)則從各候選區(qū)域中確定人臉區(qū)域；第三層在人臉區(qū)域內，采用改進的邊緣檢測算法進一步確定眼、嘴等器官的位置。這種方法的特點是用從粗到細的策略來減少所需要的計算。雖然它沒有很高的檢測率，但采用多分辨率分層的思想和指導搜索的規(guī)則已經用到后面的人臉檢測工作中。 2. Lin 等用正面人臉的雙眼和嘴，側面人臉的眼，嘴和耳之間呈三角形結構特征，在圖像中可以檢測出正面，側面姿態(tài)的人臉。3. Dai 等利用了基于空間灰度相關矩陣(SGLD)的參數(shù)特征來表示紋理特征，進行低分辨率的人臉檢測。輸入圖像首先利用顏色信息進行加強，然后由SGLD 矩陣得到慣量，倒數(shù)差分和相關特征等結構化特征，根據人臉的結構化模型，就可以找到人臉。結構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。4. Kotropoulos 和 Pitas 利用輸入圖像在水平及垂直方向上的灰度積分投影。確定可能的人臉特征（器官）位置，這些人臉特征所在區(qū)域也就是可能的臉部區(qū)域。然后根據眉毛/眼睛、鼻孔/鼻子、嘴的檢測規(guī)則對可能的臉部區(qū)域進行驗證。5. 李華勝等人提出通過區(qū)域增長從人臉圖像中分割出人臉，再利用邊緣檢測、Hough 變換、模板匹配和方差投影技術可以快速有效地提取出人臉面部器官，如眼睛、鼻子和嘴巴等特征。實驗結果表明其所采用的方法具有較高的準確率(%)和光照魯棒性。6. 姜軍等人提出了一種基于知識的快速人臉檢測方法。采用符合人臉生理結構特征的人臉鑲嵌圖模型。在分析了足夠多的人臉圖像樣本基礎上，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。實驗結果表明，其方法具有較強的魯棒性，能夠很好地解決復雜背景下的多人臉檢測問題。7. 盧春雨等人對鑲嵌圖方法進行了改進，按照人臉器官的分布將人臉劃分為 33 個馬賽克塊，在檢測中自適應地調整各塊的大小，使用一組基于各塊灰度和梯度統(tǒng)計特征的知識規(guī)則檢驗該區(qū)域是否為人臉，取得了較好的實驗結果?；谥R的人臉檢測方法很多，這里就不一一列舉?；谥R的人臉檢測方法簡單，直觀，檢測效果依賴于臉部特征的提取和預先定義的規(guī)則。由于灰度受光照的影響較大，一般應采用預處理技術。目前，基于知識的方法所存在的問題主要是：很難將人類知識轉換為明確定義的規(guī)則，如果規(guī)則是詳細的，由于不能通過所有的規(guī)則檢測可能失敗；如果規(guī)則太概括,可能會有較高的錯誤接受率，所以識別率不高，如果圖像背景中存在類人臉區(qū)域，則必然會導致誤檢測；對于不同視角的人臉，由于某些人臉特征不可見，所以不能使用這種方法檢測。且這種方法工作量大，運算時間長。 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。把給定的 像素*mn的訓練樣本集稱為空間域向量。這個基本的向量被映射到一個優(yōu)化的子空間。把子空間向量叫做變換域向量。此方法的目的就是尋找一種從空間域到變換域之間的最優(yōu)表示，并把這個優(yōu)化的向量叫做特征圖像。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)據的一種方法。它是一種用較少數(shù)量的特征對樣本進行描述以達到降低特征空間維度的方法，其基礎是 KarhunenLoeve 展開式，簡稱 KL。KL 變換是圖像壓縮中的一種最優(yōu)正交變換。用于統(tǒng)計特征提取，從而形成子空間法模式的基礎。如將子空間的正交基按照圖像陣列排列，可以看出這些正交基呈現(xiàn)人臉的形狀，因此這些正交基也被稱作特征臉(Eigenface)。如果選用 m 個較大特征值對應的正交基（也稱主分量） ，此方法稱為主分量分析方法。圖 ORL 人像數(shù)據庫的主分量Turk 和 Pentland 首先提出了基于 KL 的人臉識別方法。當重構圖像與原檢測區(qū)域的信噪比大于某一閾值時，該檢測區(qū)域被判決為人臉圖像。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。但缺點是需要作大量的預處理，以消除光照，表情，大小和角度等的影響。加入新的人臉時不能保證已有特征臉的通用性，有可能要重新計算特征臉。2. 獨立分量分析(ICA)從數(shù)學上講，獨立分量分析(ICA，Independent Component Analysis)是一種對多變量數(shù)據進行非正交線性坐標變換的方法，坐標軸的方向由可觀察到的混合數(shù)據的二階和高階統(tǒng)計信息確定，變換的目的是使變換后的變量間相互獨立。圖 ORL 人臉數(shù)據庫的獨立分量Bartlett 等首先運用 ICA 方法表示人臉，用一組統(tǒng)計獨立變量的線性組合來表示。與主分量分析方法類似，獨立分量分析也通過原始的樣本數(shù)據計算求得一個特征空間，之后將新的數(shù)據投影到這個特征空間，得到一組特征量，用于識別分類。與 PCA 方法不同，ICA 方法要求特征空間的各個分量間統(tǒng)計獨立。PCA 只考慮了模式的二階統(tǒng)計量，ICA 不僅考慮了模式的二階統(tǒng)計量，而且還分析了模式的高階統(tǒng)計量，ICA 的特點是變換后的特征量是獨立非正交的。人臉的許多重要信息隱含在圖像像素的高階統(tǒng)計關系中，ICA 方法可以更好的表示人臉視圖的局部特征。獨立分量分析是一種盲源分離技術，是基于信號的高階統(tǒng)計特性，分解出的分量是相互獨立的。此方法在特征值較少時識別率高于 PCA。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。在該直線上樣本的投影具有最佳可分性，即同類模式盡可能的密集，不同類模式盡可能分開。該方法實質上就是多維模式空間到一維特征空間的映射，利用類的成員信息形成一組特征向量，特征向量體現(xiàn)了不同的人臉變化，稱此特征空間為 fisherface。該方法以訓練樣本的類內散布矩陣與類間散布矩陣為基礎構造最優(yōu)投影空間。與 PCA 相比，LDA 更好地反映了不同人臉之間的差異性，即增加了類間差異。但卻忽略了同一個體由于光照、姿態(tài)等因素的不同而產生的類內差異。 基于模板的人臉檢測方法基于模板匹配的人臉檢測方法，是指從構造人臉或某個面部器官的模板（模型）出發(fā)，通過各種模板搜索與匹配算法，結合對于模板參數(shù)的調整，達到檢測和定位的目的?；谀０宓娜四槞z測算法又分為通用模板匹配算法和可變形模板匹配算法。在模板匹配方法中，一個標準的人臉模板是手工預定義的模板或者通過函數(shù)的參數(shù)化進行定義的模板。相關模板匹配方法是通過計算一個未知模式和一個固定的已知人臉模式之間的相似性，來判斷未知模式是否為人臉模式。這種方法的特點是實現(xiàn)起來比較簡單，但在很多場合并不適用。原因是人臉模式變化太大，一個固定的人臉模板無法對其充分描述，也不能有效的處理尺度，姿勢和形狀的變化。因此，人們提出了采用多個相關子模板（如眼睛模板，嘴巴模板等）等的人臉檢測方法。利用此方法能檢測人臉的局部特征。同時，人們又提出了采用可變模板來適應人臉模式的不同變化，通過使用參數(shù)化的曲線和曲面來對人臉上比較大的局部特征建模。2. 可變形模板匹配算法可變形模板法可以說是幾何特征方法的改進，其基本思想是：根據臉部特征的形狀特點設計參數(shù)可調的器官模型，即可變形模板，并設定一個相應的評價函數(shù)以度量被檢測區(qū)域與模型的匹配程度。搜索時，將模板放在目標預估位置附近，不斷調整參數(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。國內外很多學者研究了基于模板匹配的人臉檢測方法，主要有：(1) 早期的嘗試是 Sakai，Nagao 和 Fujibayashi 檢測照片中的前視人臉。他們使用了眼睛、鼻子、嘴巴和臉部輪廓的多個子模板進行人臉建模。首先將待檢測子圖像與輪廓模板匹配以確定人臉的候選位置，然后在候選的人臉位置將其與各子模板進行匹配，完成人臉檢測。這種方法的缺點在于不能有效處理尺度、姿勢和形狀的變化。(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。用 Sobel 濾波器提取邊緣，將邊緣組織在一起，根據幾個約束條件去搜索人臉模板。在頭輪廓定位以后，用相同的過程以不同的尺度重復定位眼睛、眼眉和嘴唇等特征。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。用五個特征（兩眼、兩鼻孔和嘴）來表示一個典型的臉。候選人臉通過用每一個特征的模板向量匹配來確定。(3) Govindaraju 等人提出兩個階段的人臉檢測方法。人臉模型根據邊緣定義的特征構成，這些特征描述了正面人臉的左邊、發(fā)際和右邊的曲線，人臉必須是垂直、無遮擋和正面的。(4) Miao 等人提出了用于人臉檢測的層次模板匹配方法。在第一階段，為了處理旋轉圖像，輸入圖像從20176?！?0176。旋轉,每次旋轉 5176。多分辨率圖像層次形成和邊緣提取使用 Laplacian 操作符。人臉模板通過六個人臉成分產生的邊緣組成：兩個眼眉、兩只眼睛、一個鼻子和一張嘴。最后應用啟發(fā)式確定人臉的存在。實驗結果表明在圖像含有單個人臉要比圖像中含有多個人臉的檢測效果好。(5) 梁路宏等人使用了直接的平均臉模板匹配方法。其方法考慮到眼睛在人類辨識人臉過程中的特殊作用，使用雙眼模板首先進行粗篩選，然后使用不同長寬比的人臉模板進行匹配，最后使用馬賽克規(guī)則進行驗證。(6) 周激流等人提出了一種全新的人臉臉部輪廓提取算法，即運用先驗模板及交替補償機制的方法提取臉部輪廓。實驗證明，其提出的特征提取算法高效且魯棒性能好。(7) Yullie 等人提出了基于彈性模板的方法，用于人臉特征的抽取。該方法通過定義一能量函數(shù)將輸入圖像