人臉識(shí)別技術(shù)研究背景與方法(編輯修改稿)
2025-07-03 00:52 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 表明,其方法具有較強(qiáng)的魯棒性,能夠很好地解決復(fù)雜背景下的多人臉檢測(cè)問(wèn)題。盧春雨等人對(duì)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(cè)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(shí)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?；谔卣鞯姆椒ú粌H可以從已有的面部特征而且可以從它們的幾何關(guān)系進(jìn)行人臉檢測(cè)。與基于知識(shí)的方法相反,它是尋找人臉的不變特征用于人臉檢測(cè)。人們已經(jīng)提出了許多先檢測(cè)人臉面部特征,后推斷人臉是否存在的方法。面部特征,如眉毛、眼睛、鼻子、嘴和發(fā)際,一般利用邊緣檢測(cè)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。基于特征的算法存在的問(wèn)題是,由于光照、噪聲和遮擋等使圖像特征被嚴(yán)重地破壞,人臉的特征邊界被弱化,陰影可能引起很強(qiáng)的邊緣,而這些邊緣可能使得算法難以使用。Sirohey 提出了從復(fù)雜的背景中分割人臉進(jìn)行人臉識(shí)別的定位方法。它使用邊緣圖和啟發(fā)式算法來(lái)去除和組織邊緣,而只保存一個(gè)邊緣輪廓,然后用一個(gè)橢圓擬合頭部區(qū)域和背景間的邊界。Graf 等人提出定位灰度圖像的面部特征和人臉的檢測(cè)方法。在濾波以后,用形態(tài)學(xué)的方法增強(qiáng)具有高亮度、含有某些形狀(如眼睛) 的區(qū)域。Leung 等人提出一種基于局部特征檢測(cè)器和任意圖匹配的概率方法,在復(fù)雜場(chǎng)景中定位人臉。其目標(biāo)是找到確定的面部特征的排列。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(lái)描述。Yow 和Cipolla 提出了一種基于特征的方法。在第一階段,應(yīng)用了二階微分Gaussian 濾波器,在濾波器響應(yīng)的局部最大點(diǎn)檢測(cè)感興趣的點(diǎn),指出人臉特征可能的位置。第二階段,檢查感興趣點(diǎn)周圍的邊緣并將它們組成區(qū)域。這種方法的優(yōu)點(diǎn)是可以在不同的方向和位姿上檢測(cè)人臉。Han 等人提出了一種基于形態(tài)學(xué)的技術(shù)進(jìn)行眼部分割進(jìn)而實(shí)現(xiàn)人臉檢測(cè)的方法。他們認(rèn)為眼睛和眼眉是人臉最突出和穩(wěn)定的特征,特別適合人臉檢測(cè)。Sakai 等人使用眼睛、鼻子、嘴和人臉輪廓等子模板建模,檢測(cè)照片中的正面人臉。每一個(gè)子模板按照線分割定義。基于最大梯度變化提取輸入圖像的線,然后與子模板匹配。計(jì)算子圖像和輪廓模板之間的相互關(guān)系去檢測(cè)人臉的候選區(qū)域,完成用其他子模板在候選區(qū)域的匹配。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(jù)幾個(gè)約束條件去搜索人臉模板。在頭輪廓定位以后,用相同的過(guò)程以不同的尺度重復(fù)定位眼睛、眼眉和嘴唇等特征。Govindaraju 等人提出兩個(gè)階段的人臉檢測(cè)方法。人臉模型根據(jù)邊緣定義的特征構(gòu)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(wú)遮擋和正面的。Miao 等人提出了用于人臉檢測(cè)的層次模板匹配方法。在第一階段,為了處理旋轉(zhuǎn)圖像,輸入圖像從 20176?！?0176。旋轉(zhuǎn),每次旋轉(zhuǎn)5176。多分辨率圖像層次形成和邊緣提取使用Lapla2cian 操作符。人臉模板通過(guò)六個(gè)人臉成分產(chǎn)生的邊緣組成:兩個(gè)眼眉、兩只眼睛、一個(gè)鼻子和一張嘴。最后,應(yīng)用啟發(fā)式確定人臉的存在。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。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(shí)人臉過(guò)程中的特殊作用,使用雙眼模板首先進(jìn)行粗篩選,然后使用不同長(zhǎng)寬比的人臉模板進(jìn)行匹配,最后使用馬賽克規(guī)則進(jìn)行驗(yàn)證。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(yùn)用先驗(yàn)?zāi)０寮敖惶嫜a(bǔ)償機(jī)制的方法提取臉部輪廓。實(shí)驗(yàn)證明,其提出的特征提取算法高效且魯棒性能好。模板匹配中的模板是由專家預(yù)定義的,與模板匹配中的方法不同,基于外觀方法中的“模板”是從圖像中的樣本學(xué)習(xí)的。通常,基于外觀的方法依靠統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)技術(shù)找到相應(yīng)的人臉和非人臉圖像的特征。學(xué)習(xí)的特征由分布模型或判別函數(shù)形成,用于人臉檢測(cè),同時(shí),由于計(jì)算效率和檢測(cè)有效性的原因通常需要降維。許多基于外觀的方法可以被理解為概率結(jié)構(gòu)。從圖像中提取的特征向量可以看作是一個(gè)任意的變量x ,此隨機(jī)變量通過(guò)類條件概率密度函數(shù)p (x| face) 和p (x| non face) 描述人臉和非人臉。可以用Bayesian 分類器或最大似然函數(shù)將一個(gè)候選圖像位置分類為人臉或非人臉。不幸的是,x 的高維度使簡(jiǎn)單實(shí)現(xiàn)Bayesian 分類器是不可行的,因?yàn)閜 (x| face) 和p (x| nonface) 是多峰的, p (x| face) 和p (x| non face) 是否存在自然參數(shù)化的形式還不清楚。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) 。在這方面人們主要研究了特征臉(Eigenfaces)方法和基于分布的方法(Distribution2based Methods)用于人臉檢測(cè)。特征臉(Eigenfaces)技術(shù)是用于人臉檢測(cè)和識(shí)別及其他涉及人臉處理(例如人臉跟蹤)的一種方法。KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過(guò)KL變換后得
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1