人臉識別技術研究背景與方法(編輯修改稿)
2025-07-03 00:52 本頁面
【文章內(nèi)容簡介】 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。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3 3 個馬賽克塊,在檢測中自適應地調(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?；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系進行人臉檢測。與基于知識的方法相反,它是尋找人臉的不變特征用于人臉檢測。人們已經(jīng)提出了許多先檢測人臉面部特征,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,一般利用邊緣檢測器提取,根據(jù)提取的特征,建立統(tǒng)計模型描述特征之間的關系并確定存在的人臉。基于特征的算法存在的問題是,由于光照、噪聲和遮擋等使圖像特征被嚴重地破壞,人臉的特征邊界被弱化,陰影可能引起很強的邊緣,而這些邊緣可能使得算法難以使用。Sirohey 提出了從復雜的背景中分割人臉進行人臉識別的定位方法。它使用邊緣圖和啟發(fā)式算法來去除和組織邊緣,而只保存一個邊緣輪廓,然后用一個橢圓擬合頭部區(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方法。在濾波以后,用形態(tài)學的方法增強具有高亮度、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器和任意圖匹配的概率方法,在復雜場景中定位人臉。其目標是找到確定的面部特征的排列。典型的人臉用五個特征(兩只眼睛、兩個鼻孔和鼻子與嘴唇的連接處) 來描述。Yow 和Cipolla 提出了一種基于特征的方法。在第一階段,應用了二階微分Gaussian 濾波器,在濾波器響應的局部最大點檢測感興趣的點,指出人臉特征可能的位置。第二階段,檢查感興趣點周圍的邊緣并將它們組成區(qū)域。這種方法的優(yōu)點是可以在不同的方向和位姿上檢測人臉。Han 等人提出了一種基于形態(tài)學的技術進行眼部分割進而實現(xiàn)人臉檢測的方法。他們認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。Sakai 等人使用眼睛、鼻子、嘴和人臉輪廓等子模板建模,檢測照片中的正面人臉。每一個子模板按照線分割定義?；谧畲筇荻茸兓崛≥斎雸D像的線,然后與子模板匹配。計算子圖像和輪廓模板之間的相互關系去檢測人臉的候選區(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。Govindaraju 等人提出兩個階段的人臉檢測方法。人臉模型根據(jù)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。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Lapla2cian 操作符。人臉模板通過六個人臉成分產(chǎn)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結果好。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。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。模板匹配中的模板是由專家預定義的,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習的。通常,基于外觀的方法依靠統(tǒng)計分析和機器學習技術找到相應的人臉和非人臉圖像的特征。學習的特征由分布模型或判別函數(shù)形成,用于人臉檢測,同時,由于計算效率和檢測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構。從圖像中提取的特征向量可以看作是一個任意的變量x ,此隨機變量通過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?？梢杂肂ayesian 分類器或最大似然函數(shù)將一個候選圖像位置分類為人臉或非人臉。不幸的是,x 的高維度使簡單實現(xiàn)Bayesian 分類器是不可行的,因為p (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。特征臉(Eigenfaces)技術是用于人臉檢測和識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KL變換后得
環(huán)評公示相關推薦
鄂ICP備17016276號-1