【文章內(nèi)容簡(jiǎn)介】 畢業(yè)設(shè)計(jì)（論文）專用紙 1 第 1 章 緒 論 人臉檢測(cè)是指對(duì)于任意一 幅 給定的 圖像，采用一定的策略進(jìn)行搜索 來(lái) 確定其中是否含有人臉，如果是 ，就 返回 人 臉的位置、大小和姿態(tài)。 人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié) 。 隨著電子商務(wù) 等 應(yīng)用的發(fā)展，人臉識(shí)別成為最有潛力的生物身份驗(yàn)證手段，這種應(yīng)用背景要求自動(dòng)人臉識(shí)別系統(tǒng)能夠?qū)σ话銏D 像 具有一定的識(shí)別能力，由此所面臨的一系列問題使得人臉檢測(cè)開始作為一個(gè)獨(dú)立的課題受到研究者的重視。 現(xiàn)在 ，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、視頻檢測(cè)等方面有著重要的應(yīng)用價(jià)值。 課題 背景 人臉檢測(cè)問題最初來(lái)源于人臉 識(shí)別，任何一個(gè)自動(dòng)的人臉識(shí)別系統(tǒng)首先必須對(duì)人臉進(jìn)行準(zhǔn)確的定位，因此實(shí)時(shí)而有效的人臉檢測(cè)顯得尤為重要。跟其他生物特征識(shí)別方法相比，人臉識(shí)別具有更加直接、方便、友好的特點(diǎn)，因其非侵犯性更容易被用戶所接受。而且，通過對(duì)人臉的表情、姿勢(shì)等作分析，還能獲得其他識(shí)別系統(tǒng)難以獲得的信息，因此人臉識(shí)別成為最有潛力的生物身份驗(yàn)證手段。早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖像 (如無(wú)背景的圖像 )，因此假設(shè)人臉容易獲得或在手工交互下運(yùn)用，而人臉檢測(cè)問題并未得到重視。 近年來(lái)，隨著信號(hào)處理理論和計(jì)算機(jī)的出現(xiàn)及其發(fā)展，人們 開始用攝像機(jī)獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號(hào)，用計(jì)算機(jī)實(shí)現(xiàn)對(duì)視覺信息的處理，這就形成了計(jì)算機(jī)視覺。計(jì)算機(jī)視覺是當(dāng)前計(jì)算機(jī)科學(xué)中的一個(gè)非?；钴S的領(lǐng)域，其基本假設(shè)是：可以用計(jì)算的方式來(lái)模擬人類的視覺機(jī)制。 人臉的自動(dòng)識(shí)別是一種重要的生物特征識(shí)別技術(shù)，與其它身份識(shí)別方法相比，人臉識(shí)別具有直接、方便、友好等特點(diǎn)，因而人臉自動(dòng)識(shí)別問題的研究不僅具有重要的應(yīng)用價(jià)值，而且具有重要的理論意義?，F(xiàn)在，隨著科學(xué)技術(shù)和電子商務(wù)的發(fā)展，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、計(jì)算機(jī)視覺、人機(jī)交互等方面都有著重要的應(yīng)用價(jià)值。 畢業(yè)設(shè)計(jì)（論文）專用紙 2 人臉檢測(cè)的發(fā)展情況 人臉檢測(cè)是一個(gè)復(fù)雜的 極 具挑戰(zhàn)性的模式檢測(cè)，其主要的難點(diǎn)有兩方面 ： 一方面是由于人臉內(nèi)在的變化所引起： (1)人臉具有 很 復(fù)雜的細(xì)節(jié)變化，不同的外貌 特征 如臉形、膚色等，不同的表情如眼、嘴的開與閉等； (2)其他物體對(duì) 人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等；另外一方面由于外在條件變化所引起 ： (3)成像角度的不同 也能 造成人臉的多姿態(tài)，如平面內(nèi)旋轉(zhuǎn)、深度旋轉(zhuǎn)以及上下旋轉(zhuǎn)，其中深度旋轉(zhuǎn)影響較大； (4)光照的影響，如圖像中的亮度、 對(duì)比度的變化和陰影等 ； (5)圖像的成像條件，如攝像設(shè)備的焦距、成像距離，圖像獲得的途徑等等。 這些困難都為解決人臉問題造成了難度。如果能找到一些相關(guān)的算法并 使其 能在應(yīng)用過程中達(dá)到實(shí)時(shí)，將為成功構(gòu)造出具有實(shí)際應(yīng)用價(jià)值的人臉檢測(cè)系統(tǒng)提供保證 。 目前，國(guó)外對(duì)人臉檢測(cè)問題的研究 有 很多，比較著名的有 MIT,CMU 等；國(guó)內(nèi)的清華大學(xué)、北京工業(yè)大學(xué)、中科院計(jì)算所和自動(dòng)化所等都有人員從 事人臉檢測(cè)相關(guān)的研究。而且， MPEG7 標(biāo)準(zhǔn)組織已經(jīng) 成立 了人臉識(shí)別草案小組，人臉檢測(cè)算法也是一項(xiàng)征集的內(nèi)容。隨著人臉檢測(cè)研究的深入，國(guó)際上發(fā) 表的有關(guān)論文數(shù)量也 在 大幅度增長(zhǎng)，如 IEEE 的 FG、ICIP\CVPR 等重要國(guó)際會(huì)議上每年都有大量關(guān)于人臉檢測(cè)的論文，占有關(guān)人臉研究論文的 1/3 之多。由此可 見 世界 范圍的學(xué)者 對(duì)人臉檢測(cè)技術(shù)的重視。 畢業(yè)設(shè)計(jì)（論文）專用紙 3 第二章 人臉 檢測(cè) 的三類 方法 人臉檢測(cè)經(jīng)歷了較長(zhǎng)的發(fā)展過程，期間涌現(xiàn)出了很多的檢測(cè)方法：本文把人臉檢測(cè) 法方法分為以下三種： 基于知識(shí)的方法、基于特征的方法、基于模板匹配的方法。 當(dāng)然，有許多人臉檢測(cè)的方法并不能簡(jiǎn)單地歸于上述中的某一類，而是幾類的組合。也可以將人臉檢測(cè)的方法簡(jiǎn)單地分為兩類：基于特 征的和基于圖像的。基于特征的方法指以某種特征為最小處理單元的方法；基于圖像的方法指以圖像中的像素為處理單元的方法。 基于 知識(shí) 的 人臉檢測(cè)技術(shù) 基于知識(shí)的人臉檢測(cè)技術(shù)是將人臉面額器官之間的關(guān)系編碼準(zhǔn)則化的人臉檢測(cè)技術(shù) , 該技術(shù)是自頂向下 , 依據(jù)人臉面部器官的對(duì)稱性、 灰度差異等先驗(yàn)知識(shí) , 制定出一系列的準(zhǔn)則。當(dāng)圖像中的待測(cè)區(qū)有符合準(zhǔn)則的 , 則被檢測(cè)為人臉。 1994 年 Yang 等提出該技術(shù) , 他們利用 4 4 鑲嵌圖將人臉分塊 , 并根據(jù)每塊的灰度值制定準(zhǔn)則來(lái)進(jìn)行判定。 他們將系統(tǒng)分為三級(jí) , 利用不同精度的平均和二次采樣產(chǎn)生三級(jí)不同分辨率的圖像。針對(duì)不同分辨率的圖像采用不同的準(zhǔn)則進(jìn)行判定。如果在低分辨率圖像中 , 準(zhǔn)則主要體現(xiàn)人臉的大體輪廓。如果在高分辨率圖像中 , 準(zhǔn)備主要體現(xiàn)人臉的細(xì)節(jié)特征。隨后 , 盧春雨等對(duì)鑲嵌圖技術(shù)進(jìn)行了改進(jìn) , 按照人臉器官的自然分布將人臉劃分 3 3 個(gè)馬賽克塊 , 在檢測(cè)中自適應(yīng)地調(diào)整個(gè)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)準(zhǔn)則檢驗(yàn)待檢測(cè)區(qū)是否有人臉。姜軍等依據(jù)人臉的勝利結(jié)構(gòu)特征 , 在盧春雨等的 3 3 三分圖的基礎(chǔ)上 , 提出一種新的廣義幾何投影法 , 建立了 一個(gè)比較完備的人臉知識(shí)庫(kù) , 綜合使用灰度規(guī)則、 梯度規(guī)則和二值規(guī)則 , 從而拓寬了檢測(cè)算法的使用范圍 , 適合于復(fù)雜背景下的多人、 不同尺寸、人臉像基本為正面、 表情變化不是很大的人臉的檢測(cè)。這個(gè)方法 Kotropoulos 和 Pitas 提出了基于規(guī)則的定位方法。 用投影方式確定面部特征 , I(x, y)是 m n 圖像中 I(x, y)位置的灰度值 , 圖像的水平和垂直投影定義為 和 。通過在 HI 中的急劇變化檢測(cè)到兩個(gè)局部最小點(diǎn) , 它對(duì)應(yīng)于頭部的左右兩邊 , 獲 畢業(yè)設(shè)計(jì)（論文）專用紙 4 得輸入圖像的水平輪廓。類似地 , 獲得垂直的輪 廓 , 局部最小點(diǎn)的確定用于定位嘴唇、 鼻尖和眼睛。這些檢測(cè)到的特征組成了面部候選區(qū)。 基于特征的人臉檢測(cè)技術(shù) 基于特征的方法不僅可以從已有的面部特征而且可以從他們的幾何關(guān)系進(jìn)行人臉檢測(cè)。它與基于知識(shí)的方法相反。它是先利用各種手段尋找人臉的不變特征 , 然后綜合找到的不變特征來(lái)確定待檢測(cè)區(qū)域是否是人臉。面部不變特征 , 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)模型來(lái)描述特征之間的關(guān)系 , 并確定存在的人臉。 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)。彭進(jìn)業(yè)等人提出了一種在圖像的反對(duì)稱雙正交小波分解數(shù)據(jù)域中 , 實(shí)現(xiàn)多尺度對(duì)稱變換的方法 , 并將它應(yīng)用于臉部圖像中主要特征點(diǎn)的定位。王 延江等人提出了一種快速的彩色圖像中復(fù)雜背景下人臉檢測(cè)方法。其方法首先計(jì)算對(duì)彩色圖像中與人的膚色相似的像素進(jìn)行聚類和區(qū)域分割 , 然后利用小波分解對(duì)每一個(gè)候選區(qū)域進(jìn)行人臉特征分析 , 如所檢測(cè)到的區(qū)域特征分布與某一預(yù)先定義的人臉模型相似 , 則確認(rèn)該區(qū)域代表人臉。膚色也是人臉的重要信息 , 它不隨面部的細(xì)節(jié)和旋轉(zhuǎn)、 表情等變化而變化 , 具有相對(duì)穩(wěn)定性和大多數(shù) 畢業(yè)設(shè)計(jì)（論文）專用紙 5 背景物體的顏色相區(qū)別。因此有許多學(xué)者就基于膚色特征來(lái)進(jìn)行人臉的檢測(cè)。基于膚色特征的人臉檢測(cè)算法 , 通常首先對(duì)輸入的 RGB 圖像進(jìn)行三基色調(diào)整后轉(zhuǎn)換為 YCrCb 色彩空間圖像 , 將 YCrCb 圖像分割成膚色區(qū)域和非膚色區(qū)域 。 然后再對(duì)檢測(cè)到的膚色區(qū)域進(jìn)行形態(tài)學(xué)運(yùn)算 。 最后對(duì)膚色區(qū)域運(yùn)用知識(shí)和幾何特征進(jìn)行處理 , 得到完整的人臉區(qū)域。 基于模板匹配的人臉檢測(cè)技術(shù) 基于模板的方法可以分為兩類 : 預(yù)定模板和變形模板。預(yù)定模板方法首先制定出標(biāo)準(zhǔn)的模板 , 然后計(jì)算檢測(cè)區(qū)域和模板的相關(guān)值 , 當(dāng)相關(guān)值符合制定的準(zhǔn)則就判斷檢測(cè)區(qū)域?yàn)槿四槨Ｗ冃文０迨紫戎贫ǔ瞿０鍏?shù) , 然后根據(jù)檢測(cè)區(qū)域的數(shù)據(jù)對(duì)參數(shù)進(jìn)行修改直至收斂 , 以達(dá)到檢測(cè)出人臉面部器官位置的目的。 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?；谧畲筇荻茸兓崛≥斎雸D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 等提出了一種層次模板匹配的方法。首先 , 將輸入圖像從 20 度 到 +20 度 以 5 度 為步長(zhǎng)進(jìn)行旋轉(zhuǎn) , 以增強(qiáng)檢測(cè)傾斜人臉的性能。 然后使用 Laplace 算子進(jìn)行邊緣提取。 組合提取出的六個(gè)人臉器官 (兩個(gè)眉毛、 一雙眼睛以及鼻子和嘴 )的邊緣作為人臉模板。最后 , 應(yīng)用分級(jí)式的方法檢測(cè)人臉。 Cootes 等提出的主動(dòng)形狀模型 (Active Shape Models, ASM)和主動(dòng)表觀模型 (Active Appearance Models, AAM)是變形模板中經(jīng)典的兩種方法 , 現(xiàn)在很多學(xué)者仍以此為基礎(chǔ) , 進(jìn)行更加深入的挖掘和研究。上述兩種方法均是基于關(guān)鍵點(diǎn)分布模型 ( PDM)的 , 將人臉的幾個(gè)關(guān)鍵部位 (如眉毛、 眼睛、 鼻子、 嘴巴和臉頰 )用一系列的坐標(biāo)點(diǎn)來(lái)表示從而組成以坐標(biāo)向量為集合的訓(xùn)練集。對(duì) ASM 而言 , 將訓(xùn)練集中的向量對(duì)齊后 , 然后進(jìn)行 PCA 分析建模 , 得到相應(yīng)的主成分模型參數(shù) , 因而得到了物體形狀 畢業(yè)設(shè)計(jì)（論文）專用紙 6 的簡(jiǎn)化表示。在搜索新給圖像中的未知圖形時(shí) , 先獲得每個(gè)關(guān)鍵點(diǎn)將對(duì)應(yīng)的更佳位置 , 然后再進(jìn)行相似變換等操作 , 最后得到未知圖形中與訓(xùn)練集中相似形狀的關(guān)鍵點(diǎn)的位置。而對(duì) AAM 而言 , 則采用了形狀和紋理二者融合的統(tǒng)計(jì)約束 , 借鑒合成分析技術(shù) (ABS)的思想 , 通過模型參數(shù)的優(yōu)化調(diào)整使得模型能夠不斷逼近所要求的輸入模式。以上兩種方法多用于人臉檢測(cè)中的人臉配準(zhǔn) ( Face alignment) 和面部器官的精確定位。 畢業(yè)設(shè)計(jì)（論文）專用紙 7 第 3 章 人臉檢測(cè)的 經(jīng)典方法 人臉檢測(cè)的方法多于牛毛，基于各種數(shù)學(xué)模型的方法估計(jì)有近百種。本節(jié)簡(jiǎn)單描述了用于人臉檢測(cè)的幾個(gè) 經(jīng)典方法，以便管中窺豹，這幾個(gè)方法在人臉檢測(cè)歷史上都發(fā)揮過各自的作用。 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Network， ANN)方法是通過訓(xùn)練一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計(jì)信息隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)之中。在人工神經(jīng)網(wǎng)絡(luò)的方法中， Rowley的工作較為突出。 Rowley等提出基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)系統(tǒng)。他們的系統(tǒng)分為兩個(gè)階段：第一階段是基于神經(jīng)網(wǎng)絡(luò)的分類器。該分類器的輸入是規(guī)定尺寸的檢測(cè)區(qū)域，輸出為 l到． 1的數(shù)，由此來(lái)判斷檢測(cè)區(qū)域是否是人臉 (輸出接近 1為人臉，接近． 1為非人臉 )：第二階段是合并重復(fù)檢測(cè)并判別。由于訓(xùn)練樣本以及分類器等因素，在圖像中以人臉為中心的一定區(qū)域內(nèi)會(huì)產(chǎn)生重復(fù)檢測(cè)。 此階段使用了一個(gè)單層的神經(jīng)網(wǎng)絡(luò)對(duì)重復(fù)檢測(cè)進(jìn)行合井 ，并使用一個(gè)多層的神經(jīng)網(wǎng)絡(luò)對(duì)檢測(cè)結(jié)果進(jìn)行判決。以上所述方法局限性在于，僅能檢測(cè)正面垂直的人臉。1998年， Rowley等增加了一級(jí)神經(jīng)網(wǎng)絡(luò)用以檢測(cè)平面內(nèi)旋轉(zhuǎn)的人臉角度，在