【文章內(nèi)容簡(jiǎn)介】 統(tǒng)計(jì)的方法對(duì)人臉進(jìn)行建模，比較所有可能的待檢測(cè)區(qū)域和人臉模型的匹配度，得到可能存在的人臉。 人臉檢測(cè)問題包含的內(nèi)容十分廣泛，從不同的角度有不同的分類方法。從圖 像所包含的色彩信息來分類，可以分為灰度圖像和彩色圖像的人臉檢測(cè)。 在灰度圖像中由于只包含 256 級(jí)灰度，一般可以使用邊緣檢測(cè)和輪廓提取的方法來檢測(cè)人臉，而彩色圖像中包含了膚色、唇色等色彩信息，所以可以使用基于膚色的方法進(jìn)行檢測(cè)。根據(jù)圖像背景的復(fù)雜程度來分，可以分為簡(jiǎn)單背景下的人臉檢測(cè)和復(fù)雜背景下的人臉檢測(cè)。簡(jiǎn)單背景即背景比較單一，和人臉的相似程度較小比較容易區(qū)分。而復(fù)雜背景是指背景并不確定，并且背景中可能包含了和人臉相似的特征，正是由于這點(diǎn)在復(fù)雜背景下做人臉檢測(cè)往往會(huì)導(dǎo)致誤檢。按照?qǐng)D像的類型來分，可分為靜態(tài)圖像的人臉檢測(cè)和視頻序列的人臉檢測(cè)。對(duì)于靜態(tài)圖像中的人臉檢測(cè)研究者們 側(cè)重于解決當(dāng)多個(gè)人臉同時(shí)出現(xiàn)在一副靜態(tài)圖像中時(shí)，如何能夠都檢測(cè)出來，降低漏檢率。而對(duì)于視頻序列中的人臉檢測(cè)，研究者們更側(cè)重于檢測(cè)速度的提高，以適應(yīng)實(shí)時(shí)的要求。我們可以采用如何利用上述各種特征信息的方式，將人臉檢測(cè)分為兩類。第一類是基于特征分析的方法，這類方法直接利用現(xiàn)有的人臉信息，在提取一些低層次特征的基礎(chǔ)上再對(duì)圖像進(jìn)行基于知識(shí)的分析以進(jìn)行人臉檢測(cè)，人臉的一些明顯的信息，如膚色和面部器官的幾何分布在系統(tǒng)的不同層次被利用起來。第二類是指基于整體的方法。它主要采用了模式識(shí)別領(lǐng)域的一些進(jìn)展，將人臉區(qū)域看作是一類模 式，即模板特征，使用大量的人臉與非人臉樣本訓(xùn)練構(gòu)造分類器，通過判別圖像中所有可能區(qū)域?qū)儆谀念惸Ｊ降姆椒▽?shí)現(xiàn)人臉的檢測(cè)，實(shí)際上人臉檢測(cè)問題被轉(zhuǎn)化為統(tǒng)計(jì)模式識(shí)別的二分類問題。基于特征分析和統(tǒng)計(jì)方法這兩大類別，對(duì)人臉檢測(cè)的主要方法進(jìn)行介紹： 2． 1． 1基于特征分析的人臉檢測(cè)方法 基于特征分析的方法中主要有基于輪廓對(duì)稱性的人臉檢測(cè)方法、基于局部特 征的人臉檢測(cè)方法、膚色區(qū)域分割與人臉驗(yàn)證結(jié)合法和基于模板匹配的人臉檢測(cè)方法，下面對(duì)這幾種方法進(jìn)行概要介紹。 基于輪廓對(duì)稱性的人臉檢測(cè)方法 這種方法是利用人臉輪廓的對(duì)稱 性【 18】特征來進(jìn)行人臉檢測(cè)的，主要思想是 首先對(duì)人臉輪廓或人臉各個(gè)器官輪廓進(jìn)行檢測(cè)，然后驗(yàn)證它們之間是否滿足對(duì)稱性關(guān)系。在這類算法中 Zabrodsky 提出了連續(xù)對(duì)稱性檢測(cè)方法，檢測(cè)一個(gè)圓形區(qū)域的對(duì)稱性，從而確定是否為人臉。為了描述物體的點(diǎn)對(duì)稱性，有學(xué)者提出了廣義對(duì)稱變換方法，用檢測(cè)局部對(duì)稱性強(qiáng)的點(diǎn)來進(jìn)行人臉器官定位。它只考察人眼中心點(diǎn)的強(qiáng)對(duì)稱性和臉部特征的幾何分布，對(duì)人臉偏轉(zhuǎn)、表情變化、光照變化等條件不敏感，因而具有較好的魯棒性。但計(jì)算量很大，而且只利用了各點(diǎn)的對(duì)稱性，易產(chǎn)生大量的候選點(diǎn)，使定位精度受到影響 。 基于局部特征的人臉檢測(cè)方法 該方法注重檢測(cè)人臉的五官輪廓特征以及它們之間的位置關(guān)系。例如人的兩 個(gè)眼睛總是對(duì)稱的分布在人臉的上半部分，鼻子和嘴唇中心點(diǎn)的連線基本與兩眼之間的連線垂直等。于是可以利用一組描述人臉的局部特征分布的規(guī)則來進(jìn)行人臉檢測(cè)。這些規(guī)則可以表述為人臉局部特征 ll9J 之間的相對(duì)距離和位置關(guān)系，當(dāng)滿足這些規(guī)則的圖像區(qū)域找到后，則認(rèn)為一幅人臉已經(jīng)被檢測(cè)出來，然后可以對(duì)候選的人臉區(qū)域進(jìn)行進(jìn)一步驗(yàn)證，以確定候選區(qū)域是否包含人臉。該方法所面臨的問題是，由于圖像噪聲等因素的影響，造成人臉局部特征不 明顯，使得根據(jù)局部特征組合來判斷人臉的算法失效，從而產(chǎn)生誤檢和漏檢。 膚色區(qū)域分割與人臉驗(yàn)證結(jié)合法 對(duì)于彩色圖像的人臉檢測(cè)，首先可以建立一個(gè)合適的膚色模型 20‘ 21】進(jìn)行膚色檢測(cè)。在檢測(cè)出區(qū)域后，需要進(jìn)一步的合并篩選，這可根據(jù)它們?cè)谏壬系南嗨菩院涂臻g上的相關(guān)性合并篩選出可能的面部區(qū)域，同時(shí)利用區(qū)域的幾何特征或灰度特征驗(yàn)證候選區(qū)域是否為人臉，以排除其它色彩類似膚色的物體。區(qū)域分割與驗(yàn)證在很多方法中是密切結(jié)合、統(tǒng)一考慮的。 在通常情況下，僅根據(jù)膚色像素的聚積特性就可完成區(qū)域的連通分割。 Yoo等利用膚色像素 的連通性分割出區(qū)域，使用橢圓擬合各個(gè)區(qū)域，根據(jù)橢圓長(zhǎng)短軸的比率判斷其是否為人臉。Cai等根據(jù)膚色模型提供的像素的似然度，采用從局部最大值處逐漸擴(kuò)展的方法得到膚色區(qū)域，然后使用灰度平均臉模板匹配的方法驗(yàn)證區(qū)域內(nèi)是否有人臉。 基于模板匹配的人臉檢測(cè)方法 模板匹配方法的思想是計(jì)算測(cè)試樣本與參考模板之間的相似度，以其是否大 于閾值來判斷測(cè)試樣本是否為人臉。模板分固定模板田 1和可變模板瞄。 24j兩種。固定模板實(shí)現(xiàn)簡(jiǎn)單，但由于人臉特征變化大，難以較好的反映人臉的共性，檢測(cè)精度低，適應(yīng)性不強(qiáng)，目前已很少使用，不過有些 方法仍用作人臉的預(yù)處理和粗檢?？勺兡０迨窃谀０嬷邪恍┓谴_定的因素，根據(jù)測(cè)試樣本的具體條件，自適應(yīng)地調(diào)整匹配模板，以提高模板的適應(yīng)性和檢測(cè)精度。下面分別介紹固定模板和可變模板。固定模板，這種方法是將人臉用一組獨(dú)立的器官模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板以及下巴模板等，通過檢測(cè)這些器官模板來定位人臉。有研究者利用基于模版的方法來定位眼睛的位置，把標(biāo)準(zhǔn)的眼睛模板調(diào)整為 5 個(gè)不同的尺寸，然后再輸入圖像中尋找眼睛。這種固定的模板匹配的方法比較容易實(shí)現(xiàn)，但也存在著一些缺點(diǎn)，比如傳統(tǒng)的邊緣描述往往很難獲 得較高可靠度的連續(xù)邊緣，尤其是眼睛和嘴巴與周圍皮膚的對(duì)比度較低，有些地方甚至連邊緣都檢測(cè)不到，即使獲得了可靠度高的邊緣，也很難從中提取出所需的特征量。另外，人臉的特征受表情、姿勢(shì)、旋轉(zhuǎn)等因素影響很大，對(duì)于每一個(gè)模式類，選擇一個(gè)好的模板和確定一個(gè)恰當(dāng)?shù)钠ヅ錅?zhǔn)則是困難的。很難設(shè)計(jì)一種通用的模板方法來表征人臉的共性。早期的系統(tǒng)采用這種方法，目前己不多見。 可變形模板是為了改進(jìn)固定模板匹配方法的缺點(diǎn)而提出的。該方法首先制定 出模板參數(shù)并且定義一個(gè)能量函數(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，此時(shí)的能量函數(shù) 為最小化的能量函數(shù)，而此時(shí)的模板參數(shù)將被作為器官的幾何特征。能量函數(shù)要根據(jù)圖像的灰度信息，被檢測(cè)物體輪廓等先驗(yàn)知識(shí)來設(shè)計(jì)。當(dāng)用可變形模板進(jìn)行人臉檢測(cè)時(shí)，首先，可變形模板在待檢測(cè)圖像中移動(dòng)，并動(dòng)態(tài)地調(diào)整其參數(shù)，計(jì)算能量函數(shù)。當(dāng)能量函數(shù)達(dá)到最小值時(shí)，根據(jù)其位置和參數(shù)決定的可變形模板形狀應(yīng)該達(dá)到與人臉的最佳擬合，這樣就檢測(cè)到～幅人臉。利用變形模板進(jìn)行人臉檢測(cè)的優(yōu)點(diǎn)在于：由于模板可調(diào)，能夠檢測(cè)不同大小，具有不同旋轉(zhuǎn)角度的物體。但其缺點(diǎn)也相當(dāng)明顯，就是檢測(cè)前必須根據(jù)待檢測(cè)物體的形狀來設(shè)計(jì)彈性模板的輪廓，否則會(huì)影響收斂 的結(jié)果。當(dāng)圖像進(jìn)行全局搜索時(shí)，由于要?jiǎng)討B(tài)地調(diào)整參數(shù)和計(jì)算能量函數(shù)，計(jì)算時(shí)間會(huì)很長(zhǎng)。 2． 1． 2基于統(tǒng)計(jì)的人臉檢測(cè)方法 基于統(tǒng)計(jì)的人臉檢測(cè)方法有基于概率模型的人臉檢測(cè)方法、基于神經(jīng)網(wǎng)絡(luò)的 人臉檢測(cè)方法和基于支持向量機(jī)的人臉檢測(cè)方法，對(duì)這幾種方法也做以下概述。 基于概率模型的人臉檢測(cè)方法 基于概率模型的方法是計(jì)算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁?yàn)概率，根據(jù)此 概率對(duì)所有可能的圖像窗口進(jìn)行判別。 Schneiderman 等提出一種基于后驗(yàn)概率估計(jì)的人臉檢測(cè)方法，該方法利用貝葉斯原理將后驗(yàn)概率估計(jì)轉(zhuǎn)化為一個(gè)似然度求解 問題，將難以估計(jì)的先驗(yàn)概率和后驗(yàn)概率用一個(gè)比率參數(shù)代替，作為調(diào)節(jié)檢測(cè)器敏感度的參量。 Schneiderman等采用 64*64像素的模式區(qū)域，將其分為 16個(gè)子區(qū)域，通過子區(qū)域獨(dú)立性等假設(shè)降低“人臉”與“非人臉”模式分布表達(dá)式的復(fù)雜性，最后轉(zhuǎn)化為稀疏編碼的直方圖，通過計(jì)算訓(xùn)練樣本的頻度求得兩種模式的概率分布。 Schneiderman 等還將概率估計(jì)的方法用于檢測(cè)正面旋轉(zhuǎn)人臉和側(cè)面人 臉，同時(shí)使用多分辨率信息復(fù)用和由粗到精搜索的策略提高檢測(cè)的速度。屬于這一類的還有 Webert25J 等提出的視點(diǎn)不變性學(xué)習(xí) (ViewpointInvariant Learning)的方法等。另一種概率模型是用于描述信號(hào)統(tǒng)計(jì)特性的隱馬爾可夫模型 (Hidden MarkovModels． HMM)，目前也被應(yīng)用于人臉檢測(cè)和識(shí)別。 Nefianl261等根據(jù)正面人臉由上到下各個(gè)區(qū)域 (頭發(fā)、額頭、雙眼、鼻子、嘴 )具有自然不變的順序這一事實(shí)，使用一個(gè)包含五個(gè)狀態(tài)的一維連續(xù) HMM 加以表示。將頭部圖像按照這五個(gè)區(qū)域劃分為互有重疊的條塊，對(duì)各塊進(jìn)行 KL 變換，選取前若干個(gè)變換系數(shù)作為觀測(cè)向量訓(xùn)練。 Nefian 等還提出了基于嵌入式 HMM 的人臉檢測(cè)算法，該方法 同時(shí)考慮到人臉由左到右各個(gè)特征的自然順序，使用了二維HMM并且采用二維 DCT變換的系數(shù)作為觀察向量。此外還有 Meng[2‘ 7】等使用 HMM描述人臉的小波特征中不同級(jí)間的相關(guān)性等方法。基于 HMM的方法一般只使用人臉樣本進(jìn)行訓(xùn)練，主要針對(duì)人臉識(shí)別的頭肩部圖像。 基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)方法 神經(jīng)網(wǎng)絡(luò) 128】具有記憶功能，當(dāng)訓(xùn)練樣本比較全面時(shí)，神經(jīng)網(wǎng)絡(luò)可以處理比較 復(fù)雜的檢測(cè)問題，所以許多檢測(cè)算法采用神經(jīng)網(wǎng)絡(luò)方法。人臉模式、眼睛模式和嘴巴模式等都具有較明顯的特點(diǎn)，因此可以采用神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。 神經(jīng)網(wǎng)絡(luò)方法能 夠適應(yīng)較為復(fù)雜的人臉檢測(cè)，準(zhǔn)確性也較高，所以使用神經(jīng) 網(wǎng)絡(luò)進(jìn)行人臉檢測(cè)的算法比較多。但是，由于人臉屬于高維矢量