【文章內容簡介】 每個膚色區(qū)域是否為人臉區(qū)域。首先計算每一塊膚色區(qū)域中膚色像素的坐標均值和協(xié)方差： ??? Ni iXN 11? （ ） TNiTiXiXNC ???? ??11 （ ） N是區(qū)域的膚色像素點總數(shù)， Xi為各像素點坐標向量。根據(jù)橢圓面積準側 214llNSe ?? ( 21,ll 為橢圓軸長 )，若檢測區(qū)域的面積 Se 的值超過閾值，則該區(qū)域包含人臉。 基于啟發(fā)式模型的方法 該方法首先抽取幾何形狀、灰度、紋理等特征，然后檢驗他們是否符合人 臉的先驗知識，利用較少的特征實現(xiàn)較高的檢測速度，實現(xiàn)實時檢測與跟蹤。但是想進一步提高知識模型的適應能力，需要綜合更多的特征，實際上涉及到了圖像理解這一困難的問題，這是此類方法進一步發(fā)展遇到的主要障礙。 基于啟發(fā)式模型的人臉檢測方法進一步又可以分為基于知識和基于局部特征的檢測策略。 基于知識的方法 該方法是首先定位候選人臉區(qū)域，然后再通過人臉的先驗知識來檢驗人臉是否存在。人臉器官的關系可以總結為一些規(guī)律。例如，人眼對稱出現(xiàn)在人臉上，鼻子和嘴巴中心的連線垂直于人眼的連線，等等。于是，可以利用一組描述 人臉的局部特征分布的規(guī)則來進行人臉檢測 (人臉局部特征之間的相對距離和位置關系 )，如果圖像滿足這些規(guī)律，則存在人臉區(qū)域。 Yang 等 ]9[ 提出了基于鑲嵌圖 (馬賽克圖 )的人臉檢測方法，將人臉的五官區(qū)域分別劃分為不同解析度的馬賽克塊，使用一組規(guī)則進行檢驗，并利用邊緣特征進一步驗證。他們利用分層的策略來檢測人臉，系統(tǒng)共分三層，首先最高一層的規(guī)則描述的是人臉整體應該滿足的條件，而下層規(guī)則側重與人臉的細節(jié)應滿足的條件。 基于知識的方法所存在的 主要問題是： (1)識別率不高，如果圖像背景存在類人臉區(qū)域，則必然導致誤檢； (2)該方法沒有給出如何確定最恰當?shù)娜四樜恢玫姆椒ǎ?(3)對于不同角度的人臉，由于某些特征不可見，所以不能用這種方法檢測； (4)用與描述人臉特征之間的關系規(guī)則不易設計，規(guī)則制定過高或者過低會造成識別失敗。 基于局部特征的方法 人臉存在一些固有的特征，使得人們能夠在不同的環(huán)境、姿態(tài)下也能發(fā)現(xiàn)人臉。這個方法就是先要找到固定的人臉特征，然后搜索到人臉。但是該方法面臨的主要問題是由于圖像噪聲、光照、陰影等原因破壞，弱化的局部特征 ，導致該算法失效。 ChinChuan Han等 ]10[ 則研究了利用形態(tài)學預處理方式實現(xiàn)人臉快速檢測的算法。這個檢測系統(tǒng)分成三個主要步驟： (1)在原始圖像中采用諸如閉運算、或或運算等形態(tài)學操作定位眼睛近似物像素的位置，然后用標記過程產生眼睛近似物分段。 (2)利用眼睛近似物分段來指導搜索潛在的人臉區(qū)域。 (3)人臉區(qū)域驗證。將所有候選人臉區(qū)域正規(guī)化，輸入到一個訓練過的 BP網(wǎng)絡用于鑒別人臉。 基于模板的方法 首先建立一 個標準人臉模板，由包含局部人臉特征的子模板構成，然后對輸入圖像進行全局搜索，通過預先設置的閾值來判斷該圖像窗口中是否包含人臉 ]11[ 。 固定模板的方法簡單，容易實現(xiàn)，但是也存在缺點： (1)圖像噪聲對檢測結果影響很大，需要對輸入圖像作適當預處理。 (2)模板大小人為設定，不能動態(tài)地檢測眼睛的位置。 基于統(tǒng)計模型方法 由于精確描述人臉特征具有一定困難，因此另一類方法 —— 基于統(tǒng)計模型的方法越來越受到重視。此類方法將人臉區(qū)域看作一 類模型，即模板特征，使用大量的人臉與非人臉樣本訓練并構造分類器，通過判別圖像中所有可能區(qū)域屬于哪類模板的方法實現(xiàn)人臉檢測。在這個方法里，人臉檢測問題實際上轉化為統(tǒng)計模式識別的二分類問題。它不依賴與人臉的先驗知識和參數(shù)模型，避免不精確或者不完整的知識造成的誤判，并且采用了實例學習的方法獲取模型參數(shù)，統(tǒng)計意義上更為可靠，同時它可以通過增加學習的實例擴充檢測模型范圍，提高檢測的魯棒性，因此，基于統(tǒng)計模型的方法目前比較流行。這類方法基本分為： (1)基于特征空間的方法 ]12[ ：將人臉區(qū)域圖像變換到某一特征空間，根據(jù)其在特征空間中的分布規(guī)律劃分人臉和非人臉兩類模式。 (2)基于人工神經網(wǎng)絡的方法 ]15,14,13[ ：這是一種重要的機器學習方法，將人臉這類復雜的、難以描述的模式的統(tǒng)計特性隱含在人工神經網(wǎng)絡 (ANN)的結構和參數(shù)之中。 (3)基于概率模型的方法：一種基于貝葉斯判別準則的方法，它的思路是計算輸入圖像區(qū)域屬于人臉模式的后驗概率，據(jù)此對所有可能的圖像窗口進行判別。 (4)基于 支持向量機的方法 ]16[ ：支持向量機 (SVM， Support Vector Machines)是 Vapnik等提出的基于結構風險最小化原理的統(tǒng)計學習原理，用于分類與回歸問題。 Osuna等將 SVM方法用于人臉檢測，取得了較好的實驗結果，該方法的基本思路是對每一個 1919? 像素的檢測窗口使用 SVM進行分類，以區(qū)別“人臉”和“非人臉”窗口。 人臉跟蹤的方法 人臉跟蹤進行動態(tài)人臉信息處理的第一個環(huán)節(jié)，在視頻會議、可視電話、人工智能交互等方面有著重要的應用價值。與人臉檢測不同，人臉跟蹤是指在視頻或者圖像序列中確定某個人臉的運動軌跡及大小變化的過程。它的挑戰(zhàn)性來自于兩個方面：一是魯棒性。由于人臉運動的不規(guī)則性、場景的復雜性，使得人臉跟蹤的難度加大；另一個就是實時性。人臉跟蹤處理的較多的是視頻序列，這就要求人臉跟蹤算法需要具有較高的運算效率 ]17[ 。 在計算機視覺領域，人臉跟蹤研究是運動目標跟 蹤研究的一個分支問題，然而二者在算法上又存在較多交叉之處。例如在視頻圖像運動目標的提取過程中運用的光流法、背景減除法、時域差分等方法均可應用到人臉跟蹤上。根據(jù)跟蹤的方法，人臉的跟蹤算法可以分為三類：一、基于特征檢測方法的人臉跟蹤；二、基于模型的人臉跟蹤；三、基于貝葉斯濾波方法的跟蹤。 基于特征檢測方法的人臉跟蹤 基于人臉局部特征的跟蹤方法主要思想是根據(jù)不同的人臉器官特征信息進行器官跟蹤，這類方法經常利用眼睛、嘴和鼻子等器官特征信息進行跟蹤定位。傳統(tǒng)的人臉特征點跟蹤方法通常是在人的臉部畫上標識點進 行跟蹤。但是特征點會由于遮擋、光照或者陰影不可見，而導致跟蹤失敗，這是特征點跟蹤方法的缺點。 1)人臉特征點的跟蹤 Kouadio等提出了一種通過加標識點來跟蹤視頻中人臉特征點的方法，這些特征點跟蹤方法的局限是要在被拍攝者臉部添加標識點，而不能直接獲取面部某些特征點的位移。 Jebara 和 Pentlan 使用自動定位來跟蹤人臉，用運動技術對特征點的三維位置進行估計，并用本征臉的約束方法匹配人臉的幾何特征，來對于面部特征點位置估計。 文獻 ]18[ 提出一種基于 Gabor小波系數(shù)的人臉特征點的跟蹤方法，將基于 Gabor小波用于跟蹤視頻中的人臉特征點，在輸入視頻序列的起始幀開中，手動標定需要跟蹤的人臉特征點，提取這些點的小波系數(shù)。接著以前一幀特征點的坐標作為這一幀參考點，提取參考點的小波系數(shù)，對比新舊小波系數(shù)來估計特征點的新坐標，從而得到特征點在新幀中的位置，實現(xiàn)跟蹤目的。 2）基于 KLT算法的人臉特征點跟蹤 KLT(Kanade_Lucas_Tomasi)算法是一種以待跟蹤窗口在視頻圖像幀間的誤差二次方和作為度量的跟蹤算法。參考文獻 ]19[ 給出了一種在首幀中確定搜索特征點，采用改進的 KLT算法對未加標識點的人臉正面視頻圖像進行特征點的跟蹤，進而求得人臉特征點運動參數(shù)的方法。與傳統(tǒng)的在人臉部畫上標識點的特征點跟蹤方法不同， KLT算法可以從未加標識點的正面人像視頻序列中通過紋理信息直接獲取臉部某些特征點的位移，該文獻還在 KLT算法中加入了基于人臉統(tǒng)計信息的經驗約束，使 KLT算法更加合理有效。 3）基于器官跟蹤的人臉跟蹤 這種方法利用形態(tài)學運算對嘴進行跟蹤，并在很好的局部旋轉 運算處理后，簡單地分析人臉的對稱性，從而高速準確地跟蹤人臉。這種方法不熟背景復雜程度、人臉運動強度和背景顏色等因素的影響，而只利用圖像的灰度信息，進行形態(tài)運算，運算效率較高，具有較強的魯棒性。 基于模型的人臉跟蹤 基于模型的人臉跟蹤方法就是獲取目標的先驗知識，建立低價參數(shù)模型，對輸入的每一幀圖像通過滑動窗口進行模板匹配，實現(xiàn)人臉的識別與跟蹤。常見的跟蹤模型、雙眼模板匹配模型和可變形模型等。 1）基于膚色模型的人臉跟蹤 膚色是人臉最重要而且最明顯的特征，人臉面部膚色特征可以用幾個簡單的參數(shù)來表征， 而且在一定光照條件下基本保持不變?；谀w色模型的跟蹤方法就是利用合適的表色模型，把膚色作為實現(xiàn)人臉跟蹤的關鍵信息。由于膚色信息對放大、縮小以及微小變形不敏感，這種方法比較容易在前一幀圖像分析結果的基礎上跟蹤到下一幀圖像的人臉區(qū)域，具有速度快，姿勢不變性等特點。目前的人臉跟蹤技術大都采用基于膚色模型的方法。 2) 基于橢圓模型的人臉跟蹤 由于絕大部分人臉輪廓都近似為橢圓形狀，橢圓模型正是利用這一特征建立模型來實現(xiàn)人臉識別與跟蹤。該算法的思 想是用一個橢圓模板在人臉的候選區(qū)域內進行搜索，使環(huán)內盡量包含最多的人臉邊緣點，對人臉的跟蹤就是確定這個橢圓模板。該算法能夠在自然光照條件下去的較為滿意的結果，同時對人臉在旋轉、縮放、遮擋等條件下，多人臉背景下的跟蹤有較強的魯棒性。 3) 基于雙眼模板匹配模型的人臉跟蹤 該算法在對前一幀圖像進行人臉區(qū)域監(jiān)測的基礎上，預測當前幀中人臉區(qū)域可能的尺度與位置范圍，在預測范圍內，利用人的臉部雙眼外形的獨特性，采用雙眼模板匹配與人工神經網(wǎng)絡分類的方法跟蹤人臉。在搜索預測區(qū)域時，對每一個候選窗口使用雙眼模板匹配進行粗篩選 ，跟蹤時使用前一幀結果，進一步求解新的監(jiān)視區(qū)域。該方法在復雜、動態(tài)變化背景的圖像序列中比較有效。 4) 基于可變形模型的人臉跟蹤 Goldenstein 和 Vogler 等人利用可變形模型和預測濾波器實現(xiàn)在劣質圖像序列中跟蹤三維人臉。他們用這種方法對臉部表情演變的參數(shù)值和形變進行恢復，在每個時刻測量高維可變模型的參數(shù)觀測值的正確分布。該方法將二維圖像偏移的置信區(qū)域限制在放射體內，并將他們傳播到參數(shù)空間，在劣質圖像序列中提取信息有很好的魯棒性。 基于貝葉斯濾波的人臉跟蹤 貝葉斯濾波方法是對目標狀態(tài)進行 估計，得到的一組觀測量來構建后驗概率密度函數(shù)。這個后驗概率密度函數(shù)包含了所有當前的統(tǒng)計信息。這里所謂的濾波，就是利用過去和當前的觀測結果來估計目標當前狀態(tài)的過程。 基于貝葉斯濾波的方法實際上是一種自頂向下的模型驅動的跟蹤方法。此方法將目標跟蹤問題巧妙的轉變?yōu)樵谪惾~斯濾波理論框架下的序貫濾波過程。通常在貝葉斯濾波理論框架下采用狀態(tài)空間法 (State Space Approach)實現(xiàn)視覺跟蹤。此方法主要包含以下幾種跟蹤算法：卡爾曼濾波及其改進方法，格子基搜索算法（格子濾波），粒子濾波方法。 ①卡爾曼濾波：卡爾 曼濾波方法是美國著名學者 Kalman和 Bucy在 1960年提出的一種遞推最優(yōu)線性均方誤差估計方法?？柭鼮V波利用目標的動態(tài)信息，試圖去掉噪聲的影響，從而得到一個關于目標位置的好的估計。卡爾曼濾波方法采用線性遞歸濾波的方法，可以用任意一點作為初始化開始遞歸，實時計算，預測具無偏、穩(wěn)定和最優(yōu) ]20[ 。使用該方法的前提是系統(tǒng)為線性而且噪聲為高斯分布，此時它是最優(yōu)的，為了克服傳統(tǒng)卡爾曼濾波在非線性非高斯條件下的缺陷，有人提出了改進的卡爾曼濾 波方法，主要有擴展卡爾曼濾波（ EKF），無跡卡爾曼濾波（ UKF）等。 ②格子基搜索 ]21[ ：這種方法首先將數(shù)據(jù)空間劃分成為有限個單元的網(wǎng)格結構，計算都是以單個的單元為對象，處理速度只與把數(shù)據(jù)空間分為多少個單元有關。在有限的狀態(tài)空間和離散的狀態(tài)空間的條件下，它可以給出最優(yōu)的序貫濾波概率密度。其代表算法有： STING算法、 CLIQUE算法、 WAVECLUSTER算法。 ③粒子濾波方法 ]22[ ：粒子濾波本質上是一種基于蒙特卡羅模擬實現(xiàn)貝葉斯遞推的技術，其核心思想是使用一組帶有相關權值的粒子 (隨機樣本 )來對后驗概率密度函數(shù)似然描述，然后基于這些粒子來對狀態(tài)進行估計。但在實際應用中，粒子數(shù)目不可能是無窮大的，所以它是一種次優(yōu)估計。粒子濾波在使用中會出現(xiàn)粒子“退化”的現(xiàn)象，即經過幾次迭代濾波，很少有粒子可以到達高似然概率區(qū)域。有人提出可以采用選取最優(yōu)重要性密度函數(shù)或通過重采樣的方法來解決此問題。重采樣的方法雖然可以有效緩解“退化”的問題，但它又帶來了“粒子耗盡”的問題。 本章小結 隨著人機交互技術日益成為當前研究的一個中心，人臉檢測與跟蹤問題越來越受到重視，成為模式識別與計算機視覺領域的一個熱點。本章節(jié)就人臉檢