人臉識(shí)別技術(shù)研究背景與方法-資料下載頁
2025-06-06 00:52本頁面
【正文】 得非凡的性能。Agui等人提出了層次神經(jīng)元網(wǎng)絡(luò)進(jìn)行人臉檢測。使用2個(gè)并行的子網(wǎng)組成了第一階段，其輸入是原始圖像的灰度值和使用3 X 3 Sobel濾波器濾波的灰度值。輸入到第二階段網(wǎng)絡(luò)的是子網(wǎng)絡(luò)的輸出和提取的特征值如輸入模式象素值的標(biāo)準(zhǔn)偏移量、窗口中的白象素和所有的二值象素的比率和幾何矩等。第二階段的輸出值指出人臉在輸入?yún)^(qū)域是否存在。實(shí)驗(yàn)結(jié)果表明，如果所有的人臉在測試圖像中有相同的尺寸，則這種方法能夠檢測人臉。Propp和Samal提出了分層神經(jīng)網(wǎng)絡(luò)用于人臉檢測。他們的網(wǎng)絡(luò)由4層組成，共有 1024個(gè)輸入單元，第一隱含層共有256個(gè)單元，第二隱含層共有8個(gè)單元和2個(gè)輸出單元。Soulie等人提出用具有時(shí)間延遲的神經(jīng)元網(wǎng)絡(luò)(具有20X25象素的感受域)掃描圖像進(jìn)行人臉檢測。輸入圖像利用小波變換進(jìn)行分解。他們在120幅測試圖像上進(jìn)行實(shí)驗(yàn)，%%的錯(cuò)誤接受率。Burel和Carel提出用于人臉檢測的神經(jīng)元網(wǎng)絡(luò)，其中大量的人臉和非人臉的訓(xùn)練樣本使用Kohonen的自組織映射(SOM)算法被壓縮為幾個(gè)樣本。多層感知器用于學(xué)習(xí)這些樣本并對人臉和非人臉分類。Lin等人提出使用基于概率決策的神經(jīng)元網(wǎng)絡(luò)進(jìn)行人臉檢測系統(tǒng)(PDBNN) 。PDBNN的結(jié)構(gòu)類似于具有改進(jìn)的學(xué)習(xí)規(guī)則和概率解釋的徑向基函數(shù)(RBF)網(wǎng)絡(luò)。他們首先提取人臉區(qū)域中的密度和邊緣信息的特征向量，人臉區(qū)域中包括眼眉、眼睛和鼻子，代替了將整個(gè)人臉圖像轉(zhuǎn)換為用于神經(jīng)元網(wǎng)絡(luò)的密度值向量。提取的兩個(gè)特征向量被反饋到兩個(gè)PDBNN并將輸出融合確定分類器的結(jié)果。他們的實(shí)驗(yàn)結(jié)果表明其性能優(yōu)于其他主要基于神經(jīng)元網(wǎng)絡(luò)的人臉檢測器。Rowley等人用多層神經(jīng)元網(wǎng)絡(luò)從人臉/非人臉圖像中學(xué)習(xí)人臉和非人臉模式其方法的局限性是只能檢測垂直的正面人臉。后來，Rowley等人均各這種方法擴(kuò)展用于旋轉(zhuǎn)的人臉檢測，使用的是ruuter神經(jīng)元網(wǎng)絡(luò)，根據(jù)每個(gè)輸入窗決定可能的人臉方向，然后將窗旋轉(zhuǎn)到規(guī)范的方向。旋轉(zhuǎn)窗被送到上述的神經(jīng)元網(wǎng)絡(luò)。然而，新系統(tǒng)對垂直人臉的檢測率比垂直檢測器要低。不過，%，而只有很少的錯(cuò)誤接受。楊前邦等人提出了基于多層感知器(MLP)并用遺傳算法實(shí)現(xiàn)搜索的人臉定位系統(tǒng)，討論了系統(tǒng)建立的理論基礎(chǔ)，即MLP直接感知圖像和用遺傳算法進(jìn)行快速搜索。實(shí)驗(yàn)結(jié)果表明，它尤其適合復(fù)雜背景下的低分辨圖像中進(jìn)行操作，具有魯棒性好、圖像定位快、適應(yīng)面寬等特點(diǎn)。梁路宏等人提出了基于模板匹配與人工神經(jīng)元網(wǎng)絡(luò)的人臉檢測算法。算法使用一組雙眼一人臉模板對來搜索候選人臉，并在搜索過程中使用多層感知器進(jìn)行確認(rèn)，以減少錯(cuò)誤報(bào)警。大量實(shí)驗(yàn)證明了該算法的有效性?；谥R(shí)的人臉檢測方法簡單、直觀，檢測效果依賴于特征的提取和預(yù)先定義的規(guī)則。由于灰度受光照的影響較大，一般應(yīng)采用預(yù)處理技術(shù)；紋理、邊沿等特征對光照變化具有較好的適應(yīng)性，但是強(qiáng)的光照變化也會(huì)產(chǎn)生一些偽邊沿。人臉結(jié)構(gòu)的對稱性是一個(gè)重要的特征，然而對姿態(tài)變化比較敏感。為了驗(yàn)證人臉區(qū)域，常常需要結(jié)合各人臉器官的特征及其之間的結(jié)構(gòu)關(guān)系。當(dāng)圖像的質(zhì)量較差時(shí)，特征不容易檢測。另外，采用的知識(shí)規(guī)則可能不夠準(zhǔn)確或全面。該類方法對質(zhì)量較好的圖像具有好的檢測性能，而對于復(fù)雜的圖像檢測效果一般不夠好?；诮y(tǒng)計(jì)特征的方法需要從大量典型的數(shù)據(jù)獲得統(tǒng)計(jì)特征。；LDA、神經(jīng)網(wǎng)絡(luò)、SVM 和SNoW 方法則需要大量典型的人臉圖像和非人臉樣本圖像，以便得到區(qū)別的統(tǒng)計(jì)特征。加入典型的非人臉樣本圖像可以提高模型對人臉和非人臉圖像的區(qū)別能力，從而降低誤檢率。局部統(tǒng)計(jì)特征能更細(xì)致地描述人臉器官的特征，通常需要結(jié)合人臉整體和局部的統(tǒng)計(jì)特征以更好地描述人臉特征。通過增加訓(xùn)練樣本可以改善檢測性能，采用必要的后處理技術(shù)也能大大降低誤檢率。基于統(tǒng)計(jì)特征的人臉檢測方法的一般比較復(fù)雜，但是，該類方法不需要提取具體的人臉特征，而統(tǒng)計(jì)特征也能更好地反應(yīng)人臉圖像和非人臉圖像之間的差別?；诮y(tǒng)計(jì)的人臉檢測方法一般能夠獲得較好的檢測效果，是目前的主流方法?；谥R(shí)的檢測方法和基于統(tǒng)計(jì)的檢測方法通常需要結(jié)合起來使用。通過采用簡單的特征濾除大量的候選區(qū)域，然后采用基于統(tǒng)計(jì)特征的方法進(jìn)行人臉檢測，檢測速度會(huì)提高很多。也可以先采用統(tǒng)計(jì)的方法檢測出人臉候選區(qū)域，然后基于人臉特征進(jìn)行確認(rèn)，降低誤檢率。由于眾多變化因素的影響，對不同的數(shù)據(jù)庫，各種方法的檢測效果很不相同，目前還沒有一個(gè)公認(rèn)的評估標(biāo)準(zhǔn)。為了有效評估各檢測算法的性能：（1）需要建立一個(gè)標(biāo)準(zhǔn)的測試集，包括各種尺寸、光照、姿態(tài)、表情、背景、噪聲的測試集，而且可根據(jù)不同應(yīng)用將測試集細(xì)分為幾個(gè)測試子集，從而便于對各種方法進(jìn)行評估。（2）很多算法可以通過調(diào)節(jié)算法參數(shù)折中正確檢測率和誤檢率，因此描述隨參數(shù)變化的正確檢測率和錯(cuò)誤檢測率之間的關(guān)系曲線更有助于了解各種算法的總體性能。（3）大多數(shù)人臉識(shí)別算法都依賴于人臉的準(zhǔn)確定位，所以檢測位置的偏差是衡量檢測算法性能的另一個(gè)重要指標(biāo)。（4）大多數(shù)應(yīng)用是面向?qū)崟r(shí)處理的，因此算法的復(fù)雜度和運(yùn)行速度也是一個(gè)重要的衡量指標(biāo)?？偟膩碚f，比較理想的條件下的人臉檢測問題已基本解決。對任意光照和姿態(tài)、較大噪聲等因素下的人臉檢測仍需進(jìn)一步研究。9
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號(hào)-1