【正文】 人工神經(jīng)網(wǎng)絡(luò)的人臉檢測算法框架 主要問題人臉具有相當(dāng)復(fù)雜的細(xì)節(jié)變化，不同的外貌，如臉型、膚色等，不同的表情，如眼、嘴的開與閉等，甚至可能有器官的缺失。[40]的基于人工神經(jīng)網(wǎng)絡(luò)的人臉檢測框架。圖像中備選的人臉或者非人臉位置可以用貝葉斯判決規(guī)則或者最大似然法來判別，將后驗概率估計轉(zhuǎn)化為一個似然度求解問題?；诒硐蟮姆椒梢栽诟怕收摰目蚣苤欣斫??；诒硐蟮姆椒ɡ媒y(tǒng)計分析或機(jī)器學(xué)習(xí)技術(shù)來尋找人臉和非人臉圖像的有關(guān)特性。 d) 基于表象的人臉檢測方法與模板匹配不同，基于表象的人臉檢測模型是從一系列具有代表性臉部表觀的訓(xùn)練圖像學(xué)習(xí)而來，再將學(xué)習(xí)而成的模板用于人臉檢測。梁路宏[40]等使用了直接的平均臉模板匹配方法。采用局部特征檢測的方法還有基于雙眼檢測的方法、基于概率框架的局部特征聚類方法以及結(jié)構(gòu)模型、紋理模型和特征模型相結(jié)合的方法等。人臉區(qū)域內(nèi)的各個器官具有較為恒定的模式，因此一些方法首先檢測器官(如雙眼、鼻子、嘴等)局部特征，然后根據(jù)它們的相對位置關(guān)系判斷整個區(qū)域是否為人臉。第五幅圖像中，人臉姿態(tài)發(fā)生改變，發(fā)生了低頭的動作?；陬伾指畈⑴c驗證相結(jié)合的人臉檢測算法有一定的適用范圍，當(dāng)圖像分辨率不高或者當(dāng)人臉的姿態(tài)()難以滿足人臉本來的對稱狀態(tài)或者人臉被部分遮擋時，此種人臉檢測算法漏檢率上升。聚類歸并驗證策略是目前基于膚色分割的較常用的方法：首先將膚色像素按照較為嚴(yán)格的顏色一致性和幾何約束條件聚類為區(qū)域，然后按照一定規(guī)則進(jìn)行歸并，歸并過程中或歸并后利用其它特征進(jìn)行驗證。對于彩色圖像，在確定膚色模型后，首先進(jìn)行膚色檢測，在檢測出膚色區(qū)域后，根據(jù)它們在色度上的相似性和空間上的相關(guān)性分割出可能的人臉區(qū)域，同時利用區(qū)域的幾何特征或灰度特征進(jìn)行是否是人臉的驗證，以排除其它色彩類似膚色的物體。b) 基于膚色區(qū)域分割的人臉檢測方法基于膚色分割的人臉檢測方法是利用人臉的顏色與其它非目標(biāo)顏色不同而將人臉與非目標(biāo)區(qū)分開來進(jìn)行人臉檢測。可變形模板定義一個人臉可變形參數(shù)模板和一個能量函數(shù)來描述人臉特征，通過線性最優(yōu)化方法求得使能量函數(shù)取值最小的參數(shù)模板，此參數(shù)模板即被認(rèn)為是所求人臉特征的描述。預(yù)定義模板法根據(jù)人臉的先驗知識先設(shè)計出一個標(biāo)準(zhǔn)的人臉模板，包括人臉輪廓模板和各個器官特征的子模板，然后用窗口縮放的方法對一幅輸入圖像進(jìn)行全局搜索，對應(yīng)不同尺寸的圖像窗口，計算它們與人臉輪廓模板的相關(guān)系數(shù)，通過預(yù)先設(shè)定的閾值來判斷該圖像窗口是否包括人臉候選區(qū)域，最后利用器官特征子模板進(jìn)一步檢測人臉候選區(qū)域是否包含人臉。模板匹配方法易于實現(xiàn)，但是對于人臉檢測來說，效率有限。本文研究的人臉檢測屬于運動背景目標(biāo)檢測的范疇。但由于人臉檢測攝像機(jī)不定，檢測場景不定，受光照等外在因素和人臉附著物等內(nèi)在因素影響，人臉檢測也更為復(fù)雜，挑戰(zhàn)也更大，但方法也更多。目前較流行的算法均能有效的避免非鄰居類之間的誤判，但是鄰居類之間的誤判率較高，研究一種有效的算法解決此問題稱為圖像密度等級分類的重中之重。但是由于流量的準(zhǔn)確率較密度分類準(zhǔn)確率低，直接計算圖像密度等級方法準(zhǔn)確率高?？梢愿鶕?jù)計算得出的圖像中人數(shù)或者客流的流量判斷密度等級。紋理分析對高密度圖像的可分情況較分形維數(shù)好。文獻(xiàn)[1,3,4]采用紋理分析進(jìn)行圖像密度等級分類。這是由于對其應(yīng)用假設(shè)存在不準(zhǔn)確性，以及缺乏可用概率數(shù)據(jù)。貝葉斯分類器是一種基于概率模型的分類器。輸出節(jié)點的值是隱層各個節(jié)點輸出的加權(quán)和。文獻(xiàn)[8]使用SVM來分類圖像密度等級，但是當(dāng)需要區(qū)分較多種類時，無論是訓(xùn)練或分類SVM都比較繁瑣。SVM也可以用來對多模式進(jìn)行分類。文獻(xiàn)[2]使用自組織神經(jīng)網(wǎng)絡(luò)來分類圖像密度等級，以增加算法復(fù)雜度和識別時間為代價來提高準(zhǔn)確率。輸入層與競爭層之間實行全互連接，有時競爭層各神經(jīng)元還實行側(cè)抑制連接。自組織神經(jīng)網(wǎng)絡(luò)[2]是一種無教師示教的競爭式學(xué)習(xí)網(wǎng)絡(luò)。目前，較常流行的分類器有神經(jīng)網(wǎng)絡(luò)，SVM等。其中紋理特征能夠表征圖像的類別，是一種比較好的特征。根據(jù)紋理分析來進(jìn)行圖像密度等級分類也是目前常用的一種算法。；菱形特征點擬合成的直線為低密度圖像的分形維數(shù)；正方形特征點擬合成的直線代表中高密度圖像的分形維數(shù)。根據(jù)膨脹后的二值圖。不同分形維數(shù)對應(yīng)不同的密度等級圖像。經(jīng)過OTSU二值化算法后。 邊緣檢測后，對邊緣圖進(jìn)行二值化，二值化可采用OTSU[10]算法。 地鐵人群低、高密度情況 ()。二值化后的邊緣圖可以用來計算圖像的分形維數(shù)[1]。不同的圖像有不同的分形維數(shù)。紋理分析能夠很好表征圖像特征，是目前最流行的一種密度等級分類算法。目前常采用的方法有分形維數(shù)和紋理分析等，根據(jù)圖像中人數(shù)來判斷圖像密度等級也有人進(jìn)行研究。例如，如何避免將中高密度等級分類到高密度等級或中密度等級。在密度等級較高的情況下，可以采用監(jiān)控人員干預(yù)；密度等級較低的情況下，可以采用圖像視頻處理，對降低勞動強(qiáng)度亦有一定的幫助。有效地提取圖像特征，獨一無二表征目標(biāo)是本文研究的重點之一。并且基于顏色的特征提取算法缺少目標(biāo)的整體空間信息，在某些情況下，無法區(qū)分目標(biāo)與非目標(biāo)。對于目標(biāo)檢測、識別和跟蹤來說，顏色特征提取算法是常采用的算法之一，尤其在目標(biāo)跟蹤中。目標(biāo)特征提取算法的好壞，直接影響最后準(zhǔn)確率。目前常用的降維方法有主成份分析(Principle Component Analysis, PCA)[24]、ICA[13]等。它抽選出最具有區(qū)分度的特征供模式分類或模式識別。在分類之前有必要對數(shù)據(jù)進(jìn)行降維。將特征向量映射到低維空間是分類的過程。但是邊緣特征對于光影的變化較敏感，在樹陰下、草叢等類似邊緣信息極為豐富的環(huán)境中，目標(biāo)的外觀可能改變的場景中(目標(biāo)為行人，行人穿多種顏色衣服或一種顏色衣服的情況)，邊緣提取會產(chǎn)生較多噪聲，不利于特征描述。常用的邊緣提取算子有Canny邊緣提取算子和Robert邊緣提取算子等()。Dalal，N等的HOG[23]也是目前常用的基于紋理的直方圖特征統(tǒng)計算法，它們都是基于直方圖進(jìn)行計算，通過使用區(qū)域快速算法來提高特征提取的效率，從而降低時間耗費。文獻(xiàn)[22]選用性能最強(qiáng)的4個濾波模板與圖像分別進(jìn)行卷積，濾出水平邊緣、高頻點、V形狀和垂直邊緣等。Weszka在GLDM的基礎(chǔ)上提出灰度差統(tǒng)計算法(GrayLevel Difference Statistics, GLDS)，并證實其算法較GLDM簡單易行并且效果優(yōu)于GLDM。反應(yīng)了影像灰度關(guān)于方向、相鄰間隔、變化幅度等綜合信息。GLDM是第二級聯(lián)條件概率密度函數(shù)。文獻(xiàn)[21]中選取16種不同的紋理圖像，按照六種不同特征分量人為對圖像進(jìn)行分類，與實驗結(jié)果比較，結(jié)果證實Tamura紋理特征提取算法的有效性。一般情況下，自然界中圖像規(guī)律性不明顯，擁有良好紋理的圖像具有規(guī)律性。線像度與紋理圖像的輪廓相關(guān)。方向性是圖像的整體性質(zhì)。當(dāng)兩幅圖像只有灰度像素值分布不同時，可以采用對比度加以區(qū)分。圖像的尺寸越大并且(或者)像素重復(fù)的越少，圖像就更加粗糙。狹義上來講，紋理即是粗糙度。 紋理特征圖由于邊緣檢測算法的限制，Tamura等[21]提出了Tamura紋理特征。根據(jù)不同的分析方法，可以將紋理特征分為統(tǒng)計分析方法，結(jié)構(gòu)分析方法和頻譜分析方法。 顏色特征提取直方圖相同基于紋理的特征提取算法在圖像分類中有重要作用。但是基于顏色直方圖提取的特征向量完全相同，只是基于顏色直方圖無法將兩幅圖像區(qū)分開。 ()基于顏色的特征提取算法對圖像尺寸、方向、視角等依賴性小，魯棒性高，計算圖像間的相似性比較簡單，但它不能反映圖像中對象的空間特征。 ()文獻(xiàn)[19,20]采用顏色特征進(jìn)行人臉檢測和跟蹤。色相、飽和度和亮度空間(Hue Saturation Intensity, HSI)空間也是與亮色分離顏色空間的一種。前者的典型代表是RGB(Red Green Blue, RGB)顏色空間，還包括CMYK(Cyan Magenta Yellow Black, CMYK)等。在一幅圖像的各種特征中，顏色特征是其中最直觀、最明顯的特征。其中通用的視覺特征用于描述所有圖像共有的特征，與圖像的具體類型或內(nèi)容無關(guān)，主要包括色彩、紋理和形狀；與領(lǐng)域相關(guān)的視覺特征則建立在對所描述圖像內(nèi)容的某些先驗知識或假設(shè)的基礎(chǔ)上，與具體的應(yīng)用緊密有關(guān)，例如人的面部特征或指紋特征等。其中基于文本的特征包括關(guān)鍵字和注釋等；基于視覺特征的提取技術(shù)有圖像顏色提取、紋理分析、形狀分析和空間關(guān)系等。特征提取在圖像視頻處理的其它方面也有很重要的應(yīng)用，例如目標(biāo)識別等。提取的特征向量好壞，直接影響到最終結(jié)果的準(zhǔn)確率。如何提取圖像有效特征是進(jìn)行圖像分類和人臉檢測、跟蹤的基礎(chǔ)；采用有效分類器進(jìn)行特征向量分類是關(guān)鍵。 第2章 目標(biāo)信息提取研究現(xiàn)狀綜述本文研究的目標(biāo)信息提取包括圖像分類后得到的圖像密度等級，人臉檢測后得到的客流流量和人臉跟蹤后得到的人群速度。神經(jīng)網(wǎng)絡(luò)等分類器具備人腦思維的一些典型特征，如自組織、聯(lián)想記憶、非線性、大規(guī)模并行連接等，并且具備強(qiáng)大的學(xué)習(xí)能力。KLT算法是一種以待跟蹤窗口W在視頻圖像幀間的灰度差平方和SSD(Sum of Squared intensity Differences, SSD)作為度量的跟蹤算法?；谌四樉植刻卣鞲櫡ǖ闹饕枷敫鶕?jù)不同的人臉器官特征信息進(jìn)行器官跟蹤，這類方法經(jīng)常利用眼睛、嘴和鼻子等器官特征信息進(jìn)行跟蹤定位?；谶\動能量的方法是運動檢測一種常用的方法。標(biāo)定一些人臉的特征點，利用卡爾曼濾波器等預(yù)測一個搜索窗口，在這個搜索窗口內(nèi)搜索與特征點灰度分布相似的點，通過這些點確定被跟蹤人臉的運動狀況。塊匹配法是圖像處理中最常用的方法。光流法的優(yōu)點在于對目標(biāo)在幀間的運動限制較小，可以處理較大的幀間位移；對噪聲的敏感較小。光流是空間運動物體被觀測面上的像素點運動產(chǎn)生的瞬時速度場，包含了物體三維表面結(jié)構(gòu)和動態(tài)行為的重要信息?；谶\動信息跟蹤法[25]利用圖像連續(xù)幀之間目標(biāo)運動的連續(xù)性規(guī)律，對人臉區(qū)域進(jìn)行預(yù)測以達(dá)到快速跟蹤的目的。該方法在質(zhì)量較低的圖像序列中提取信息有很好的魯棒性。利用紋理信息和特征點之間的形狀約束可以加大跟蹤的準(zhǔn)確性，但實時性有待加強(qiáng)。由于絕大部分人臉輪廓近似為橢圓形狀，很多研究員利用此特征建立橢圓模型來實現(xiàn)人臉跟蹤。然后，利用粒子濾波技術(shù)跟蹤人臉運動的狀態(tài)空間，最后，根據(jù)光流信息得到運動信息從而進(jìn)行樣本重劃分。文獻(xiàn)[38]采用基于膚色模型的方法。基于膚色模型的跟蹤方法[27,38]就是利用恰當(dāng)?shù)谋砩到y(tǒng)，把膚色作為實現(xiàn)人臉跟蹤的關(guān)鍵信息?；谀Ｐ偷母櫡椒ǚ譃槟w色模型、橢圓模型、紋理模型和可變形模型等。目標(biāo)部分遮擋和完全遮擋一直是目標(biāo)跟蹤中的重點和難點，對于人臉跟蹤也是如此。目前普遍存在的算法在將人臉與其它類似人臉目標(biāo)分開時存在一定難度。跟蹤方法都是運用相關(guān)的啟發(fā)性知識來限定搜索空間，以達(dá)到快速跟蹤的目的。人臉跟蹤技術(shù)涉及到模式識別、圖像處理、計算機(jī)視覺、生理學(xué)及形態(tài)學(xué)等諸多學(xué)科。它在人臉識別、視頻編碼、視頻檢索和機(jī)器人視覺等方面都有關(guān)鍵的作用，受到很多研究人員的重視。人臉跟蹤是人臉檢測問題的發(fā)展。在SVM分類出人臉的基礎(chǔ)上，Kalman對檢測出的目標(biāo)進(jìn)行跟蹤，進(jìn)一步優(yōu)化結(jié)果，提高準(zhǔn)確率。文獻(xiàn)[33,35]采用神經(jīng)網(wǎng)絡(luò)分類器的方法檢測人臉，并且在圖像質(zhì)量較低的情況下取得了較好的效果?；诜诸惼骱陀?xùn)練方法的人臉檢測也是目前常用的一種方法。文獻(xiàn)[32]使用了一種基于分割的人臉檢測算法。對人臉明顯特征區(qū)域進(jìn)行特征提取的算法一般作為人臉檢測的輔助算法，當(dāng)粗略檢測出候選區(qū)域后，對候選區(qū)域進(jìn)行眼口鼻特征提取，進(jìn)一步準(zhǔn)確檢測。對人臉明顯特征區(qū)域(眼、口、鼻等)進(jìn)行檢測是目前常用的人臉檢測算法之一。首先采用膚色邊緣分析，粗略得到膚色邊緣圖一；然后利用一維人臉模板匹配膚色邊緣圖一，進(jìn)一步準(zhǔn)確得到人臉區(qū)域，得到膚色邊緣圖二；最后利用二維人臉模板匹配膚色邊緣圖二，精確得到膚色邊緣圖三，即人臉邊緣圖。第一個分