【正文】 的小波特征等[2][3][4]。b) 灰度特征灰度特征包括輪廓特征、灰度分布特征(直方圖特征、鑲嵌圖特征等)、結(jié)構(gòu)特征、模板特征等。文獻(xiàn)[1]使用人臉灰度圖像的水平和垂直方向的像素灰度均值來描述人臉特征。這給統(tǒng)一建模造成了一定難度。但膚色的確定對光照和圖像采集設(shè)備特性較敏感?；谀w色特征的識別方法簡單且能夠快速定位人臉[1]。檢測定位過程中也會用到人臉特征。特征提取的任務(wù)就是針對這些干擾因素，提取出具有穩(wěn)定性、有效性的信息用于識別。 人臉特征提取人臉特征提取是人臉識別中的核心步驟，直接影響識別精度。以上兩個環(huán)節(jié)的獨立性很強(qiáng)。提取出待識別的人臉特征之后，即可進(jìn)行特征匹配。可以從以下兩個方面進(jìn)行優(yōu)化：（1）在訓(xùn)練過程中將新的矩形特征模版引入弱分類器的模版當(dāng)中,如圖36所示（2）在檢測過程中引入膚色檢測和光照補(bǔ)償圖 36 新的矩形模版4 特征提取與人臉識別特征提取之前一般需要做幾何歸一化和灰度歸一化的工作。檢測步驟如下：（1）將待測圖像變換為灰度圖像（2）得出積分圖像（3）將不同尺度下的檢測結(jié)果合并（4）將合并后的結(jié)果再輸出優(yōu)化:雖然Ada boost 系統(tǒng)檢測速度比較高，但是其本身訓(xùn)練比較耗時。目前有兩種辦法：（1）在變換分類器尺度同時改變其閥值（2）對圖像用不同尺度抽樣。訓(xùn)練過程如下：（1）從圖像中提取出Haar特征，常用的5種特征如圖31所示（2）用獲得特征生成弱分類器（3）用多次迭代的方法找出最優(yōu)的弱分類器并提高其權(quán)重檢測：分類器在訓(xùn)練過程中所使用的樣本大小在很大程度上決定了其所能處理的對象的大小。待檢測圖像的分辨率應(yīng)該在19乘19以上。在選取訓(xùn)練樣本的時候，考慮到人臉是具有多種形態(tài)的，所以必須選取具有一定代表性的多個樣本。圖35瀑布型級聯(lián)分類器 訓(xùn)練檢測過程及其優(yōu)化 訓(xùn)練：雖然每一個Haar特征都有一個弱分類器與之對應(yīng)，但是并不是每一個都能很好的表征人臉的灰度分布。隨著系統(tǒng)級數(shù)的增加非人臉圖像通過率大為降低，但是同時也可能會造成人臉圖像被錯誤地排除掉。Ada boost 算法引入了一種類瀑布型的級聯(lián)分類器，如圖35所示。圖 34 矩形區(qū)域單個弱分類器并不能直接拿來供分類使用，所以要將其優(yōu)化組合成強(qiáng)分類器，這樣就能大大提高對人臉的檢測能力。其主要思想是：預(yù)先將圖像各特定矩形區(qū)域像素之和保存到內(nèi)存中的某個數(shù)組中，當(dāng)需要該值時，直接從數(shù)組中取出即可，不用再重新計算。 圖 32 特征匹配圖 33 特征匹配特征數(shù)量很多導(dǎo)致特征計算的工作量很大，采用積分圖可以有效地簡化計算。圖 31 特征模版分類眼睛和鼻子的顏色和周圍的灰度有區(qū)別，鼻梁兩側(cè)和鼻尖的灰度也是有差異的。該特征模版包含有：邊緣特征、線性特征、和特定方向特征，如下圖31所示。此時只有選出合適的矩形特征組成的強(qiáng)分類器才能較好的檢測出人臉。在給定數(shù)據(jù)有限時，也能將特定區(qū)域的狀態(tài)編碼出來，并且檢測速度上比基于像素的系統(tǒng)優(yōu)異得多。 Haar 特征該特征其實就是矩形特征。Haar 特征和積分圖像密切相關(guān)，計算量較小應(yīng)用于Ada boost 算法中用來描述人臉面部灰度特征可以提升特征提取速度。作為最終決策分類器的是歷次訓(xùn)練得到的分類器的級聯(lián)。每次用樣本集訓(xùn)練后，重新確定每個樣本的權(quán)重。其核心思想是使大量弱分類器聯(lián)合成為一個強(qiáng)分類器。 Ada boost 方法該方法中文意思是自適應(yīng)性提升算法，是一種應(yīng)用了迭代思想的機(jī)器學(xué)習(xí)方法。預(yù)先將足夠量“正、反”圖像樣本和其識別結(jié)果輸入網(wǎng)絡(luò)，通過訓(xùn)練它就能識別類似的圖像是否包含人臉。（3）人工神經(jīng)網(wǎng)絡(luò)： 是一種模仿大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。對有限樣本的情況下非常適用。因為外界只能看到各個時刻的輸出值，看不到其中復(fù)雜過程。特征序列與狀態(tài)序列之間的并沒有嚴(yán)格的一一對應(yīng)關(guān)系。有很多種不同策略的分類器，如下所示：（1）隱馬爾科夫模型：描述信號統(tǒng)計特性。將人臉檢測視為區(qū)分“非人臉樣本”與“人臉樣本”的模式識別問題，通過對大量人臉樣本集和非人臉樣本集的學(xué)習(xí)、訓(xùn)練產(chǎn)生建立起一個能正確識別人臉樣本的分類器。其中，Y是亮度信號，Cr Cb是色度信號。相比于亮度而言，人對色度更加敏感。用膚色信息檢測人臉時，要選擇合理的色度坐標(biāo)?；谀w色的方法：人臉膚色在顏色空間上的分布相對集中，而且與圖片中其他部分是基本不重合的。雖然每個人臉都不同，但是可以用輪廓規(guī)則、五官分布規(guī)則。該特征可以用幾何、灰度、空間等來描述。該方法首先檢測出人臉面部特征的位置，然后根據(jù)各特征之間的幾何關(guān)系來定位人臉。該方法比較成熟，實現(xiàn)起來比較簡單，但是效率并不高。（2）變形范本法：考慮到人臉是可變形體，該方法通過非線性最優(yōu)化方法求得一個參數(shù)模板，該模版如果能使能量函數(shù)最小，那么它就能描述所求參數(shù)特征。該模版包含人臉輪廓以及五官模型，計算樣本圖像區(qū)域與模板中人臉輪廓的相似性來徐略確定人臉大致區(qū)域，接著通過檢測該區(qū)域中是否含有五官模型中要求的要素，如果有就可以判定該區(qū)域就是人臉區(qū)域。第二步對全面檢查輸入圖像，計算與標(biāo)準(zhǔn)人臉模板中各局部特征的相似系數(shù)，與之前設(shè)定的閥值比較，判定是否存在人臉。人臉檢測與定位是指檢測圖像中是否有人臉，若有，將其從背景中分割出來，并確定其在圖像中的位置。人臉識別是把每一個人的人臉作為一個模式來對待，不同人的臉屬于不同的模式類，人臉識別的過程是將屬于不同人的臉歸于各自的模式。從人臉自動識別技術(shù)所依據(jù)的理論來講，人臉檢測與人臉識別都是模式識別問題。按照特定算法求這兩個偏導(dǎo)矩陣的幾何平均值，然后將該平均值賦給待求點的灰度值。但是Soble算子引入了平均因素，對圖像中的隨機(jī)噪聲有一定的平滑作用；不過由于它算法的特殊性會產(chǎn)生邊緣粗而亮的不良后果。原理就是通過一些算法，設(shè)定黑白二色的閾值，將圖像中的像素顏色均轉(zhuǎn)換為黑白二值，“1”表示黑色，“0”表示白色，這種圖像稱之為二值圖像，便于特征提取。二值化就是一個很好的選擇。文獻(xiàn)[2]通過將人臉彩色圖像從RGB色彩空間轉(zhuǎn)換到RIQ色彩空間，得到了更適于頻譜分析的特征分量。將彩色圖像轉(zhuǎn)化成灰度圖像是人臉識別方法中常見的處理過程，雖然轉(zhuǎn)化過程丟失了一部分色彩信息，但是灰度圖像擁有更小的存儲空間和更快的計算速度?！癝”形變換方法將灰度值處于某一范圍（人臉特征范圍）內(nèi)的像素灰度分布差距拉開，從而保證了對比度的提高，但此方法降低了其他灰度值的對比度。 增強(qiáng)對比度為了使人臉在圖像中更為突出以便于下一步的特征提取，增強(qiáng)圖像對比度是很有必要的。消除噪聲的方法很多，對于不同的噪聲應(yīng)該采用不同的除噪方法。由于噪聲的引入，將不可避免地造成識別率的下降。這些噪聲信號的存在，嚴(yán)重的情況會直接導(dǎo)致整幅圖像的不清晰，圖象中的景物和背景的混亂。根據(jù)圖像獲取的途徑不同，噪聲的融入也有多種方式：1. 圖像是直接以數(shù)字形式獲取的，那么圖像數(shù)據(jù)的獲取機(jī)制會不可避免地引入噪聲信號；2. 在圖像采集過程中，物體和采集裝置的相對運動。常用的圖像預(yù)處理方法有灰度化、二值化、幾何校正、直方圖修正、濾波、銳化、像素平均法等。包括靜態(tài)圖像和動態(tài)圖像。6. 生理分類：對人臉生理特征分析，得出性