【正文】 具有一定優(yōu)勢(shì)，但神經(jīng)元數(shù)目多，訓(xùn)練時(shí)間很長(zhǎng) ，完全基于神經(jīng)網(wǎng)絡(luò)的識(shí)別法在現(xiàn)有的計(jì)算機(jī)系統(tǒng)上也有其內(nèi)在的局限性。針對(duì)人臉檢測(cè)問(wèn)題，Viola等人定義了大量矩形特征 (簡(jiǎn)化的 Harr特征，可以從 20*20的圖像中提取數(shù)十萬(wàn)的特征供挑選和組合 )。依據(jù)這一基本思想， Freund和 Schapire[30J首先給出了 Adaboost算法的具體形式。 在加入某個(gè)新的弱分類器的某次迭代中，如果一個(gè)訓(xùn)練樣本已經(jīng)被正確分類，其權(quán)值就被下調(diào)，否則，其權(quán)值就要被調(diào)高，以便使下一輪的弱分類器專注于這些被錯(cuò)誤分類的樣本。在 Adaboost 方法中，每個(gè)訓(xùn)練樣本都被賦予了一個(gè)權(quán)值，表明它能否被當(dāng)前弱分類器 (簡(jiǎn)單而分類性能相對(duì)差的分類器，例如簡(jiǎn)單的感知機(jī)就可以作為一個(gè)弱分類器 )正確分類。 Adaboost 是常被應(yīng)用的人臉檢測(cè)算法。 2． 1． 3本文采用的人臉檢測(cè)方法一 Adaboost 基于特征分析的方法中人臉檢測(cè)時(shí)只是用到了人臉中的某個(gè)或某幾個(gè)特征的 組合來(lái)匹配地進(jìn)行人臉的檢測(cè)，這類方法 容易引起漏檢和誤檢，相較而言基于統(tǒng)計(jì)的人臉檢測(cè)方法在檢測(cè)率方面的效果較好，但是考慮到計(jì)算的復(fù)雜性和速度問(wèn)題本文選用 Adaboost 方法用于跟蹤與識(shí)別前的人臉檢測(cè)定位。長(zhǎng)期以來(lái)， SVM訓(xùn)練需要求解計(jì)算復(fù)雜度極高的二次規(guī)劃問(wèn)題，從而限制了該方法的應(yīng)用。 SVM 的訓(xùn)練樣本包括有限“人臉 樣本和用“自舉 方法收集的“非人臉”樣本。它比基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的人工神經(jīng)網(wǎng)絡(luò)方法具有更好的泛化能力。 基于支持向量機(jī)的人臉檢測(cè)方法 支持向量機(jī) (SupportVectorMachine， SVM)是 Vapnik等人提出的基于結(jié)構(gòu)風(fēng) 險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)理論。 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。 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(wèn)題，所以許多檢測(cè)算法采用神經(jīng)網(wǎng)絡(luò)方法。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。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。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。 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。 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(wèn)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。 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。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(lái)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)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。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(lái)設(shè)計(jì)。 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。很難設(shè)計(jì)一種通用的模板方法來(lái)表征人臉的共性。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。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(guò)檢測(cè)這些器官模板來(lái)定位人臉?？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。 24j兩種。 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(lái)判斷測(cè)試樣本是否為人臉。 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。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。 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)。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(lái)，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。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。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 。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(lái)進(jìn)行人臉器官定位。 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(lái)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。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(guò)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(wèn)題被轉(zhuǎn)化為統(tǒng)計(jì)模式識(shí)別的二分類問(wèn)題。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(lái)。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。按照?qǐng)D像的類型來(lái)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)。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。 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(lái)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)。 人臉檢測(cè)問(wèn)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。 2． 1人臉檢測(cè)方法概述 人臉檢測(cè)【 16Ir7】的目的是要在 N圖像上快速準(zhǔn)確地將人臉部分分割定位出 來(lái)。但隨著開(kāi)發(fā)實(shí)際系統(tǒng)需求的日漸提高，人們要求在復(fù)雜背景下實(shí)時(shí)地進(jìn)行人臉檢測(cè)，這種 假設(shè)下的研究不再能滿足需求，由此所面臨的一系列問(wèn)題使得人臉檢測(cè)開(kāi)始作為一個(gè)獨(dú)立的課題受到研究者的重視。人臉檢測(cè)是指采用一定的方法對(duì) 給定的圖片或視頻進(jìn)行搜索，判斷其中是否存在人臉，如果存在則定位 每個(gè)人臉的位置以及大小?？蛻舳擞袛z像機(jī)，負(fù)責(zé)對(duì)進(jìn)入攝像機(jī)視野范的目標(biāo)進(jìn)行人臉檢測(cè)，如果有人臉目標(biāo)出現(xiàn)則對(duì)其進(jìn)行實(shí)時(shí)跟蹤；在這個(gè)過(guò)程 第二章人臉檢測(cè)識(shí)別方法 人臉檢測(cè)問(wèn)題最初來(lái)源于人臉識(shí)別。本文的目標(biāo)是實(shí)現(xiàn)對(duì)視頻進(jìn)行實(shí)時(shí)的檢測(cè)并對(duì)檢測(cè)到的 人臉目標(biāo)進(jìn)行跟蹤，將跟蹤到的人臉目標(biāo)所在視頻幀通過(guò) Socket 傳到服務(wù)器端，對(duì)其進(jìn)行人臉識(shí)別，達(dá)到獲取人臉目標(biāo)身份的目的。隨著電子技術(shù)水平的提高，家庭娛樂(lè)會(huì)得到廣泛的應(yīng)用，其中關(guān)鍵技術(shù)之一也是人臉的檢測(cè)跟蹤。人臉的檢測(cè)跟蹤也是門(mén)禁控制系統(tǒng)中的一個(gè)重要的技術(shù)。人臉門(mén)禁系統(tǒng)是一種基于人臉識(shí)別技術(shù)的新型訪問(wèn)控制系統(tǒng)，將具有訪問(wèn)權(quán)限的訪問(wèn)者的人臉信息存放在人臉數(shù)據(jù)庫(kù)中，對(duì)人臉信息進(jìn)行學(xué)習(xí)訓(xùn)練。實(shí)現(xiàn)人機(jī)交互這一目標(biāo)的可能方式之一是使計(jì)算機(jī)具有識(shí)別和理解人的姿勢(shì)、動(dòng)作、手勢(shì)等能力，跟蹤識(shí)別 是完成這些任務(wù)的關(guān)鍵一步。然而人們期望計(jì)算機(jī)智能化，能夠以自然的方式與人進(jìn)行交流。 人機(jī)交互：人機(jī)交互【 13． 141 是研究人、計(jì)算機(jī)以及他們之間相互交叉的技術(shù)。例如芝加哥大學(xué)開(kāi)發(fā)的用于在萬(wàn)維網(wǎng)上搜索圖像的影像搜索引擎 Webseer，就使用了基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)作為搜索引擎的一部分。同時(shí)，人臉檢測(cè)與跟蹤技術(shù)在自動(dòng)售貨機(jī)、 ATM機(jī)、交通管理、公共場(chǎng)所、行人的擁擠狀態(tài)分析及商店中消費(fèi)者流量統(tǒng)計(jì)等監(jiān)控方面也有著相應(yīng)的應(yīng)用。人臉的跟蹤識(shí)別是視頻會(huì)議中的關(guān)鍵技術(shù)之一。這樣可以大大節(jié)省會(huì)議差旅費(fèi)，提高辦事效率，節(jié)省時(shí)間。 1． 3． 2應(yīng)用領(lǐng)域 視頻會(huì)議：視頻會(huì)議【 1o】是利用通信網(wǎng)以及電視實(shí)況方式召開(kāi)的會(huì)議。人工智能將涉及到計(jì)算機(jī)科學(xué)、 心理學(xué)、哲學(xué)和語(yǔ)言學(xué)等學(xué)科。計(jì)算機(jī)視覺(jué)【 9】 是一門(mén)用計(jì)算機(jī)來(lái)實(shí)現(xiàn)人的視覺(jué)功能，實(shí)現(xiàn)客觀三