【正文】 多個強分類器級聯(lián)起來，對人臉的檢測能力將會再次飛躍。在該分類器中，一級比一級復(fù)雜嚴格。所以該系統(tǒng)的設(shè)計原則如下：在保證人臉圖像通過的前提下，盡可能地抑制非人臉圖像的通過。因此訓(xùn)練過程中要解決的中心問題就是如何選取最優(yōu)Haar特征制成分類器。選取的樣本，人臉姿態(tài)要盡量一致，樣本大小也應(yīng)該統(tǒng)一。人臉數(shù)據(jù)庫可參考MITCBCL庫，該庫有10個人的3200張訓(xùn)練圖片以及大量測試圖片。實際中圖片中的人臉大小是各不相同的，因此要引入多尺度檢測機制。雖然第一種方法實現(xiàn)起來比較復(fù)雜，但是計算量小檢測速度較快。而且對有一定傾斜角度的人臉存在檢測盲區(qū)。前者是指根據(jù)人臉定位的結(jié)果將圖像中的人臉區(qū)域調(diào)整到同一位置和大?。缓笳呤侵笇D像進行光照補償?shù)忍幚?，以克服光照變化的影響。這個過程是一對多或一對一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一個人，后者是驗證輸入圖像的人的身份是否屬實。在許多特定場合下人臉的檢測與定位相對比較容易，因此，特征提取與人臉識別環(huán)節(jié)得到了更廣泛和深入的研究。由于人臉是多維彈性體，易受表情、光照等因素影響，提取特征的困難較大。人臉特征是識別的重要依據(jù)之一。其中統(tǒng)計特征和灰度特征是在人臉定位和特征提取過程中常用到的兩類特征：a) 統(tǒng)計特征統(tǒng)計特征即用統(tǒng)計的方法對目標對象的膚色、光照變化等因素建模。人臉膚色不依賴于細節(jié)特征且和大多背景色相區(qū)別。不同的光照下臉部色彩復(fù)雜。該方法通常作為其他統(tǒng)計模型的輔助方法使用，適于粗定位或?qū)\行時間有較高要求的應(yīng)用。通過分別對灰度圖像各行和各列中的像素灰度值進行求和，獲得水平方向與垂直方向的灰度均值輪廓，以此來描述人臉特征。由于人臉五官位置相對固定，灰度分布呈一定規(guī)律性，因此，可利用灰度特征來進行人臉識別。文獻[2]使用傅立葉變換得到人臉圖片的頻域信息，通過選取適當?shù)恼谏w模板，提取其中的頻譜信息來描述人臉的特征。 文獻[4]使用小波變換的方法在小波域通過多分辨率分析克服光照和面部表情對人臉識別的影響，獲得了較好的識別效果。特征提取方法歸納起來分為兩類：基于局部特征的提取方法和基于整體特征的提取方法?；谌四樥w特征的提取是從整個人臉圖像出發(fā)，通過加強反映整體特征來實現(xiàn)人臉面部表情識別。基于人臉整體特征提取在計算量和計算時間上都多于局部特征提取，而且系統(tǒng)設(shè)計也相對復(fù)雜。 模板匹配方法模板匹配方法是模式識別的傳統(tǒng)方法，其思想是：庫中存儲著已知人臉的若干模板。由于這種方法要求兩幅圖像上的目標要有相同的尺度、取向和光照條件，所以預(yù)處理要做尺度歸一化和灰度歸一化的工作。彈性模板匹配是根據(jù)待檢測人臉特征的形狀信息（通常利用小波特征）。由于模板變形利用了特征區(qū)域的全局信息，因此可以較好地檢測出相應(yīng)的特征形狀。而且彈性匹配中的人臉模型還考慮了局部人臉細節(jié)，它的可變形匹配方式，一定程度上能容忍人臉從三維到二維投影引起的變形。流程大體如下：首先檢測出面部特征點，通過測量這些關(guān)鍵點之間的相對距離，得到描述每個臉的特征矢量，比如眼睛、鼻子和嘴的位置和寬度，眉毛的厚度和彎曲程度等，以及這些特征之間的關(guān)系。基于幾何特征的識別方法具有如下優(yōu)點：①符合人類識別人臉的機理，易于理解；②對每幅圖像只需存儲一個特征矢量，存儲量小；③對光照變化不太敏感。文獻[3]使用人臉部下巴的輪廓曲線來輔助檢測人臉特征，然后使用Gabor小波變換(GWT)進行人臉識別，獲得了較理想的實驗結(jié)果。其主要思想是，一副由N個象素組成的圖像，可以看作N維矢量，或是N維空間中的一點。即是對這個人臉子區(qū)域的坐標進行降維，使得每個人臉圖像可以用很少幾個參數(shù)來表示，這就降低了計算復(fù)雜度。 神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)是利用大量簡單處理單元（神經(jīng)元)互聯(lián)構(gòu)成的復(fù)雜系統(tǒng)來解決識別問題。常用的神經(jīng)網(wǎng)絡(luò)有BP（反向傳播）網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)。其自適應(yīng)功能有助于增強系統(tǒng)的魯棒性。通過學(xué)習(xí)獲得其他方法難以獲得的關(guān)于人臉識別規(guī)律和規(guī)則的隱性表達。人工神經(jīng)網(wǎng)絡(luò)由于其固有的并行運算機制以及對模式的分布式全局存儲，故可用于模式識別，而且不受模式形變影響。 隱馬爾可夫模型方法利用隱馬爾可夫模型(Hidden Markov Model，HMM)，將人臉圖像按某種順序劃分為若干塊，對各塊進行KL變換，選取前若干變換系數(shù)作為觀測向量訓(xùn)練HMM。我們關(guān)心的是前兩個問題。Samaria等人首先將一維隱馬爾可夫模型(1DHMM)用于人臉識別，并對不同狀態(tài)數(shù)模型的識別性能進行了詳細比較和分析。可用1DHMM表示人臉。偽二維隱馬爾可夫模型(P2DHMM)是1DHMM的一種擴展。更適合于人臉圖像識別。 彈性圖匹配方法彈性圖匹配法(Elastic Graph Matching)是一種基于動態(tài)鏈接結(jié)構(gòu)(Dynamic Link Architecture，DLA)的方法。利用該方法進行人臉識別時，可同時考慮節(jié)點特征向量匹配和相對幾何位置匹配。此外，可用一個能量函數(shù)來評價待識別人臉圖像向量場和庫中己知人臉向量場間的匹配度，即最小能量函數(shù)時的匹配。該方法的主要缺點是計算量較大。文獻[11]使用了廣義彈性圖匹配的人臉識別方法，在適應(yīng)人臉的姿態(tài)及表情變化方面獲得了較好的實驗效果。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉(zhuǎn)化為一個高維的線性可分的問題。 基于視頻序列的方法相對于單個靜止圖像，視頻序列能提供更多的信息，如：同一人的大量圖像可供使用；可以根據(jù)運動變化估計3D人臉結(jié)構(gòu)；可以用于補償光照、姿態(tài)、表情等變化；視頻序列的時間連續(xù)性和識別對象身份的一致性為人臉識別提供信息；可以從低分辨率圖像恢復(fù)出高分辨率圖像；可以根據(jù)眼球的運動、姿態(tài)的變化等進行身份識別以防止基于靜態(tài)圖像的欺騙等。視頻序列中人臉識別有兩部分工作：第一，人臉檢測和跟蹤，即從視頻圖像序列中確定是否存在人臉并對其準確定位和保持跟蹤狀態(tài)；第二，人臉識別，識別視頻中臉像身份。視頻序列中人臉識別面臨如下挑戰(zhàn)：視頻圖像質(zhì)量較差、視頻圖像分辨率較低以及外界各種不確定因素的影響等。通過在視頻序列中提取連續(xù)的多幀圖像，經(jīng)過圖像重建，可以得到解析度高于輸入視頻序列圖像的單幅高解析度復(fù)原圖像。 基于三維的方法把人臉當作平面圖像來看待就是二維識別問題，將人臉用立體圖像來表示，就是三維識別問題[9][10]。采用三維識別與傳統(tǒng)的方法最大的區(qū)別就在于，人臉的信息可以更好的表現(xiàn)和存儲，同時由于三維人臉模型具備光照無關(guān)性和姿態(tài)無關(guān)性的特點，能夠正確反映臉的基本特性。因此基于三維人臉模型的識別方法可以很好地解決目前在這一領(lǐng)域存在的研究瓶頸。基于圖像特征的方法實現(xiàn)的過程類似人臉重建的方法：首先匹配人臉整體的尺寸輪廓和三維空間方向；然后，在保持姿態(tài)固定的情況下，去作臉部不同特征點的局部匹配?；谀Ｐ涂勺儏?shù)的方法使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結(jié)合，去恢復(fù)頭部姿態(tài)和3D人臉?；谀Ｐ涂勺儏?shù)的方法與基于圖像特征的方法的最大區(qū)別在于：后者在人臉姿態(tài)每變化一次后，需要重新搜索特征點的坐標，而前者只需調(diào)整3D變形模型的參數(shù)。該方法對光照和表情、姿態(tài)的變化均有較好的魯棒性。2. 海量存儲和計算量龐大：由于3D識別的數(shù)據(jù)容量和計算量十分巨大，給存儲和運算帶來困難，也對計算機