人臉檢測算法

1、 人臉檢測算法（轉）2009-03-0123:06人臉檢測是一個開放性的，比較活躍的研究課題。在人臉檢測算法中，依照時間順序的發(fā)展有模板匹配模型，膚色模型，ANN模型，SVM模型，Adaboost模型等。其中Adaboost模型在速度與精度的綜合性能上表現最好。前段時間，把各個模型的算法都實現了一次，并比較了一下：模板匹配模型：不需要訓練，但是精度比較差，速度較慢；基本的思想就是通過一個人臉模板與待檢測圖象匹配，尋找匹配的位置。膚色模型：通過統計學習的方法，估計出人臉膚色在Y-Cr-Cb顏色空間中的概率模型，然后對檢測點的膚色通過訓練的概率模型的估計判斷該點是否屬于人臉區(qū)域，然后再進一步判斷。

2、下面是結合膚色模型與模板匹配的效果圖：可見該方法的精確度不是很高，有很多漏檢與誤檢的地方。ANN與SVM方法：該方法是基于機器學習的方法，以人臉像素作為分類器的輸入，然后判斷區(qū)域是否是人臉。由于訓練圖象的尺度是固定的，但是檢測做不到尺度不變，所以需要對多個尺度的圖象進行檢測，造成檢測速度比較慢。另外ANN的訓練速度也很慢，同樣數據量的情況下，ANN訓練大約要17小時，但是SVM算法訓練2分鐘就可以得到一個較好的分類模型了。但是兩者的檢測速度都比較慢。下面是SVM算法的檢測效果圖：Adaboost算法：是目前人臉檢測最為成功的算法之一，該算法的特點就是訓練慢，檢測快。實驗中采用的弱分類器是一種雙

3、閥值分類的方法，與opencv中的cart算法不一樣，同時與Voila的原始算法也不同。另外在訓練過程中采用了動態(tài)調整閥值的方法，使得分類器需要的弱分類器大大的減少了。下面是用Adaboost算法的效果圖，注意該檢測算法的速度是最快的。只要1秒的時間。試驗代碼： HYPERLINK /source/585029 /source/585029與 HYPERLINK /source/616511 /source/616511人臉檢測算法（2）人臉檢測不僅是全自動人臉識別系統的基本步驟，而且本身也可以獨立的應用于視頻監(jiān)控、圖像檢索等領域，因而具有重要的研究價值。盡管Viola等人于2001年提出的基

4、于AdaBoost的人臉檢測算法以其卓越的性能而得到了大家的青睞，并已基本解決了大多數情況下的人臉檢測問題，但在實際應用中，尤其是智能監(jiān)控應用中，仍然存在較多挑戰(zhàn)性問題。人臉檢測領域的主要工作包括：人臉檢測樣本重采樣技術問題：分類器設計固然是最重要的，但分類系統的性能也在很大程度上依賴于訓練數據的分布。一般而言，訓練集合越大則可以有更好的推廣能力，但是樣本收集和整理過程是非常耗時費力的任務。前人主要采用Bootstrap策略對反例（非人臉）樣本進行重采樣，我們則重點考慮了對正例（人臉）樣本的重采樣問題。思路1：基于GA的人臉樣本重采樣給定一個訓練集合，通過交叉、變異等遺傳算法操作對已有樣本進行

5、擴展并通過優(yōu)化選擇來“優(yōu)勝劣汰”新生代樣本，從而最終擴大訓練集合的規(guī)模。其中，交叉操作是通過交換不同人臉的眼睛、鼻子、嘴巴等部件來完成的，而變異則包括各種相似變化、灰度變換等，參見FG04,ICPR04,軟件學報。思路2：基于流形的人臉樣本重采樣收集到的人臉樣本訓練集往往不可避免的會有噪聲數據，或者由于采樣過程的無意“有偏”導致樣本分布的偏差。因此，有必要對訓練樣本進行“重采樣”，“凈化掉”噪聲樣本。而人臉樣本的多樣性導致數據分布的非線性，因此我們采用了流形學習的方法。參見AVBPA20051。基于Gabor特征表示的人臉檢測方法問題：Viola等人提出的AdaBoost算法中人臉弱特征表示采

6、用的是Haar特征，Haar特征具有計算簡單的優(yōu)點，但其缺點是特征表示能力比較弱，因此在一定程度上容易帶來較多的誤檢。思路：考慮到Gabor特征已被廣泛應用于人臉識別中區(qū)分人與人之間的細微差別，因而具有更強的表示能力，我們嘗試了將其應用到人臉檢測中。結果表明：在不考慮計算效率問題的條件下，基于Gabor特征的人臉表示方法取得了比Haar特征更好的檢測性能。但考慮到Gabor特征的計算復雜度較高，不適于應用到要求快速檢測的場合，因此我們考慮了系統前端采用Haar特征盡快過濾大量非人臉區(qū)域，而在最后階段采用復雜度更高但具有更好的區(qū)分能力的Gabor特征，實驗表明這樣的由粗到細的檢測策略在一定程度上

7、提高了檢測算法的性能。參見ABPA2004?；谧罡恍畔⒖臻g直方圖的物體檢測方法問題：近年來，基于空間直方圖的物體表示方法得到了人們的重視。通過改變位置、尺度等，可以提取大量空間直方圖特征，但他們并不具有同等的判別能力，有必要進行降維和選擇。思路：采用Fisher可分性判據及其彼此之間的相關性對空間直方圖特征進行選擇，形成低維度的空間直方圖作為物體的更加緊湊高效的表示。參見JCNN20051基于人臉灰度重心模板的人臉檢測方法思路：該方法是一種基于規(guī)則模板匹配的人臉檢測方法，通過對原始圖像的Mosaic化提取對應面部主要器官的橫紋重心特征，并與專家總結出的若干標準人臉模板進行比對實現人臉檢測，參

8、見IJIG2003。面像識別技術的原理及其技術指標2009-03-0123:04九十年代后期，隨著計算機處理速度的飛速提高及圖形識別算法的革命性改進，面像識別技術脫穎而出。他以其獨特的方便、經濟、準確而受到世人的矚目。面像識別技術簡介面像識別技術包含面像檢測、面像跟蹤與面像比對等課題。面像檢測是指在動態(tài)的場景與復雜的背景中，判斷是否存在面像并分離出面像。面像跟蹤指對被檢測到的面像進行動態(tài)目標跟蹤。面像比對則是對被檢測到的面像進行身份確認或在面像庫中進行目標搜索。面像檢測分為參考模板、人臉規(guī)則、樣本學習、膚色模型與特征子臉等方法。參考模板方法首先設計一個或數個標準人臉模板，然后計算測試樣本與標準

9、模板之間的匹配程度，通過計算機比對來判斷是否存在人臉；人臉具有一定的結構分布特征，人臉規(guī)則即提取這些特征生成相應的規(guī)則以判斷是否測試樣本包含人臉；樣本學習則采用模式識別中人工神經網絡方法，通過對面像樣本集和非面像樣本集的學習產生分類器；膚色模型依據面像膚色在色彩空間中分布相對集中的規(guī)律來進行檢測；特征子臉將所有面像集合視為一個面像子空間，基于檢測樣本與其在子空間的投影之間的距離判斷是否存在面像。上述方法在實際系統中也可綜合采用。面像跟蹤一般采用基于模型的方法或基于運動與模型相結合的方法，另外，膚色模型跟蹤也不失為一種簡單有效的手段。面像比對從本質上講是采樣面像與庫存面像的依次比對并找出最佳匹配

10、對象。因此，面像的描述決定了面像識別的具體方法與性能。目前主要有特征向量與面紋模板兩種描述方法，特征向量法先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離、角度等等屬性，然后計算出它們的幾何特征量，這些特征量形成一描述該面像的特征向量；面紋模板法則在庫中存儲若干標準面像模板或面像器官模板，在比對時，采樣面像所有象素與庫中所有模板采用歸一化相關量度量進行匹配。另外，還有模式識別的自相關網絡或特征與模板結合的方法。面像識別系統則采用局部特征分析（LocalFeatureAnalysis,LFA）算法，該算法速度快，誤認低，無需學習，利用人臉各器官及特征部位的方位、比例、對應幾何關系等數據形

11、成識別參數，與數據庫中所有原始參數比較、判斷、確認。與其他生物識別技術，諸如指紋識別，掌形識別，眼虹膜識別和聲音識別相比較，面像識別具有以下兩點獨一無二的特性：1）其他每種生物識別方法都需要一些人的配合動作，而面像識別不需要被動配合，可以自動用在隱蔽的場合，如公安部門監(jiān)控行動。2）當記錄一個企圖登錄的人的生物記錄時，只有面像能更直觀，更方便的核查該人的身份。由于與傳統的生物識別技術相比，面像識別具有更為簡便、準確、經濟及可擴展性良好等眾多優(yōu)勢，可廣泛應用于安全驗證、監(jiān)控、控制等各個方面。面像識別技術原理2.1基本算法-局部特征分析任何一個面像識別系統的基本要點是如何將面像進行編碼。面像識別技術

12、使用局部特征分析LFA來描述面部圖象，他源于類似搭建積木的局部統計的原理。LFA是基于以下事實的一種計算方法,即所有的面像（包括各種復雜的式樣）都可以從由很多不能再簡化的結構單元子集綜合而成.這些單元使用了復雜的統計技術而形成的,它們代表了整個面像.他們通?？缭蕉鄠€象素（在局部區(qū)域內）并代表了普遍的面部形狀,但并不是通常意義上的面部特征。實際上面部結構單元比面像的部位要多得多。然而,要綜合形成一張逼真,精確的面像,只需要整個可用集合中很少的單元子集（12-40特征單元）.要確定身份不僅僅取決于特性的單元,還決定于他們的幾何結構（比如他們的相關位置）。通過這種方式,LFA將個人的特性對應成一種復

13、雜的數字表達方式,可以進行對比和識別。2.2面像識別的步驟：1）建立面像檔案：可以從攝像頭采集面像文件或取照片文件，生成面紋（Faceprint）編碼即特征向量；2）獲取當前面像，可以從攝像頭捕捉面像或取照片輸入，生成其面紋；3）將當前面像的面紋編碼與檔案中的面紋編碼進行檢索比對；4）確認面像身份或提出身份選擇上述整個過程都自動、連續(xù)、實時地完成。而且系統只需要普通的處理設備。門票系統的工作流程為：自動地在視頻數據流中搜索面部圖象；當一個出現用戶的頭像時；自動使用多種類型的匹配算法來判斷在那個位置是否真的有一張臉。這些算法能夠精確地探測出同時出現的多張臉，并且能夠確定他們的準確位置；一旦探測到

14、一張臉，這張臉的圖象就會被從背景中分離出來，這幅圖象隨后將經過一系列的特殊處理來恢復它的尺寸、光線、表情和姿態(tài)。將這幅臉部圖象在系統內部轉換面紋，它包含了這張臉的特有信息；通過把實時獲取的面紋和數據庫中已有的面紋進行比對；完成對某張臉進行確認?！懊婕y”編碼方式是根據臉部的本質特征和形狀來工作的，它可以抵抗光線、皮膚色調、面部毛發(fā)、發(fā)型、眼鏡、表情和姿態(tài)的變化，具有強大的可靠性，使得它可以從百萬人中精確地辨認出一個人。上述整個過程都自動、連續(xù)、實時地完成。而且系統只需要普通的處理設備。2.3精確度與識別率對于任何一種生物識別技術，其主要精確度指標包括：錯誤接受率（FAR）、錯誤拒絕率（FRR）和

15、相等錯誤率（EER）,其測試結果與所運行的分析數據庫（源）有密切關系。本系統用于FERET數據庫（該數據庫由美國軍事研究實驗室提供）時所獲得的FAR和FRR的大小。對FAR和FRR曲線交叉點進行了放大，我們可以看到這里EER=0.68%。該測試結果證明，本系統的識別模塊精確度達到國際產品的最先進水平。2.4其他技術指標操作平臺：WINDOWS95/98/2000/NT（大部分功能可以應用于UNIX和LINUX）,允許使用INFORMIX數據庫實現一對多的搜索。輸入：可以使用多種圖象信號，包括照片，實況或錄象片，數字圖形文件，以及人工繪制的圖象速度：頭部查找-根據場景的復雜程度，50MS300M

16、S一對一的匹配：V=1S一對多的匹配：從內存中運行每分鐘6千萬次，從硬盤中每分鐘1千5百萬次面紋大小：84字節(jié)數據庫容量：從技術上說可以支持無限數量的記錄移動：可以捕捉移動和靜止的面像姿勢：正面頭像是最佳的工作位置，但只要能同時看到兩只眼睛就可以識別面像。極限為45度。姿勢變化在15度的范圍內不會影響識別效果。從15度到35度，會有少量失真。超過35度，將發(fā)生嚴重的失真。種族和性別：與種族，性別無關。并不從面像區(qū)分是同類或異類人口。變化因素的影響：算法運算主要針對面像的本質性區(qū)域，而且內在結構部分可以不受面部的自然改變影響。其結果是當表情，面部頭發(fā)，發(fā)型，年齡等改變后，軟件仍能很好的正常運行眼

17、鏡：無論是否戴眼鏡都可以正確識別（只要雙眼可見而且沒有受到反光的影響）光線：對光線和背景沒有特殊的要求，在周圍光源有滿反射時工作狀況最好。另外，在物體沒有反光時效果最好，但這可以通過對攝象機的調節(jié)來補償?？傊?，只要是人的雙眼能識別的圖象，都可以進行識別。背景：可以在平淡的或雜亂的各種背景下識別面像，識別過程完全與背景無關。圖象色彩，灰度和分辨率：對彩色和黑白照片效果相同，最少要求8字節(jié)的深度和320*240的分辨率頭部尺寸：最小可以發(fā)現20*30象素的面像或在整個圖象區(qū)域中占有少于1%的面像。面部圖象的分辨率對識別性能影響不大。當頭部大小在80*120象素時達到最佳效果。2.5多種功能面像識別

18、：完成一對一驗證匹配與一對多鑒別匹配。f面像檢測：在靜止圖像與視頻流甚至在復雜的情景中發(fā)現面像。-面像編碼生成：生成84字節(jié)大小的且可用計算機處理數字編碼，稍后可用計算機進行面像識別。面像壓縮：生成人可讀的圖像，大小為100到1000字節(jié)。圖像質量：評價為面像識別獲取的面像的質量。跟蹤：跟蹤面像。分割：在圖像中剪裁、旋轉面像。面像識別技術特點精確性：其精確性可以和最好的指紋識別系統相比性能/成本比高：只需要通用的PC硬件及相應的軟件，費用較低。主動性：可以不需要使用者的主動參與防偽性：可以防止照片欺詐用戶易接受：簡單易用，對用戶無特殊要求可跟蹤性良好：對每次事件都保存一條有時間/日期的面部圖象

19、具有自學習的功能：系統能夠動態(tài)地更新數據庫中用戶的頭像，從而保證在用戶的面像及環(huán)境的變化下仍然能夠快速準確地識別論文主要研究內容與章節(jié)安排1本文根據所研究的問題，討論人臉檢測與識別技術中的圖像預處理、特征提取與人臉檢測、人臉識別驗證技術及手機平臺下身份識別驗證系統的設計這幾個方面的內容。首先介紹了本文的研究的目的和意義，對生物識別進行簡單介紹，然后對人臉檢測識別技術作了全面的闡述，總結了國內外幾種人臉檢測和識別方法，分析了其優(yōu)缺點。闡述了文章中所采用的圖像預處理方法，首先對攝像頭獲取的彩色圖像進行灰度化預處理，得到更穩(wěn)定的能反映圖像本質信息的灰度圖像，然后對其進行入臉檢測，為了保證人臉識別的準

20、確率，對檢測出的人臉灰度圖像進行一些處理后得到規(guī)范化的圖像，再進行人臉識別驗證。對主成分分析和獨立成分分析這兩種特征提取方法的理論基礎和優(yōu)缺點進行了詳細分析和介紹，對獨立成分分析中的一種估計算法一FastlCA算法進行了分析的基礎上進行了改進，得到一種改進的FastlCA算法，并且用來提取圖像的獨立基，從而得到一種約簡的圖像特征提取方法；提出了一種基于ICh和PNN的人臉檢測方法，用該方法先提取出樣本圖像的約簡特征，訓練多項式神經網絡；在檢測的時候，同樣用該方法提取出測試圖像中的特征，把該提取出的特征輸入訓練好的多項式神經網絡來進行人臉檢測，文中利用各種圖像庫進行實驗，結果表明這秘方法有較高的

21、檢測率，可以檢測出各種背景圖像中的單人臉和多人臉。為了保證人臉識別驗證的速度和準確性，本文采用了一種基于貝葉斯決策理論的處理方法，該方法首先估計出在主成分空間中的人臉差異圖像屬于同一人臉和不同人臉的差異概率密度估計，然后對待識別圖像與主人樣本圖像的差分圖像進行貝葉斯后驗判別。由于在進行貝葉斯后驗判別時，避免了對人臉全部特征進行處理，而是采用圖像在主成分空間中的投影，減少了數據的維數且去除了不重要的成分，所以計算量小，魯棒性高，實驗證明驗證速度和準確率都很高。最后在以上分析的基礎上，設計了一個基于手機平臺的身份驗證系統，該系統結合了密碼驗證和人臉識別驗證兩種驗證模式。文章共分為六個章節(jié)，具體安排

22、如下：第一章為緒論，主要指出了課題的提出背景和研究動機，概述了生物識別技術和人臉檢測與識別技術的幾種實現方法，討論了該技術在國內外的研究狀況。第二章對獲取的圖像進行人臉檢測以及對入臉進行驗證時兩個部分的預處理工作；第三章針對手機圖像分辨率較低，并且人臉圖像背景各不相同，提出了基于CA和PNN的人臉檢測方法。本章首先對主成分分析和獨立成分分析方法的理論基礎和優(yōu)缺點進行分析比較，并對ICA算法中的一種估算方法一FastIcA進行了分柝和改進，減少了獨立基，提高了檢測速度。實驗結果表明所提出的檢測方法以及改進措施能有效的檢測出復雜背景下的人臉圖像。第四章介紹貝葉斯的理論基礎和特點，詳細地闡述了差分圖

23、像在類內主成分空闖和類同主成分空間中的條牛概率密度估算方法，以及貝葉斯驗證過程，通過實驗表明了該驗證方法的準確性和有效性。第五章分析了手機攝像頭拍攝的圖像特點，給出基于上述技術的人臉檢測與身份識別驗證的總體思想，并設計了手機平臺下的入臉檢澳4與識別驗證的系統。第六章對本文所做工作進行總結，并提出了有待進一步研究的問題。本論文主要研究內容2本文以構建一個可用的、實用的基于web的人臉檢測和識別系統為目標，在研究了人臉檢測和識別的基本理論和關鍵技術的基礎上，重點討論了在復雜背景條件下，彩色靜態(tài)圖像的人臉檢測和識別問題?？傮w說來，基于web人臉識別系統可以簡明扼要的表示為如圖1.1所示的幾個步驟。在本文中將依次介紹各個環(huán)節(jié)，并對在C+Builder以及Eclipse下實現具體功能過程中，得到的實驗數據和結果進行詳細分析。其中，創(chuàng)新及突破技術壁壘部分包括：多人人臉檢測算法的改進和優(yōu)化，通過對人眼的二次識別來降低訓練時間，提高識別率。使用C+語言實現人臉檢測和人臉識別算法，對圖像進行處理，搭建起實用的人臉檢測與人臉識別系統。為了構建基于web多人人臉檢