人脸检测算法（转）
2009-03-01 23:06
人脸检测是一个开放性的，比较活跃的研究课题。在人脸检测算法中，依照时间顺序的发展有模板匹配模型，肤模型，ANN模型，SVM模型，Adaboost模型等。其中Adaboost模型在速度与精度的综合性能上表现最好。前段时间，把各个模型的算法都实现了一次，并比较了一下：
模板匹配模型：不需要训练，但是精度比较差，速度较慢；基本的思想就是通过一个人脸模板与待检测图象匹配，寻匹配的位置。
肤模型：通过统计学习的方法，估计出人脸肤在Y-Cr-Cb颜空间中的概率模型，然后对检测点的肤通过训练的概率模型的估计判断该点是否属于人脸区域，然后再进一步判断。下面是结合肤模型与模板匹配的效果图：
可见该方法的精确度不是很高，有很多漏检与误检的地方。
ANN与SVM方法：该方法是基于机器学习的方法，以人脸像素作为分类器的输入，然后判断区域是否是人脸。由于训练图象的尺度是固定的，但是检测做不到尺度不变，所以需要对多个尺度的图象进行检测，造成检测速度比较慢。另外ANN的训练速度也很慢，同样数据量的情况下，ANN训练大约要17小时，但是SVM算法训练2分钟就可以得到一个较好的分类模型了。但是两者的检测速度都比较慢。下面是SVM算法的检测效果图：
Adaboost算法：是目前人脸检测最为成功的算法之一，该算法的特点就是训练慢，检测快。实验中采用的弱分类器是一种双阀值分类的方法，与opencv中的cart算法不一样，同时与Voila的原始算法也不同。另外在训练过程中采用了动态调整阀值的方法，使得分类器需要的弱分类器大大的减少了。下面是用Adaboost算法的效果图，注意该检测算法的速度是最快的。只要1秒的时间。
试验代码：
download.csdn/source/585029
与
download.csdn/source/616511
人脸检测算法(2)
人脸检测不仅是全自动人脸识别系统的基本步骤，而且本身也可以独立的应用于视频监控、图像检索等领域，因而具有重要的研究价值。尽管Viola等人于2001年提出的基于AdaBoost的人脸检测算法以其卓越的性能而得到了大家的青睐，并已基本解决了大多数情况下的人脸检测问题，但在实际应用中，尤其是智能监控应用中，仍然存在较多挑战性问题。人脸检测领域的主要工作包括：
· 人脸检测样本重采样技术
问题：分类器设计固然是最重要的，但分类系统的性能也在很大程度上依赖于训练数据的分布。一般而言，训练集合越大则可以有更好的推广能力，但是样本收集和整理过程是非常耗时费力的任务。前人主要采用Bootstrap策略对反例（非人脸）样本进行重采样，我们则重点考虑了对正例（人脸）样本的重采样问题。
思路1：基于GA的人脸样本重采样
给定一个训练集合，通过交叉、变异等遗传算法操作对已有样本进行扩展并通过优化选择来“优胜劣汰”新生代样本，从而最终扩大训练集合的规模。其中，交叉操作是通过交换不同人脸的眼睛、鼻子、嘴巴等部件来完成的，而变异则包括各种相似变化、灰度变换等，参见[FG04，ICPR04,软件学报]。
思路2：基于流形的人脸样本重采样
收集到的人脸样本训练集往往不可避免的会有噪声数据，或者由于采样过程的无意“有偏”导致样本分布的偏差。因此，有必要对训练样本进行“重采样”，“净化掉”噪声样本。而人脸样本的多样性导致数据分布的非线性，因此我们采用了流形学习的方法。参见[AVBPA2005]。
· 基于Gabor特征表示的人脸检测方法
问题：Viola等人提出的AdaBoost算法中人脸弱特征表示采用的是Haar特征，Haar特征具有计算简单的优点，但其缺点是特征表示能力比较弱，因此在一定程度上容易带来较多的误检。
思路：考虑到Gabor特征已被广泛应用于人脸识别中区分人与人之间的细微差别，因而具有更强的表示能力，我们尝试了将其应用到人脸检测中。结果表明：在不考虑计算效率问题的条件下，基于Gabor特征的人脸表示方法取得了比Haar特征更好的检测性能。但考虑到Gabor特征的计算复杂度较高，不适于应用到要求快速检测的场合，因此我们考虑了系统前端采用Haar特征尽快过滤大量非人脸区域，而在最后阶段采用复杂度更高但具有更好的区分能力的Gabor特征，实验表明这样的由粗到细的检测策略在一定程度上提高了检测算法的性能。参见[ABPA2004]。
bootstrap检验方法· 基于最富信息空间直方图的物体检测方法
问题：近年来，基于空间直方图的物体表示方法得到了人们的重视。通过改变位置、尺度等，可以提取大量空间直方图特征，但他们并不具有同等的判别能力，有必要进行降维和选择。
思路：采用Fisher可分性判据及其彼此之间的相关性对空间直方图特征进行选择，形成低维度的空间直方图作为物体的更加紧凑高效的表示。参见[IJCNN2005]
· 基于人脸灰度重心模板的人脸检测方法
思路：该方法是一种基于规则模板匹配的人脸检测方法，通过对原始图像的Mosaic化提取对应面部主要器官的横纹重心特征，并与专家总结出的若干标准人脸模板进行比对实现人脸检测，参见[IJIG2003]。

面像识别技术的原理及其技术指标2009-03-01 23:04
九十年代后期，随着计算机处理速度的飞速提高及图形识别算法的革命性改进，"面像识别"技术脱颖而出。他以其独特的方便、经济、准确而受到世人的瞩目。
1.面像识别技术简介
面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中，判断是否存在面像并分离出面像。面像跟踪指对被检测到的面像进行动态目标跟踪。面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。   
面像检测分为参考模板、人脸规则、样本学习、肤模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通
过计算机比对来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断是否测试样本包含人脸；样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器；肤模型依据面像肤在彩空间中分布相对集中的规律来进行检测；特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。上述方法在实际系统中也可综合采用。   
面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤模型跟踪也不失为一种简单有效的手段。
面像比对从本质上讲是采样面像与库存面像的依次比对并出最佳匹配对象。因此，面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量；面纹模板法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结合的方法。   
面像识别系统则采用 "局部特征分析"(Local Feature Analysis,LFA)算法，该算法速度快，误认低，无需学习，利用人脸各器官及特征部位的方位、比例、对应几何关系等数据形成识别参数，与数据库中所有原始参数比较、判断、确认。   
与其他>生物识别技术，诸如指纹识别，掌形识别，眼虹膜识别和声音识别相比较，面像识别具有以下两点独一无二的特性：   
1）其他每种生物识别方法都需要一些人的配合动作，而面像识别不需要被动配合，可以自动用在隐蔽的场合，如公安部门监控行动。   
2）当记录一个企图登录的人的生物记录时，只有面像能更直观，更方便的核查该人的身份。   
由于与传统的生物识别技术相比，面像识别具有更为简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、控制等各个方面。 
2.面像识别技术原理   
2.1 基本算法--局部特征分析   
任何一个面像识别系统的基本要点是如何将面像进行编码。面像识别技术使用局部特征分析LFA来描述面部图象，他源于类似搭建积木的局部统计的原理。   
LFA 是基于以下事实的一种计算方法,即所有的面像(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成.这些单元使用了复杂的统计技术而形成的,它们代表了整个面像.他们通常跨越多个象素（在局部区域内）并代表了普遍的面部形状,但并不是通常意义上的面部特征。实际上面部结构单元比面像的部位要多得多。
然而,要综合形成一张逼真,精确的面像,只需要整个可用集合中很少的单元子集(12-40特征单元).要确定身份不仅仅取决于特性的单元,还决定于他们的几何结构(比如他们的相关位置）。   
通过这种方式,LFA将个人的特性对应成一种复杂的数字表达方式,可以进行对比和识别。   
2.2 面像识别的步骤：   
1）建立面像档案：可以从摄像头采集面像文件或取照片文件，生成面纹（Faceprint）编码即特征向量；   
2）获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹； 
3）将当前面像的面纹编码与档案中的面纹编码进行检索比对； 
4）确认面像身份或提出身份选择   
上述整个过程都自动、连续、实时地完成。而且系统只需要普通的处理设备。 门票系统的工作流程为：   
·自动地在视频数据流中搜索面部图象；
·当一个出现用户的头像时；
自动使用多种类型的匹配算法来判断在那个位置是否真的有一张脸。这些算法能够精确地探测出同时出现的多张脸，并且能够确定他们的准确位置；一旦探测到一张脸，这张脸的图象就会被从背景中分离出来，这幅图象随后将经过一系列的特殊处理来恢复它的尺寸、光线、表情和姿态。 
·将这幅脸部图象在系统内部转换面纹，它包含了这张脸的特有信息；
·通过把实时获取的"面纹"和数据库中已有的"面纹"进行比对；
·完成对某张脸进行确认。   
“面纹”编码方式是根据脸部的本质特征和形状来工作的，它可以抵抗光线、皮肤调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。   
上述整个过程都自动、连续、实时地完成。而且系统只需要普通的处理设备。   
2.3 精确度与识别率 
对于任何一种生物识别技术，其主要精确度指标包括：错误接受率（FAR）、错误拒绝率（FRR）和相等错误率（EER），其测试结果与所运行的分析数据库（源）有密切关系。   

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。