摘要模式識別中的一個重要分支人臉識別是當今計算機視覺領域的非常要重的研究方向，同時人臉識別是應用于各個領域的用于身份識別的有效技術手段，在圖片或者視頻中對人臉的檢測是人臉識別的基礎，一種高精度的人臉識別技術必須先在圖像或者視頻中先將人臉定位而后才能夠做到有效的人臉識別。所以說人臉檢測在人臉識別領域是非常重要的基礎研究領域。經(jīng)過多年來，計算機相關領域的不斷發(fā)展，人們已經(jīng)掌握了不少的有關的比較成熟的理論和技術。在本文中，我們首先介紹有關模式識別的基礎知識，模式識別是人臉識別的基礎，對模式識別的理解和熟悉有助于我們對人臉識別更加深刻的認識。接著，我們開始回顧人臉識別技術起源、發(fā)展歷程，這個過程我們可以把它歸納性的劃分為三個階段。再接著，我們開始介紹各種主要的人臉識別技術，人臉識別的技術主要包括NO1幾何特征的人臉識別方法；NO2基于特征臉的人臉識別方法；NO3神經(jīng)網(wǎng)絡的人臉識別方法；NO4彈性圖匹配的人臉識別方法；NO5線段距離的人臉識別方法；NO6支持向量機的人臉識別方法。緊接著，我們我們介紹幾種主要的人臉識別算法，主要分為基于人臉特征點的識別算法、基于整幅人臉圖像的識別算法、基于模板的識別算法、利用神經(jīng)網(wǎng)絡進行識別的算法。然后，我們開始介紹本次設計主要使用的人臉檢測算法ADABOOST算法，以及相關知識HAAR矩形特征和積分圖。最后，我們利用OPENCV對基于ADABOOST算法的人臉檢測技術進行實現(xiàn)。關鍵詞人臉識別人臉檢測ADABOOSTHAAR特征ABSTRACTANIMPORTANTBRANCHOFPATTERNRECOGNITIONFACERECOGNITIONISTODAYVERYWEIGHTOFTHEFIELDOFCOMPUTERVISIONRESEARCHDIRECTION,ATTHESAMETIMEFACERECOGNITIONISUSEDINVARIOUSFIELDSOFEFFECTIVETECHNIQUESFORTHEIDENTIFICATION,INPICTURESORVIDEOSFACEDETECTIONISTHEBASISFORFACERECOGNITION,AHIGHPRECISIONFACERECOGNITIONTECHNOLOGYMUSTBEINTHEIMAGEORVIDEOFIRSTFACELOCATIONBEFOREWECANACHIEVEEFFECTIVEFACERECOGNITIONSOFACEDETECTIONISAVERYIMPORTANTFIELDOFBASICRESEARCHINTHEFIELDOFFACERECOGNITIONAFTERYEARS,THECONTINUOUSDEVELOPMENTOFCOMPUTERRELATEDFIELDS,PEOPLEHAVEMASTEREDALOTOFTHEMOREMATURETHEORYANDTECHNOLOGYINTHISARTICLE,WEFIRSTINTRODUCETHEBASICSOFPATTERNRECOGNITION,PATTERNRECOGNITIONISTHEBASISOFFACERECOGNITIONTOHELPOURFACERECOGNITIONDEEPERUNDERSTANDING,PATTERNRECOGNITION,UNDERSTANDINGANDFAMILIARNEXT,WEBEGANREVIEWINGTHEORIGINOFFACERECOGNITIONTECHNOLOGY,THECOURSEOFDEVELOPMENT,APROCESSTHATWECANPUTITINDUCTIVEDIVIDEDINTOTHREESTAGESNEXT,WEBEGANTOINTRODUCEAVARIETYOFFACERECOGNITIONTECHNOLOGY,FACERECOGNITIONTECHNOLOGIESINCLUDENO1GEOMETRICFEATURESFACERECOGNITIONNO2FACERECOGNITIONMETHODBASEDONTHECHARACTERISTICSOFTHEFACENO3NEURALNETWORKFACERECOGNITIONMETHODSTHENO4ELASTICGRAPHMATCHINGFACERECOGNITIONMETHODNO5LINEDISTANCEFACERECOGNITIONMETHODNO6SUPPORTVECTORMACHINEFACERECOGNITIONMETHODTHEN,WEINTRODUCESEVERALMAJORFACERECOGNITIONALGORITHMISDIVIDEDINTORECOGNITIONALGORITHMBASEDONFACIALFEATUREPOINTS,BASEDONAWHOLELOTOFFACEIMAGERECOGNITIONALGORITHM,TEMPLATEBASEDRECOGNITIONALGORITHMUSINGNEURALNETWORKIDENTIFICATIONALGORITHMSTHEN,WEBEGINWITHTHEDESIGNFACEDETECTIONALGORITHMADABOOSTALGORITHM,ASWELLASKNOWLEDGEHAARRECTANGULARFEATURESANDINTEGRALIMAGEFINALLY,WEUSETHEOPENCVFACEDETECTIONTECHNOLOGYBASEDONADABOOSTALGORITHMIMPLEMENTEDKEYWORDSFACERECOGNITIONFACEDETECTIONADABOOSTHAARFEATURE1模式識別基礎11模式識別的定義通過對表征各種事物或者現(xiàn)象的各種主要的形式的信息進行分析和處理，以對這些事物或者現(xiàn)象進行符合需求精度的描述、辨認、分類以及解釋的過程。12模式識別的應用領域模式識別是信息科學與人工智能的一個交叉研究領域，主要應用在數(shù)字圖像分析處理、語音識別、語音通信、數(shù)據(jù)挖掘，CAD（計算機輔助診斷）13模式識別的主要方法1、決策理論方法（統(tǒng)計方法）2、句法方法（結構方法）決策理論方法基本思想首先對識別對象進行數(shù)值化，接著進行特征提取，把輸入模式從對象空間射映到特征空間，這是特征空間中的一個點或一個特征矢量就可以表示一個模式。句法方法基本思想把一個模式描述為比較簡單的子模式的組合，接著把簡單的子模式描述為更簡單的子模式，最終得到一個樹形結構的描述，最簡單的子模式稱為模式基元。通過匹配是否符合一個特定的模式語法來識別一個模式。14模式識別的過程可觀察的客觀世界，往往包含了非常大量的維數(shù)，這時候我們通過模式采集，提取出，我們主要關注的有限個數(shù)的維數(shù)，這時，這個客觀對象，我們把它稱為模式空間，再接著通過特征提取，把模式空間變換為特征空間，比如，顏色、重量、價格，這是特征空間中的一個點或者有限圖形可以表示一個模式，比如顏色為紅色，重量為30KG，價格為1000就可以表示一個特定對象。15模式識別中的三種主要的空間模式空間、特征空間、類型空間；模式空間一個可以觀察的對象，所觀察得到的數(shù)據(jù)；特征空間從所觀察得到的數(shù)據(jù)中提取出主要能反映這個對象的主要屬性的主要特征，這個主要特征就叫做特征空間；類型空間在特征空間中把一些樣本區(qū)分為一個類型，這些類型的集合就叫做類型空間16模式識別PATTERNRECONGINTION的系統(tǒng)構成兩種模式識別方法統(tǒng)計方法、結構方法），模式識別系統(tǒng)的兩個過程設計與實現(xiàn)；所謂設計即是選取一定量的樣本，對分類器進行訓練；所謂實現(xiàn)就是用已經(jīng)設計好的分類器對待識別的樣本進行分類決策。我們主要討論基于統(tǒng)計方法的模式識別的系統(tǒng)構成，其主要的組成為信息獲取、預處理、特征提取和選擇、分類決策，其表示如下圖此圖演示了模式識別的過程17信息獲取的概念計算機通常使用一些可以進行運算的符合來表示所研究的對象，以便于使計算機能夠處理各種模式識別的問題。對于一個特定的對象，計算機一般可以通過以下三種方式來描述NO1物理參數(shù)或者邏輯值NO2一維波形圖，機械震蕩波形，無線電波形等等NO3二維圖形，比如圖片，照片，文字，幾何圖形等等通過一些特定的儀器對特定的觀察對象進行測量，抽樣，量化的過程，我們可以使用矩形或者向量等數(shù)學符號來表示物理參數(shù)、邏輯值、一維波形圖、二維圖形18預處理的概念預處理能夠濾除不需要的信息，如噪聲，加強有用的信息，并且能夠?qū)τ捎谑褂脺y量儀器或者其他的外在客觀因素所造成的退化現(xiàn)象進行復原處理。19特征提取和選擇一張未壓縮的圖片或者一維波形圖一般包含了相當大量的數(shù)據(jù)信息。比如一張未經(jīng)過壓縮的高清照片，其所占用存儲量高達幾十MB，又比如衛(wèi)星遙感圖像，其所包含的數(shù)據(jù)更是非常的膨大，如此大量的數(shù)據(jù)要想進行有效的模式識別是很困難的，這個時候我們就應該對原始數(shù)據(jù)進行有效的變換，得到最能夠反映這個對象的本質(zhì)的特征，而這個變換的過程，我們稱之為特征提取和選擇。110分類決策我們使用統(tǒng)計方法對特征空間中需要被識別的對象歸納為一個特定的類別，這個過程被稱之為分類決策；分類決策的主要步驟是首先在一個樣本練訓集上定確出一個判決則規(guī)，通過修改閾值的上下限，使得這種判決則規(guī)對被識別的對象進行分類所造成的誤錯識別率最小或引起的損失損最小。111模式識別中的圖片識別問題由于人類的視覺的物理基礎尚且未被人類很好的認識，所以這也是圖片識別中我們所必須正視的挑戰(zhàn)；與此同時，視覺錯覺也是我們必須面對的一個很復雜的高級的問題，除此以外視覺過程中還涉及一些精神過程，所以目前我們的圖片識別的方法可能是非常不完善的。112模式識別中的圖片識別的主要步驟1對圖片進行采樣量化，如將一張圖片轉換為一個數(shù)組。2圖片分割按一個圖片中的色彩、紋理是否一致來確定出一個對應的區(qū)域。3物景分析處理通過圖片分割所產(chǎn)生的區(qū)域的修改或者合并等處理，可以對一個區(qū)域確定為一個對象物體。4形狀描述一個被確定的物體通過編碼后得到一個反映其形體狀貌的定量得結構。5物體描述即對一個物體進行分類，有簡單分類和用語言進行描述的分類，比如一個物體可以把它歸納為GIRL類，又比如一個物體可以通過語言進行描述，把它歸納為有顏色為白色，形狀為圓形的物體。此過程中步驟1為數(shù)字信號處理的范圍；步驟2圖片分割使用了圖像處理和模式識別兩者的技術來進行處理。113模式識別的總結模式識別亦又人稱為圖形識別，我們通過計算機采用一些技術方法對所研究的對象進行自動處理和判斷的過程；通常情況下，我們把客觀環(huán)境中的一些物像統(tǒng)一的稱之為“模式”。目前計算機技術正在不斷發(fā)展，人類在不斷的研究更加復雜的數(shù)字信息處理過程。而信息處理過程中的一個非常關鍵的方向就是模式識別，模式識別中又有兩個方面，一個是光學信息的識別，即是圖形識別，一個是對聲音信息的識別，又被稱為語音識別。采用計算機實現(xiàn)的模式識別的最為顯著的特點是運算速度快，處理速度快，有較高的精確度，效率高。在未來，我們可以看到模式識別將應用的非常廣泛，將代替很多現(xiàn)在的人工的操作。目前人類所研究的模式識別技術，和人類的學習過程有很大的相似性。以中文字符識別作為例子，一開始我們對中文字符的圖象進行處理，提取其表達的主要特征然后將特征與漢字的代碼儲存于計算機存儲器中；這個過程如同我們的語文老師教我們“這個字怎么讀、怎樣寫”，然后經(jīng)過練習，我們把這個中文字符記憶在大腦中。這個過程被稱之為“訓練”。而識別的過程，就是我們把需要識別的字符信息輸入進計算機，這時，計算機對輸入信息和已經(jīng)進行處理過的已儲存的漢字信息進行比較和配匹，經(jīng)過分析和處理后，找出近似程度最高的字符，那么這個字符就是識別的結果。我們把這個過程稱之為“匹配”。2人臉檢測的概述21對人臉檢測的基本描述在計算機技術的不斷發(fā)展的過程中，人工智能的不斷發(fā)展是必然的趨勢，而做為人工智能的基礎知識，基本的技術，模式識別技術以及更加基本的細分技術人臉識別技術，是人工智能的一個重要的分支，人工智能的發(fā)展，就必須要使計算機能夠主動是的去獲取周圍的客觀世界的各種數(shù)據(jù)信息，而模式識別技術就如同是計算機擁有了眼睛和鼻子乃至更多的感官能力，而人臉識別技術就就如同讓計算機長上了眼睛，并且是一個可以用眼睛來識別人物的科學技術。相信在未來，順著計算機人工智能的不斷發(fā)展，以及其各種分支技術的不斷發(fā)展和完善，我們將獲得更加友好，溫和，真實，智能的人機交互體驗。在計算機視覺方面，經(jīng)過研究者們的不斷探索，不斷努力的工作，我們已經(jīng)有了很多的這方面的相關理論和技術，而且我們相信在未來，我們將有更加完善的理論，更有有效的算法和檢測技術。在各種檢測技術中，人臉檢測技術是越來越受到人們所關注的研究技術方向，是當前計算機方面的研究熱點，與此同時人臉檢測相關的其他的一些圖形識別技術也在不斷的逐漸的成為研究的熱點，在未來，順著計算機視覺相關技術的不斷發(fā)展，我們相信這些技術一定會極大的改變我們未來的生活體驗，有更加美好的生活環(huán)境，更加安全的智能監(jiān)控，更加完善，真實的人機交互體驗。人臉檢測，通過計算機的輸入圖像進行是否有人臉進行判斷然后對圖像中的人臉進行定位，并最終確定出圖像中人臉的位置，人臉的大小，人臉的姿態(tài)，等等有關人臉的各種參數(shù)。同時，人臉檢測也是一個基礎技術，人臉檢測是人臉識別，表情識別，性別識別等等各種檢測技術的一項最關鍵最為基本的技術，人臉檢測也是通用目標檢測問題中的一個特例。目前，人臉檢測技術在模式識別和計算機視覺領域中廣泛被關注。22人臉檢測技術的發(fā)展過程，人臉檢測技術發(fā)展的三個主要階段。人臉檢測技術是計算機視覺領域的熱點，目前已經(jīng)有大量的于此相關的理論，論文，技術資料，并且新的資料，論文，理論，技術也在不斷的出現(xiàn)。按照人臉檢測技術的所研究的探索的內(nèi)容，運用的算法，使用的技術方法等等方面，我們可以把人臉檢測技術的發(fā)展主要的分為三個主要階段?，F(xiàn)在我們開始分別介紹這三個主要的階段。首先是第一階段在這個段階，人臉測檢通常僅僅是作為一個一般性的普通性的模式識別問題來研究，即僅僅作為模式識別研究領域的一個細分分支來進行研究，這個時候人們所采用的主要識別技術是基于人臉的幾何形狀特征的技術方法，當時于此相關的研究集中體現(xiàn)在對于“剪影（PROFILE”的研究上，人們對于如何將人臉面部的剪影曲線的結構特征進行提取、處理以及分析等方面進行了非常多的研究。同時基于人工神經(jīng)網(wǎng)絡的研究方法也是當時人臉檢測技術的研究熱點。在這一階段從事于人臉檢測技術的主要的比較重要的研究人員有BLEDSOE、GOLDSTEIN、HARMON、KANADE，就職于卡內(nèi)基梅隆大學的KANADE教授是人臉檢測技術領域的活躍人物之一，他所領導的人臉檢測技術小組是人臉檢測領域的一支特別重要的力量。總而言之，第一階段是人臉檢測技術發(fā)展的最初階段，也是比較初級的階段，這個時間人臉檢測領域的重要研究成果不多，多是理論方法，也沒有得到廣泛的運用。再接著是第二階段人臉檢測技術發(fā)展的這個階段相對來說時間比較短暫，但是于此同時也是人臉檢測技術領域進行研究的高潮階段，這個世界所當時的研究成果不可謂不多，這個時候生產(chǎn)了許多的人臉檢測技術的比較有影響的算法。同時，美利堅軍方還組織了當時很有影響的FERET人臉識別算法測驗，也出現(xiàn)了一些能夠適用于商業(yè)化運營的人臉測驗系統(tǒng)FACEDETECTIONSYSTEM，比如非常有名的FACEIT系統(tǒng)。這個時期最為引人注目的研究成果是就職于麻省理工學院媒體實驗室的TURK與PENTLAND所提出的“EIGENFACE”檢測算法，這個算法代表了當時人臉檢測領域的最有影響力的成就，此后，新出現(xiàn)的很多人臉檢測技術都在一定程度上的受到了EIGENFACE算法的影響，目前EIGENFACE檢測方法和歸一化協(xié)相關量檢測方法（NORMALIZEDCORRELATION是人臉檢測的性能測試的基準算法。同時，就職于麻省理工學院AI實驗室的BRUNELLI和POGGIO做了一個對比實驗，并得出了一個明確的結論基于模板匹配的檢測算法性能優(yōu)于基于結構特征的檢測算法。這個具有指導意義的結論和當時著名的EIGENFACE算法共同推動了當時的人臉檢測技術的發(fā)展，終止了人臉檢測領域的純粹基于結構特征的人臉檢測方法的研究課題，推動了基于外觀（APPEARANCEBASED的線性子空間建模算法和基于統(tǒng)計算法人臉檢測技術的發(fā)展，后者在此后的技術發(fā)展更新中逐漸的成為了人臉檢測技術的主流。另外其他的重要成果有FISHERFACE人臉檢測算法（由BELHUMEUR等提出），基于雙子空間的貝葉斯概率估算的人臉檢測算法，彈性圖匹配檢測算法（ELASTICGRAPHMATCHING。同時，著名的FERET項目的開展推動了在有光照、姿態(tài)等非理想采樣條件下的人臉檢測問題的研究。第三階段（1998年現(xiàn)在）FERET項目所進行的人臉檢測技術評估表明主流的人臉檢測算法在光照、姿態(tài)、表情、裝飾等非理想的圖像采集條件或者用戶不配合等其他因素的魯棒性比較差。因此，光照、姿態(tài)等問題在后來成為計算機視覺領域的研究熱點。同時，統(tǒng)計學習理論中的支持向量機SVM在這個階段被廣泛的應用到了人臉檢測技術中來。BLANZ和VETTER等提出的基于3D變形3DMORPHABLEMODEL模型的多姿態(tài)、多光照條件下人臉的圖像采集、分析與檢測算法也是這個階段的一項具有很大影響力的人臉檢測算法。實驗表明，該方法在多光照、多姿態(tài)的人臉庫上得到了非常高的檢測準確率。另外，BASRI和JACOBS得出結論由任意遠點光源獲得的所有朗博反射函數(shù)的集合形成一個線性子空間，這個結論對于光照問題的解決提供了有效的解決思路。同時，F(xiàn)ERET項目之后，更多的商業(yè)化運營的人臉檢測系統(tǒng)開始出現(xiàn)。目前，非理想圖像采集條件下的人臉檢測問題成為計算機視覺領域的研究熱點?，F(xiàn)在，重要的人臉檢測算法或理論包括非線性建模方法、統(tǒng)計學習理論、基于BOOSTING的學習技術、基于3D變形模型（3DMORPHABLEMODEL的人臉建模與檢測方法。23人臉檢測所面臨的主要困難人臉檢測算法需要考慮的主要因素有兩方面，一是要保障算法能夠得到高檢測率（HIGHDETECTIONRATE），二是要保障得到低誤檢率（LOWFALSEPOSITIVERATE）。目前人臉檢測的所面臨的主要難點為如下幾點（1）臉型的多樣性，人臉中包含許多細微結構或特征，如，人的發(fā)型、頭發(fā)的顏色、皮膚的大小、眼睛的大小和睜閉、面部動作，這些問題可能會給人臉識別帶來一些困難。（2）臉部遮擋，如眼鏡、額前的長發(fā)、頭飾，另外還有外界環(huán)境引起的遮擋等。（3）拍攝的視角變化，人臉拍攝時的視角變化有兩種情況平面內(nèi)旋轉和平面外旋轉，此兩種情況對應的實際拍攝效果可能是側面人臉圖像或傾斜人臉圖像。（4）拍攝背景復雜，比如拍攝照片是，由于背景顏色很人臉的膚色比較相近，人臉檢測算法難以進行分離，因此，可能會出現(xiàn)誤檢的情況。（5）成像條件的變化。主要影響的因素有光照、陰影、姿態(tài)、成像設備本身的限制等等方面的影響。24目前主要的兩類人臉檢測算法的概述到目前為止，計算機視覺領域的人臉檢測研究已經(jīng)有20多年的發(fā)展，目前廣泛使用的人臉檢測算法大致可以分為兩類，基于知識的方法（KNOWLEDGEBASEDAPPROACH），基于學習的方法（LEARNINGBASEDAPPROACH）?；谥R的方法是利用特定的規(guī)則對人臉進行識別，而需要利用的規(guī)則來源于先前已有的關于人臉模式的先驗知識。比如人的臉型的最基本的特征是對稱的一雙眼睛、一個鼻子、一張嘴，并且這些特征的位置是相對固定的，即一雙眼睛位于鼻子的上端，鼻子豎直向下，嘴位于下端?；谥R的檢測方法的基本檢測過程是首先提取出這些面部基本特征，而后根據(jù)這些面部特征的相對位置關系進行重組?；谥R的面部檢測方法在早期的人臉檢測工作中應用較多，整個檢測過程簡單、易于應用、可行性高。但是該過程的主要缺點是難以將面部檢測模式的所有知識轉化為可以運用于計算機的規(guī)則表達式。其難點主要體現(xiàn)在如果規(guī)則表達式比較嚴格，那么就會產(chǎn)生較高的漏檢率；如果規(guī)則表達式比較簡單，那么比較容易出現(xiàn)相對較高的錯檢率。而且，人臉的面部特征有一定的復雜性，這種基于知識的方法難以枚舉所有人臉的面部情況，使這種基于知識的人臉檢測算法的應用范圍受到了限制?；趯W習的人臉檢測方法，通過收集大量的人臉面部、非人臉樣本，而后基于學習的人臉檢測算法結合機器學習算法，使計算機能夠通過學習獲得一個分類器，通過對分類器的不斷訓練，使得分類器能夠有效地對人臉以及非人臉的圖片樣本進行有效的檢測?；趯W習的人臉面部檢測算法的性能主要決定于機器學習算法生成的學習機器（LEARNINGMACHINE）的學習能力以及用于訓練分類器的人臉和非人臉的樣本對實際目標模型的表達能力。相較于基于知識的人臉檢測算法，基于學習的人臉檢測算法具有更高的優(yōu)越性，能夠在非常復雜的客觀背景下進行處理復雜的人臉檢測問題，同時也是當前計算機視覺領域中的人臉檢測與識別學科方面的主流研究方向。目前在基于學習的人臉檢測算法研究方向上，比較重要的研究成果有4種，分別是基于人工神經(jīng)元網(wǎng)絡的方法，基于支持向量機的方法，基于貝葉斯準則的方法，基于ADABOOST的方法。在人臉檢測方面，基于這4種的算法設計的檢測器的檢測精度差別沒有本質(zhì)性的不同，其檢測精度都是很高的，但是不同檢測算法的檢測速度是有一定的差別的，其中檢測效率最為高效的是結合了ADABOOST算法和HAAR矩形特征的級聯(lián)檢測器。目前這種ADABOOST算法獲得了很大的成功，以至于在最近幾年，人臉檢測算法通常是ADABOOST算法的變形或者擴展，而且這種算法還被推廣到更加廣泛的應用上，比如行人目標的快速檢測，同時ADABOOST算法也是本文的重要的闡述內(nèi)容，和本文實驗內(nèi)容是實際實現(xiàn)方法。25本章小結本章最初，我們進行了對人臉檢測最基本的描述，對人臉檢測在未來對人工智能的發(fā)展的推動作用寄予了厚望，和對未來人臉檢測的廣泛應用的展望；接著我們按人臉檢測技術的生產(chǎn)，發(fā)展過程進行了必要的概述，并把人臉檢測技術的發(fā)展過程大致的分化為三個主要的階段；然后我們對人臉檢測技術發(fā)展過程中我們所面臨的各種困難進行了闡述；其難點大致可以分為以下幾點，即面部特征的多樣性，面部被遮擋，成像背景的復雜性，拍攝角度的多變性，成像設備條件的不一致性；再接著，我們目前人臉檢測算法的兩種主要類別，一是基于知識的人臉檢測算法，一是基于學習的人臉檢測算法，其中基于學習的人臉檢測算法，有更高的檢測效率，并且其中的一個分支基于ADABOOST由于其檢測速度快，檢測效率高更是得到了廣泛的運用，目前的許多人臉檢測算法都是ADABOOST算法的變形或者擴展；在接下來的章節(jié)我們也會在更多的章節(jié)對ADABOOST算法進行非常詳細的描述。3人臉檢測主要方法31本章概述目前廣泛應用的人臉檢測算法有比較多種的種類，根據(jù)檢測算法的不同，人臉檢測算法大致可以分為以下三大類第一類基于膚色的人臉檢測算法基于膚色的檢測方法是較為簡單人臉檢測算法，因此在檢測精度要求不高的應用環(huán)境中其應用是最為廣泛的，在一些場合或者一般情況下，由于人臉的膚色特征和背景顏色有較大的區(qū)別，所以我們可以通過這種基于膚色的人臉檢測算法快速的粗略的將人臉和其背景環(huán)境中區(qū)分出來。第二類基于形狀的人臉檢測算法基于形狀的人臉檢測算法的理論基點是人臉的面部特征具有普遍性，如面部有位置相對固定的一雙眼睛，一個鼻子，一張嘴，我們可以利用人臉的面部特征，利用一些事先設計好的數(shù)學模型與我們需要檢測的圖像中進行匹配，如果圖像中有符合匹配的條件，那么就能確定圖片中人臉的位置，大小等信息。第三類基于學習的人臉檢測算法基于學習的檢測方法是利用統(tǒng)計理論進行分析并且結合機器學習的計算機，通過先前準備好的大量的人臉和非人臉樣本對利用某種基于學習的算法設計的分類器進行訓練，設計好的分類器能夠有效的對人臉和非人臉圖像中所包含的特征信息進行有效的識別。32基于膚色的人臉檢測算法基于膚色的人臉面部檢測算法是應用的比較為廣泛的以及和普遍的計算機人臉面部識別檢測算法。這種人臉檢測算法在設計之初，需要建立和人臉有相關性的人臉面部膚色色彩數(shù)據(jù)模型。當今的計算機科學界，計算機視覺研究領域的一個重要的分支即是數(shù)字圖形學，其定義的色彩模型的意義是指，在圖像中某種特定的上下文的數(shù)據(jù)環(huán)境中對于色彩的一些特性和行為特征模式進行有效地解釋的一種模型方法。在這之中，的顏色色彩模型是通過基予三原色即紅、綠、藍三種顏色色彩混合RGB而產(chǎn)生其他顏色的色彩生產(chǎn)機制，以便于使不同的顏色能夠注入進入視頻監(jiān)視器或者打印機、投影儀等硬件設備上以用來表示顏色及色彩。在我們用計算機建立一個基于人臉膚色的色彩模型之前，我們有必要首先先簡要地介紹一些有關各種顏色色彩空間的基礎概念性知識。321色彩表示空間RGB色彩表示空間即為各種顏色色彩的最為基本的色彩表示空間。中RGB的R、G、B三個字母分別用來表示各種顏色中的紅色RED、綠色GREEN、藍色BLUE這三種最基本的顏色，這三種顏色的亮度的程度可以使用數(shù)字0255來表示。通過對、這三種基本的顏色色彩的通道進行改變以及這三種顏色色彩互相之間疊加而產(chǎn)生新的顏色色彩，我們通過這樣的方法，大概得到大約1670萬種顏色豐富的各種顏色色彩。322色彩表示空間BRYC顏色色彩表示空間又被稱之為色彩空間，為表示電視視頻圖像YUV和計算機數(shù)字圖像中最為常用的色彩顏色空間，目前，這種顏色色彩空間廣泛地運用在有線數(shù)字電視系統(tǒng)中。其中YUV中的字母代表數(shù)字圖像中亮度這種基本的元素，而字母則分別代表的是數(shù)字圖像中的藍色分量以及紅色分量。BR顏色色彩空間模型中，數(shù)字圖像的數(shù)據(jù)可以表示為雙精度類型，但是，BRYC數(shù)字圖像中的數(shù)據(jù)的存儲空間是通過8位無符號整形數(shù)據(jù)儲存空間表示。YUV色彩空間中的字母（即亮度）的取值范圍為16235，另外的兩個字符和YBC（即藍色分量以及紅色分量）的取值范圍皆為16240。YUV色彩空間在目R前較為廣泛使用的各種數(shù)字圖像壓縮算法中都有應用，比如JPEG算法，這種算法的第一個的步驟就是將圖像的顏色色彩空間進行轉換，使其表示為顏色色彩空間。在通過該算法（JPEG算法）將數(shù)字圖像從色彩空間BRYCRGB轉換到顏色色彩空間的過程中，數(shù)字圖像中的數(shù)據(jù)的輸入、輸出都是8R位二進制格式。這種算法的轉換公式如下102958701416328BRYRGBC上面所述的代數(shù)表達式中，、分別代表的是顏色空間中的紅色分RGBRGB量、綠色分量、藍色分量這三個顏色分量的取值。323色彩表示空間NTSC顏色色彩表示空間是一種廣泛應用于電視圖像的顏色色彩表示空間。在色彩表示空間中，我們采用的是色彩坐標系，在這種色彩表示坐YIQ標系中，YIQ中的字母代表的是數(shù)字圖像中色彩的光亮度，用于表示數(shù)字圖Y像中的灰度信息；字母表示的是數(shù)字圖像中的色調(diào)，字母代表的是數(shù)字圖I像的飽和度，這三個字母Y、I、Q中的I和Q都是用于表示圖像中的顏色信息。根據(jù)我們前面的表述，我們可以知道這種顏色表示空間的一個主要的有別于其他的色彩表示空間的優(yōu)點就是通過這種色彩表示空間，我們可以把數(shù)字圖像中的灰度信息和顏色信息分別表示。324色彩表示空間HSV顏色色彩表示空間是一種面向使用者的色彩表示空間，這種色彩表示空間和人類視覺的主觀感覺有一定的相似性。在HSV色彩表示空間中，字母、分別指代的是是數(shù)字圖像中的色調(diào)（用字母H表示），數(shù)字圖像中的顏色飽和度（用字母S表示，SATURATION）以及數(shù)字圖像中的明度（用字母V表示，VALUE）。在這種色彩表示空間中，圖像中的一種顏色可以用一個H/S/V三元組來表示，H、S、V分別是一中顏色的三個參數(shù)。325人臉膚色模型人臉的膚色由于各種客觀的環(huán)境因素、基因因素、生活條件因素、著裝打扮的因素，導致了由于種族的差異，年齡的差別，性別的不同，而使人臉的面部膚色看起來存在各種差異，但是人臉膚色的主要差異體現(xiàn)在圖像中的亮度上。當減少或者去除圖像亮度的影響，人臉膚色就具有比較高的聚類性。在顏色表示空間中，我們?yōu)榱擞行У販p少由于光照條件而產(chǎn)生的影響，RGB有必要對人臉膚色進行亮度歸一化處理。歸一化后圖像中的顏色分量分別用小寫字母表示，亮度歸一化處理由下列代數(shù)式表示,RGB2,RGBRGBBR代數(shù)中的小寫字母分別來自于RGB顏色模型中的三個基本分量、,BRG，我們可以根據(jù)數(shù)學方法知道，。這種歸一化處理去除了三個顏B1RGB色分量、中的相對亮度信息（即），但是采用這種歸一化處RGBGB理方法后，新的顏色分量仍然存在細微的亮度信息，因此，采用這種基于,RGB顏色表示的歸一化處理方法，來進行膚色檢測，其檢測效果不理想。在色彩表示空間中，我們對圖像進行歸一化處理后，得到色度直方圖，BRYC假定膚色模型滿足二維高斯模型的條件，即，在這個代數(shù)表達式中，,MMC為色彩均值，即，；表示的是協(xié)方差矩陣，MMEX,TBRC。我們可以使用這種基于色彩表示空間的膚色模型TEXBRY來檢測圖像中的任意一個像素是否符合人臉膚色，其概率由下列表達式計算得出。31,EXP05TBRPCMCX我們已經(jīng)通過大量的實驗，有效地證明了，這種基于顏色表示空間的人BRY臉膚色模型可以非常高效率地區(qū)分圖像中的像素是否符合人臉或者非人臉的條件。326圖像亮度補償我們知道在不同的光照條件下，我們通過圖像采集設備得到圖像的亮度是由明顯的差別的，為了減少或者去除這種由于光照條件造成的影響，可以采用GRAYWORLD算法來處理基于RGB色彩表示空間的圖像，對這種圖像進行對快速地色彩補償?shù)奶幚?，其處理方式由下列公式表?,STDCNEWCAVSS在上列所述的公式中，表示的是標準亮度圖像、的值；表示的STDRGBAVEC是輸入圖像、的平均值；表示的是原圖像的像素值，表示的是RGBNW進行亮度補償處理后的像素值。32基于形狀的人臉檢測算法基于形狀的檢測算法是根據(jù)人臉的面部中器官的位置特征、幾何特征等這些特征集，進行檢測，其檢測方法大致又可以分為三種，下面將一一列出。321基于先驗知識的人臉檢測算法基于先驗知識得人臉檢測算法是通過將人臉的面部器官之間的位置關系進行編碼準則化的人臉面部檢測算法。這種人臉面部檢測算法是一種自頂向下的運算方法，其根據(jù)是人臉的面部器官的位置對稱性、灰度的差異性等先驗知識，據(jù)此制定出了一系列得檢測的準則。當圖象中得待測定區(qū)域符合設定的準則，那么根據(jù)此檢測算法，此圖片中的該區(qū)域被檢測為人臉區(qū)域。這種自頂向下的檢測方法可以比較好地把握圖像中的全局信息，但是這種方法有一個缺點，其缺點在于在圖像中待測區(qū)域?qū)Τ跏嘉恢玫亩ㄎ挥蟹浅Ｖ匾淖饔茫绻麑Τ跏嘉恢玫牡匚怀霈F(xiàn)了偏差，這種情況將會導致圖片中整體跟蹤結果的偏移以及變形。目前，這種基于先驗知識的檢測算法中，比較好的檢測算法有鑲嵌圖4人臉分塊檢測算法、廣義三分圖檢測算法、結合和的分塊檢測算33法。分塊的思想通過比較圖像中每個分塊地灰度值制定一系列的準則進行判定。比如，我們將系統(tǒng)分成三個等級，可以通過使用不同的精確度的平局和二二次采采樣而產(chǎn)生的三個等級的不同的的分辨率的的圖像。對于不同的分辨的圖像象，我們可以使用不同的一系列的準則來進行判斷，對于分辨率比較低的圖像的我們制定的準則主要體現(xiàn)于人臉面部特征的大體輪廓，對于分辨率比較高的圖像的我們制定的準則主要體現(xiàn)人臉面部的的細節(jié)特征。322基于特征不變性的人臉檢測算法基于特征不變性的檢測算法的概念，該算法主要是根據(jù)檢測人臉面部存在一些不會發(fā)生變化的特征，比如眼睛、鼻子、嘴巴以及他們之間的位置關系。與基于先驗知識的算法的不同之初在于，這種基于特征不變的檢測算法是自底向上的，首先，我們利用各種手段各種方法尋找出上文表述的不會發(fā)生變化的一系列的面部特征，然后我們綜合這些已經(jīng)找到的不會發(fā)生變化的面部特征，并據(jù)此確定出一個需要進行檢測的區(qū)域是否符合我們已經(jīng)確定出的有關人臉的不變特征，如果符合，那么我們就可以認為該檢測區(qū)域為面部區(qū)域。這種自底向上的檢測算法與上一小節(jié)介紹的自頂向下的檢測算法是互為相反的，我們考慮到人臉的面部的器官之間的位置是存在著空間約束的，通過對各局部信息，即臉部器官，的定位和跟蹤，并結合器官之間的空間位置關系，完成對整體人臉的定位。在各種檢測算法中，絕大多數(shù)的自底向上的檢測算法都是把眼睛作為第一個重要的主要特征進行搜索以及定位，由于眼睛具有特殊的鮮明的外觀特征以及相對穩(wěn)定的明確的對稱特征，所以我們使用眼睛作為最主要的面部特征進行檢測，這樣，我們就能夠比較方便地采用基于自由伸縮模板的檢測算法或基于特征空間的檢測算法等。但是，這種基于特征不變性的人臉檢測算法有一個重大的缺陷，其缺陷在于這種人臉檢測算法都是在圖像中的亮度空間內(nèi)對符合眼睛的亮度特征的區(qū)域進行必要地搜索，但是，這種檢測算法的檢測效率很有可能會受到在我們通過攝像機、照相機等圖像采集設備獲取圖像時其外部環(huán)境的影響，比如光照強度、姿態(tài)以及表情等。323基于模板的人臉檢測算法基于模板的人臉檢測算法的概念，我們可以把這種檢測算法更加細致地分化為兩張類別一種是預定模板；另一種是變形模板。基于預定模板的檢測算法第一步我們必須先制定出一個標準的模板，然后我們利用該檢測算法來進行計算，得出需要檢測的圖像中的檢測區(qū)域和模板之間的相關值，當我們用該檢測算法得到的相關值符合我們事先制定的準則，那么我們就可以判斷得出結論該檢測區(qū)域符合人臉的特征。基于變形模板的檢測算法的第一步是我們必須在一開始就制定出一系列模板參數(shù)，接著我們利用該檢測算法，根據(jù)圖像中的待定的檢測區(qū)域的數(shù)據(jù)對我們事先制定的模板參數(shù)做出修改，使得模式參數(shù)最終趨于穩(wěn)定值，那么我們就達到了通過基于變形模板的檢測算法以檢測出該待測區(qū)域是否符合人臉面部特征的目的。現(xiàn)在，比較好的基于模板的人臉檢測算法主要有4種，分別是層次模板匹配算法、主動表觀模型AAM算法、主動形狀模型ASM算法、多模板匹配算法。33基于學習的人臉檢測算法基于學習的人臉檢測算法是通過利用數(shù)學統(tǒng)計分析并結合機器學習的方法來完成尋找出人臉樣本或者非人臉樣本。這種算法主要是基于數(shù)學統(tǒng)計特征，再使用其他的一些特征來完成分類器的構建然后使用這種我們構建出了的分類器來完成人臉面部識別。目前人們主要使用的基于學習的人臉面部特征檢測算法包括自空間方法、神經(jīng)網(wǎng)絡方法、支持向量機方法、隱馬爾科夫模型方法以及ADABOOST算法，ADABOOST算法是應用最為廣泛和成熟的基于學習的人臉檢測算法。ADABOOST分類器是一般通過多個層次的弱分類器級聯(lián)而組合而成，通過使用第一層分類其出來的正確檢測結果來觸發(fā)第二層分類器的檢測，從第二層出來的正確結果觸發(fā)第三層分類器的檢測，以此類推。相反，從任何一個分類器輸出的被否定的檢測結果會終止后續(xù)的分類器對這個子窗口的檢測。我們可以通過改變每個層次的分類器的閾值，使得絕大多數(shù)人臉圖像都能通過檢測，非人臉不能通過分類器的檢測，這樣在級聯(lián)分類器的末端就可以拒絕大多數(shù)的非人臉?；趯W習的人臉檢測流程如下面圖片21所表示，整個過程大致由兩個部分組成分別是離線學習（OFFLINELEARNING）、在線檢測（ONLINEDETECTION）。所謂離線學習是指通過收集一系列的訓練樣本且結合機器學習算法通過訓練分類器，然后得到一個用于表示目標模型的分類器結構，所謂的在線檢測是指通過使用學習和訓練后獲得的分類器結構來檢測輸入圖片，然后可以得到人臉在圖像中的位置，并把這個新的圖像作為對此分類器的新的訓練樣本。下面我們開始分別介紹這兩個檢測過程，以及這兩種檢測過程的組成部分以及與之關聯(lián)的性能評價方法。NONFACESETFACESETINPUTIMAGES對齊預處理特征提取分類器訓練抽取所有分類窗口預處理特征提取分類器分類窗口合并圖21基于學習的人臉檢測的兩個過程（圖片左邊用于表示離線學習，圖片右邊用于表示在線檢測）331分類器的離線學習如上圖21所示，分類器其的離線學習過程包括了圖像對其、預處理過程、特征提取過程和分類器訓練過程，這四個基本過程，下我們面對這四個模塊的具體操作做一下較為詳細地講解。3311圖像對齊分類器離線學習過程的第一個步驟就是是采集用于訓練分類器的樣本，并且必須先將所有的人臉圖像進行對齊（配準）。進行圖像對齊的目的是降低這些訓練樣本集在尺度大小、形體樣貌、旋轉扭曲程度和平移等平面幾何特征方面所產(chǎn)生模式變化。現(xiàn)在我們假定圖形采集過程中獲取圖像的設備與人體的距離足夠大，那么我們就可以將攝像設備所拍攝的人臉圖像看作一個平面。用于訓練分類器的圖像中的人臉往往具有不同尺度、形狀和傾斜角度的特征，但是這種圖像可以被認為是一個經(jīng)由“標準人臉”平移、旋轉或縮放得到的。通過對齊過程，我們可以得到“標準人臉”圖像，而且可以將各個不同的訓練樣本應射到“標準人臉”圖像上。為了達到對齊人臉的目的，我們可以首先手工地標注各個圖像上的人臉的一些比較顯著的特征點的位置，比如眼角、嘴角等位置?，F(xiàn)在我們假定坐標系中的一個點是“標準人臉”上的一個顯著的特征點，而坐標點,XY是任意一張訓練圖像上與之對應的特征點，這兩個點的位置關系可以通,XY過仿射變換代數(shù)式來表示，即（21）COSINI1XXYYTTXABY在給定一組對應的點后，上面的代數(shù)式（21）可以變化成下式（22）11220XYXYABT當兩個圖像有兩個以尚的對映點時，上述的線型方程組可以通過所謂的“偽逆”方法求解。我們假定表達式（22）等號左邊的矩陣被稱為A，那么求解變量，等號右邊的矢量表示為B，則有代數(shù)表達式如下,TXYTABT（23）1TAB通過式（21）的逆變換，任意一個訓練圖像上的特征點可以變換到“標準人臉”坐標。給定出一組標著了征特點的人臉圖像，需要時同時求取“標準人臉”上特征點的置位與每個練訓圖相和“標準人臉”之間的變換數(shù)參。這個代迭過程包括下列的步奏（1）初始化所有練訓樣本上的對應樣本點的平均置位作為“標準人臉”F上的征特點。（2）對任意一個練訓人臉I(yè)，計算出該人臉的征特點置位和平均置位I之間的應射關系，利用將應射到標準人臉坐標坐。FITIIFI（3）利用更新平均置位。（4）如果的變改較小則停止迭代過程，否則轉向步奏（2）。獲得標準的人臉的坐標位置POSITION以及每一個訓練圖像的應射參數(shù)之后，我們就可以通過插值的方法進行剪裁，得到對齊的固定尺寸大小的人臉訓練圖像。而非人臉圖像可以從大量的不包含人臉的各種圖像中隨機獲取，也可以通過所謂的“自舉（BOOTSTRAP）”方法，利用學習得到的分類器，在待測圖圖像中檢測出得到的一些虛警目標獲得非人臉訓練樣本。3312預處理預處理的目的是降抵光照條件不均勻所造成的影響。我們首要考慮的問題是對樣本圖像進行有效地光照梯度更正（ILLUMINATIONGRADIENTCORRECTION），即使用圖像的灰度值進行擬合，得出一個校正屏面，然后通過減去這個屏面。假定待處理的圖象中包含有N個象素，每個圖像的灰度由表示，,IFXY，需要進行擬合處理的平面為，此平面應該使得表1,2I123ZA示式與Z之間的均方誤差達到最小，即IFXY（24）1232123123,ARGMIN,NIIIAXYFXY式（24）可以通過最小二乘法得出解集。求得擬合平面后，將圖象中的各個象素與其上對應的置位的Z值相減，即（25）123,IIIIFXYFAXY照度梯度更正消除了圖象的一階變化量，能很大程度上的減弱面部的陰影，但這種更正算法并不能完全消除面部的陰影。這種陰影可以把它看作是人臉檢測過程中固有的干擾分量，需采用數(shù)理統(tǒng)計學習的方法使分類器適應這些干擾。為了進一步增強人臉模式識別的一致性，可以對樣本圖片的數(shù)理統(tǒng)計特性進行歸一化（所謂標準化）?？紤]最基本最主要的統(tǒng)計量灰度的均值和方差，將它們調(diào)整到給定的大小值。使得大小為像素的圖像灰度矩陣表示W(wǎng)H為，那么這個圖像的灰度均值和方差分別可以表示,FXY0,WYH為（26）10,WYXF（27）1220,HWYXF不失一般性，將圖像的灰度均值和方差調(diào)整到給定的大小值0和1，則需要對每個象素點的灰度大小值進行如下代數(shù)變換（28）,FXYF變換后的圖像可以部分地消除訓練樣本與測試樣本光照變化。3313特征提取特征提取的目地是將訓練圖像的象素值應射到特征空間，以降低類內(nèi)間距，提高類間間距，以便于分類器進行分類。常用的特征包括原始象素特征、HAAR特征和GABOR征特等。特征提取要同時考慮到特征的別鑒能力和計算復雜程度。比如當我們直接采用圖象灰度值作為征特時，雖然省略去了征特提取這一個計算過程，但是由于原始象素特征本身的別鑒性比較低，我們往往需要采用分類其將特征提取這一過程隱含在分類其結夠中，使得分類其的結夠變得非常復雜，分類速度效率下降，GABOR征特對目標的述描比較有效，但基于該算法的計算復雜度比較高，不利于進行人臉檢測的實時應用。HAAR征特的定義簡單明了，于此同時，基于該算法的計算復雜度相對較低，是目前的人臉檢測算法中應用較為廣泛的特征表示形式，在后面的章節(jié)中我們將根據(jù)詳細的介紹這種特征。3314分類器的學習分類器的學習是模式識別和機器學習研究的主要內(nèi)容，現(xiàn)在比較常用的方法包括神經(jīng)網(wǎng)絡、SVM和ADABOOST集成分類器等算法。神經(jīng)網(wǎng)絡主要應用在20世紀90年代早期；后來隨著SVM算法的發(fā)展，使得可以采用神經(jīng)網(wǎng)絡的地方已大多被SVM算法替代。采用SVM算法的優(yōu)點是可以通過這種算法避免不必要地反復選取神經(jīng)網(wǎng)絡的隱藏節(jié)點，且推廣性較好。ADABOOST集成分類器的優(yōu)點是可以從一個特征集合中選擇出對于需訓練的分類器最為有用的特征子集，基于ADABOOST算法我們會在后面的章節(jié)詳細介紹。在分類其訓練程過中可以通過“自舉”（BOOTSTRAP）的方法提高分類其的性螚。自舉的思意是利用已經(jīng)訓練好的分類其對景背圖片上的窗口進行有效地分類，將獲得的虛警目標添加進入非人臉樣本中，而后重新進行對分類器的訓練。自舉的目的是將最容易淆混的非人臉樣本逐步地加入到訓練集樣本中，以提高分類其的鑒別能力。自舉的方法可以反復地進行，直到所獲得的分類其在測試集合或者驗證數(shù)據(jù)的集合上的性螚上沒有明顯改善為止。332目標的在線檢測在訓練程過中得到的目標模型都是具有尺寸大小固定的寬度WIDTH和高度HEIGHT的，而在需要進行檢測的圖象中，待測目標往往可能出現(xiàn)在圖象中的任何一個置位，具有不確定的尺寸大小，所以對待測圖象的人臉檢測的具體過程中，我們一般通過使用金字塔式的窮盡搜索法來進行檢測。如下圖22所表示。圖22目標檢測的具體過程原始待測圖像按照預定的尺度步長一步一步地縮小，直到達到預先設定的尺度或者略小于模板的預定尺寸為止。在縮小到每一個規(guī)定的尺度的時候分別以固定的步長抽取出和標準模板同樣尺寸的窗口，然后經(jīng)過和訓練過程中相同的預處理和特征提取過程我們可以獲得該窗口的一系列的特征，最后我們可以利用預先訓練好的分類器對該窗口的特征向量進行分類。因為目標的長寬比是固定的，所以目標在尺度大小上只有一個自由度，目標在圖像上的具體位置退化成3個自由度，這個時候，我們可以采用3D空間中的一個點表示目標在圖像中對應的位置。現(xiàn)在，我們假設待測目標模板的高度為HEIGHT、寬度為WIDTH、模板的中心位置由坐標表示、每個模板對應的位置由3D空間中的坐標點0,表示，那么目標在3D空間中點