《快速人脸检测技术概述》由会员分享，可在线阅读，更多相关《快速人脸检测技术概述（18页珍藏版）》请在金锄头文库上搜索。
1、 快速人脸检测技术综述 快速人脸检测技术综述 李月敏1 陈杰2 高文1,2,3 尹宝才1 1(北京工业大学计算机学院多媒体与智能软件技术实验室 北京 100022) 2(哈尔滨工业大学计算机科学与技术学院 哈尔滨 150001) 3(中国科学院计算技术研究所先进人机通信技术联合实验室 北京 100080) 摘 要 摘 要 人脸检测问题研究具有很重要的意义，可以应用到人脸识别、新一代的人机界 面、安全访问和视觉监控以及基于内容的检索等领域，近年来受到研究者的普遍重视。人脸 检测要走向实际应用， 精度和速度是亟需解决的两个关键问题。 经过 20 世纪 90 年代以来十 多年的发展， 人脸检测的精度
2、得到了大幅度的提高， 但是速度却一直是阻挠人脸检测走向实 用的绊脚石。为此研究者们也作了艰辛的努力。直到 21 世纪 Viola 基于 AdaBoost 算法的人 脸检测器的发表， 人脸检测的速度才得到了实质性的提高。 该算法的发表也促进了人脸检测 研究的进一步蓬勃发展，在这方面先后涌现出了一批优秀的文献。基于此，本文在系统地整 理分析了人脸检测领域内的相关文献之后， 从速度的角度将人脸检测的各种算法大致划分为 初始期，发展期，转折点和综合期等四类，并在此基础上进行了全新的总结和论述，最后给 出了人脸检测研究的一些可能的发展方向。 关键词关键词 人脸检测，速度，人脸识别，模式识别，Boosti
3、ng 图法分类号:TP391.4 Face Detection: a Survey Yuemin Li1 Jie Chen2 Wen Gao1,2,3 Baocai Yin1 1(Multimedia and Intelligent Software Technology Laboratory Beijing University of Technology, Beijing 100022, China) 2(School of Computer Science and Technology, Harbin Institute of Technology, Harbin, 150001, Ch
4、ina) 3 (Institute of Computing Technology, Chinese Academy of Sciences, Beijing, 100080, China) , , , Abstract: Face detection is born, as an independent subject, of face recognition and develops with the requirement of the automatic face recognition system. Over the past ten years face detection h
5、as been thoroughly studied in computer vision research for its interesting applications, such as a face recognition system, a surveillance system and a machine interface. Whether face detection can come into use depends on the two key problems: the detection rate and the velocity together. Although
6、the detection rate has been improving during the last ten years, the speed is still a problem to cumber face detection system from being widely used. The hard work of researchers, especially the release of the AdaBoost based classifier presented by Viola, has made the detection velocity improve rapi
7、dly. Since, the researches began to lay more emphasis on the velocity of the system and a lot of algorithms, about how to increase the speed of face detection, have been presented. Based on these rapid developments of its velocity, this paper demonstrates it from the view of velocity. The whole stag
8、e of face detection is divided into four parts according to the extent of the face-detection velocity: the initial phase, the developing phase, the turning point and the synthesis phase. After the systematical analyses of the papers in different phases, several promising directions for future resear
9、ches are also proposed in this paper. Key words: Face detection, velocity, face recognition, pattern recognition, Boosting 1 引言引言 迄今为止， 机器视觉技术的发展已经历了一个较为漫长的旅程。 它最初只是应用于生产 流水线，简单的模拟人的视觉来执行一些繁琐、重复性的任务。经过研究者们的不懈努力， 今天我们已经可以利用它实现更有效、友好、自由的人机交互界面，并且随着人脸研究的进 一步发展，更可以让计算机实现通过观察一个人以及这个人的表情变化等做出相应的反映。 近几年电子商
10、务的蓬勃发展对安全性提出更高要求， 这也推进了人脸研究的发展和应用， 最 终将促使人类进入了一个全新的人机世界1,2。 人脸研究，主要包括人脸识别技术(face recognition)和人脸检测(face detection)技术的研 究。 最初人脸研究主要集中在人脸识别领域， 而且早期的人脸识别算法都是在认为已经得到 了一个正面人脸或者人脸很容易获得的前提下进行的3。但是随着人脸应用范围的不断扩 大和开发实际系统需求的不断提高，这种假设下的研究不再能满足需求4, 5。人脸检测开 始作为独立的研究内容发展起来。 目前， 国内外的文献中所涉及的人脸检测算法已经有很多 种， 许多重要的国际会议和
11、期刊都也都涉及到人脸检测问题研究论题。 人脸检测开始广泛应 用到全新人机界面、基于内容的检索、数字视频处理、视觉监测等许多领域。 人脸检测(face detection)是指对于任意一幅给定的图像，采用一定的策略对其进行搜索 以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态 6 。它是一个复杂的 具有挑战性的模式检测问题， 其主要的难点有两方面， 一方面是由于人脸内在的变化所引起： (1) 人脸具有相当复杂的细节变化，不同的外貌如脸形、肤色等，不同的表情如眼、嘴的开 与闭等；(2) 人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等；另一方面由于外 在条件变化所引起：(1) 由于成
12、像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转 以及上下旋转，其中深度旋转影响较大；(2) 光照的影响，如图像中的亮度、对比度的变化 和阴影等。(3) 图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。这 些困难都为解决人脸检测问题造成了难度。 如果能够找到一些相关的算法并能在应用过程中 达到实时，将为成功构造出具有实际应用价值的人脸检测与跟踪系统提供保证。 有关人脸检测的较为详尽的综述见6,7,8，它们着重于介绍各种方法所使用的特征和模 型。 本文则在系统地整理分析了相关的研究文献后从另外一个角度人脸检测速度对 近年来的研究进行综述。 这一思想的提出主要是基于如果人脸检测
13、要走向实用， 就必须实现 实时检测的要求。因此，速度应该是每个实用系统都必须考虑的一个关键问题。本文将人脸 检测领域的相关文献按其速度大致划分为四类： 初始期， 发展期， 转折点和综合期进行阐述。 需要说明的是， 我们这里的分类更多的是侧重人脸检测速度的研究， 其分类中的各类在 时间上不一定严格排列， 可能会有一定的交叉。 例如目前还有一些研究者侧重于提高检测的 精度 9。但总的趋势是在检测精度提高的同时，速度越来越受到研究者们的青睐10,11。 2 初始期初始期 这一阶段内的研究更多的是以检测精度的提高和各种视角的人脸检测为主要内容， 速度 问题的考虑相对较少。一些代表性的学者和他们的研究有
14、： MIT 的 Sung 等提出的基于样本学习的方法见12。他们采用 k-均值聚类方法在特征空 间中建立 6 个“人脸”簇(Clusters)和包围“人脸”簇的 6 个“非人脸”簇，以使“人脸”与 “非人脸”模式的边界更为清晰，如图 1 所示。算法利用训练样本到各个簇中心的距离训练 一个多层感知器进行分类， 用来实现检测人脸。 值得强调的是为了解决人脸检测中 “非人脸” 样本的选取问题，Sung 等使用了“自举”(bootstrap)方法：首先建立一个仅使用“人脸”样 本和少量“非人脸”样本训练的初始分类器对一组图像进行检测，将所有的错误报警(不是 人脸而被错检为“人脸”的结果)加入“非人脸”
15、样本库；然后使用得到的“人脸”和“非 人脸”样本训练构造新的分类器重新进行检测。以上过程不断迭代，直到收集了足够的“非 人脸”样本。这种非人脸的收集方法后来被许多研究者使用10,11,13。 Fig. 1. Face and nonface clusters used by Sung and Poggio 12. Bottom row are the final models which consist of six Gaussian “face” clusters and six “nonface” clusters 12( Courtesy of Tomao Poggio). 图 1. S
16、ung 和 Poggio 文章中的“人脸”和“非人脸”簇。最下面一行是最后的模型，包括六个“人脸”的高斯模型和六个“非人脸”的高斯模型。 M. H. Yang 提出了一种基于 SNoW (Sparse Network of Winnows) 的学习体系， 用于检测 具有不同特征、表情、姿态和光照条件下的人脸 13。SNoW 是一种具有线性函数性质14, 15、 采用 Winnow 算法16进行权值更新的稀疏神经元网络。 在学习域内， 它对所有可能的、 未知先验概率的、数量巨大的特征（共采用了 102,400 种可能的特征）进行裁减。他们用于 训练的人脸图像库主要来自 Olivetti, UMIST, Harvard, Yale 以及 FERET 等。他们还将结果 同采用神经元网络17, Kullback 相关信息18, 朴素的
