灵囧境
范文一：人脸检测的常用方法
人脸检测的常用方法
随着科学技术的不断发展，人脸检测技术的方法越来越多，如早期的模块匹配法，基于特征的方法，还有中期的神经网络，统计模型，色彩信息，形状分析，还有最近的支持向量法，多模块信息融合，Adaboost算法等，下面我们来介绍这些方法。
2.2.1基于特征的人脸检测方法
特征是人从肉眼看到的特性，人脸检测基于特征我们可以从肤色，脸部，还有五官特征进行。下面我们来简单介绍这些东西。
整体轮廓法:我们知道人的脸看起来有点圆，所以我们可以通过圆形的检测以完成对人脸检测的进行，在前人研究中，有人把人脸分割为三个轮廓区:即头顶轮廓区，左脸轮廓区和右脸轮廓区，检测任何一张图像，先进行边缘区域测试，然后提取脸部特征，最后运用评估函数来检测人脸。
肤色检测法:我们知道人脸肤色在去除亮度后具有聚类性，所以人脸的肤色在一定程度上可以把人脸统大部分背景中分离区分出来，因此我们可以运用肤色模型来检测人脸，关于这类方法我们会在第三章中详细介绍。
器官分布法:人脸的人和人可以不同，但人脸的大致器官的分布都差不多的，就是人的五官的几何分布。在这方面yang等人提出的mosaic方法，它给出了人脸区域灰度分布的规则，依据这些规则对图像进行筛选，以样本满足这些规则的程度作为检查的依据。也可以先检测器官的位置，然后将这些位置排列组合，运
[4]用器官的分布规律进行检测，基本上找到人脸的位置。
范文二：人脸检测方法的分类
人脸检测方法的分类
1 基于传统知识的方法
2 基于几何特征的方法
3 基于相关匹配的方法
4 基于表象的方法
5 基于统计理论的方法
5.1 基于子空间方法
5.2 神经网络
5.3 支持向量机
5.4 隐马尔科夫模型
5.5 基于AdaBoost方法
可以将人脸检测的方法分为五类:
1、基于传统知识的方法
2、基于几何特征的方法
3、基于相关匹配的方法
4、基于表象的方法
5、基于统计理论的方法
当然，有许多人脸检测的方法并不能简单地归于上述中的某一类，而是几类
[2]的组合。也可以将人脸检测的方法简单地分为两类:基于特征的和基于图像的。基于特征的方法指以某种特征为最小处理单元的方法;基于图像的方法指以图像中的像素为处理单元的方法。
1 基于传统知识的方法
这个方法将人类有关典型的脸的知识编码成一些规则。通常这些规则包括了脸部特征之间关系的知识。这个方法主要用于人脸的定位。
一些关于人脸的知识，可以归纳成下面几个简单的规则: 一、轮廓规则:
人脸的轮廓可近似地被看成一个椭圆，则人脸检测可以通过检测椭圆来完 成。对任意一幅图像，首先进行边缘检测，并对细化后的边缘提取曲线特征，然 后计算各曲线组合成人脸的评估函数来检测人脸。
二、器官分布规则:
虽然人脸因人而异，但都遵循一些普遍适用的规则，即五官分布的几何规则。
检测图像中是否有人脸，即是否存在满足这些规则的图像块。这种方法一般是先对人脸的器官或器官的组合建立模板，然后检测图像中几个器官可能分布的位 置，对这些位置点分别组合，用器官分布的知识规则进行筛选，从而找到可能存在的人脸。
三、对称性规则:
人脸具有一定的轴对称性，各器官也具有一定的对称性。 四、运动规则:
若输入图像为动态图像序列，则可以利用与人脸或人脸的器官相对于背景的运动来检测人脸，比如利用眨眼或说话等动作的探测来实现人脸与背景的分离。
基于知识的方法是一种自上而下的方式。它其中一个困难是如何将人类知识转化成为有效的规则:如果规则制定得太细，那么可能有许多人脸无法通过规则的验证;如果规则制定得太宽泛，那么可能许多非人脸会被误判为人脸。
2 基于几何特征的方法
这个方法的目标是寻找那些即使当姿势、视角和光线条件变化时仍然存在的结构特征，并利用这些特征来定位人脸。由于人类能够毫不费劲地“看到”在不同光线和姿态下的人脸和物体，因此研究人员认为有一个潜在的假设:存在一些关于人脸的不依赖于外在条件的属性或者特征。 有许多方法就是按照这个潜在假设，首先去寻找这种脸部特征(通过大量样本学习的方法)，然后用寻找到的特征去检测人脸。对比基于知识的自上而下的方法，这种基于特征的方法是自下而上的。
人的肤色被证明是人脸检测的一个有效特征。人脸肤色聚集在颜色空间中一个较小的区域，因此可利用肤色特征能够有效地检测出图像中的人脸。利用肤色特征检测出的人脸区域可能不够准确，但如果在整个系统实现中作为人脸检测的粗定位环节，它具有直观、实现简单、快速等特点，可以为后面进一步进行精确定位创造良好的条件，以达到最优的系统性能
3 基于相关匹配的方法
基于相关匹配的方法包括模板匹配法和等强度线方法。
1、模板匹配法:Poggio 和Brunelli 专门比较了基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法，并得出结论:基于几何特征的人脸识别方法具有识别速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别方法。
2、等强度线法:等强度线利用灰度图像的多级灰度值的等强度线作为特征进行两幅人脸图像的匹配识别。等强度曲线反映了人脸的凸凹信息。这些等强度线法必须在背景与头发均为黑色，表面光照均匀的前提下才能求出符合人脸真实形状的等强度线。
4 基于表象的方法
对比模板匹配，这个方法的模型是从一系列具有代表性脸部表观的训练图像 学习而来，再将学习而成的模板用于人脸检测，而不像基于模板的方法，模板是由专家预先定义的，因此这也是一种自下而上的方法。现在许多人脸检测方法都是这种基于表象的方法。
一般而言，基于表象的方法利用统计分析和机器学习的技术来寻找人脸和非人脸图像的有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这些分布模型或者判别函数来检测人脸。一般，为了计算的效率和检测的效益，都会先降低图像的维数。
许多基于表象的方法都可以在概率论的框架中理解。特征向量可以看成是
p(x|nonfaces)分别描随机变量 x，这个随机变量被分类条件密度函数p(x|faces)和
述成人脸和非人脸。
图像中备选的人脸或者非人脸位置可以用贝叶斯判决规则(Bayesian classification)或者最大概似法(maximum likelihood)来判别。不幸地，简单地应用贝叶斯判决是不可行的，这是因为:
1. x是高维的;
2. p(x|faces)和p(x|nonfaces)是多态的(multimodal);
3. p(x|faces)和p(x|nonfaces)的自然参数化形式(natural
parameterized forms)还没有弄清楚。
因此，基于表象的方法中的许多工作都涉及到用经验来验证p(x|faces)和p(x|nonfaces)参数和非参数的近似的问题。
另一种方法利用了人脸和非人脸类的判别函数(比如决策面、分离超平面、阈函数等):图像图案先被投射到低维或者高维空间，之后使用判别函数来进行分类。
5 基于统计理论的方法
目前，被广泛应用与人脸检测的统计方法主要有:基于子空间的方法、神经网络、支持向量机、隐马尔科夫模型、以及基于AdaBoost算法等。 5.1 基于子空间方法
常用的线性子空间方法有:本征子空间、区别子空间、独立分量子空间等。此外，还有局部特征分析法、因子分析法等。这些方法也分别被扩展到混合线性子空间和非线性子空间。
Turk等采用本征脸(Eigenfaces)方法实现人脸识别。由于每个本征矢量的图像形式类似于人脸，所以称本征脸。对原始图像和重构图像的差分图像再次进行K-L变换，得到二阶本征空间，又称二阶本征脸。Pentland等提出对于眼、鼻和嘴等特征分别建立一个本征子空间，并联合本征脸子空间的方法获得了好的识别结果。Shan等采用特定人的本征空间法获得了好于本征脸方法的识别结果。Albert等提出了TPCA(Topological PCA)方法，识别率有所提高。Penev等提出的局部特征分析(LFA Local Feature Analysis)法的识别效果好于本征脸方法。当每个人有多个样本图像时，本征空间法没有考虑样本类别间的信息，因此，基于线性区别分析(LDA Linear Discriminant Analysis )，Belhumeur等提出了Fisherfaces方法，获得了较好的识别结果。Bartlett等采用独立分量分析(ICA，Independent Component
Analysis)的方法识别人脸，获得了比PCA方法更好的识别效果。 5.2 神经网络
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这一模型中，大量的节点(或称 “神经元”、 ’ “单元””)之间相互联接构成网络，即“神经网络”，以达到处理信息的目的。
神经网络可以充分逼近任意复杂的非线性关系，采用并行分布处理方法，使 让快速进行大量运算成为可能。神经网络具有自学习功能，在实现图像识别时， 只需要先把许多不同的图像样本和对应的识别结果输入人工神经网络，网络就会 通过自学习功能，慢慢学会识别类似的图像。
用神经网络进行人脸检测的好处是很容易训练一个用于检测人脸模式的系 统。但是，缺点是网络结构需要大范围的调整(层数、结点数、学习速率等等)才能获得期望的性能。
在使用神经网络的人脸检测方法中，有里程碑式意义的工作由 Rowley 等
[4][5]人 最早在1996年提出。Rowley 等采用局部连接的神经网络检测人脸。将每个区域划分成多个方形或矩形的子区域以便更好地描述人脸的局部特征，每个区域对 应一个神经网络隐含单元。对神经网络在多个分级上的输出进行判决以降低误检率。
5.3 支持向量机
支持向量机(Support Vector Machines，SVM)是一种基于统计学习理论的模式
[6]识别方法，它在结构风险最小化基础上，为两种不同类别的样本数据找到一个最优分类面，可以说是一个受限二次规划问题。此方法由Boser、Guyon、Vapnik
[7]在COLT-92上首次提出。
最先将此方法应用于人脸检测的是Osuna等人，他们采用这个方法的检测效果和Sung等人的方法相似，然而速度却提高了30倍。
[9]Heiselet等人采用两级SVM的方法来检测人脸。根据一些预定义的特征点，从训练集中提取人脸和非人脸图像最有区别的多个局部区域。检测时，根据多个简单的线性SVM分别检测各个人脸特征区域。并用一个简单的线性SVM检测各个可能的人脸部分的几何组合是否符合人脸结构。相比于将整个人脸作为特征，该方法获得了更高的检测率。
5.4 隐马尔科夫模型
隐马尔科夫模型(Hidden Markov Model，HMM)是用于描述信号统计特性的一组统计模型。HMM使用马尔科夫链来模拟信号统计特征的变化，而这种变化又是间接地通过观察序列来描述的，因此，隐马尔科夫过程是一个双重的随机 过程。在HMM中，节点表示状态，有向边表示状态之间的转移，一个状态可以具 有特征空间中的任意特征，对同一特征，不同状态表现出这一特征的概率不同。
由于HMM是一个统计模型，对于同一特征序列，可能会对应于许多状态 序列，特征序列与状态序列之间的对应关系是非确定的。这种模型对于状态序列来说是隐的，故称为隐马尔科夫模型。
Nefian等采用隐马尔可夫模型检测人脸。检测区域中的每个子区域采用主要的Karhunen-Loeve变换系数作为观察矢量，通过Baum-Welch算法和Viterbi分割算法获得HMM的模型参数，根据检测区域的观察序列的输出概率进行判决。
该方法具有以下优点:
1)能够允许人脸有表情变化，较大的头部转动;
2)扩容性好.即增加新样本不需要对所有的样本进行训练;
3) 较高的识别率。
5.5 基于AdaBoost方法
基于AdaBoost学习算法的人脸检测方法由Viola等于2001年提出，该方法采用一种称为“积分图像，’的图像表示方法，这种表示法能够快速计算出弱分类器用到的特征。然后基于AdaBoost学习算法，从一个较大的特征集中选择少量的关键的特征，被选取的特征应尽量满足两个特性:较强的区分性和较强的独立性，继而产生一个高效的强分类器。再用级联的方式将单个的强分类器合成为一个更加复杂的级联分类器，使图像的背景区域快速地丢弃，而在有可能存在目标(人脸)的区域花费更多的计算。该方法的突出地位和贡献在于，它给出了一个稳定的、实时的目标检测框架，是第一个实时的人脸检测算法。并由此激发了更多研究人员在基于局部特征和智能学习的实时人脸检测算法方面的研究。
总体来说，基于知识的方法直观且具有较好的鲁棒性，易为人们所接受，其缺点就是依赖于固定的先验模式，适应变化的能力差。基于统计的方法中“人脸”区别非人脸的特征是通过大量的样本学习得到的，不依赖于人脸的先验知识，可以避免不精确或者不完整的知识造成的错误，统计意义上更可靠，而且还可以通过增加学习的样本来提高检测的准确率以及系统的鲁棒性。
范文三：基于UV 空间的人脸检测方法
基于U-V空间的人脸检测方法
曹曼曼
(济宁学院 计算机科学系 山东 曲阜 273155)
摘要:本文提出了一种基于U-V空间的人脸检测方法。该方法首先根据YUV彩色模型建立，
忽略了其非主要的亮度分量来对肤色进行分割，其次建立了唇色模型，提高了肤色和嘴唇的
检测正确率。
关键词:YUV彩色空间，肤色模型，唇色模型，肤色分割
A Face Detection Method Based On U-V Color Space
Cao Man-man
(Computer science department JiNing university Qufu Shandong 273155) Abstract: This paper presents a face detection method based on U-V color space. First, skin-color
model is established based on YUV color space, ignorde the nonprincipal brightness component to
make the skin color segmentation, next, lip color model is established, the performance of face
and lip detection has been improved.
Key words: YUV color space, skin model, lip color model, skin-color detection
1引言
[1]人脸对于背景而言有其独特的色彩分布，对于人脸的检测而言，其首要工作在于搜寻肤色
区块，然而肤色分割容易受到环境亮度的影响，尤其在分辨率略差或是其它成像条件影响下，
我们会发现在亮度偏高的环境中人脸肤色部分易接近白色，而亮度低的地方也可能成为阴影
或接近黑色，这将大大影响计算机系统对人脸的检测。本文使用YUV彩色模型建立肤色模
型，忽略了其非主要的亮度分量来对肤色进行分割，从而肤色分割不会因为不同人种的肤色
而受任何影响，提高了肤色检测的正确性，将(Y,U,V)彩色坐标的三维计算降低到二维(U,V)
运算，运用这种方式提高了运算速度。
2肤色模型的建立
[2]本文以像素点深浅不同的肤色组合资料集作为样本，如图(1),经过色彩模型转50KYUV
换
图(1) 50K像素点之不同肤色样本
1后如图(2)所示，从坐标图中可以清楚发现，肤色集中分布在其中的象限上，因此可UV4以归纳出肤色阈值条件为一角的扇形集中区域，并以此作为肤色的分别范围，在求扇形肤θ
色阈值之前，必需先求得扇形夹角以及夹角的长度，如公式(1)-(2)所示。
图(2) 彩色模型中肤色的分布图 UV
扇形肤色阈值公式:
u,,,10.261tan0.3111ππ,,,,v,, (1)
224378uv,，,
以及
u,,,10.25tan0.3161ππ,,,,v,,
(2)
22070uv,，,
为了验证亮度变化对此肤色分割方式对影响程度，本文做了以下实验证明:以肤色满值时的亮度彩色分量Y设定为基准值，并大幅度调整Y值补偿作为亮度变化的测试条件(亮,50%
度分量Y值取值范围介于之间)，亮度变化调整之后将其还原成彩色模型RGB影响0~255
并重新作为肤色分割测试的输入，依次记录肤色检测覆盖率对亮度变化的影响，结构如表1所示，由表显示肤色检测覆盖率在亮度变化率区间约范围内仍然保持稳定。,，24%~19%本文运用此技术于室内、室外的照片，其肤色分割测试结果可参考图(3)所示。由肤色检测覆盖率在亮度变化率区间约为范围内仍然维持稳定。我们运用此技术处理在,，24%~19%
室内、室外多人照图像，其肤色分割测试结果如图(4) 所示。
图(3) 亮度变化对肤色检测覆盖率的关系图 ,50%
图(4) 室内(a)(b)与室外(c)(d)图像的肤色切割
3唇色切割
[3][4] [5]如同肤色，唇部为特征中颜色最明显而且容易辨认的特征，因此使用颜色分割最合适，与肤色分割原理相同，我们希望肤色与唇色分割能在同一演算时间内完成，以增加测试速度，我们收集了13K像素点的不同唇色样本作为唇色分割的测试，如图(5)所示。唇色在UV彩色坐标的分别如图(6)所示，与肤色分布相比较，唇色的分布较前者靠近彩色坐标的U轴。使用UV彩色模型切割彩色图像唇色公式如公式(3)所示。
图(5) 13K像素点下不同的唇色样本
图(6) UV彩色模型中唇色的分布图
扇形唇色阈值公式:
u,10.413tan()0.499ππ,,
v (3)
2225110,，,uv
4 分析与结论
由2、3部分所介绍的肤色、唇色分割演算法，我们可以成功分割出肤色及唇色区域，其计算结果分别以橘、红色代表，如图(7)所示:
A B
图(7) A:原始图像 B:肤色与唇色分割的图像
本文所述肤色切割的方法能缩小人脸特征的搜索范围，方便了以后的人脸检
测或其它人脸相关处理。实验结果表明，本文所提出的肤色模型具有即时性、实
用性和普遍性等特点。
参考文献
[1] 艾海舟, 武勃. 数字图像处理分析与机器视觉[M]. 人民邮电出版社出版社，2003.
[2] 梁路宏, 艾海舟, 徐光祐, 等. 人脸检测研究综述[J ]. 计算机学报, 2002, 25 (5) : 449 - 458.
[3] 张欣, 徐彦君, 等. 彩色图象中主要人脸特征位置的全自动标定[J ]. 中国图像图形学报,
2000, 2 (5) : 138 - 143.
[4] 彭波, 崔永普, 黄丹霞, 等. 基于肤色和唇色信息的人脸检测方法的研究[J ]. 计算机工
程与设计, 2006, 2 6(6) : 1500 - 1502.
[5] Hsu R L, Abdel—Mottaleb M, Join A(Face detection in color images[J](IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(5):696-706.
范文四：基于UV空间的人脸检测方法
曹曼曼
（济宁学院 计算机科学系 山东 曲阜 273155）
本文提出了一种基于U-V空间的人脸检测方法。该方法首先根据YUV彩色模型建立，忽略了其非主要的亮度分量来对肤色进行分割，其次建立了唇色模型，提高了肤色和嘴唇的
检测正确率。
YUV彩色空间，肤色模型，唇色模型，肤色分割
A Face Detection Method Based On U-V Color Space
Cao Man-man
(Computer science department JiNing university Qufu Shandong 273155)
Abstract: This paper presents a face detection method based on U-V color space. First, skin-color
model is established based on YUV color space, ignorde the nonprincipal brightness component to
make the skin color segmentation, next, lip color model is established, the performance of face
and lip detection has been improved.
Key words: YUV color space, skin model, lip color model, skin-color detection 1
[1]人脸对于背景而言有其独特的色彩分布，对于人脸的检测而言，其首要工作在于搜寻肤色区块，然而肤色分割容易受到环境亮度的影响，尤其在分辨率略差或是其它成像条件影响下，
我们会发现在亮度偏高的环境中人脸肤色部分易接近白色，而亮度低的地方也可能成为阴影
或接近黑色，这将大大影响计算机系统对人脸的检测。本文使用YUV彩色模型建立肤色模型，忽略了其非主要的亮度分量来对肤色进行分割，从而肤色分割不会因为不同人种的肤色
而受任何影响，提高了肤色检测的正确性，将(Y,U,V)彩色坐标的三维计算降低到二维(U,V)运算，运用这种方式提高了运算速度。
本文以[2]像素点深浅不同的肤色组合资料集作为样本，如图(1),经过色彩模型转50KYUV换
1图(1) 50K像素点之不同肤色样本 坐标图中可以清楚发现，肤色集中分布在其中的象限上，因此可UV4后如图(2)所示，从以归纳出肤色阈值条件为一角的扇形集中区域，并以此作为肤色的分别范围，在求扇形肤θ
色阈值之前，必需先求得扇形夹角以及夹角的长度，如公式(1)-(2)所示。
图(2)
彩色模型中肤色的分布图 UV
扇形肤色阈值公式：
u,,,1,,0.261tan0.3111ππ,,v,, (1) 22,，,4378uv
以及
u,,,10.25tan0.3161ππ,,,,v,,
(2) 22,，,070uv
为了验证亮度变化对此肤色分割方式对影响程度，本文做了以下实验证明：以肤色满值时的
亮度彩色分量Y设定为基准值，并大幅度调整Y值补偿作为亮度变化的测试条件(亮,50%
度分量Y值取值范围介于之间)，亮度变化调整之后将其还原成彩色模型RGB影响0~255
并重新作为肤色分割测试的输入，依次记录肤色检测覆盖率对亮度变化的影响，结构如表1
所示，由表显示肤色检测覆盖率在亮度变化率区间约范围内仍然保持稳定。,，24%~19%
本文运用此技术于室内、室外的照片，其肤色分割测试结果可参考图(3)所示。由肤色检测覆盖率在亮度变化率区间约为范围内仍然维持稳定。我们运用此技术处理在,，24%~19%
室内、室外多人照图像，其肤色分割测试结果如图(4) 所示。
对肤色检测覆盖率的关系图 ,50%
图(3) 亮度变化
图(4) 室内(a)(b)与室外(c)(d)图像的肤色切割 3
[3][4] [5]如同肤色，唇部为特征中颜色最明显而且容易辨认的特征，因此使用颜色分割最
合适，与肤色分割原理相同，我们希望肤色与唇色分割能在同一演算时间内完成，以增加测
试速度，我们收集了13K像素点的不同唇色样本作为唇色分割的测试，如图(5)所示。唇色
在UV彩色坐标的分别如图(6)所示，与肤色分布相比较，唇色的分布较前者靠近彩色坐标
的U轴。使用UV彩色模型切割彩色图像唇色公式如公式(3)所示。
图(5) 13K像素点下不同的唇色样本
图(6) UV彩色模型中唇色的分布图
扇形唇色阈值公式：
u,10.413tan()0.499ππ,,
v
(3)
2225110,，,uv
4
由2、3部分所介绍的肤色、唇色分割演算法，我们可以成功分割出肤色及
唇色区域，其计算结果分别以橘、红色代表，如图(7)所示：
A B
图(7) A:原始图像 B:肤色与唇色分割的图像
本文所述肤色切割的方法能缩小人脸特征的搜索范围，方便了以后的人脸检
测或其它人脸相关处理。实验结果表明，本文所提出的肤色模型具有即时性、实
用性和普遍性等特点。
[1] 艾海舟, 武勃. 数字图像处理分析与机器视觉[M]. 人民邮电出版社出版社，2003. [2] 梁路宏, 艾海舟, 徐光祐, 等. 人脸检测研究综述[J ]. 计算机学报, 2002, 25 (5) : 449 - 458.
[3] 张欣, 徐彦君, 等. 彩色图象中主要人脸特征位置的全自动标定[J ]. 中国图像图形学报, 2000, 2 (5) : 138 - 143.
[4] 彭波, 崔永普, 黄丹霞, 等. 基于肤色和唇色信息的人脸检测方法的研究[J ]. 计算机工程与设计, 2006, 2 6(6) : 1500 - 1502.
[5] Hsu R L, Abdel—Mottaleb M, Join A．Face detection in color images[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24（5）：696-706.豆丁网（DocIn）是全球优秀的C2C文档销售与分享社区。
豆丁允许用户上传包括 .pdf, .doc, .ppt, .txt 在内的数十种格式的文档文件，并
以Flash Player的形式在网页中直接展示给读者。简而言之，豆丁就如同文档版的Youtube。现在每天都有数以万计的文档会上传到豆丁，正基于此，豆丁将致力构建全
球最大的中文图书馆。
豆丁努力使世界上任何人都能够自由地发挥他们的创造力。文档资料只通过少
数、单一的出版物来传播的时代已经结束。现在，互联网给文档资料提供了世界范围
内的传播渠道，豆丁希望能够给每个独立的文档持有者利用这个新机会的方法。现在，
我们为原创人群提供安全、自由、民主、便利的文档发布与营销平台。借助豆丁，你
可以为你的文档定价，并通过豆丁发表到不同博客、论坛、联盟中，进行广泛传播，
在分享的同时获得收入回报。
豆丁致力于构建全球领先的文档发布与销售平台，面向世界范围提供便捷、安全、
专业、有效的文档营销服务。包括中国、日本、韩国、北美、欧洲等在内的豆丁全球
分站，将面向全球各地的文档拥有者和代理商提供服务，帮助他们把文档发行到世界
的每一个角落。豆丁正在全球各地建立便捷、安全、高效的支付与兑换渠道，为每一
位用户提供优质的文档交易和账务服务。
现在，已经有成千上万的用户在豆丁上传Word、PDF、PPT等各种格式的文档，分享给全世界，每个月超过4000万的用户，会来豆丁浏览文档。 豆丁全球Alexa排名已进入1500以内，并稳步攀升。
范文五：基于外观的人脸检测方法
收稿日期 :2004212217; 修返日期 :2005203229基金项目 :国家 “ 863” 计划资助项目 (2001AA422270)
基于外观的人脸检测方法
3
赵丽红
1, 2
, 刘纪红
1, 2
, 孙宇舸
1, 2
, 徐心和
1, 2
(1. 东北大学 教育部暨辽宁省流程工业综合自动化重点实验室 , 辽宁 沈阳 110004; 2. 东北大学 信息科学与工
程学院 , 辽宁 沈阳 110004)
摘 要 :系统地分析了基于外观的人脸检测方法 , 并对其进行了分类和评价 , 从特征脸方法、 基于分布的方法、 神经元网络、 隐 Markov 模型和支持向量机等方面介绍了人脸检测方法的优缺点和适用领域。最后提出了人脸 检测方法未来的研究方向。
关键词 :人脸检测 ; 特征脸 ; 隐马尔可夫模型 ; 支持向量机
中图法分类号 :TP31714 文献标识码 :A () Methods
L i 22
L I U 22
, S UN Yu 2ge
1, 2
, XU Xin 2he
1, 2
(1. Key L m ation M inistry of Education, N ortheastern U niversity, Shenyang L iaoning 110004, China; 2. School of Infor m &N ortheastern U niversity, Shenyang L iaoning 110004, China )
Abstract:This paper discusses and classifies appearance 2based methods, include eigenfaces, distributi on 2based, neural net 2works, hidden markov model and support vect or machines . After analyzing these algorith m s and identifying their li m itati ons, several p r om ising directi ons for future research are als o su mmarized .
Key words:Face Detecti on; Eigenfaces; H idden M arkov Model; Support Vect orMachines
1 引言
人脸检测 (Face Detecti on ) 是指在输入图像中确定所有人 脸 (如果存在 ) 的位置 、 大小和姿态的过程 。 人脸检测和识别 是模式识别领域中的典型问题 , 这方面的研究既有实际用途又 有理论价值 。 作为人体的生物特征 , 人脸检测可以作为身份鉴 别的手段 , 同时也可应用于图像的数据库检索 、 基于内容的图 像和视频压缩技术 、 计算机视觉和图像理解 、 智能人机交互 、 新 一代人机界面等许多方面 。人脸检测是一个有相当难度的研 究课题 。 人脸的模式虽然比较明显 , 但由于实际图像中可能出 现的情况 , 如年龄 、 表情 、 性别 、 肤色 、 皱纹 、 斑点 、 胡须 、 头发 、 眼 镜以及光照条件 , 人脸的位置 、 姿态和尺寸等众多难以控制的 因素 , 因此人脸的模式空间是相当复杂的 。
近年来 , 人们研究并提出了许多人脸检测方法 。 其中包括 ① 基于知识的方法 。 这种方法是基于人们认识人脸的过程所 总结出来的一些先验知识 , 把这些知识归结为一些规则 , 利用 这些规则从输入图像中搜索出符合规律的人脸区域 。 ② 基于 特征的方法 。 这种方法首先用图像处理的方法对输入图像进 行处理 , 根据处理结果提取出某些特征 , 将这些特征与人脸特 征进行比较 , 从而判断某一区域是否为人脸 。 ③ 模板匹配方 法 。 建立并存储一些人脸模板作为标准 , 如包括正面人脸或眼 睛 、 鼻子 、 嘴等 。 利用一些算法计算待测区域与标准模板间的 相似程度 , 利用相似程度来判定某一区域是否为人脸 。 ④ 基于
外观的方法 。 通过搜集大量的人脸和非人脸样本作为训练集 , 用人工神经元网络 、 支持向量机等方法训练分类器进行人脸检 测 。 这种方法的特点是不进行人工分析和模板抽取 , 也不对输 入图像进行复杂的处理 , 而是利用大量的人脸整体外观用结构 化的方法训练分类器进行人脸检测 。
2 特征脸
特征脸技术是用于人脸检测和识别及其他涉及人脸处理
(如人脸跟踪 ) 的一种方法 。 K L 变换是图像压缩的一种最优
正交变换 。 高维的图像空间经过 K L 变换后得到一组新的正 交基 , 保留其中重要的正交基 , 由这些正交基组成低维线性空 间 。 如果假设人脸在这些低维线性空间的投影具有可分性 , 就 可以将这些投影用作检测和识别的特征向量 , 这就是特征脸方 法的基本思想 。 若将所有子空间的正交基排列成图像阵列 , 则 可以看出这些正交基呈现出人脸的形状 , 因此这些正交基也被 称作特征脸 。 有两种选择正交基形成子空间的方法 :① 与较大 特征值对应的一些正交基 (主分量 ) 能够表达人脸的大体形 状 , 而具体细节则需要那些小特征值对应的特征向量 (次分 量 ) 来加以补充描述 , 因此被理解为低频成分用主分量表示 , 高频成分用次分量表示 。采用 l 个主分量作为新正交空间正 交基的 方 法 称 为主 成 分 分 析 (Princi p le Component Analysis,
PCA ) 方法 。 ② 采用 l 个次分量作为正交基 , 理由是人脸的大
体形状和结构都是相似的 , 真正用来区别不同人脸的信息是哪 些次分量表达的高频成分 。
Kirby 和 Sir ovich 提出基于 K L 转换 , 使用基本图像中的人
脸进行线性编码 [1]。 给定 m ×n 像素的训练图像 , 将其表示为
? 642? 计算机应用研究 2006年
m ×n 大小的向量 , 基向量生成一个最优的子空间 , 训练图像到 此子空间的投影和原始图像间的均方误差最小确定了这个子 空间 , 称为最优基向量特征图 (Eigenp ictures ) 集合 。
Turk 和 Pentland 应用主成分分析了人脸识别与检测 [2]。 与文献 [1]类似 , 在人脸图像训练集上的主成分分析用来产生 特征脸 (Eigenfaces ) , 它形成图像空间的子空间 (人脸空间 ) , 将 人脸图像投影到子空间并且聚类 。 类似地 , 非人脸图像也被投 影到相同的子空间并且聚类 。 为检测场景中人脸的存在 , 对于 图像中所有的位置 , 计算图像区域和人脸空间之间的距离 。 人 脸距离计算的结果是“ 人脸图 ” (Face Map ) , 从人脸图的局部 最小点就可以检测到人脸 。
彭辉等人在传统的特征脸方法基础上提出了一种改进的 人脸自动识别方法 [3]。 该方法对于经过预处理的标准人脸图 像 , 以类间散布矩阵为产生矩阵 , 通过 K 2L 变换降维并提取人 脸图像的代数特征 。 实验表明 , 本方法识别率较高 ,
脸的姿态 、 表情及光照条件均具有一定的不敏感性
杜平等人提出的人脸检测方法 [4]
间分布的稳定性 , ,
脸空间中投影 、 重建 , 。实
3 基于分布的方法
Sung 和 Poggi o 提出基于分布 (D istributi on 2based ) 的系统用 于人脸检测 [5], 并说明了图像模式分布怎样从类的正负样本 (也就是图像 ) 中进行学习 。 系统由两部分组成 , 即用于人脸 /非人脸模式的基于分布的模型和多层感知分类器 。首先将人 脸和非人脸样本规范化并将其处理为 19×19像素图像 , 然后 变为 361维向量或模式 。接着使用改进的 k 2均 值算法将模式 组成人脸和非人脸的聚类 。 利用多层感知器 (MLP ) 网络将人 脸模式与非人脸模式分类 ; 使用 47316个模式训练标准的反 向传播 (BP ) 网络分类器 ; 有 4150个人脸模式样本而其他的是 非人脸模式 。 典型的人脸样本模式比较容易采集 , 而典型的非 人脸模式样本则较难得到 。这个问题可以通过 Bootstrap 方法 解决 , 它选择把图像样本增加到训练集中作为训练过程 。 开始 时在训练集中有小的非人脸样本集 , MLP 分类器用这个数据 库中的样本进行训练 , 然后在随机图像序列上运行人脸检测器 并搜集当前系统将非人脸模式错误地分类为人脸的所有模式 , 将这些错误的接收样本增加到训练数据库中作为新的非人脸 样本 。 这种 Bootstrap 方法避免了选择典型的非人脸模式样本 的问题 。
Moghadda m 和 Pentland 提出在基于高维空间利用特征空 间分解 密 度 估 计 的 概 率 视 觉 学 习 方 法 [6], 用 主 成 分 分 析 (PCA ) 来定义子空间从而最好地表示人脸模式集 。 主成分保 存数据中主分量而丢弃那些次分量 。这种方法把向量空间分 解为互相排斥和互为补充的两个子空间 , 即主子空间 (或特征 空间 ) 和它的正交子空间 。 因此对象密度被分解为两个成分 , 即在主子空间 (由主分量张成 ) 的密度和它的垂直成分 (在标 准的 PC A 中被丢弃的次分量 ) (图 1) 。 用多变量 Gaussians 和 混合 Gaussians 密度分布进行学习人脸局部特征的统计 , 然后 这些概率密度被用于基于最大似然估计的对象检测 。这种方 法已经被用于人脸定位 、 编码和识别 。 与传统的特征脸方法比 较 [2], 此方法在人脸识别方面表现出较好的性能
。
Yang 和 Krieg man 提出使用 Fisher 线性判别 (F LD ) 从高维 [7]。近年来 ,
Fisherface
F LD 比 PCA ,
。 ,
他们的实验结果表明 , F LD 方法的检测率是 93. 6%。 4 神经元网络
神经元网络 (Neural Net w orks ) 已经成功地应用到许多模 式识别问题中 , 如光学字符识别 (OCR ) 、 对象识别等 。使用神 经元网络进行人脸检测的优点是使训练一个系统获得人脸模 式的复杂类条件密度成为可行 。而缺点是必须大范围地调整 网络结构 (如层的个数 、 节点的个数 、 学习速度等 ) 以获得非凡 的性能 。
Agui 等人提出了层次神经元网络 [8]进行人脸检测 。使用 两个并行的子网组成了第一阶段 , 其输入是原始图像的灰度值 和使用 3×3Sobel 滤波器滤波的灰度值 。输入到第二阶段网 络的是子网络的输出和提取的特征值如输入模式像素值的标 准偏移量 、 窗口中的白像素和所有的二值像素的比率和几何矩 等 ; 第二阶段的输出值指出人脸在输入区域是否存在 。 实验结 果表明 , 如果所有的人脸在测试图像中有相同的尺寸 , 则这种 方法能够检测人脸 。
Juell 和 Marsh 提出了基于层次结构的神经网络用于人脸 检测 [9]。 它由四个网络组成 :“ 眼睛 ” 网络使用了 209(19×11) 个输入单元 , 六个隐含单元和一个输出单元 ; “ 鼻子 ” 网络 使用了 253(23×11) 输入单元 , 四个隐含单元和一个输出单 元 ; “ 嘴 ” 网络使用 420(30×14) 个输入单元 , 八个隐含单元和 一个输出单元 。 “ 人脸 ” 网络使用 543个输入单元 , 八个隐含 单元和一个输出单元 。
Soulie 等人 [10]提出用具有时间延迟的神经元网络 (具有 20×25像素的感受域 ) 扫描图像进行人脸检测 。输入图像利 用小波变换进行分解 。他们在 120幅测试图像上进行实验获 得 2. 7%的错误拒绝率和 0. 5的错误接收率 。
Burel 和 Carel [11]提出用于人脸检测的神经元网络 , 其中 大量的人脸和非人脸的训练样本使用 Kohonen 的自组织映射 (S OM ) 算法被压缩为几个样本 。多层感知器用于学习这些样 本对人脸和非人脸分类 。
L in 等人提出使用基于概率决策的神经元网络进行人脸 检测系统 (P DBNN ) [12]。 P DBNN 的结构类似于具有改进的学
习规则和概率解释的径向基函数 (RBF ) 网络 。他们首先提取 人脸区域中的密度和边缘信息的特征向量 , 人脸区域中包括眼 眉 、 眼睛和鼻子 , 代替了将整个人脸图像转换为用于神经元网 络的密度值的向量 。提取的两个特征向量被反馈到两个 P D 2 BNN 并将输出融合确定分类器的结果 。他们的实验结果表明 其性能优于其他主要基于神经元网络的人脸检测器 。
Rowley 等人使用一个多层神经元网络从人脸 /非人脸图 像中学习人脸和非人脸模式 [13, 14]。 其方法的局限性是只能检 测垂直的正面人脸 。后来 , Rowley 等人 [15]将这种方法扩展用 于旋转的人脸检测 , 使用的是 Router 神经元网络 , 处理每个输 入窗决定可能的人脸方向 , 然后将窗旋转到规范的方向 ; 旋转 窗被送到上述的神经元网络 。然而新系统对垂直人脸的检测 率比垂直检测器要低 , 不过 , 系统能够在两个大测试集上正确 检测人脸超过 76. 9%, 而只有很少的错误接收 。
杨前邦等人提出了一个基于多层感知器 (MLP )
算法实现搜索的人脸定位系统 , , 即 MLP ]
结果表明 ,
作 , 鲁棒性好 、 定位快 。
[17]。算法使用一 组双眼 、 人脸模板对搜索候选人脸 , 并在搜索过程中使用多层 感知器进行确认 , 以减少错误报警 。 大量实验证明了该算法的 有效性 。
5 隐马尔可夫模型
隐马尔可夫模型 (H idden Markov Model, HMM ) 假设模式 可以被刻画成参数的随机过程 。在 HMM 用于模式识别问题 时 , 需要确定许多隐藏的状态形成一个模式 。 然后训练 H MM 从样本中学习传统状态间的概率 , 其每个样本被表示为观察序 列 。 训练 H MM 的目的是通过 H MM 模型中的参数调整最大化 观察的训练数据的概率 , 训练 H MM 模型以后 , 观察的输出概 率确定了其所属的类别 。
人脸模式直观地可以被分成几个区域 , 如前额 、 眼睛 、 鼻 子 、 嘴和面颊 , 通过适当的顺序观察这些区域 (从上到下和从 左到右 ) , 然后识别人脸模式 。基于 HMM 方法通常将人脸模 式作为观察向量序列 , 其中每个向量都是像素带 , 如图 2(a ) 所 示 。 在训练和测试期间 , 一幅图像以一定的顺序进行扫描 (一 般是从上到下 ) , 如图 2(a ) 所示 。对于人脸模式 , 像素带的边 界通过状态间的概率变化表示 , 如图 2(b ) 所示 , 在区域中的图 像数据通过多变量 Gaussian 分布进行建模 。每一个块所有的 亮度值组 成 了 观 察 序 列 , 观 察 值 所 属 类 对 应 于 输 出 状 态 。 HMM 训练以后 , 观察值的输出概率决定了其所属类 。 HMM 已 经应用于人脸识别和人脸定位 。
Samaria [18]训练的对应于人脸区域的 H MM 的状态 , 如图 2 (b ) 所示 。 一个状态负责刻画人的前额的观察向量 , 另一个状 态负责刻画人的眼睛的观察向量 。 对于人脸定位 , HMM 被训 练为从大量采集的人脸图像中构造人脸的一般模型 。如果在 图像中的每一个矩形区域模式获得的人脸概率值大于阈值 , 则 人脸被定位 。
Samari 也应用 1D 和伪 2D HMM s 对人脸特征提取和识 别 [18], 其 HMM s 使用人脸结构约束状态转换 。因为有效的人 脸区域如头发 、 前额 、 眼睛 、 鼻子和嘴从上到下以自然的顺序出 现 , 每个区域都被指定在一维空间的连续 H MM 中的一个状 态 。 图 2(b ) 显示的是五个隐藏的状态 。对于训练 , 统一地将 每幅图从上到下分割为五个状态 (也就是 , 每一幅图像被分成 了五个无重叠的大小相等的区域 ) 。 如图 2(a ) 中所示 , 每一个 宽为 W 、 高为 H 的人脸图像被分割为高为 L 、 宽为 W 的重叠 块 。 在垂直方向共有 P 行重叠的连续块 。 这些块形成图像的 一个观察序列 , 并且用训练的 H MM 确定输出的状态
。
HMM 的人脸检测 [19]H MM 的正面端正人 。 51幅集体照片组成的图像集进行测试 , 其中 , 正 面端正人脸检测率为 85. 1%, 而任意旋转角度的人脸检测率 只有 72. 2%。
6 支持向量机
支持向量机 (Support Vect orM achines, S VM ) 是应用统计学 理论开发的一种新的学习机器 , 尽管相关的理论仍然处于不断 发展的阶段 , 但是由于它的性能卓越 , 因此已经被广泛地应用 到如数字识别 、 人脸检测与识别 、 指纹识别等研究领域中 。 S VM 的基本思想是通过某种特定的非线性映射 , 将输入矢量 映射到高维特征空间中 , 并在这个高维特征空间中构造最优分 类超平面 , 其操作并不是直接在高维特征空间中进行 , 而是通 过那些满足 Mercer 条件的核函数进行的 。 常用的核函数有多 项式函数 、 径向基函数和 Sig moid 函数 , 并分别构成了多项式 学习机器 、 径向基函数机器和两层神经元网络 。
O suna 等人将支持向量机 (S VM s ) 应用于人脸检测 [20]。 S VM s 分类器是线性分类器 , 其分类超平面接近未知测试样本 的最小化分类错误 。 最优超平面是通过权值结合训练向量的 小子集 (称为支持向量 ) 来定义的 。 估计最优超平面等价于解 线性约束的二次规划问题 , 然而其时间和内存的计算量是很大 的 。 O suna 等人提出了一种有效的方法训练 S VM 用于大型问 题 , 并将其应用于人脸检测 。
K wang I n Ki m 等人提出使用具有局部相关核函数的支持 向量机进行实时人脸识别 [21], 用组成人脸模式的原始像素灰 度值直接反馈到识别器 , 用神经元网络作仲裁器 。实验采用 ORL 数据库 , 识别率是 97. 9%。
Yong m in L i 等人提出基于支持向量机的多视角人脸检测 和识别方法 [22]。 通过构造几个检测器实现了人脸检测 , 其中 每一个检测器负责一个视角 , 利用了人脸图像的对称性简化了 模型的复杂性 。 测试结果表明检测率在 95%以上 , 识别率在 90%以上 。
Yuichir o 选择支持向量机作为主要的算法进行 人 脸 检 测 [23]。 通过颜色滤波和最大拒绝分类器作为预滤波进行快速 处理 , 用简单的算术和卷积实现 , 提高了整个系统的处理速度 。 梁路宏等人提出了一种将模板匹配与支持向量机 (S VM )
相结合的人脸检测算法 [24]。 算法首先使用双眼 -人脸模板对 进行粗筛选 , 然后使用 S VM 分类器进行分类 。在模板匹配限 定的子空间内采用 “ 自举 ” 方法收集“ 非人脸 ” 样本训练 S VM , 有效地降低了训练的难度 。 实验结果的对比数据表明 , 该算法 是十分有效的 。 凌旭峰等人提出了一种基于支持向量机的人 脸识别方法 [25]。 在对训练图像进行预处理之后 , 使用主成分 分析方法对人脸图像进行特征提取和选择 , 用选择的人脸特征 向量训练多个支持向量机 , 最后用训练好的支撑向量机进行人 脸识别 。
7 讨论
本文从特征脸方法 、 基于分布的方法 、 神经元网络 、 隐藏 Markov 模型和支持向量机等方面讨论了基于外观的人脸检测 方法 。 支持向量机方法是当前国内外研究的热点 , 采用 S VM 方法用于人脸检测和识别是未来的一个研究方向
或更多种人脸检测方法 ,
,
信息的融合 ,
补偿 。 目前复杂背景图像中的人脸检测方法多针对正面端正 的人脸 , 多姿态人脸的检测 (特别是侧面人脸的检测 ) 还存在 很大的困难 , 有效的方法还不多 , 这方面的研究也将是一个重 点 。 还有其他一些研究方法 , 如 Paul V i ola 和 M ichael J. Jones 提出的能够快速检测人脸的层叠 (Cascade ) 分类器结合的方 法 , 它引入了 “ 积分图像 (I ntegral I m age ) ” 表示 , 允许检测器迅 速地计算所使用的特征 ; 并采用了基于 Ada Boost 的学习算法 , 选择了较少的关键的视觉特征并产生非常有效的分类器 。在 700MHz I ntel Pentiu m Ⅲ 对 384×288的图像进行处理 , 每秒检 测人脸 15帧 [26]。
参考文献 :
[1]M Kirby, L Sir ovich . App licati on of the Karhunen 2l oeve Pr ocedure f or the Characterizati on of Human Faces [J ].I EEE Trans . Pattern Anal 2 ysis and Machine I ntelligence, 1990, 12(1) :1032108.
[2]M Turk, A Pentland . Eigenfaces for Recogniti on [J ].Cognitive Neu 2 r oscience, 1991, 3(1) :71286.
[3]彭辉 , 张长水 , 荣钢 , 等 . 基于 K 2L 变换的人脸自动识别方法 [J ].清华大学学报 , 1997, 37(3) :67270.
[4]杜平 , 张燕昆 , 徐大为 , 等 . 基于特征脸空间重建的彩色人脸检 测方法 [J ].红外与激光工程 , 2002, 31(1) :9213.
[5]K 2K Sung, T Poggi o . Examp le 2based Learning forV ie w 2based Human Face Detecti on[R ].Technical Report A IMe mo 1521, Massachusetts I nst . of Technol ogy A ILab, 1994.
[6]B Moghadda m, A Pentland . Pr obabilistic V isual Learning for Object Recogniti on[J ].I EEE Trans . Pattern Analysis and Machine I ntelli 2 gence, 1997, 19(7) :6962710.
[7]M 2H Yang, N Ahuja, D Krieg man . M ixtures of L inear Subs paces f or Face Detecti on[C ].Pr oc . the 4th I nt ’ l Conf . Aut omatic Face and Gesture Recogniti on, 2000. 70276.
[8]T Agui, Y Kokubo, H Nagashashi, et al . Extracti on of Face Recogni 2 ti on fr om Monochr omatic Phot ographs U sing Neural Net w orks [C ]. Pr oc . the 2nd I nt ’ l Conf . Aut omati on, Robotics, and Computer V i 2
si on, 1992.
[9]Paul Juell, Ron Marsh . A H ierarchical Neural Net w ork for Human Face Detecti on [J ].Pateern Recogniti on, 1996, 29(5) , 7812787. [10]F Soulie, E V iennet, B La my . Multi 2Modular Neural Net w ork A rchi 2 tectures:Pattern Recogniti on App licati ons in Op tical Character Re 2 cogniti on and Human Face Recogniti on[J ].I nt ’ l J. Pattern Recogni 2 ti on and A rtificial I ntelligence, 1993, 7(4) :7212755.
[11]G Burel, D Carel . Detecti on and Localizati on of Faces on D igital I m a 2 ges [J ].Pattern Recogniti on Letters, 1994, 15(10) :9632967. [12]S 2H L in, S 2Y Kung, L 2J L in . Face Recogniti on /Detection by Pr oba 2 bilistic Decisi on 2based Neural Net w ork [J ].I EEE Trans . Neural Net w orks, 1997, 8(1) :1142132.
[13]H Rowley, S Baluja, T Kanade . Net w ork 2based Face Detec 2 C ].oc . I . V on and Pattern Recogni 2 ti 2
]H S . Neural Net w ork 2based Face Detec 2 ti on J EEE Trans . Pattern Analysis and Machine I ntelligence, 1998, 20(1) :23238.
[15]H Rowley, S Baluja, T Kanade . Rotati on I nvariant Neural Net w ork 2 Based Face Detecti on [C ].Pr oc . I EEE Conf . Computer V isi on and Pattern Recogniti on, 1998. 38244.
[16]杨前邦 , 李介谷 . 神经网络和遗传算法在人脸定位中的应用 [J ].上海交通大学学报 , 1998, 32(9) :93297.
[17]梁路宏 , 艾海舟 , 徐光佑 , 等 . 基于模板匹配与人工神经网确认的 人脸检测 [J ].电子学报 , 2001, 29(6) :7442747.
[18]F S Samaria, S Young . HMM Based A rchitecture for Face I dentifica 2 ti on[J ].I m age and V isi on Computing, 1994, 12:5372583.
[19]李士进 , 杨静宇 , 陆建峰 . 基于奇异值特征和隐马尔可夫模型的 人脸检测 [J ].中国图像图形学报 , 2001, 6(A 版 7) :6812688. [20]E O suna, R Freund, F Gir osi . Training Support Vect or Machines: An App licati on t o Face Detecti on [C ].Pr oc . I EEE Conf . Computer V isi on and Pattern Recogniti on, 1997. 1302136.
[21]K wang I n Ki m , Jin Hyung Ki m . Face Recogniti on U sing Support Vect or Machines W ith Local Correlati on Kernels [J ].I nternati onal Journal of Pattern Recogniti on and A rtificial I ntelligence, 2002, 16 (1) :972111.
[22]Yong m in L i, Shaogang Gong, Heather L iddell . Support Vect or Re 2 gressi on and Classificati on Based Multi 2vie w Face Detecti on and Re 2 cogniti on[EB /OL].htt p://citeseer. nj . nec . com.
[23]Yuichir o Yamashita . EE368D igital I m age Pr ocessing Face Detecti on Pr oject Report[R ].2002.
[24]梁路宏 , 艾海舟 , 肖习攀 , 等 . 基于模板匹配与支持矢量机的人脸 检测 [J ].计算机学报 , 2002, 25(1) :22229.
[25]凌旭峰 , 杨杰 , 叶晨洲 . 基于支撑向量机的人脸识别技术 [J ].红 外与激光工程 , 2001, 30(5) :3182322.
[26]Paul V i ola, M ichael J Jones . Robust Real 2ti m e Object Detecti on [R ].Cambridge Research Laborat ory Technical Report Series, 2001.
作者简介 :
赵丽红 (19622) , 女 , 吉林怀德人 , 副教授 , 在读博士 , 主要研究方向为 图像处理与模式识别 ; 刘纪红 (19692) , 女 , 辽宁沈阳人 , 副教授 , 博士 , 主要研究方向为机器视觉 ; 孙宇舸 (19742) , 女 , 辽宁大连人 , 讲师 , 在 读博士 , 主要研究方向为模式识别 ; 徐心和 (19402) , 男 , 辽宁沈阳人 , 教授 , 博士生导师 , 主要研究方向为模式识别与智能系统。
