人臉與人臉特征檢測(cè)技術(shù)研究.pdf

1、人臉及人臉特征檢測(cè)是模式識(shí)別領(lǐng)域中的重要研究方向。人臉是一類具有相當(dāng)復(fù)雜細(xì)節(jié)變化的自然結(jié)構(gòu)目標(biāo)，此類目標(biāo)檢測(cè)問題的挑戰(zhàn)性在于：人臉由于外貌、表情、膚色等不同，具有模式的可變性；一般意義下的人臉上，可能存在眼鏡、胡須等附屬物；作為三維物體的人臉，其圖像不可避免地會(huì)受到光照的影響。因此，如果能夠找到解決這些問題的方法，構(gòu)造出性能較好的人臉檢測(cè)算法，將為解決其它類似的復(fù)雜模式檢測(cè)問題提供重要理論和技術(shù)基礎(chǔ)。 本文重點(diǎn)研究了人臉和人臉特

2、征檢測(cè)的相關(guān)算法，從不同角度提出了幾種檢測(cè)算法，并將其與汽車主動(dòng)安全技術(shù)相結(jié)合，提出了駕駛員疲勞檢測(cè)算法。本文主要工作如下： 針對(duì)正面人臉檢測(cè)提出了基于知識(shí)和支持向量機(jī)的一類人臉檢測(cè)算法?；谥R(shí)的方法在早期的人臉檢測(cè)研究中討論的較多，同基于學(xué)習(xí)的檢測(cè)算法相比不需要進(jìn)行訓(xùn)練，計(jì)算較簡(jiǎn)單，但缺點(diǎn)是算法魯棒性不夠，易發(fā)生誤檢。因此本文把兩種類型的方法相結(jié)合，用基于知識(shí)的方法進(jìn)行粗檢，提取人臉候選，再用基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法

3、進(jìn)行確認(rèn)得到最終結(jié)果。在粗檢階段提出了兩種檢測(cè)算法，第一種算法利用了人眼結(jié)構(gòu)特征，采用二值模板匹配的方法定位眼睛對(duì)候選。第二種算法利用眼睛區(qū)域的灰度特性及對(duì)稱性，采用了幾種矩形特征來提取候選人臉。算法在BioID和CMU人臉圖像庫上進(jìn)行了實(shí)驗(yàn)。 在傳統(tǒng)的人臉檢測(cè)工作基礎(chǔ)上提出了基于混合特征和Adaboost算法的一類人臉檢測(cè)算法。AdaBoost和Cascade算法在當(dāng)前人臉檢測(cè)方法中較為流行。針對(duì)訓(xùn)練過程中使用的Haar特征在

4、訓(xùn)練后期提升能力不足的問題，提出了基于混合特征的檢測(cè)方法。將分類器分為兩個(gè)部分，在前一部分采用基于Haar特征的Adaboost算法；在后一部分采用基于全局PCA特征的Adaboost算法，并采用集成算法將各子分類器結(jié)合起來，提高分類器性能。算法在MIT+CMU庫上進(jìn)行了實(shí)驗(yàn)。在此基礎(chǔ)上提出了一種多視角人臉檢測(cè)算法，并改進(jìn)了傳統(tǒng)金字塔型檢測(cè)器結(jié)構(gòu)。算法在CMU側(cè)面人臉庫上進(jìn)行了實(shí)驗(yàn)。 和人臉檢測(cè)相關(guān)的臉部特征定位技術(shù)也一直受到關(guān)

5、注。本文提出了兩種人臉特征定位算法。首先提出了眼睛方差濾波器，在雙眼睛已被粗定位的基礎(chǔ)上進(jìn)行精確定位，該算法在眼睛圖像清晰的人臉圖像上檢測(cè)效果較好。隨后提出了一種基于圖像灰度熵的人臉特征定位算法，人臉特征區(qū)域和比他皮膚區(qū)域的灰度熵要大，根據(jù)該特性可有效的提取出雙眼候選塊，再進(jìn)一步進(jìn)行確認(rèn)則可得到雙眼準(zhǔn)確位置，嘴部的搜索區(qū)域通過雙眼位置計(jì)算確定，在該區(qū)域內(nèi)可進(jìn)一步精確定位嘴部。算法在BioID、JAFFE和ORL庫上分別進(jìn)行了實(shí)驗(yàn)。本文還

6、對(duì)基于機(jī)器視覺的駕駛員疲勞檢測(cè)問題進(jìn)行了研究，研究對(duì)象為駕駛員的臉部，通過眼睛狀態(tài)的分析進(jìn)行疲勞狀態(tài)的判別。因此核心問題主要包括眼睛定位、眼睛跟蹤、人臉跟蹤及眼睛狀態(tài)檢測(cè)一系列算法。本文采用了粒子濾波器算法進(jìn)行眼睛跟蹤。近年來，粒子濾波器算法在混亂場(chǎng)合對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤時(shí)表現(xiàn)出良好的性能。傳統(tǒng)的卡爾曼濾波器，局限于高斯概率分布。而粒子過濾器可以描述多峰的復(fù)雜概率分布。在粒子濾波器跟蹤眼睛的同時(shí)，基于CamShift算法的人臉跟蹤作為眼睛