人臉與人臉特征檢測技術(shù)研究.pdf

1、人臉及人臉特征檢測是模式識別領(lǐng)域中的重要研究方向。人臉是一類具有相當(dāng)復(fù)雜細節(jié)變化的自然結(jié)構(gòu)目標(biāo)，此類目標(biāo)檢測問題的挑戰(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算法，將為解決其它類似的復(fù)雜模式檢測問題提供重要理論和技術(shù)基礎(chǔ)。 本文重點研究了人臉和人臉特

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

3、進行確認(rèn)得到最終結(jié)果。在粗檢階段提出了兩種檢測算法，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候選。第二種算法利用眼睛區(qū)域的灰度特性及對稱性，采用了幾種矩形特征來提取候選人臉。算法在BioID和CMU人臉圖像庫上進行了實驗。 在傳統(tǒng)的人臉檢測工作基礎(chǔ)上提出了基于混合特征和Adaboost算法的一類人臉檢測算法。AdaBoost和Cascade算法在當(dāng)前人臉檢測方法中較為流行。針對訓(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方法。將分類器分為兩個部分，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庫上進行了實驗。在此基礎(chǔ)上提出了一種多視角人臉檢測算法，并改進了傳統(tǒng)金字塔型檢測器結(jié)構(gòu)。算法在CMU側(cè)面人臉庫上進行了實驗。 和人臉檢測相關(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)上進行精確定位，該算法在眼睛圖像清晰的人臉圖像上檢測效果較好。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，再進一步進行確認(rèn)則可得到雙眼準(zhǔn)確位置，嘴部的搜索區(qū)域通過雙眼位置計算確定，在該區(qū)域內(nèi)可進一步精確定位嘴部。算法在BioID、JAFFE和ORL庫上分別進行了實驗。本文還

6、對基于機器視覺的駕駛員疲勞檢測問題進行了研究，研究對象為駕駛員的臉部，通過眼睛狀態(tài)的分析進行疲勞狀態(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)檢測一系列算法。本文采用了粒子濾波器算法進行眼睛跟蹤。近年來，粒子濾波器算法在混亂場合對目標(biāo)進行實時跟蹤時表現(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，基于CamShift算法的人臉跟蹤作為眼睛