關于人臉檢測技術的研究.pdf

1、隨著數字技術和因特網的發(fā)展，人臉檢測和識別廣泛地應用于身份識別、人機交互等領域中。目前對于人臉檢測算法的研究已經相當深入，但對于復雜背景下的人臉檢測仍難以取得較好的效果。此外，人們將研究的重心從灰度圖像轉向彩色圖像中的人臉檢測。在人臉檢測中，精度和速度是一個人臉檢測系統(tǒng)的兩個重要方面，一般都希望一個系統(tǒng)既能有很高的精度又能達到實時的速度。但是實際研究中這兩方面又常常存在矛盾。一般是在精度不能滿足的條件下，犧牲速度來滿足精度。如何能在保證

2、精度的前提下，有效地提高系統(tǒng)的速度，對人臉檢測的研究有很重要的意義。 針對以上關鍵性問題，本文在以下幾個方面進行了創(chuàng)新性的探索： 1)對傳統(tǒng)的SVM檢測算法進行改進，即在學習和檢測過程中，對人臉和非人臉進行預處理之后，先需經過ICA特征提取得到對應模式的特征向量(即新的分類依據)，再采用SMO算法訓練支持向量機。這里創(chuàng)造性地采用核獨立分量分析算法，并在算法中運用不完全Cholesky分解來降低時間復雜度。對求得的特征采用

3、遺傳算法再進行了一次特征選取以便有效地減少特征空間的維數，得到獨立基的一個最優(yōu)子集。實驗表明，和傳統(tǒng)的SVM方法相比，檢測率提高了將近15％，檢測速度也有明顯的提高。 2)對鏈式Boosting方法進行了一些研究工作。首先介紹了鏈式Boosting的結構、訓練算法以及對算法的一些優(yōu)化。然后將鏈式Boosting運用到人臉檢測中。在該檢測方法中，先利用核獨立分量分析算法構造重建圖像信噪比閾值函數，再使用Boosting算法構造一個

4、基于信噪比閾值的檢測函數序列，然后將它們組合成一個總檢測函數，形成一個Boosting分類器，再使用鏈式Boosting算法用相同的方法構造一個個Boosting分類器(結點)，并將它們串起來形成鏈式Boosting結構，據此可以判別一幅圖像是否為人臉圖像。實驗表明，鏈式Boosting方法檢測率比1)方法要有所提高，檢測速度也比1)方法快；但是虛警數隨著檢測率的提高也迅速增加，同時它需要較長的訓練時間。 3)提出了一種新的基于

5、膚色模型和模板匹配的人臉檢測算法。在模板匹配中，提出了一種基于邊緣檢測的人臉平均模板。該模板相對于一般的灰度平均臉模板，人臉特征更加突出(五官都以白色突出顯示)。對于遮擋和重疊的人臉區(qū)域，將基于邊緣檢測的人臉平均模板匹配之后已檢測到的人臉區(qū)域置黑，用該模板的一半再次進行模板匹配。通過求得候選區(qū)域的傾斜角，把模板按照這個角度進行旋轉后再進行檢測，一定程度上解決了平面內旋轉人臉的檢測問題。在使用基于邊緣檢測的平均臉模板進行模板匹配后所得的人