人脸检测技术简介.pptVIP

人脸检测技术简介 2009/12/12 历史背景 概念定义 应用领域 检测方法介绍 一个实例 历史背景 概念定义 应用领域 检测方法介绍 一个实例 人脸检测起源于人脸识别，那什么是人脸识别? 人脸识别就是通过人的脸部特征辨识人的身份，与指纹、虹膜、掌纹、DNA等识别一样，同属生物识别的范畴。更广义的定义还包括表情的识别，如哭、笑等 人脸识别从上世纪60年代开始起步，但真正开始商用是在“9.11事件”（2001年）之后；由于人脸识别的技术难度非常大，属于人工智能范畴，现在仍然是热门前沿学科。 早期的人脸识别算法都是在假设已经得到了一个正面人脸或者假设人脸很容易获得的前提下进行的，但是随着人脸分析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；人脸检测开始作为独立的研究内容发展起来了。 历史背景 概念定义 应用领域 检测方法介绍 一个实例 人脸检测的定义：对于任意一幅给定的图片，采用一定的策略对其进行有哪些信誉好的足球投注网站以确定其中是否含有人脸，如果含有则返回人脸的位置、大小和姿态等信息。 人脸检测率：在给定图像中，检测出来的人脸数和实际存在的人脸总数的比率。 错误检测数：非人脸区域被程序当成是人脸检测出来的数量。这个指标非常重要，有些检测算法甚至可以给出100%的成功检测率，但是错误检测的数量也可能非常巨大。 一个理想化完美的人脸检测算法，应该有100%的人脸检测率和0 错误检测数。但现阶段也许只有人的大脑才有这个能力。 那人脸检测存在的难点是什么呢？ 1. 人脸具有不同脸形、肤色、表情； 2. 人脸的遮挡，如眼镜、头发、饰物； 3. 成像角度的不同，如侧脸、旋转； 4. 成像条件的不同，如光照、阴影、焦距； 历史背景 概念定义 应用领域 检测方法介绍 一个实例 人脸检测的应用领域： 最简单的，数码相机上的人脸定位； 视频监控，机场、海关等安防领域； 基于内容的图像视频检索； 人工智能，机器人视觉； 历史背景 概念定义 应用领域 检测方法介绍 一个实例 基于各种数学模型的人脸检测方法有近百种，目前 该领域还没有国际标准来规范这些算法，各个公司都有 自己独特的算法，导致产品千差万别，缺乏一个统一的 衡量标准。 MIT，CMU 清华大学，北京工业大学，中科院计算机所 一般可将人脸检测的方法分为四类，当然有些检测 算法并不能仅仅归于某一类，而是几类的组合。 基于知识的方法（Knowledge-based） 特征不变量方法（Feature invariant） 模板匹配的方法（Template matching） 基于外观的方法（Appearance-based） 基于知识的方法：根据人们对人脸的先验知识或共识来制定一定的检验规则，这些共识包括： 人脸是有轮廓的，近似一个椭圆； 人脸的五官分布是有规律的； 人脸具有一定的轴对称性； 相对于背景，人脸是有动作的， 如眨眼、张嘴； 特征量不变方法：这个方法就是寻找人脸不因姿势、视角、光线等条件而变化的特征，肤色被证明就是这样的一个有效特征，但是仅依靠肤色不够准确，一般依靠肤色来快速选出候选区域，再用其他方法从候选区域中找出人脸。 模板匹配的方法： 建立并存储一些人脸模板作为标准模板，利用一些算法计算待测区域与标准模板之间的相似程度，根据相似度来判定某一区域是否为人脸。 基于外观的方法：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。 学习理论，弱学习，强学习 Boosting，Adaboost(1995 ，Freund 和 Schapire) 历史背景 概念定义 应用领域 检测方法介绍 一个实例 一个非常简单的实例：基于椭圆肤色模型的人脸检测。 原理：人的肤色聚集在颜色空间中一个较小的区域内。 优点：快速，简单 缺点：误差较大 Step1：将原图的色度值（Cb，Cr）代入椭圆公式，落在椭圆内部的点替换成白色，否则用黑色替换，得到二值化的图像； Step2：过滤离散点； Step3：根据一定的规则去掉面积较小的区域，长宽比例异常的区域，白色点比例过小的区域； 最后识别出的人脸区域； Thank you！