第8章 人脸检测.ppt

第八章 人脸检测 吴士泓 人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。 8.1 引言 人脸检测（Face Detection）是指在输入图象中确定所有人脸（如果存在）的位置、大小、位姿的过程。 人脸检测问题最初来源于人脸识别（Face Recognition）。 人脸检测研究具有重要的学术价值。 人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于：（1）人脸由于外貌、表情、肤色等不同，具有模式的可变性；（2）一般意义下的人脸上，可能存在眼镜、胡须等附属物；（3）作为三维物体的人脸的影像不可避免地受由光照产生的阴影的影响。 8.2 人脸检测问题的分类与人脸模式分析 人脸检测问题所包含的内容十分广泛，从不同的角度可以有多种分类方法（表1） 人脸图象所包含的模式特征十分丰富，如图1所示。这些特征中哪些是最有用的、如何利用这些特征，是人脸检测要研究一个关键问题。 人脸模式具有复杂而细致的变化，因此一般需要采用多种模式特征综合的方法，如图2所示。 归纳起来，根据利用特征的色彩属性可以将人脸检测方法分为基于肤色特征的方法和基于灰度特征的方法两类。前者适用于构造快速的人脸检测和人脸跟踪算法，后者利用了人脸区别于其它物体的更为本质的特征，是人脸检测领域研究的重点。根据特征综合时采用的不同模型，可以将基于灰度特征的方法分为两大类：基于启发式（知识）模型的方法和基于统计模型的方法。由于人脸检测问题的复杂性，无论那一类方法都无法适应所有的情况，一般都针对人脸检测领域内某个或某些特定的问题。 8.3 人脸模式的特征提取 肤色特征 灰度特征 8.3.1 肤色特征 肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转，表情等变化情况都能适用，具有相对的稳定性并且和大多数背景物体的颜色相区别。因此肤色特征在人脸检测中是最常用的一种特征。肤色特征主要由肤色模型描述。 可以从两个方面考察某种色度空间：（1）在该色度空间中能否用给定的模型描述“肤色”区域的分布；（2）色度空间中“肤色”与“非肤色”区域的重叠有多少。人脸检测常用的色度空间主要有：RGB（红、绿、蓝三基色）、rgb（亮度归一化的三基色）、SHI（饱和度、色调、亮度） 、YIQ（NTSC制的光亮度和色度模型）、YUV（PAL制的光亮度和色度模型）、YCbCr（CCIR601编码方式的色度模型，与YUV在数学上具有等价性）、CIEL*a*b（国际照明委员会提出的基于色度学的彩色模型）等。 常用的肤色模型有高斯模型、混合高斯模型和直方图模型。 除上述三种肤色模型外，还有直接利用几何参数描述肤色区域分布范围的模型、三维投影模型、基于神经网的肤色模型等。此外也有同时考虑“肤色”与“非肤色”象素分布的基于贝叶斯方法的模型。 8.3.2 灰度特征 灰度特征包括人脸轮廓特征、人脸灰度分布特征（镶嵌图特征、直方图特征等）、器官特征（对称性等）、模板特征等。 轮廓是人头部的重要特征。 人脸核心区域（眼睛、鼻子、嘴区域）具有独特的灰度分布特征。 人脸区域内的各个器官（如双眼、鼻子、嘴等）是人脸的重要特征。 人脸区域的灰度本身可以作为模板特征，通常取仅包含双眼、鼻子和嘴的面部中心区域作为共性的人脸模板特征，排除掉头发、脸颊两侧变化很大的部分。被广泛地用于基于统计学习的人脸检测方法中。 8.4 人脸模式的特征综合 人脸的检测过程实际上就是对人脸模式特征的综合判断过程，包括如下方法。 肤色区域分割与人脸验证方法 基于启发式模型的方法 基于统计模型的方法 8.4.1 肤色区域分割与人脸验证方法 对于彩色图象，在确定肤色模型之后，首先可以进行肤色检测。在检测出肤色象素后，需要根据它们在色度上的相似性和空间上的相关性分割出可能的人脸区域，同时利用区域的几何特征或灰度特征进行是否是人脸的验证，以排除其它色彩类似肤色的物体。区域分割与验证在很多方法中是密切结合、统一考虑的。 在一些情况下，仅根据肤色象素的聚积特性即可完成区域分割。 对于较为复杂的情况，则需要考虑两方面的问题：（1）由于光照和脸部器官的影响，人脸可能被割裂为若干互不连通的肤色区域；（2）人脸区域可能与其它类肤色区域连接在一起。 聚类－归并－验证策略是较常用的解决方法：首先将肤色象素按照较为严格的颜色一致性和几何约束条件聚类为区域，然后按照一定规则进行归并，归并后或归并过程中利用其它特征进行验证。 另一种策略是先用较弱的条件将肤色象素聚类为区域，再将符合一定条件的区域分裂开。 还有一些方法使用肤色模板进行有哪些信誉好的足球投注网站匹配。 此外