人脸检测算法综述.pdfVIP

⼈脸检测算法综述 这两天做⼈脸3D建模的时候为了优化速度需要提取⼈脸区域 ⽤到了OpenCV的⼈脸检测函数。在这⾥只是使⽤了已经训练好的分类器和 接⼝函数 对于内部的实现并不了解 下⽂是我找到⼀个公众号写的⼀篇⼈脸检测算法综述 觉得很好 在这⾥贴⼀下供⼤家查阅。 原⽂链接 ： 导⾔ ：⼈脸检测是 ⽬前所有 ⽬标检测⼦⽅ 向中被研究的最充分 的问题之⼀ 它在安防监控 ⼈证 ⽐对 ⼈机交互 社交和娱乐等⽅⾯有很强的应⽤价 值 也是整个⼈脸识别算法 的第⼀步。在本⽂ 中 将和⼤家⼀起 回顾⼈脸检测算法 的整个发展历史。 问题描述 ⼈脸检测的⽬标是找出图像中所有的⼈脸对应的位置 算法的输出是⼈脸外接矩形在图像中的坐标 可能还包括姿态如倾斜⾓度等信息。下 ⾯是⼀张图像的⼈脸检测结果 ： 虽然⼈脸的结构是确定的 由眉⽑、眼睛、⿐⼦和嘴等部位组成 近似是⼀个刚体 但由于姿态和表情的变化 不同⼈的外观差异 光照 遮挡的影响 准确的检测处于各种条件下的⼈脸是⼀件相对困难的事情。 ⼈脸检测算法要解决以下⼏个核⼼问题 ： ⼈脸可能出现在图像中的任何⼀个位置 ⼈脸可能有不同的⼤⼩ ⼈脸在图像中可能有不同的视⾓和姿态 ⼈脸可能部分被遮挡 评价⼀个⼈脸检测算法好坏的指标是检测率和误报率。我们将检测率定义为 ： 误报率定义为 ： 算法要在检测率和误报率之间做平衡 理想的情况是有⾼检测率 低误报率。 经典的⼈脸检测算法流程是这样的：⽤⼤量的⼈脸和⾮⼈脸样本图像进⾏训练 得到⼀个解决2类分类问题的分类器 也称为⼈脸检测模 板。这个分类器接受固定⼤⼩的输⼊图⽚ 判断这个输⼊图⽚是否为⼈脸 即解决是和否的问题。⼈脸⼆分类器的原理如下图所⽰ ： 由于⼈脸可能出现在图像的任何位置 在检测时⽤固定⼤⼩的窗⼝对图像从上到下、从左到右扫描 判断窗⼝⾥的⼦图像是否为⼈脸 这称 为滑动窗⼝技术 （sliding window）。为了检测不同⼤⼩的⼈脸 还需要对图像进⾏放⼤或者缩⼩构造图像⾦字塔 对每张缩放后的图像都 ⽤上⾯的⽅法进⾏扫描。由于采⽤了滑动窗⼝扫描技术 并且要对图像进⾏反复缩放然后扫描 因此整个检测过程会⾮常耗时。 由于⼀个⼈脸附件可能会检测出多个候选位置框 还需要将检测结果进⾏合并去重 这称为⾮极⼤值抑制 （NMS）。多尺度滑动窗⼝技术 的原理如下图所⽰ ： 以5 12x5 12⼤⼩的图像为例 假设分类器窗⼝为24x24 滑动窗⼝的步长为 1 则总共需要扫描的窗⼝数为 ： 即要检测⼀张图⽚需要扫描⼤于120万个窗⼝！！！计算量惊⼈ 因此有必要采取某种措施提⾼效率 具体解决⽅案本⽂会给出。 典型应⽤ ⼈脸检测是机器视觉领域被深⼊研究的经典问题 在安防监控、⼈证⽐对、⼈机交互、社交等领域都有重要的应⽤价值。数码相机、智能⼿ 机等端上的设备已经⼤量使⽤⼈脸检测技术实现成像时对⼈脸的对焦、图集整理分类等功能 各种虚拟美颜相机也需要⼈脸检测技术定位⼈ 脸 然后才能根据⼈脸对齐的技术确定⼈脸⽪肤、五官的范围然后进⾏美颜。在 ⼈脸检测是整个⼈脸识别算法的第⼀步。 早期算法 我们将整个⼈脸检测算法分为3个阶段 分别是早期算法 AdaBoost框架 以及深度学习时代 在接下来将分这⼏部分进⾏介绍。 早期的⼈脸检测算法使⽤了模板匹配技术 即⽤⼀个⼈脸模板图像与被检测图像中的各个位置进⾏匹配 确定这个位置处是否有⼈脸 ；此后 机器学习算法被⽤于该问题 包括神经⽹络 ⽀持向量机等。以上都是针对图像中某个区域进⾏⼈脸-⾮⼈脸⼆分类的判别。 早期有代表性的成果是Rowley等⼈提出的⽅法[1] [2]。他们⽤神经⽹络进⾏⼈脸检测 ⽤20x20的⼈脸和⾮⼈脸图像训练了⼀个多层感知 器模型。⽂献[1]的⽅法⽤于解决近似正⾯的⼈脸检测问题 原理如下图所⽰ ： ⽂献[2]的⽅法解决多⾓度⼈脸检测问题 整个系统由两个神经⽹络构成 第⼀个⽹络⽤于估计⼈脸的⾓度 第⼆个⽤于判断是否为⼈脸。 ⾓度估计器输出⼀个旋转⾓度 然后⽤整个⾓度对检测窗进⾏旋转 然后⽤第⼆个⽹络对旋转后的图像进⾏判断