基于WebCam的人脸检测技术附件.doc

1附件4：本科生毕业论文（设计）文献综述论文题目：人脸识别技术.学生姓名：叶瑜年级（学号）：.二级学院：信息工程学院专业：计算机科学与技术.指导教师：袁贞明职称：.填表日期：年月日杭州师范学院教务处制2一、查阅中外文献资料目录，所查阅的中外文献资料不得少于5篇（含作者、书名或论文题目、出版社或刊名、出版年月或期号及页码等，未经本人查阅的文献资料目录不得列上）1ThomasFromherz,PeterStucki,MartinBichsel.ASurveyofFaceRecognition.MMLTechnicalReport,No97.01,Dept.ofComputerScience,UniversityofZurich,1997.2R.C.KHua,L.C.DeSilva,P.Vadakkepat.DetectionandTrackingofFacesinReal-TimeEnvironments.InternationalWorkshoponRecognition,Analysis,andTrackingofFacesandGesturesinReal-TimeSystems,Sep.26-27,1999,p.963Ming-HsuanYang,DavidJ.Kriegman,NarendraAhuja.DetectingFacesinImages:ASurvey.IEEETransactionsonPatternAnalysisandMachineIntelligence,2002,VOL.24,NO.14Do-JoonJung,Chang-WooLee,Yeon-ChulLee,Sang-YongBak,Jong-BaeKim,HyunKang,Hang-JoonKim.PCA-BaseReal-TimeFaceDetectionandTracking.InternationalTechnicalConferenceonCircuits/Systems,ComputersandCommunications(ITC-CSCC02),Jul,Phuket,Thailand,Jul.16-19,2002,Vol.1,p.615-6185JamesL.Crowley,FrancoisBerard.Multi-ModalTrackingofFacesforVideoCommunications.Proceedingsofthe1997ConferenceonComputerVisionandPatternRecognition(CVPR97),1997,p.6406VladimirVezhnevets,VassiliSazonov,AllaAndreeva.ASurveyonPixel-BasedSkinColorDetectionTechniques.Graphics,MediaLaboratory.7Rein-LienHsu,MohamedAbdel-Mottaleb,AnilK.Jain.FaceDetectioninColorImages.IEEETrans.PatternAnalysisandMachineIntelligence,May2002,vol.24,no.5,p.696-7068阮鹏，赵明生，安全监控中的一种快速人脸定位算法，清华大学电子工程系网络与人机语音通信研究所，20039胡晓军，邓波，高宏伟等VisualC+高级开发范例解析，电子工业出版社，200210徐慧，VisualC+数字图像实用工程案例精选，人民邮电出版社，20043二、文献综述（含本选题国内外研究现状、研究主要成果、发展趋势、存在问题等内容，字数不少于3000字，力求内容切题，具综合归纳性）人脸检测方法综述（杭州师范学院信息工程学院计算机001班叶瑜）摘要：人脸识别技术具有广泛的应用前景，其目标是识别出所有包含了人脸中不注意的三维位置、方向和光照条件的图像区域。这个问题正受到挑战，因为人脸不是僵硬的，而且人脸的大小、形状、颜色和结构的变化程度很大。而无论从何种角度对人脸识别技术进行分类，要实现一个健壮的人脸识别系统，都需要解决检验人脸的这一步，因此，本文从四个大类从发，分别简单阐述了单一图像中的人脸检测方法。关键字：人脸识别、人脸检测、特征1、引言人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。人脸识别的过程可以分为以下三个部分：(1)人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小；(2)面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息；(3)人脸比对：根据面部特征定位的结果，与库中人脸对比，判断该人脸的身份信息；显然地，在任何一个自动化的系统中，人脸检测都是解决上述问题的第一步。在本文中，我们把人脸识别和人脸定位区分开了，因为，后者是前者的一个简化了的问题。因此，本文的重点是放在放在人脸的检验方法上的。在此，给出一个人脸检测的定义：给出一幅随意的图像，人脸检测的目的是明确图像中是否有人脸，如果有，返回每张人脸的范围和位置。与人脸检验有关的挑战可以归纳为如下这些因素：1.姿势。图像中人脸的变化取决于相关的（摄取的）人脸姿势（正面、45度、侧面、向上、向下）以及一些面部的特征，例如眼睛或鼻子有可能是部分或全部闭塞（遮挡住了）。2.结构部件的有无。象络腮胡子、（嘴唇上面的）胡子和眼镜这些面部特征可能有也可能没有,有些（人脸上的）部件包括形状、颜色和大小有大量的变化。3.面部表情。一个人的面部表情直接影响着人脸的外观。4.闭塞（遮挡）。人脸可能因为其他的对象而部分地被闭塞（遮挡）。在一幅有一群人的图像中，一些人的脸的一部分可能被其他人的脸挡住了。5.图像定位。人脸的图像因为照相机的光学轴线的不同旋转而呈现出变化。6.成像的条件。一幅图像的成像因素包括光照（光谱，来源的分布和强度）和照相机的特性（传感器的响应，镜头）对人脸外观的影响。2、单一图像中的人脸检测我们可以把单一图像中人脸的检测方法分为四类，而这些方法的分类界限而是可以重叠的。1.基于知识（Knowledge-based）的方法。基于知识（Knowledge-based）的这些方法是把组成同一类人脸的信息进行编码。一般来说，这类标准捕捉的对象是脸部特征的相关之处。这些方法主要是为了人脸的定位设计的。2.不变特征（Featureinvariant）的方法。这类算法的目的是找出在姿势、角度或光照条件变化的情况下人脸上存在的那些结构特征，并以此来定位人脸。这类方法主要也是为了人脸的定位设计的。3.模板匹配（Templatematching）的方法。把一些标准的人脸模型存储起来，并以此用于描述人脸的全面或个别的脸部特征。通过输入图像和已经存储的模型之间相关性的计算来检测人脸。这类方法已经被用于人类的定位和检测了。4.基于外观的（Appearance-based）方法。与模板匹配不同，这里的模板样式（或模板）是从一个训练（测试）图像集中获取的，而这个图像集捕捉到的是具有典型性且变化着的脸部外观。这些模板样式是为检测人脸服务的，所以这类方法主要也是为了人脸检测而设计的。表格一概括了单一图像中这四类人脸检测的算法和具有代表性的文章。方法代表文章4图二基于知识基于多分辨率标准的方法170不变特征面部特征边缘分组肌理（皮肤）灰度级矩阵空间的人脸样式87178肤色高斯混合（算法）32多重特征肤色、大小和形状的综合79模板匹配预先确定的人脸模板（人脸的）形状模型28可变形的（人脸）模型活动的（可变的）（人脸）形状模型86基于外观的（识别）方式特征人脸特征向量的分解和聚类163分布式高斯分布和多层感知器154神经系统网络神经系统网络的全体和仲裁方案128支持矢量机技术支持矢量机技术的多相式核心（要点、内核）107简单贝叶斯分类局部外貌和位置的连接统计140隐马尔可夫模型隐马尔可夫模型的高次统计123信息理论法库仑贝克的相对信息论8924表格一单一图像的人脸识别方法分类下面，展开讨论一下每一类方法的出发点和基本的实现方式。2.1基于知识的，组织管理严密的人脸检测法这类方法的发展标准是基于研究人员对人脸信息的研究，由此提出了描述人脸特征及其相关性的简单标准。例如，一幅图像中一张人脸上有一双位置对称的眼睛，一个鼻子和一张嘴巴。这些特征的关系可以通过它们的相对距离和位置来描述。这副输入图像中的脸部特征首先被萃取出来，而脸部其他候选区域的识别是基于这些特征的编码标准的。这种检测方法的一个问题是：把人脸信息翻译成定义好的标准是一个难题。因为，如果这个标准已经被细化或是很精确的，那么被检测的人脸会因为不符合所有标准而无法被检测出来。但是，如果这个标准太粗略，被检测的人脸又会出现很多检测错误。此外，要进一步发展在不同姿势下检测人脸的方法也是困难的，因为要把所有可能的例子全部列举出来是很困难的。（图1.（a）n1，原始图像；（b）n4；（c）n8；（d）n16。原始的和相对低分辨率的图像。每平方单元由nn个像素组成，这些像素的亮度被那个单元中的像素的平均亮度所代替）（图2.一个典型的人脸在基于知识的组织管理严密的方法中的应用：标准的编码是由人脸信息中脸部区域的特征决定的（例如：（脸部）亮度的分布和区别）107。）杨和黄使用一种分等级的信息（识别）方法来检测识别人脸170。他们的这个系统由三个级别的标准组成。最高级别中，所有可能出现的人脸信息是通过扫描位于输入图像上的窗口和应用一组标准，在其各自的位置上得到的。该标准的较高级别是对人脸的外表特征进行一般性的描述，而该标准的较低级别是对面部特征的细节的描述。通过平均（计算）和二次抽样可以生成一幅多层次的图像，在图1中给出