【精品】VC++基于WebCam的人脸检测技术设计(论文+源代码+开题报告+文献综述7+外文翻译+答辩PPT)
收藏
资源目录
压缩包内文档预览：(预览前20页/共39页)
编号：1639459
类型：共享资源
大小：5.31MB
格式：RAR
上传时间：2017-08-30
上传人：机****料
认证信息
个人认证
高**（实名认证）
河南
IP属地：河南
50
积分
- 关 键 词：
-
精品
vc
基于
webcam
检测
技术设计
论文
源代码
开题
报告
讲演
呈文
文献
综述
外文
翻译
答辩
ppt
- 资源描述：
-
【精品】VC++基于WebCam的人脸检测技术设计(论文+源代码+开题报告+文献综述7+外文翻译+答辩PPT),精品,vc,基于,webcam,检测,技术设计,论文,源代码,开题,报告,讲演,呈文,文献,综述,外文,翻译,答辩,ppt
- 内容简介：
-
1 附件 4： 本科生毕业论文（设计）文献综述 论文题目： 基于 人脸检测技术 . 学生姓名： 叶瑜 年级（学号）： 00121031 . 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： 讲师 . 填表日期： 2004 年 3 月 5 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） 1 A 1997. 2 P. 26 - 27, 1999,3 . A 2002,24, 1 4 2), 162002, 1, 5 . of 997 97), 1997, 6 A 7 . 002, 24, 5, p. 6968 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， 2003 9 胡晓军，邓波，高宏伟等 +高级开发范例解析，电子工业出版社， 2002 10 徐慧， +数字图像实用工程案例精选 ，人民邮电出版社， 2004 3 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 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： 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）。 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。 个人的面部表情直接影响着人脸的外观。 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。 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。 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。 方法。基于知识（ 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。 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。 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。 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。 4 图 2 方法 代表文章 1. 基于知识 . 不变特征 面部特征 of 理（皮肤） of 色 重特征 of . 模板匹配 预先确定的人脸模 板 变的（人脸）模型 4. 基于外观的（识别）方式 特征人脸 布式 经系统网络 of 持矢量机技术 单贝叶斯分类 of 马尔可夫模型 息理论法 格 1 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。 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） n 1，原始图像；（ b） n 4；（ c） n 8；（ d） n 16。原始的和相对低分辨率的图像。每平方单元由 n 些像素的亮度被那个单元中的像素的平均亮度所代替） （图 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中给出一个实例。实例中的编码标准常用于在最低分辨率下对候选人脸（信息）的查找：“在人脸的中央部分（见图 2阴影最深的部分）有四个单元的亮度是基本一致的”，“在人脸外围一圈的部图 1 5 图 3 分（间图 2阴影较浅的部分）有一些亮度基本一致的单元”，“（显然 ）中央部分的平均灰度值和其上面一圈的平均灰度值的区别是很有意义的。” 这个分辨率最低（级别一）的图像的搜索是为那些候选人脸及其在更高分辨率的后续处理中服务的。在级别二中，局部直方图的同等化是在这些候选人脸从级别二中得到后进行的，且遵循边缘检测。（检测后）剩余的候选区域接着在级别三中被检测，其中级别三是另一个对诸如眼睛、嘴巴等脸部特征做出响应的标准集。求值是在一个包含 60幅图像的测试集中进行的，这个系统定位的人脸在 50 幅测试图像中，而还有 28 幅图像则出现在发生错误警告时。这个方法吸引人的特点就是从粗糙到精确、 从集中的引起注意的这个策略过去被常用于减少必要的角色。虽然这个方法不能达到一个高的识别率，但是这个用在多分辨率层次和用于导向研究的标准的思想在随后的人脸检测著作中已经被利用起来了 81。 81提出了一种基于定位标准的方法，这种和 71和 170很相似。首先，使用投影来定位脸部特征的方法，被 功地使用在定位一张人脸的分界线上 71。设 I(x,y)是一个 m x,y)上的一个亮度值，图像的水平和垂直预测被定义为HI(x)=ny ,(和 VI(y)=mx ,(。首先得到这幅输入图像的水平轮廓，然后由在 检测到的突然变化来决定这个两个位置的最小值，也就是相当于头的左右两边。类似的，垂直预测的得到和定位的最小值是由嘴唇、鼻尖和眼睛的位置来决定的。这些被探测到的特征组成了一个面部的候选。图片 3a 给出这样一个例子：人脸的分界线相当于亮度突然发生改变的位置上的最小值。随后，眉毛 /眼睛，鼻孔 /鼻子和嘴巴的识别标准被用在那些有效的候选项中。这个被提议的方法已经被用在一组正面人 脸集合的测试中，其中，这些人脸取自欧洲声控制与遥感系统的电视服务和安全应用的多模型数据库，这个数据库中包含了 37个不同的人的视频序列。每幅图像依次包含了相同背景下的一个人脸。他们的识别方法提供了所有测试中正确的候选人脸。如果成功识别的定义象正确识别所有面部特征的定义那有，那么这个识别率有 图片 3b 给出了一个例子：在一个复杂的背景下用水平和垂直预测来定位一个人脸会变得困难。此外，这个方法在图解的图片 3c 这种多人脸的图像中不能容易地被识别出。本质上，如果窗口在预测方法操作之上被适宜地定位以避免易于误解 的干扰，那么，这个方法是有效的。 （图 3.（ a）和（ b） n 8；（ c） n 4。水平和垂直预测。通过查找水平和垂直预测的最高点的方法识别一幅单一图像是可行的。然后，同样的方法用在复杂背景的人脸识别和多人脸的识别中就有困难了，如图（ b）、（ c）。） 相对于基于知识的组织管理严密的方法，在这类检测方法中，研究者一直在设法找寻一些人脸检测中不变特征。许多已经被提出来的方法首先检测脸部特征，然后推断人脸的存在。脸部的特征例如眉毛、 眼睛、鼻子、嘴巴和毛发大多使用边缘识别器来萃取。在萃取到这些特征的基础上，构建一个用于描述特征相关性和检验人脸存在性的统计模型。这些基于特征的算法存在的一个问题是：图像的特征可能会因为照明、噪音和被遮挡而变得相当模糊。当阴影引起大量强化且聚集在一起的边界从而导致有知觉（ 分组算法无效时，人脸的特征边界线也可能变弱。 一个定位方法用来在人脸检测中，从一个混乱的背景中分离出一张人脸 145。它用一个精确的识别器 15探索、移动和聚合边缘，从而把人脸轮廓线上的边缘线保留下来。然后在主要区域和背景的分界线上画一个椭圆。这种算法在一个包含 48幅背景混乱的图像的数据库（的应用中）达到 80的准确率。不同于使用边缘线， 出了使用点（ 条纹（即同一方向的直线性顺序边缘线）的一种简单人脸检测方法 20。它们的人脸模 6 型是分别表示眼睛和颊骨、鼻子的两个黑色的点（ 三个浅色的点（ 构成的。这里，人脸模型用条纹来表现人脸、眉毛和嘴唇这些要点。两个三角形被用来表示这些点（ 的空间关系。一幅低分辨率的拉普拉斯算子（ 调和量算子）图像的产生是可以使得点（ 测变得容易些。其次，仔细察看这幅图像，找出明确存在的三角形作为候选项。如果条纹与一个候选项大致一样，那么一张人脸就被识别了。 et 一种检测方法是用来定位灰度级图像中的脸部特征和人脸的 54。经过波段过滤，用形态学上的操作（ 增强包含一定外形（例如眼睛）的高亮度区域。被处理的图像的直方图具有代表性地展示了一个显著的 最高峰。为了产生两幅二进制的图像，以这个最高峰的峰值和它的宽度，适当的极限值为基础进行选择。在两幅二进制图像中检测连接成分是为了确定候选脸部特征的范围。然后，这些范围的结合处用分类器来计算，从而确定是否有人脸，且人脸位于何处。他们的方法是用 40 个包含肩部以上部分的个体图像和各由 100到200个连续帧组成的五个视频流文件来测试的。尽管如此，如何用形态学上的操作（ 实行和如何用候选面部特征的结合来定位一张人脸都不是很清楚的。 et 一个概率检测方法来定位基于局部特征识别器和随机曲线图匹配的混乱场景中的人脸定位。他们的出发点是阐明人脸定位问题是一个搜索问题，这个问题的目的是找出很可能是一个人脸模型的特定脸部特征的排列。五个特征（一双眼睛、两个鼻孔和鼻子 /嘴唇的汇合点）被用来描述一个典型的人脸。因为任何一对类型相同的脸部特征（例如一对左眼和右眼），它们的相对距离是可以计算的，所以图像中的全体的距离都可以用高斯分布算法来模拟。一个脸部模板是通过响应一个基于大量人脸的数据集的多方位、多等级的高斯派生过滤器（面部特征内部的像素）的集合 的平均计算来实现的。给出一个测试的图像，候选的脸部特征是通过过滤器对每个像素的响应和一个模板向量的响应（精神相关性类似）这两者的匹配来检测的。两个具有最强响应的最佳特征候选项被选出来用于其他脸部特征的研究。因为脸部特征不可能出现在任意的排列中，所以预料中其他特征的定位是用一个共用距离的统计模型来估算的。此外，协方差的估计也是可以计算的。因而，预料中的特征定位的估算具有较高的可能性（概率）。然后， 座）只能从位于适当位置内部的候选项中形成，且最相似的一张人脸被识别。寻找最佳 座）的过程阐明了象随机曲线图匹配这样的问题，其中，这个随机曲线图问题就是在相当于描述人脸特征的曲线图的节点和弧的不同特征间的距离。 座）的排列是基于一个概率密度函数，这个函数是一个相当于人脸的 座）与它通过二选一的机制（例如：非人脸）产生的结果的可能性相比。他们使用一个有 150幅图像的集合来进行实验，实验条件是：如果任何一个座）正确定位三个或三个以上的这个人脸的特征，那么这个人脸就被认为是被正确地检测 出来了。这个系统能达到的正确定位率是 86。 不同于使用共有的距离来表示脸部特征间的相互关系， et 13、 88也提出了一种二选一的方法来建模人脸。这些 座）的表示和排列是通过使用 75、95发展的形状统计论来实现的。这个形状统计学是一个基于 (xi,表示，且第 据一个普通 2们应用最大相似度的方法来 确定一张人脸的位置。这些方法的一个优点是被部分遮挡的人脸也能被定位。尽管如此，这些方法是否适合多人脸有效识别的情况是不清楚的。 在 177、 178中， 种方法使用的大量根据来自于可见图像和它们之间前后关系。第一步是应用一个二次派生高斯过滤器，把一幅未处理过的图像拉长（到原来的三到一倍）。重要的（特征）点在最大定位值的检测是用这个过滤器的，它的响应反映了脸部特征可能的位置。第二步是检查这些重要（特征）点的边缘线并把它们分到各自的区域里面。这些有知觉的（ 缘线分组是基于它们在方向和色差（浓度）上的相似度和接近性。一个区域里特征的衡量，例如边缘线的长度，边缘线的浓度和亮度的变化，在计算并存储在一个特征向量里的。一个平均协方差矩阵中每一个脸部特征向量是根据脸部特征的训练数据来计算的。一幅图像中的区域变成一个有效的脸部特征候选项的条件是 选项）相应的特征向量的极限值以下。被标识的这些特征是根据模型对它们（特征）各自间应有的关系的了解来被进一步分组。然后，用贝叶斯定理的网络来估算每一个脸部特征及其分组。这种方法 吸引人的一个优点是能够识别不同方位和姿态上的人脸。用 110幅不同比例、方位和视角的人脸图像所组成的一个测试集来测试，得到 85的全面识别率。尽管如此，被报告的误识率达到 28，而且执行效率仅对像素大于 60 60的人脸（图像）有效。随后，这种方法（的效果）通过有效的轮廓模型 22， 179得到增强。图片 4概述了基于人脸识别的这个方法的特点。 7 图 4 （图像 4（ a） 毛、眼睛、鼻子和嘴巴）的一个平面 179。（ b）每个脸部特征是用一对导向 性的边缘线来模拟的。（ c）特征选择的处理开始于那些重要的（特征）点，并遵循边缘线的识别和连接，且通过一个统计模型来测试（） 根据的）人脸定位方法，该方法是基于一个视网膜特征萃取和眼睛微摆模型 157。他们的算法是在一幅显著的图像或重要的区域上进行的，并使用马格诺合金颗粒来制作能模拟人类视觉系统的活动细胞的一个视网膜格子。第一个阶段计算一幅粗糙扫描的图像从而估计这个人脸的位置，这个操作是基于过滤器对能接 受区域的响应。每个能接受的区域由大量的神经细胞组成，这些细胞被高斯过滤器明确定位了。第二步在较高分辨率的情况下仔细扫描图像来制作显著的地图以定位人脸。（这种方法）在一个由 426幅图像（有 200个对象来自 成的测试集中的错误率是 et 部分 58。他们认为眼睛和眉毛是人脸中最显而易见且最稳定的特征，所以，有利于识别。他们把类似眼睛的部分的边缘线定义在和眼睛一样的等高 线上。首先，象（ 止和开始这样的形态学上的操作被用来萃取亮度值变化显著的那些像素。在他们的方法中，这些像素变成了类似眼睛（部分）的像素。然后，对产生类似眼睛的部分进行标识的处理。这些部分常用来指导包含眼睛、鼻子、眉毛和嘴巴这些几何连接的可能是人脸的这些区域的研究。这些候选的人脸区域用类似于 127这样的一个神经系统网络来做进一步的检验。他们用由包含 130张人脸的 122图像组成的测验集来进行实验，实验证明这种方法有 94的正确率。 最近， et 了一种用于形状检测的方法，并且用这种方法识别了静态亮度图像中的前景人脸 3。这种识别分为两个阶段：调焦和透彻分类。调焦的基础是空间排列的边缘片段，这些片段是从一个利用亮度差异的简单边缘识别器来萃取出来的。定义这样一个丰富的结构（族谱）：包含空间排列，基于光度测定和几何的转换范围的不变式（不变量）。使用 4提出（ 归纳法从包含 300幅训练人脸图像的集合中选择图像，尤其是那些人脸的空间排列边缘比背景的空间排列边缘多的图像。同时，使用 11来发展一棵分类树，且这棵树来自于训练图 像和一堆从一般背景图像中识别出来的假阳性图像。给出一个测试图像，从空间排列的边缘片段中识别出有意义的区域。然后，使用 们的实验是在一个包含来自在是 ）的 100幅图像所组成的集合中进行的，结果报告每 100 个像素中有 假阳性率和 10的假阴性。 肤）肌理 人脸所具有的独特的（皮肤）肌理可以用来把不同的人脸区分开来。 一种通过类似人脸（皮肤）肌理的识别来推断一张人脸的 存在性 6。为了从（皮肤）肌理标志中推断一张人脸的存在性，他们提出以毛发和皮肤的肌理出现率为（推断）依据。但是，据了解：最适合（皮肤）肌理分类的不是人脸的定位和检测。 型来进行人脸识别 32。脸色信息也是混合于人脸（皮肤）肌理模型中的。使用这个人脸（皮肤）肌理模型，他们设计的一个扫描方案，这个方案是用来在包含放大人脸区域的类似橙色部分的彩色背景下检测人脸的。这种方法的一个优点是这样可以识别出非垂直的人脸或者识别出具有诸如胡须和眼镜这类特征的人脸。 这种被报道的方法在一个包含 60张人脸的 30 幅图像组成的测试集中的检测率是相对理想的。 人的肤色作为一种有效的特征已经在人脸识别和人手跟踪等许多应用中得到使用和证明。虽然不同的人有不同的肤色，但有研究表明肤色的亮度和它们的色度（参考色） 54， 55， 172之间的差异是主要原因。 许多被提出来的方法是构建一个肤色模型用的。最简单的模型是定义一个皮肤色调的像素区域，用 17，例如 R(b)是从肤色模型像素的实例中取值的。使用仔细选定的（作用）域 如果一个像素 (b)的值降低到这个范围域内，例如， 8 ,且 是从直方图的实例中根据经验选定的一个域值，那么这个像素被分到相应的肤色中。 种方 法使用 138的直方图交集。肤色像素中的一个初始化的点（ 被称为控制点（种子），这些点是由用户选择的，且常被用于迭代算法的初始化。为了识别肤色的区域，他们的方法是通过这幅图像中，某一时刻的点移动，且把来自该图像的控制的直方图和当前的直方图的比较关系呈现出来。直方图交集 155被用于对控制的直方图和当前的直方图进行比较。如果匹配值或公共的实例数目（例如交集）比一个域值大，那么当前点被当做肤色来分类。 色彩术语 79。相对于上面涉及到的非参数方法，高斯密度函数 14， 77， 173和混合高斯 66， 67， 174常被用于模拟肤色。常常使用可能性大的值来估算单峰高斯分布中的这些参数 14， 77， 173。宁可使用一种混合高斯而不使用一种多模型分布的出发点是基于这样一份（观察）报告，报告表明不同种族背景的有色人种不能构造一种多模型的分布的色彩直方图。使用一种 法 66， 174来估算一种混合高斯中的这些参数。 最近， 将（从规格化 集来 的近十亿个被标识的皮肤色调像素中进行一项大比例（级别）的实验。比较直方图的性能和混合模型对皮肤的识别，他们发现直方图模型在正确度和计算代价上更有优势。如果肤色模型能够完全适应于不同光照条件的需要，那么脸色信息是用于识别脸部区域和特殊脸部特征的有效工具。然而，这样的肤色模型在光源变化显著的光谱中是无效的。换句话说，由于背景和前景光照的变化，肤色表现出来的状态经常是不稳定的。虽然通过使用物理学模型 45能明确地表达色彩（恒久不变的）状态（或性质），但是在光照条件变化的情况下使用肤色（识别）还是存在有些问题的。 et 来在光照条件变化的情况下跟踪人脸 99。相对于依赖一个基于色彩（恒久不变的）状态（或状态）的肤色模型，他们使用随机模型来估算一个对象的在线脸色分布，且这个模型能适应观察和光照条件的调和变化。初步结论显示他们的系统能够在一个大范围的光照条件下跟踪人脸。然而，这种方法不能应用在单一人脸图像的人脸识别。 最近，许多结合了一些脸部特征的检测方法已经被提出来用于定位或检测人脸。它们中的许多方法都利用了例如肤色、大小和形状等前面的 特征来查找人脸的候选项，然后使用诸如眉毛、鼻子和毛发等局部的详细的特征来检验这些候选项。在 下来，用相关成分分析或聚类算法来把类皮肤像素分在一起。如果一个相关区域的形状是椭圆或卵形的，那么它就会变成一个人脸候选项。最后，检验局部特征。其中特征集的定义是可以不同的。 et 19， 169， 168在彩色图像中识别人脸的方法。他们使用两个模糊模型来描述 个主要模型（一个正面、四个侧面的角度）是对图像中人脸外貌的抽象。每个形状模型都是一个二维的图案，图案由 m 个格子包含了若干个像素。每个格子被赋予了两种性质：皮肤比例和毛发比例，且这两种性质意味着这个格子里面到格子周边的皮肤区域（或毛发区域）的比例。在一幅测试图像中，每一个像素被分类为基于分类模型的毛发，人脸，毛发 /人脸和毛发 /背景，从而产生了类皮肤和类毛发的区域。然后，把这个主要（形状的）模型与从测试图像中萃取来的类皮肤和类毛发区域进行比较。如果它们是相似的，那么被识别区域就变成了一个 人脸候选项。为了进行确认，使用水平边缘线来萃取一个人脸候选项的眼睛眉毛和鼻子嘴巴的特征。 147作为脸部特征萃取物的人脸定位方法。首先，后，在低分辨率的区域中测定相关的部分。利用几何力矩为每一个相关的部分计算出最适合它们的椭圆。每个用非常近似的椭圆形选定的相关部分作为一个人脸候选项。随后，通过查找脸部特征内在的相关性部分来检验这些候选项。诸如眼睛和嘴巴这些特征，因为它们比人脸的其他部分的颜色要深，所 以能从中萃取出来。在 159， 160中，一个高斯肤色模型被用来对肤色像素进行分类。为了在二进制图像中表现成群的形状，利用傅立叶（ 光线 换来计算由 11个最低次几何力矩组成的集合。为了检测，利用萃取的几何力矩训练（测试）一个神经网络系统。他们的实验表明：在一个有 100幅图像的测试集合中识别率是 85。 9 这种对称人脸模型也已经被应用在人脸检测中了 131。利用 非皮肤的分类，且这个色彩空间是遵循把（分类）产生的邻近区域变平滑的 （原则）。接下来，一个椭圆人脸模板被用来测定基于 后，使用若干代价（成本）的函数来定位眼睛的中心，而这些函数的设计是利用人脸和眼睛的位置具有内在的对称性。然后，利用眼睛中心点间的距离来定位鼻尖和嘴巴的中心。这种方法的一个缺点它仅对单一正面视角的人脸有效，而且人脸的一双眼睛必须都是可见的。在 151中给出了一种利用脸色和局部对称的类似方法。 相对于基于像素的方法，在 173中介绍了基于结构、颜色和几何学的识别方法。首先，使用多（比例）等级分割来萃取一幅图像 中的相似区域。使用高斯肤色模型，萃取皮肤色调区域并用椭圆将之分组。如果诸如眼睛和嘴巴这样的脸部特征存在于这些椭圆区域内，那么一张人脸就被识别了。实验结果表明：当存在诸如胡须和眼睛这类不同的脸部特征的情况下，这种方法能识别人脸。 et 萃取一个紧凑的，结构上有意义的多谱段卫星肖像（ 74的描述。通过连接这幅像素图像的同等物像素光谱（或构造上）的成分来形成每个 像素中的一个特征向量；然后，用这个特征向量丛生像素，从而形成连贯的相关区域或“点（ 。为了识别人脸，每个特征向量由这个图像的同等物和规格化的色度（参考色）组成。例如： X=(x,y, r/(r+g+b),g/(r+g+b) 149， 105。然后用一个连同性的算法产生点（ 这个做为结果的皮肤（斑）点的大小和形状与被考虑为人脸的规范化人脸的皮肤点（ 很接近的。 et 77的人脸识别利用了范围和颜色（脸色）。在背景像素具有相同的深度，且它们的数目超过了 前景对象，这样的假设下，计算不同的图和从背景中分割对象用不同的直方图。在规格化的 分割的类皮肤区域被分类为人脸。在 et 33中提出了这样一个类似的方法。 在模板匹配中，一个标准人脸模型（大多是正面的）是通过函数手工确定或参数化的。给出一幅输入图像，分别为人脸的轮廓，眼睛，鼻子和嘴巴计算这个标准模型的相关值。一张人脸的存在与否是由这些相关值决定的。这种方法的优点是实现起来简单。然而，这种方法被证明不适合用于人脸识别，因为它不能有效的处理比例，姿态和形状变换的情况。随后，多分辨率，多（比例）等级，子模板和可变形的模板就被提出来了，以此来满足比例和大小可变的情况。 在 et 132中提到过在照片中识别正面人脸的一种早期尝试。他们使用若干眼睛，鼻子，嘴巴和人脸轮廓的子模板来模拟人脸。每一个子模板用一个线段的术语定义。基于最大倾斜度的变化，从输入图像中萃取线段，然后把（线段）与子模板进行匹配。首先计算子图像和轮廓模板的相关性，因此识别已定位的那些人脸候选项。然后在候选项的位 置处对其他的子模板进行匹配。换句话说，第一阶段测定引人注目的焦点和重要区域，第二阶段测试细节，以此来测定人脸的存在与否。这种以引人注目的焦点和子模板为（主）的思想在后来的有关人脸识别的著作中被采纳。 et 如，人脸的轮廓形状） 27为基础的。首先，用 些边缘线被一起分组，用来查找有若干约束的人脸模板。当主要的轮廓被定位以后，在不同的（比例）等级下，用相同处理方法来定位诸如眼睛，眉毛和嘴唇这些特征。随后， et 0 个模板组成的集合来形容一种定位方法查找脸部特征和用一种管理策略来指导和平均基于该模板的特征识别器 28的效果。 et 方法产生于人脸臆测且在 52， 52， 51中测试。构造一个人脸模型的根据是由边缘线定义的特征。这些特征描述了一个正面人脸的左侧，毛发线和右侧的弯曲度。 后，用过滤器过滤人脸中不象轮廓线的部分。一对轮廓片段连接的基础是它们相近且位置 相关。角落的识别是为了分割特征曲线的轮廓线。然后，这些特征曲线通过检查它们的几何性质和相邻间的相对位置得到标识。如果一对特征曲线的属性相容（一致）（例如：如果一对特征曲线出现在同一张人脸上），那么通过边缘线把它们连接起来。一对特征曲线形成边缘线的比率与全部比率相比较，代价被赋值给边缘线。如果以三段特征曲线（具有不同的标识）组成的一个分组的代价很低，那么这个分组就变成了一个假设。当在报纸的文章里识别人脸时，图像中人的个数这一间接信息是从输入图像的附加说明中得到的，并以此选定为最佳的假设 52。他们的系统表明 ：在一个拥有 50张照片的测试集里，识别率近似为 70。然而，被识别的人脸必须是垂直，正面，且没有被遮挡的。通过165，相同的方法在微波范围内萃取边缘线方面得到进一步发展。 10 图 5 et 161， 162定性的模型。在 一幅做例子的图像被分成一定数量的块，为每一块估算定性的特征。为了用参数表示一个人脸图案，在这个模型中“灵活（轻盈）”和“锋利（ 被定义为特征。因此，这个块模 板被用来计算一幅输入图像中每个位置上的“人脸（ 。如果人脸（ 在前面已经定义的范围之内，那么人脸就被识别出来了。 侧面影象（轮廓）也被当做模板为人脸定位 134服务。在人脸实例中，用主要成分分析（ 到基本的人脸侧面影象（轮廓）的一个集合，且人脸的实例是通过一个比特数组表现出来的侧面影象。然后，这些特征侧面影象用在一个用于定位的无显著特点的关节转换上。在 150中提出了一种基于多模板脸部成分定位方法。他们的方法为可能出现的脸部特征定义了大量的假设。然后，根据利用 论 34得到的面部成分的假设，定义一个人脸存在性的假设集合。给出一幅图像，特征识别器为脸部特征的存在计算确定因素。这些确定因素结合起来以测定人脸存在的可信度和不可信度。他们的系统能定位 94 幅图像中的 88幅图像的人脸。 （图片 5是 4 16像素率的模板。这个模板由 16个区域（灰色格子）和 23种关系（用箭头表示）组成 139。 143， 144。设计这个不变量的关键（ ，当侧面影象改变个体的中人脸不同部分（例如眼睛，脸颊，前额）的光照时，这些部分的相对光照仍然是基本不变的。测定一些光照区域的成对率，保持这些比率的“趋势”（例如，某个区域比另一个区域明亮或暗淡）需要健壮的不变量。因而，观察光照的规律性被编码为一个比率模板，该模板是一个人脸的粗糙的空间模板，其中，人脸中包含了一些适当的选定子区域，这些区域中粗略地包含了主要的面部特征，例如眼睛，脸颊和前额。这里光照的约束在于用子区域间的一个明亮暗淡成对关系的适当集合来捕捉人脸的部分。如果一幅图像满足所有明亮 暗淡成对的约束，那么这个人脸就被定位了。随后，在局部邻近区域使用亮度差的思想被进一步发展，以此为基于微波的步行者、汽车和人脸识别 109服务。 139， 10的人脸识别中。图片 5给出了包含 23中已定义了的关系的增强形模板。这些被定义的关系被进一步分类为11 种本质的关系（实箭头）和 12 种确定的关系（虚箭头）。图片中每一个箭头表示一种关系，箭头的头指向第二个区域（例如：分母的比率）。如果这个比率在两个超越某一作用域的区域间，那么这种关系就满足人脸模板； 如果一定数量的本质且确定的关系超越某一作用域，那么人脸即别识别。 在 et 100中提出了一种用于人脸识别的分等级模板匹配方法。第一步，把一幅输入的图像以每步旋转 5的进度从 20转到 20，因此来处理旋转的人脸。一幅多分辨率的图像的层次的构成（见图片 1）和边缘线的萃取是用拉普拉斯算子操作。通过六个脸部组件：一对眉毛，一对眼睛，一个鼻子和一张嘴巴，构成这样人脸模板。最后，应用探索来测定人脸的存在性。他们的实验结果表明：包含单一人脸（正面的或旋转的）的图像比包含多个人脸的图像更容 易识别。 et 而适用于脸部特征（例如眼睛）中在前的（ 性模型。在这种方法中，脸部特征是用参数化的模板来表示的。 定义这样一个能量（ 数：在一幅输入图像中把边缘，顶峰和谷底和模板中相应的参数联系起来。通过最小化能量（ 数的参数找到了一个最适合的弹性模型。虽然他们的实验结果证明（该方法）在非刚形的特征跟踪中有很好的性能，但是这种方法的一个缺点是可变模板必须用在主要对象很接近的情况下。在 84中，一种基于蛇形汇率波动（ 73， 79的检测方法及其模板得到了发展。首先，用模糊过滤器把一幅图像缠绕起来，然后用形态学的操作增强其边缘。一个改进的 波动被用来查找和消除小的曲线分割。每一张人脸用近似椭圆表示，残留小波动的关节转换被用来确定一个显性的椭圆。这样，就得到了由四个参数表示这个椭圆的集合，并把这个图样做为人脸定位的候选项。对于每一个候选项，用类似于可变模板 180的方法寻找详细的特征。如果找到固定数量的脸部特征，且它们的比例满足人脸模板的测试比例，那么这个人脸 被识别。 数中的贪婪算法来定位主要的边界线。 et 86来描述一种表现人脸的方法。他们的从训练图像的集合开始着手，其中这些图像中的实例，诸如眼睛的边界，鼻子，下巴 /脸颊，是手工标识的，且实例点的每个向量被用来表示一个形状。他们用一个点分布模型（ 表现基于全部个体的形状向量的特征，与 种方法用来表现规范化形状的亮度外观。一个脸形点分布模型 11 图 6 （ 过使用活动形状 模型搜寻来估计人脸定位和形状参数，可以用来定位新图像中的人脸。然后，人脸碎片转换为均匀的形状和被萃取的亮度参数。这个形状和这些亮度参数可以一起被用于分类。 25中的人脸。首先，他们定义包含主要特征的实例的图像的矩形区域。然后，应用要素分析来匹配这些训练特征和得到一个分布函数。如果概率量超过一个作用域的范围，且用活动形状模（ 验，那么特征候选项被测定。使用 40幅图像来测试这个方法，该方法能够在 40 幅测试图像中定位 35张人脸。用 活动形状模型（ 法得到进一步拓展，并以此估计无形状的亮度参数和跟踪顺序图像中的人脸 39。 脸识别）方法 相对于模
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号