（信号与信息处理专业论文）动态人脸检测算法研究.pdf

中文摘要 人脸作为图像与视频中最重要的视觉对象之一，提供了大量视觉信息。是人类进行身 份确认最方便最直观的方式，因此人脸检测一直是机器视觉领域的研究热点。人脸检测是 全自动人脸识别系统和许多监视系统的第一步，也是自动目标识别和通用物体检测的重要 方面，在智能人机接口、数字视频处理、保安等领域有着极为广泛的应用价值。 本文在总结和分析现有人脸检测技术的基础上，重点研究了基于矩形特征的人脸检测 技术及以此为基础并结合运动信息的动态人脸检测技术。论文主要工作包括： 1 提出了一种原始面积形态学算法的改进算法。首先提取| j 景最低灰度对应的灰度 集，对其进行面积刀= ( 闭) 运算，将结果与原图进行比较生成下一层灰度集，并进行开( 闭) 运算，按灰度由低到高的顺序依次进行上述操作得到最终结果。实验结果表明，改进算法 能够在处理的早期去除大量细小区域，在保证原始方法处理效果的同时提高了计算效率。 2 提出了一种基于不变特征的彩色图像人脸检测算法。首先使用一个y c b c r 空i 日j 肤色 模型对图像进行分割得到肢色区域，再利用人眼、嘴的颜色与肤色的差异以及它们的纹理 特征提取出眼，嘴的候选区域，最后根掘面部器官的几何结构关系，综合各个分量信息得 到捡测结果。实验结果表明该算法能够有效的确定眼睛和嘴的具体位置，为后续处理提供 了准确的定位。 3 实现了一种基于矩形特征的人脸检测算法。利用一个固定大小的训练样本集训练出 每个矩形特征对应的弱分类器：通过h d a b o o s t 算法进行分类器性能的提升，组成包含多 个弱分类器的强分类器；最后将多个强分类器构建成具有级联结构的检测器。实验结果表 明，该检测器可以有效的检测出图像中的人脸，正确率达到了9 1 。 4 在总结常用的基于差分图像的运动目标检测方法的基础上，构造了一种实用性较好 的人脸检测框架。首先利用肤色混合高斯模型迸行肤色分割，再用基于矩形特征的检测器 对候选区域进行人脸检测，为了能够同时检测运动和静止的人脸，本文利用帧间差分图像 对前一帧检测结果进行确认，以补充当酊帧的检测结果。本文将积分图像的概念引入到肤 色及运动分割的处理过程中，避免了利用传统方法对分割结果进行修复处理所带来的运算 量大韵缺点。 5 构建了一个人脸检测用的训练样本集，其中包括6 0 0 0 个人脸样本，1 8 0 0 0 2 0 个 非人舱样奉集，每个人脸样本均为正面，光照均匀。无遮挡的人脸。 关键词：人脸检测；不变特征：肤色分割；积分图像；矩形特征；h d a b o o s t ；运动分割； 面积形态学 第1 页 a b s t r a c t f a c ei so n eo ft h em o s ti m p o r t a n tv i s i o no b j e c t si nv i d e oa n dd i g i t a li m a g ea n dp r o v i d e sa g r e a td e a io fv i s u a li n f o r m a t i o n h e n c e f a c ed e t e c t i o nt e c h n i q u eh a sb e e na l li m p o r t a n tr e s e a r c h f i e l di nc o m p u t e rv i s i o n f a c ed e t e c t i o ni st h ef i r s ts t e pf o ra n yf u l l ya u t o m a t i cf a c er e c o g n i t i o n s y s t e m ，a n da l s oas t e pi nm a n ys u r v e i l l a n c es y s t e m st o w a r d sa u t o m a t i ct a r g e tr e c o g n i t i o n ( a t r ) o rg e n e r i co b j e c td e t e c t i o n r e c o g n i t i o n r e l y i n go nt h ea n a l y s i so fe x i s t e df a c ed e t e c t i o nt e c h n i q u e s ，t h i sp a p e rm a i n l yd e s c r i b e s f a c ed e t e c t i o nb a s e do nr e c t a n g l ef e a t u r ea n dd y n a m i cf a c ed e t e c t i o nc o m b i n e dw i t hm o t i o n i n f o r m a t i o n 啊1 em a i n w o r ki sa sf o l l o w s ： 1 a ni m p r o v e da o ca l g o r i t h mi sp r e s e n t e da i m i n ga tt h ei n e f f i c i e n c yo fo r i g i n a la o c o p e r a t i o n s f i r s t l y , t h el e v e ls e to f t h el o w e s tg r a yi nf o r e g r o u n di se x t r a c t e d ，f o l l o w i n gb ya o c o p e r a t i o n s t h e nt h el e v e ls e to fn e x tg r a yl e v e li sp r o d u c e db yc o m p a r i n gt h er e s u l to fa o c w i t h t h eo r i g i n a li m a g e i t e r a t i o ng o e so nf r o ml o wl e v e lt oh i g ho n e e x p e r i m e n t a lr e s u l t ss h o wt h a t t h i sa l g o r i t h mc a nr e m o v el o t so fs m a l lr e g i o n se a r l y , i ti m p r o v e st h ee f f i c i e n c yo b v i o u s l y , p r e s e r v i n ga ne q u a le f f e c to f t h eo r i g i n a lm e t h o d 2 af a c ed e t e c t i o na l g o r i t h mi nc o l o ri m a g ei sp r e s e n t e db a s e do nf e a t u r ei n v a r i a n t f i r s t l y , s k i nr e g i o n sa r eo b t a i n e du s i n gy c b c rs k i nc o l o rm o d e l t h e n ，e y e sa n dm o u t hr e g i o n sa r e e x t r a c t e da c c o r d i n gt ot h e i rt e x t u r ef e a t u r e sa n dc o l o rf e a t u r e s f i n a l l y , af a c i a lg e o m e t r y s t r u c t u r et e m p l a t ei su s e dt ov a l i d a t ef a c e s e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sm e t h o dc a nf i x e y e sa n d m o u t he x a c t l y 3 af a c ed e t e c t i o na l g o r i t h mi si m p l e m e n t e db a s e do nr e c t a n g l ef e a t u r e s ，af i x e ds i z e t r a i n i n gs e ti su s e dt ot r a i nw e a kc l a s s i f i e rf o re a c hr e c t a n g l ef e a t u r e t h ea d a b o o s ta l g o r i t h mi s a p p l i e dt op r o m o t et h ep e r f o r m a n c eo fw e a kc l a s s i f i e r st of o r ms t r o n gc l 嬲s i f i e r sc o n t a i n i n g m a n yw e a kc l a s s i f i e r s e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sd e t e c t o rc a nd e t e c tt h ef a c ef a s ta n d e x a c t l y , a c h i e v i n ga na c c u r a c yo f9 0 4 ar e a l t i m ef a c ed e t e c t i o nf r a m ei sc o n s t r u c t e d a tf i r s t 。s k i nr e g i o n sa r eo b t a i n e du s i n ga m i x t u r eo fg a u s s i a ns k i nc o l o rm o d e l t h e n f a c e sa r ev a l i d a t e db yt h ef a c ed e t e c t o rb a s e do n r e c t a n g l ef e a t u r e s i no r d e rt od e t e c td y n a m i ca n ds t a t i cf a c es i m u l t a n e o u s l y , t h er e s u l t so ft h e f r o n tf r a m ea r ea 衔r m e db yd i f f e r e n c ei m a g et os u p p l e m e n tt h ec u r r e n tf r a m er e s u l t 1 1 l ec o n c e p t o fi n t e g r a li m a g ei si n t r o d u c e dt ot h ep r o c e s so fs k i nc o l o ra n dm o t i o n g m e n t a t i o 玛w h i c h a v o i d st h el a r g ea m o u n to fc o m p u t a t i o no nt h ei m a g er e s t o r a t i o nb yt r a d i t i o n a lm e t h o d s e x p e r i m e n t a lr e s u l t ss h o wt h i sf a c ed e t e c t i o nf r a m es a t i s f i e st h ed e m a n do f r e a l t i m ed e t e c t i o n 。 5 at r a i n i n gd a t as e ti sc o n s t r u c t e d 。w h i c hi n c l u d e s6 0 0 0f a c e sa n d18 0 0 0x2 0n o n f a c e s ， a n de a c hf a c ei sf r o n t a l ，e q u a li l l u m i n a t i o na n du n c o v e r e d k e yw o r d s ：f a c ed e t e c t i o n ；f e a t u r ei n v a r i a n t ；s k i nc o l o rs e g m e n t a t i o n ；i n t e g r a li m a g e ；r e c t a n g l e f e a t u r e ；a d a b o o s t ；m o t i o ns e g m e n t a t i o n ；a r e am o r p h o l o g y 第l i 页 信息t 科人学硕十学付论文 表目录 表l 常见的标准人脸数据库1 7 表2 肤色混合高斯模型参数3 l 表3 非肤色混合高斯模型参数3 2 表4 部分特征对应的弱分类信息4 0 第v 页 信息1 拌人学硕十学付论文 图1 图2 图3 图4 图5 图6 图7 图8 图9 图l o 图1 1 图1 2 图1 3 图1 4 图1 5 图1 6 图1 7 图1 8 图1 9 图2 0 图2 l 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图2 8 图2 9 图3 0 图3 l 图目录 使用基于知识的方法构建的典型脸3 平均人脸模板 一种基于s i n h a 的方法的模板6 r o w l e y 基于神经网络的人脸检测系统7 光照调整 j a c k s o n 图像的光照调整实验。1 2 二值形态学处理1 4 噪声，特征及结构元素1 4 两种a o c 算法的流程比较。1 6 部分人脸训练样本1 8 部分非人脸样本 人脸提取程序界面1 9 基于不变特征的人脸检测算法流程2 1 y c b c r 空间肤色模型2 2 生成候选人脸掩图。2 3 人眼y c b c r 空| 日j 分布2 3 人眼的提取 嘴部区域提取。 人眼和嘴的几何关系示意图2 6 与评分的统计曲线图2 6 人脸的确认。2 7 实验结果2 8 动态人脸检测算法处理流程。2 9 肤色及非肤色分却的等高线图。3 l 肽色分割实验结果3 2 h a l lm o n i t o r 相邻帧问差实验结果3 4 t r a f n c 减背景法实验结果3 4 五种矩形特征模板。3 7 改进的矩形特征模板3 7 矩形特征对边界的描述。3 8 积分图像示意图一3 8 第v l 页 笪星! ：壁盔兰翌堂生丝茎 图3 2 典型的矩形特征 图3 3 图3 4 图3 5 图3 6 图3 7 图3 8 图3 9 图4 0 图4 l 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 强分类器级联结构4 l 级联结构分类器的部分实验结果4 3 检测结果的合并4 3 动态人脸检测系统框图4 4 m i s sa m e r i c a 视频的部分实验结果。4 5 动态人脸检测系统框图2 4 6 两种方法检测结果的比较 实际环境中的检测结果 肤色分割界面5 0 基于不变特征的人脸检测界面5 0 基于矩形特征的灰度图像人脸检测界面5 l 基于矩形特征的彩色图像人脸检测界面。5 l 视频文件的肤色检测与帧日j 差分界面5 2 视频文件人脸检测界面5 2 采用图3 8 所示框架进行的人脸检测5 3 图4 8 实时人脸检测界面 第v i i 页 独创性声明 所提交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所 知，除了文中标注和致谢的相关内容外，论文中不包含其他个人或集体已经公开的研究成 果a 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 ：d 己 恧。 学位论文题目： 动盎厶脸捡塑箕法硒究 一一 一 一一一一 学位论文作者签名：j 鲜一嗍瑚年，月2 日 学位论文版权使用授权书 本人完全了解信息工程大学有关保留、使用学位论文的规定。本人授权信息工程大学 可以保留并向国家有关部门或机构送交论文的复印件和电子文档，允许论文被查阅和借 阅；可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 涉密学位论文在解密后适用本授权书。) 学位论文作者签名： 作者指导教师签名： 日期：2 0 d f 年占月“日 r 戴；o 矗辞参只二占1 7 信息t 。拌人学硕十学付论文 第一章引言 1 1 引言 人脸作为图像与视频中最重要的视觉对象之一，提供了大量视觉信息，是人类进行身 份确认最方便最直观的方式，因此一直是机器视觉领域的研究热点。有关人脸的研究主要 包括人脸识别( f a c er e c o g n i t i o n ) 和人脸检测( f a c ed e t e c t i o n ) 两大方面，最初的人脸研 究主要集中在人脸识别领域，早期的人脸识别算法一般都假定已经得到了个正面人脸或 者是在人脸很容易获得的前提下进行的。但是随着人脸应用范围的不断扩大，自动化程度 和开发实际系统需求的不断提高，这种假设通常是不成立的，因此人脸检测作为全自动人 脸识别系统和许多监视系统的日口端，受到了越束越多的关注并丌始作为独立的研究内容发 展起来。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，它们在智能人 机接口、基于内容的检索、数字视频处理、保安等领域有着极为广泛的应用价值。 1 2 人脸检测技术的应用与难点 相对于证件口令密码等身份识别依据，生物特征( 如指纹，声音虹膜人脸) 具有更强的自身稳定性和个体差异性，是身份识别的理想依掘。其中人脸以其直观，获取 方便等优点受到了广泛的关注，并被逐步应用到多个领域。例如在门禁系统、智能视频监 控、公安向控、海关身份验证等都可利用人脸检测技术进行镜头焦距的调整并定位人脸， 为后续的处理提供数据；在经济和家庭娱乐领域，具有人脸自动跟踪功能的摄像头基于 人脸检测的无线游戏控制等都是人脸检测技术的典型应用：在视频压缩领域，将人脸检测 技术的相关成果应用在视频分割技术中，可以对视频目标进行更有效的提耿。 虽然在实际生活中人类能够快速，准确的确认空日j 中的人脸，但对计算机而言则是一 个非常困难的任务，完成计算机自动人脸检测需要面对的主要难点有以下几个方面： 1 ) 如何判断图像中是否存在人脸，如何区别人脸及类似人脸的非人脸图像，这是人脸 检测不同于人脸识别的地方： 2 ) 人脸具有复杂的细节变化，脸形、肤色等特征的个体差异比较明显，即使同一个人 也存在不同的表情和姿态，甚至可能有器官的缺失，这都增加了人脸的变化空i 、口j ； 3 ) 由眼镜、头发和其它外部物体造成的遮挡； 4 ) 由于成像角度的不同造成人脸的多姿态，如平面内旋转以及上下旋转； 5 ) 光照的影响，如图像中的亮度、对比度的变化和阴影等； 6 ) 图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径。 由此可见，人脸检测涉及的问题十分广泛，它是一个复杂的具有挑战性的模式分类问 题。解决人脸检澳0 问题具有重要的学术价值，可以为其它类似的复杂模式检测问题提供重 第1 页 信息f 稃犬学硕十宁忙论文 要启示，因此人们对人脸检测进行了大量的研究工作。 1 3 人脸检测技术的发展与现状 人脸检测问题最初来源于人脸识别的研究，可以说人脸检测和识别技术几乎是同时发 展的，自从上个世纪六七十年代开始，经过几十年的曲折发展已经逐渐成熟。尤其是最 近十年，随着计算机信息技术的发展和硬件性能的大幅度提高，人们提出了大量的人脸检 测方法并建立多个人脸检测系统，在检测率和检测速度上都取得了令人满意的成果，已经 向实用化迈出了峰实的一步。 早期的人脸检测集中于静止图像，通常以检测精度的提高和各种视角的人脸检测为主 要内容。具有代表性的是基于特征的模型或者简单的模板匹配技术，在空域上提取特征， 能够完成简单的人脸检测任务。中期的发展开始采用基于模板的方法，用统计学习的方法 建立人脸模型，可以实现复杂背景下的人脸检测，并且运用运动信息来考察图像序列中的 人脸检测。近期，研究者的方向各不相同，有人从频域中提取特征，有人继续研究更复杂 的统计模型，有人将最新的分类决策理论应用于人脸检测领域。在研究过程中，人们认识 到：将多种技术结合在一起，利用多种信息可以提高人脸检测方法的效率，这将是未来的 发展趋势。同时最近的研究还集中在了实时人脸检测算法上。随着人脸识别技术的发展和 市场对生物特征鉴定技术的认可，实时人脸检测技术已成为了一个迫切的要求。 国外对人脸检测问题的研究很多，比较著名的有c m u ，m i t ，c o r n e l l $ 1 r o c k f e l l e t 等， 而且m p e g 7 标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。 国际上有关人脸检测的论文数量也大幅度增长，i e e e 的国际会议，如i e e e 的f g ( i e e e i n t e r n a t i o nc o n f e r e n c eo na u t o m a t i cf a c ea n dg e s t u r er e c o g n i t i o n ) 、i c i p ( i n t e r n a t i o n a lc o n f e r e n c eo ni m a g ep r o c e s s i n g ) 、c v p r ( c o n f e r e n c eo nc o m p u t e r v i s i o na n dp a t t e r nr e c o g n i t i o n ) 等，每年都有大量关于人脸识别和人脸检测的论文。 其中人脸检测文章占到总数的1 3 之多。 与国外相比，国内对人脸检测领域的研究起步较晚，但最近十年发展得非常快，并在 人脸检测技术实用化方面取得了一定的成绩，已有基于人脸检测技术的监控产品投入市 场。国内丌展人脸检测研究的主要单位有清华大学、哈尔滨工业大学、北京工业大学、中 科院计算所、中科院自动化所。 1 4 人脸检测技术分类 m i n g - h s u a ny a n g 等人将目前静态图像人脸检测的主要方法分为四类：( 1 ) 基于知识 ( k n o w l e d g e b a s e d ) 的方法：( 2 ) 不变特征( f e a t u r ei n v a r i a n t ) 的方法；( 3 ) 模扳匹配 ( t e m p l a t em a t c h i n g ) 的方法；( 4 ) 基于表象( a p p e a r a n c e b a s e d ) 的方法。动态图像人脸检 测技术通常以静态人脸检测技术为基础，结合视频序列中物体的运动信息综合检测。上述 第2 页 信息1 稃人学硕十学付论文 的分类并不是绝对的，实际上有许多人脸检测的方法并不能简单地归于上述中的某一类， 而是几类的组合，下面分别介绍几种主要的人脸检测方法。 1 4 1 基于知识的方法 基于知识的方法就是根据对人脸的先验知识导出一组具体的规则来进行人脸检测。由 于人脸局部特征的分布具有一定的规律，例如眼睛比肤色暗并且左右对称、只有一个鼻子 一张嘴，双眼和嘴的连线构成一个等腰三角形，利用这些特征可很容易的组成一系列简单 描述人脸的规则，检测过程中通常是先确定输入图像中的人脸候选区域，再利用描述人脸 的规则对这些候选区域进行检测。这类方法主要的难点在于很难将对人脸的先验知识转换 成合适的判断准则，如果准则过于严格会使得人脸很难被检测出来，反之若准则很宽松就 会把很多图像误认为人脸；另一个难点是很难总结出一个在任何条件下都普遍适用的先验 知识，这是由于人脸特征的细节具有很复杂的变化，姿态，表情，光照条件的改变都可能 使同一张人脸呈现出不同的表现形式，针对一种条件下的准则在其它条件下可能完全不成 立。 图1 使川基于知识的方法构建的典 脸 y a n g 和h u a n g 。1 提出了基于知识的多分辨率方法。他们通过抽样得到了原始图像在不 同分辨率下的子图像，组成了会字塔图像，根掘一些规则对分辨率最低的第一层进行全局 搜索，检测出人脸的候选区域：第二层，利用更详细的准则对i j 面的人脸候选区域进行检 测得到新的候选区域，然后用同样的方法对第三层进行检测，这样逐层处理直到最高层， 得到最终的人脸区域。这种方法的实验结果并不理想，在其检测到人脸的5 0 幅图像中有2 8 幅并不存在人脸，然而这种由粗到精( c o a r s e - t o f i n e ) 分层处理的方法可以减少检测的 运算量，后束很多的人脸检测方法都采用了这种思想。 1 4 2 不变特征的方法 在日常生活中无论人脸的姿态，表情、光照条件如何变化人们都可很容易的找出人 脸，研究者们就假设其中必然存在一些特征，它们不受外部条件变化的影响，如果找到了 这些特征就可以较好的进行人脸检测。根据这种假设人们提出了大量基于不变特征的枪测 方法。6 r a f 等”1 提出了一种在灰度图像中确定人脸特征的方法。他们首先对图像进行带通 滤波，然后利用形态学处理加强了具有高强度和特定形状的区域。经过处理的图像其直方 第3 页 信息r 丰￥人宁硕十学何论文 圈通常具有明显的尖峰，根掘尖峰的峰值和宽度确定门限将图像转换为二值图像，同时确 定二值图像中的连通分量并将其作为人脸特征的候选区域。这些候选区域最终通过一系列 分类器来确定是否存在人脸。 h a n 和l i a o 等提出了一种基于形态学的人脸检测方法。他们认为眼睛和眉毛是人脸特 征中最稳定的，外部条件的变化对它们影响很小，十分适合用于人脸检测。他们首先利用 基本的形态学算子将灰度值变化明显的像素点提取出来作为类似人眼的像素点，这一过程 排除了原图像9 0 以上的区域，大大减少了后续处理的运算量，对这些像素点用标记的方 法将它们分割成人眼类似区域，这些区域用来搜索潜在的人脸区域，如果存在类似人眼、 鼻子，嘴的几何关系则一个人脸候选区域就被确定出来。这些人脸候选区域还要被输入到 一个神经网络来进行最后的确认。他们利用这个算法对1 2 2 幅图像进行了测试，其中包含 了1 3 0 张人脸，准确率达到了9 4 。 肤色是人脸的重要特征，很多实际应用已经证明肤色对表情，姿态不敏感，而且幅对 稳定，是人脸检测中一个非常有效的特征。尽管不同个体之间肤色有所不同，但一些研究 表明这些差异更多的是在强度上而不是在色度上，经过适当的变换，肤色在某些色度空j 上有着比较集中的分布。梁路宏等“1 提出了关于选择色度空间的两条准则：( 1 ) 在该色度空 日j 中能否用给定的模型描述“肤色”区域的分布；( 2 ) 色度空| b j 中“肤色”与“非肤色” 区域的重叠有多少。其中第二条准则是限制检测性能的最重要的方面。目静常用的色度空 问有：r g 8 ，归一化的r g b 、y c b c r ，s h i 等。 c r o w l e y 和c o u t a z “7 1 在归一化r g b 空间中建立关于r 和g 分量的直方图函数h ( r ，g ) ，其中 ( r ，g ) 是一个矢量，h ( r ，g ) 表示矢量( r ，g ) 代表的颜色为肤色的概率，即： ( ，g ? 1 耋攀色 t 为根掘样本得到的经验值( 1 ) l h ( r ，g ) r ( 3 ) 【0 o t h e r s 帧日j 差分的运动检测对于场景中的光线渐变不敏感，检测有效且稳定。但一般不能完 全提取所有相关的特征像素点，在运动实体内部容易产生空洞现象。检测位置不够精确， 特别是当目标的运动速度较快，在相邻帧之日j 的运动位移较大时，这种方法将导致差分图 像中运动变化区域内的被覆盖和显露的背景区域较大，从而极大地影响运动目标区域的准 确提取。 背景消减法 在摄像头固定的情况下，背景消减法是常用的运动1 7 t 标检测方法。其基本思想足将当前 帧图像与事先存储或实时得到的背景图像相减，若差分图像中像素值大于某一闽值，则判 此像素点属于运动目标区域，否则，就判此像素点属于背景区域。闽值操作后得到的结果 直接给出了目标的位置、大小、形状等信息。 背景消减法操作简单，检测位置准确且速度快。但通常的背景消减法对光线、天气等 光照条付的变化非常敏感，运动目标的阴影也常常铍检测为运动目标的一部分，这将影响 检测结果的准确性。因此，在非控环境中需要加入背景图像的更新机制。此外，背景消减 法也不适用于摄像头运动或者背景灰度变化很大的情况。 动态人脸检测通常利用运动信息进行图像分割得到人脸的候选区域，或者根据前一帧 检测结果预测当前帧的人脸候选区域，从而减少了搜索空b j ，再用检测精度高的分类器进 第8 页 信息1 。稃大学硕十学侍论文 行人脸的确认。梁路宏等”1 提出了一种基于人脸检测技术的人脸跟踪算法使用人脸检测 技术自动定位初始人脸，利用人脸检测结果预测当前帧中人脸可能的尺度与位置范围，在 限定的范围内采用模板匹配与人工神经网分类的方法定位人脸，从而实现快速而可靠的人 脸跟踪。在具有复杂、动态变化背景的图像序列中取得了很好的效果。 通过上面的介绍可以看出，人脸检测问题涉及的领域十分广泛，已有的方法一般都是 针对某一类问题提出的。受各种变化因素的影响，实现通用的人脸检测方法还不现实，因 此解决特定约束条件下或某种应用背景下的人脸检测问题仍将是人脸检测研究的主要课 题。具体可分为以下四个方面： 1 由于人脸模式的多样性，人脸图像的空间分布非常复杂，有限的样本集难以覆盖全 部人脸图像子空间，在高维空间中建立准确的分布模型又很困难。因此，如何有效地描述 人脸在子空日j 的分布值得研究。非线性变换和混合模型将是描述人脸特征分布的一个有效 方法，也需要研究新的人脸描述方法以获得准确的人脸描述和与非人脸的区别信息。人脸 局部和整体信息的相互结合能较好地描述人脸特征，有效地提取和组合局部与整体信息也 足提高系统性能的一个途径。 2 对于复杂背景的图像，如何有效地区分类似人脸的区域和真正的人脸区域很重要。 研究新的分类方法是提高检测性能的一个重要途径。也可以借鉴字符、语音、指纹等识别 中比较成功的分类方法。 3 目前的人脸检测算法还不能较好地处理任意姿态、光照和遮挡等变化条件，丌发高 性能的人脸检测方法仍是主要的研究方向。由于不同的人脸描述方式有不同的特点，不同 的分类器产生的分类结果也不一样，多个特征融合和分类器融合的方法可以有效提高检测 性能。 4 由于大多数应用都是面向实时性处理，这要求人脸检测算法简单、快速。视频序列 中物体的运动信息是进行人脸检测的重要线索，如何快速高效的利