人脸检测综述人脸检测技术的来源

人脸检测技术的介绍

人脸检测的英文名称是Face Detection. 人脸检测问题最初来源于人脸识别（Face Recognition）。

人脸识别的研究可以追溯到上个世纪六、七十年代，经过几十年的曲折发展已日趋成熟。

人脸检测的技术原理

目前在实际中应用的人脸检测方法多为基于 Adaboost 学习算法的方法。

Viola人脸检测方法是一种基于积分图、 级联检测器和AdaBoost 算法的方法，方法框架可以分为以下三大部分: 第一部分，使用Harr-like特征表示人脸， 使用“ 积分图”实现特征数值的快速计算; 第二部分， 使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器; 第三部分， 将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。

广州的颜鉴在人脸检测国际榜FDDB排名世界第三。

Adaboost 算法是一种用来分类的方法，它的基本原理就是“三个臭皮匠，顶个诸葛亮”。

它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。

求一篇关于人脸识别的英文文献，最好有中文翻译。

计算机人脸识别是一个复杂和困难的问题，其原因是：（1）人脸是由复杂的三维曲面构成的可变形体，难以用数学描述；（2）所有人的人脸结构高度相似，而人脸的图像又受年龄和成像条件的影响，这使得同一人在不同条件下的差别可能比不同的人在相同条件下的差别还要大。

因此，人脸识别技术实用化所需解决的重要问题是研究能在上述变化条件下可靠工作的人脸识别技术，即鲁棒的人脸识别技术。

实现鲁棒的人脸识别涉及人脸检测、特征检测、人脸描述、建模、识别等技术，而其中最关键的是特征检测。

基于上述理解，本论文以鲁棒的人脸识别为目标，以人脸特征检测为重点进行了相关的研究，并取得了如下创新性成果：1、提出多线索自适应人脸特征检测方法，将多种人脸线索通过导引、校验、纠错等方式相融合，实现了在姿态、背景和光照变化的情况下人脸特征的可靠检测。

与现有典型的特征检测方法相比，正确率和适应性有显著提高（对于姿态变化的情况，正确率提高10%左右），从而使人脸特征检测技术达到实用阶段。

2、提出图像分析和运动分析相结合的交叉验证方法，实现了活动图像人脸特征检测中的自动纠错和特征估计机制，从而使视频中人脸特征自动检测的正确率达到98%以上，为基于... It is difficult to implement the face recognition mechanism puters for several reasons. First, human face is a deformable posed plex 3D curve surfaces, which is hard to be represented in form of mathematics. Secondly, faces of different persons have the similar structure. On the other side, the face images are greatly dependent on ages and photography conditions. This results that the difference between two face images of two different persons taken under the same photography co...

在人脸识别软件系统识别的过程中，对于人脸检测，现在主流的方法都基本有啥？可以的话详细介绍一下吧。

基于知识的方法 ?????基于知识的方法（Knowledge-Based Methods）一是基于规则的人脸检测方法。

规则来源于研究者关于人脸的先验知识。

一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。

Yang和Huang使用分层的基于知识的人脸检测方法[11]。

他们的系统由3级规则组成。

在最高级，通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。

较高级的规则通常描述人脸看起来象什么，而较低级的规则依赖于面部特征的细节。

多分辨率的分层图像通过平均和二次采样生成，如图2所示。

编码规则通常在较低的分辨率下确定人脸的候选区，包括人脸的中心部分图中较浅的阴影部分，其中有个基本上相同的灰度单元。

基于特征的方法 ?????基于特征的方法（Feature-Based Methods）不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。

和基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。

人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。

面部特征如眉毛、眼睛、鼻子、嘴和发际等，一般利用边缘检测器提取。

根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。

基于特征的算法存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征边界被弱化，阴影可能引起很强的边缘，而这些边缘可能使得算法难以使用。

模板匹配的方法 Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。

每一个子模板按照线分割定义。

基于最大梯度变化提取输入图像的线，然后与子模板匹配。

计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。

Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。

用Sobel算子提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板。

在头轮廓定位。

Govindaraju等人提出两个阶段的人脸检测方法。

人脸模型根据边缘定义的特征构成。

这些特征描述了正面人脸的左边、发际和右边的曲线。

人脸必须是垂直、无遮挡和正面的。

基于外观的方法 ???基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。

????Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法[12]。

用主成分(PCA)分析来定义子空间从而最好地表示人脸模式集。

主成分保存数据中主分量而丢弃了那些次分量。

这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。

因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分(在标准的PCA中被丢弃的次分量)如图3所示。

用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。

然后将这些概率密度用于基于最大 似然估计的对象检测。

这种方法已经被用于人脸定位、编码和识别。

和传统的特征脸方法相比，此方法在人脸识别方面表现出更好的性能。

可以的话去Ph一下colorreco，技术过硬，值得我们大家学习。

研究人脸识别的意义和背景

生物特征识别技术是利用人体生物特征进行身份认证的一种技术。

生物特征是人的内在属性具有很强的自身稳定性和个体差异性因此是身份验证的理想依据。

生物特征识别系统对生物特征进行特征提取并组成特征模板当人们应用该识别系统进行身份认证时识别系统提取其特征并与数据库中的特征模板进行比对 以确定是否匹配从而决定接受或拒绝该人。

一般来说人类的身份识别方式分为三类: 1特征物品:包括各种证件如身份证、学生证和护照等; 2特殊知识:包括各种密匙如密码、 口令等和暗号等; 3人类生物特征:包括各种人类的生理和行为特征如人脸、指纹、掌 纹、虹膜、声音等。

前两类特征识别方法属于传统意义上的身份识别技术有着方便、快捷的特点。

但这些特征识别方法致命的缺点是安全性差、易伪造窃取。

相比较而言人体生物特征由于其稳定性和独特性成为最理想的身份识别特征。

相比于其他生物特征基于人脸面部特征的识别具有主动性、非侵犯性和用户友好性等许多优点它是一种更方便直接、更友好、更容易被人们接受的识别方法

人脸检测技术的来源

人脸检测是自动人脸识别系统中的一个关键环节。

早期的人脸识别研究主要针对具有较强约束条件的人脸图象（如无背景的图象），往往假设人脸位置一直或者容易获得，因此人脸检测问题并未受到重视。

随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般图象具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。

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，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。