1、. XX工程學院 畢業設計開題報告課 題 名 稱：人臉檢測算法研究說 明1根據XX工程學院畢業設計工作管理規定,學生必須撰寫畢業設計論文開題報告,由指導教師簽署意見、教研室審查,系教學主任批準后實施。2開題報告是畢業設計論文答辯委員會對學生答辯資格審查的依據材料之一。學生應當在畢業設計論文工作前期內完成,開題報告不合格者不得參加答辯。3畢業設計開題報告各項內容要實事求是,逐條認真填寫。其中的文字表達要明確、嚴謹,語言通順,外來語要同時用原文和中文表達。第一次出現縮寫詞,須注出全稱。4本報告中,由學生本人撰寫的對課題和研究工作的分析及描述,應不少于2000字,沒有經過整理歸納,缺乏個人見解僅僅從

2、網上下載材料拼湊而成的開題報告按不合格論。5開題報告檢查原則上在第24周完成,各系完成畢業設計開題檢查后,應寫一份開題情況總結報告。畢業設計開題報告學生姓名池賢城學 號208100714專 業信息工程指導教師姓名程勇職 稱副教授所在院系通信工程學院課題來源D自擬課題課題性質A工程設計課題名稱 人臉檢測算法研究畢業設計的內容和意義 畢業設計內容：了解與本課題相關的技術的發展情況及國內外現狀的基礎上,學習掌握人臉檢測原理及基于AdaBoost算法的人臉檢測的方法,實現對人臉圖像進行檢測的過程演示。畢業設計應完成的技術文件：13000字以上畢業設計開題報告22000字以上英文參考文獻的中文譯文3實現

3、人臉檢測系統4畢業設計論文15000字以上畢業設計意義： 人臉是一個常見而復雜的視覺模式,人臉所反映的視覺信息在人們的交往中有著重要的作用和意義。對人臉進行處理和分析在視頻監控、出入口控制、視頻會議以及人機交互等領域有著廣泛地應用前景。人臉的處理和分析包括人臉識別、人臉跟蹤、姿勢估計和表情識別等,其中人臉檢測是所有人臉信息處理中關鍵的第一步,近年來成為模式識別和計算機視覺領域內一個受到普遍重視、研究十分活躍的課題。人臉檢測是指對于任意一幅給定的圖像,采用一定的策略對其進行搜索以確定其中是否含有人臉存在則返回人臉的位置、大小和姿態14-811。人臉檢測是自動人臉識別系統中一個關鍵環節,但是早期的

4、人臉識別研究要針對具有較強約束條件的人臉圖像,人臉位置很容易獲得,所以人臉檢測問題并未受到重視。近幾年隨著電子商務等應用的發展,人臉識別成為最優潛力的生物身份驗證手段,人臉檢測開始作為一個獨立的課題受到研究者的重視。今天,人臉檢測的應用背景已經遠遠超出了人臉識別系統的范疇,在基于內容的檢索、數字視頻處理等方面的廣泛應用,把人臉檢測提到了一個新的高度。在基于內容的檢索中,由用戶給出一幅人臉圖像,利用人臉檢測技術,可以很快的在數據庫中找出一系列相關圖像,這些廣泛地應用前景使得人臉檢測的研究備受關注。文獻綜述對人臉檢測的研究最初可以追溯到20世紀70年代,人臉檢測早期的研究主要致力于模板匹配,子空間

5、方法,變形模板匹配等。早期人臉檢測方法往往針對簡單無變化背景下的正面人臉檢測,所以使這些方法在很大程度上顯得很呆板。直到90年代,隨著實際的人臉識別和視頻編碼系統開始成為現實,這種情況才有所改變。在過去的十多年里,對人臉檢測的極大興趣開始從幾個方面展開。研究者提出了多種檢測方法,特別是那些利用運動,膚色和一般信息的方法4。統計和神經網絡方法的使用也使在復雜背景和多分辨率中的人臉檢測成為可能。另外,在能夠精確定位的跟蹤面部特征提取方法的設計方面也取得了很大的進展。經過多年發展,其主要算法分為以下幾類：基于知識的方法基于知識的方法是基于規則的人臉檢測方法, 規則來源于研究者關于人臉的先驗知識1。一

6、般比較容易提出簡單的規則來描述人臉特征和它們的相互關系, 如在一幅圖像中出現的人臉, 通常具有互相對稱的兩只眼睛、一個鼻子和一張嘴。特征之間的相互關系可以通過它們的相對距離和位置來描述。在輸入圖像中首先提取面部特征, 確定基于編碼規則的人臉候選區域。 這種方法存在的問題是很難將人類知識轉換為明確定義的規則。如果規則是詳細的 , 由于不能通過所有的規則檢測可能失敗; 如果規則太概括 , 可能會有較高的錯誤接收率。此外, 很難將這種方法擴展到在不同的位姿下檢測人臉, 因為列舉所有的情況是一項很困難的工作。 基于特征的方法 基于特征的方法不僅可以從已有的面部特征而且可以從它們的幾何關系進行人臉檢測。

7、與基于知識的方法相反, 它是尋找人臉的不變特征用于人臉檢測。人們已經提出了許多先檢測人臉面部特征, 后推斷人臉是否存在的方法。面部特征,如眉毛、眼睛、鼻子、嘴和發際, 一般利用邊緣檢測器提取, 根據提取的特征, 建立統計模型描述特征之間的關系并確定存在的人臉。基于特征的算法存在的問題是, 由于光照、噪聲和遮擋等使圖像特征被嚴重地破壞, 人臉的特征邊界被弱化, 陰影可能引起很強的邊緣, 而這些邊緣可能使得算法難以使用1。近年來, 人們不斷的改進,已經提出幾種使用形狀分析、顏色分割和運動信息結合的模塊化系統在圖像序列中用于定位和追蹤頭部和人臉的方法,大大提高了檢測效果。文獻綜述模板匹配的方法 模板

8、匹配法是一種經典的模式識別方法。存儲幾種標準的人臉模式, 用來分別描述整個人臉和面部特征,計算輸入圖像和存儲的模式間的相互關系并用于檢測。處理過程為：首先預處理圖像,預定義一個標準人臉圖案；其次計算輸入圖像與標準人臉圖案的相關值,最后根據預先設定的閾值和相關值判斷是否有人臉。由于模板本身不是很精確的模型,因此這類方法檢測精度不高,并且基于模板的人臉檢測方法計算量也比較大。該類方法適于簡單背景下的單人正面人臉檢測,在復雜背景下或者面部有遮擋情況下很難獲得理想的檢測效果。11基于外觀的方法上述模板匹配法實質是個固定模板,基于外觀的方法實質是有著變化模板的模板匹配法,其標準人臉圖案從一系列具有代表性

9、臉部表觀的訓練圖像學習而來,不需要預先定義。基于外觀的方法利用統計分析和機器學習的技術來尋找人臉和非臉圖像的有關特性。學習而來的特性總結成分布模型或者判別函數,再利用這些分布模型或者判別函數來檢測人臉1。劃在以上幾種大算法之下的經典算法有：神經網絡 Neural Network 人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型；其可以充分逼近任意復雜的非線性關系,采用并行分布處理方法,使讓快速進行大量運算成為可能,并具有自學習功能,通過自學習功能,慢慢學會識別類似的圖像。1996年Rowley提出了里程碑式的用神經網絡檢測人臉的方法,他們采用局部連接的神經網絡檢測人臉,

10、將每個區域劃分成多個矩形子區域以用于描述人臉的局部特征,每個區域對應一個神經網絡隱含單元。該方法檢測速度較慢,Rowley等人又將此方法進行擴展,并采用姿態預估計來提升檢測速度。但該方法需要對大量的正反例進行學習,耗費大量時間,檢測速度也比較慢,但檢測性能較強11。特征臉 Eigenface 特征臉是基于從主成分分析PCA1的一種人臉檢測,它根據一組人臉訓練樣本構造主元子空間,檢測時,將測試圖像投影到主元子空間上,得到一組投影系數,再和各個己知的人臉圖像模式比較,從而得到檢測結果。Kohonen最早使用特征向量檢測人臉,其特征向量法后來發展成為特征臉法。傳統的特征臉法偏向于選擇特征值大的特征向

11、量,由于分類性能不加,后期發展出了多種特征子空間選擇方法,如Belhumeur的FisherFace 方法等。文獻綜述基于樣本學習方法 Example-Based MethodsMIT 的Sung 和Poggio 等提出了基于樣本學習的方法。他們采用k-均值聚類方法在特征空間中建立6 個人臉簇和包圍人臉簇的6 個非人臉簇,以使人臉模式與非人臉模式的邊界更為清晰,然后根據樣本到各個簇中心的距離來訓練一個多層感知器進行分類,用來實現人臉檢測。支持向量機 由Boser、Guyon、Vapnik在COLT-92 上首次提出,是一種基于統計學習理論的模式識別方法.它針對兩類分類問題,尋找一個超平面作為兩

12、類訓練樣本點的分割,以保證最小的分類錯誤率11。在線性可分的情況下,存在一個或多個超平面使得訓練樣本完全分開,SVM的目標是找到其中的最優超平面,最優超平面是使得每一類數據與超平面距離最近的向量與超平面之間的距離最大的這樣的平面；對于線性不可分的情況,通過使用核函數一種非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分。隱藏馬爾可夫模型隱馬爾可夫模型是馬爾可夫鏈的一種,它的狀態不能直接觀察到,但能通過觀測向量序列觀察到,每個觀測向量都是通過某些概率密度分布表現為各種狀態,每一個觀測向量是由一個具有相應概率密度分布的狀態序列產生。所以,隱馬爾可夫模型是一個雙重隨機過程-具

13、有一定狀態數的隱馬爾可夫鏈和顯示隨機函數集。在HMM 用于模式識別問題時, 需要確定許多隱藏的狀態形成一個模式, 然后, 訓練HMM 從樣本中學習傳統狀態間的概率, 其每個樣本被表示為觀察序列。訓練HMM 的目的是通過HMM 模型中的參數調整最大化觀察的訓練數據的概率。訓練HMM模型以后, 觀察的輸出概率確定了其所屬的類別。Adaboost算法1,4,10 它是Boosting算法的一種。Boosting算法的思想是將一系列粗略的規則加權組合起來得到高精度的規則。Boosting算法涉及到兩個重要的概念就是弱學習和強學習10。弱學習指一個學習算法對一組概念的識別率只比隨機識別好一點；強學習指一

14、個學習算法對一組概率的識別率很高。現在我們知道所謂的弱分類器和強分類器就是弱學習算法和強學習算法。Kearns和Valiant提出了弱學習和強學習等價的問題并證明了只要有足夠的數據,弱學習算法就能通過集成的方式生成任意高精度的強學習方法。這一證明使得Boosting有了可靠的理論基礎,Boosting算法成為了一個提升分類器精確性的一般性方法。1990年,Schapire提出了第一個多項式時間的算法,一年后Freund又提出了一個效率更高的Boosting算法。然而,Boosting算法還是存在著幾個主要的問題,其一： Boosting算法需要文獻綜述預先知道弱學習算法學習正確率的下限即弱分類

15、器的誤差,其二：Boosting算法可能導致后來的訓練過分集中于少數特別難區分的樣本,導致不穩定。針對Boosting的若干缺陷,Freund和Schapire于1996年前后提出了一個實際可用的自適應Boosting算法AdaBoost。是對傳統Boosting算法的一大提升。Boosting算法的核心思想,是將弱學習方法提升成強學習算法4,10。在20XX,Viola和Jones,在AdaBoost算法的基礎上,使用Haar-like小波特征和積分圖方法進行人臉檢測4,10。他倆的三個貢獻：第一個是引進一種新的圖像表示法稱為積分圖,它讓我們的檢測的特征得以很快地計算出來。第二個是基于Ada

16、Boost算法,從大量特征中選擇少數重要的視覺特征,產生極其有效的分類器。第三個貢獻是一種級聯越來越復雜的分類器成為一個級聯分類器的方法,提高搜索目標的區域10。實驗結果顯示無論是應用于人造數據還是真實數據,AdaBoost 都能顯著提高學習精度。又過了一段時間,Rainer Lienhart和Jochen Maydt將這個檢測器進行了擴展,最終形成了OpenCV現在的Haar分類器。本文將人臉檢測方法分為四個主要類別: 基于知識的方法、特征不變方法、模板匹配方法和基于外觀的方法,從人臉檢測方法的角度,結合近年來人臉檢測問題上的研究,綜述了人臉檢測問題的一些主要研究算法。參考文獻：1Yang.

17、M-H.Kriegman.D.Ahuja.N.Detecting Faces in images:a surveyJ.IEEE Transactions on Pattern Analysis and machine Intelligence,2002,：34-58.2Chellappa.R.Wilson.CL.Sirohey.S.Human and Machine Recognition of Faces SurveyJ.Proceedings of the IEEE,1995,：705-740.3Samal.A.Iyengar.PA.Automatic recognition and an

18、alysis of human faces and face expressions:A SurveyJ.Pattern Recognition,1992,：65-67.4李月敏,陳杰,高義等.快速人臉檢測技術綜述C.全國16屆計算機與技術用學術會議論文集,2004,771-774.5Rowley.R.Baluja.S.Kanade.T.Neural network-based face detectionJ.IEEE Transaction on Pattern Analysis and Machine Intelligence,1998,：23-38.6Sanderson.C.Paliwa

19、l.Fast Features for Face Authentication under Illumination Direction ChangesJ.Pattern Recognition Letters,2003,24.7Osuna.Girosi.Reducing the run-time complexity of support vector machinesC. ICPR,1998,16-20.8Purdy.H.Rotation.Invariant Real-time Face Detection and Recognition SystemJ MIT AIM,2001.9Feraud.R.Olivier.J.B.viallet.J.A Fast and Accurate Face detector Based on Neuro NetworksJ.IEEE Trans on Pattern Analysis and Machine Intelligence,2001.10Viola.P.Jones.M.Rapid Object Det