圖1所示。在這一過程中，第一步即人臉檢測是最為關鍵的。檢測的準確性、定位精確性和檢測速度將影響整個系統的性能。圖SEQ圖\*ARABIC1人臉檢測與人臉識別流程在實際應用中，由于客觀因素的影響，人臉檢測問題的難易程度以及處理方法有很大差異。在某些情況下由于圖像(照片)的獲取環境是可以人為控制的(如身份證照片等)，因而人臉的定位可以輕易地做到。但在大多數的場合中由于（1）人臉是一類高度非剛性的目標，存在相貌、表情、膚色、姿態等差異；（2）人臉上可能存在一些附屬物，毛發、化妝品等；（3）人臉的姿態千變萬化，并且存在遮擋物；（4）待檢圖像性質的差異性。如：圖像的分辨率、攝錄器材的質量等；（5）光照的種類、強度和角度的不同，其作用在人臉上所產生的性質不同的反射，造成不同區域的陰影[6]；（6）場景較復雜，人臉的位置預先不知道等因素會使人臉檢測問題變得更為復雜。因而人臉的自動檢測具有一定的挑戰性。雖然人臉檢測是一個極富挑戰性的問題，但是它的研究對于當今人類社會具有十分重要的意義。人臉識別/檢測(facedetection)作為人臉信息處理中的一項關鍵技術，成為模式識別與計算機視覺領域內一項受到普遍重視、研究十分活躍的課題。它在智能人機接口、數字視頻處理、保安等領域有著很大的應用價值。常用人臉檢測算法以及存在的問題人臉檢測技術從最初對背景單一的正面灰度圖像的檢測，經過對多姿態(正面、側面等)人臉的檢測研究，發展到能夠動態實現人臉檢測，目前正在向三維人臉檢測的方向發展。在此過程中，人臉檢測技術涉及的圖像逐漸復雜，檢測效果不斷地得到提高。雖然人臉檢測研究已積累了寶貴的豐富經驗，但目前的檢測技術仍然不能對諸如復雜背景中的人臉等進行有效的處理和自動跟蹤。人臉自身及所處環境的復雜性，如表情、姿態、圖像的環境光照強度等條件的變化以及人臉上的遮擋物(眼鏡、胡須)等，都會使人臉檢測方法的魯棒性受到很大的影響。人臉檢測算法（1）膚色區域分割與人臉驗證方法對于彩色圖像，在確定膚色模型之后，首先可以進行膚色檢測，在測出膚色像素后，根據它們在色度上的相似性和空間上的相關性分割出可能的人臉區域，同時利用區域的幾何特征或灰度特征進行是否是人臉的驗證，以排除其它色彩類似膚色的物體。（2）基干啟發式模型的方法基于啟發式模型的方法首先抽取幾何形狀、灰度、紋理等特征，然后檢驗它是否符合人臉的先驗知識。Govindaraju等人使用變形模板匹配頭頂輪廓線和左右兩條面頰輪廓線，實現人臉定位。（3）基于特征空間的方法此類方法將人臉區域圖像變換到某一特征空間，根據其在特征空間中的分布規律劃分“人臉”與“非人臉”兩類模式。主分量分析是一種常用的方法。MIT的Sung等人提出了基于事例學習的方法，屬于特征空間方法的還有因子分解方法(FA)和Fisher準則方法(FID)。（4）基于支持向量機的方法支持向量機(SVM)是Vapnik等人提出的基于結構風險最小化原理(SRM)的統計學習理論，用于分類與回歸問題。SRM使VC維數的上限最小化，這使得SVM方法比基于經驗風險最小化(ERM)的人工神經網方法具有更好的泛化能力。（5）基于概率模型的方法基于概率模型方法的一種思路是計算輸入圖像區域屬于人臉模式的后驗概率P，據此對所有可能的圖像窗口進行判別。CMU的Schneiderman等人提出一種基于后驗概率估計的人臉檢測方法。另一種概率模型是用于描述信號統計特性的隱馬爾可夫模型(HMM)。Nefian等人提出了基于嵌入式HMM的人臉檢測方法。（6）基于人工神經網的方法人工神經網的方法是把模型的統計特征隱含于神經網的結構和參數中，對于人臉這類復雜的難以顯式描述的模型，基于人工神經網便于建模，魯棒性較好，但是運算速度較慢。Rowley統計過單純用人工神經網方法，在170MHzR10000SGI工作站上處理320x240像素的圖像大約需要140s[7]。面部特征提取面部特征定位與提取是檢測人臉上的某些或所有特征的位置、大小、輪廓線等信息的過程。實際上，人臉檢測定位過程中有時也會用到一部分面部特征，而且面部特征也是人臉識別的重要依據之一。目前，面部特征提取常用的方法有：灰度積分投影曲線分析、Hough變換方法、可變形模板等。(1)灰度積分投影曲線分析是在對人臉圖像進行了小波變換的基礎上進行的，對人臉圖像進行水平灰度積分投影確定人臉各器官的基線，然后對基線區域進行垂直積分投影可確定各器官的輪廓線。這種方法被廣泛應用于利用小波的面部特征提取方法中。(2)Hough變換方法可應用在模式識別領域中，它的定義為：記N×N二值圖像(xi，yi)，像素的灰度值為I(xi，yi)。參數空間中，?在[0，π)間均勻地取M個離散值，ρ的采樣個數為Q。標準霍夫變換可表示為H(ρq，?m)=ΣI(xi，yi)，這種方法的主要目的是在二值圖像中進行直線檢測。(3)可變形模板，又稱作彈性模板，分為兩種，這兩類模板的實質都是在提取特征過程中對模板進行動態的調整。活動輪廓模型又稱Snake算子，它是在圖像域內定義可變形曲線，用來與待檢測人臉或某些器官的輪廓進行自適應匹配，從而達到描述特定輪廓線的目的。這種方法魯棒性強，能夠動態地調整完成曲線能量函數的最小化，具有一定的自適應性，而且計算量比變換域方法的計算量小、速度快。但是，這種方法要求所提取對象的初始曲線是正確的，否則收斂過程很可能會發生錯誤。基于模型的可變形模板方法根據待檢測人臉特征的先驗信息定義形狀模型，模型中的參數反映的是特征的可變部分，模型與圖像的邊緣、峰、谷和灰度分布特性進行動態的交互適應，從而使參數得到修正，參數變化必然引起模板的變形。模型調整過程中利用的是特征區域的全局信息，可以較好地檢測出相應的特征形狀，但是算法在很大程度上依賴于參數初值，并且計算時間長。Adaboost算法概述Adaboost是一種自適應的boosting算法，該算法利用大量的分類能力一般的簡單（弱）分類器(BasicClassifier)通過一定的方法疊加(Boost)起來，構成一個分類能力很強的強分類器(StrongClassifier)。其基本思想是：當分類器對某些樣本正確分類時，則減少這些樣本的權值；當錯誤分類時，則增加這些樣本的權值，讓學習算法在后續的學習中集中對比較難的訓練樣本進行學習，最終得到一個識別率理想的分類器。該算法的人臉檢測對于單人臉正面圖像的檢測效果較好,誤檢率也比較低。然而AdaBoost算法采用順序前進法搜索策略，盡管每次迭代選擇的弱分類器是局部最優，但最終構成強分類器的弱分類器及其系數并不是最優。而且對于側面及多人臉圖像檢測正確率不高。下面給出AdaBoost的算法描述:設輸入為N個訓練樣本：，其中對應正樣本和負樣本。已知訓練樣本中有個正樣本，個負樣本。首先初始化權值分別對應正樣本和負樣本；然后對每個（其中，T為訓練次數）①權值歸一化，；②對于每個特征，按照上面方法生成相應的簡單分類器,計算相對于當前權重的誤差：；③選擇具有最小誤差加入到強分類器中去；④更新每個樣本所對應的權值，其中如果被正確的分類，；最后形成的強分類器為，其中將多個強分類器級聯(cascade)起來就可以組成一個人臉檢測系統。組成強分類器的弱分類器個數隨著級數的增加而增加。每層的強分類器經過閾值調整,使得每一層都能讓幾乎全部的人臉樣本通過,而拒絕很大一部分非人臉樣本。而且,由于前面的層使用的矩形特征數很少,計算起來非常快,越往后通過的候選匹配圖像越少，盡管矩形特征增多，計算量卻減少，檢測的速度加快，使系統具有很好的實時性。AdaBoost與其他算法結合的人臉檢測算法基于Adaboost算法的人臉檢測因其優點而備受關注，目前的許多算法都是在此基礎上把兩種或幾種算法結合起來。基于AdaBoost的快速動態人臉檢測算法該方法采用的層次型人臉檢測器結構。層次型檢測器分為多層，每一層都是AdaBoost算法訓練得到的一個強分類器，使得每一層都能讓幾乎全部人臉樣本通過，拒絕很大一部分非人臉樣本。這樣，靠近前面的各層，采用少量的特征卻拒絕大部分的非人臉樣本，靠近后面的各層，雖然采用大量的特征來排除近似人臉的非人臉候選圖像的干擾，但是由于需要處理的窗口數目很少，對于整體運算時間的耗費很小，在保證檢測效果的同時，提高人臉檢測速度[8]。多人臉檢測與定位算法級聯模型速度快且檢測率高，但只能粗糙定位人臉區域，并具有一定的誤檢率，不能直接用于對人臉定位精確度要求較高的領域。在上述算法的基礎上按照“由粗到精”的思路，對級聯模型進行擴展，快速而精確的多人臉檢測算法便應運而生了。首先用級聯模型(很高的檢測率)快速地剔除絕大部分非人臉區域，得到少量可疑人臉區域，再在可疑人臉區域中發現可疑眼睛區域，并組合可疑眼睛區域對得到候選人臉區域，最后用人臉模板進一步剔除假臉，得到精確的人臉位置[9]。AdaBoost和膚色該算法是先用膚色模型分割出圖像中的膚色區域,該區域包括人體其他部分皮膚區域以及與皮膚類似的背景區域;然后利用腐蝕、膨脹操作去除噪聲對膚色分割的影響;再將這些區域作為輸入圖像用訓練好的AdaBoost級聯分類器進行檢測,進一步去除膚色分割后包括的非人臉區域,實現更準確的人臉定位,從而在盡可能多地檢測到人臉的同時降低誤檢率[10]。動態權值預劃分實值Adaboost人臉檢測算法該Real-Adaboost的改進算法，動態權值預劃分實值Adaboost算法采用預處理類Haar特征對應的弱分類器在樣本空間的劃分，動態更新訓練樣本權值以加速和控制算法收斂性。它明顯改善了實值Adaboost算法的訓練算法時間復雜度，從O(T*M*N*N)減到O(T*M*N)；同時加快了強分類器的收斂性，提高了組合層疊檢測器的檢測速度和正確檢測率[11]。AdaBoost算法和遺傳該算法首先用AdaBoost算法選取特征弱分類器，再用遺傳算法消除冗余弱分類器，并學習相應的權值，最終的分類器是經遺傳算法進行全局擇優的弱分類器及權值的線性組合。因而能用更少的弱分類器取得更低的訓練誤差，在測試集上的檢測精度和速度都得到了提高；由于實際檢測時所要評估的弱分類器數目減少，因而檢測時間也得到了提高[12]。基于特征空間劃分的Adaboost人臉檢測算法該算法是一種改進的基于閾值劃分的AdaBoost快速訓練算法，對弱分類器的評價系數進行調整，在人臉檢測中進行了嚴正，實驗結果顯示，訓練速度提高了16倍以上，實際測試結果也很好[13]。Adaboost與SOFMN自組織特征映射神經網絡分類器，其特點是通過自動尋找樣本中的內在規律和本質屬性。自組織、自適應地改變網絡參數與結構。該算法將SOFM這種無教師的聚類方法與Adaboost結合并應用在人臉識別領域，大大提高了識別率以及識別速度，可以達到實時的效果[14]。基于邊緣方向直方圖的Adaboost人臉檢測該算法是一種基于邊緣方向直方圖的Adaboost分類算法，使用空間分布和紋理信息作為提取特征，優于傳統基于色彩的訓練算法。而且與傳統Adaboost方法相比，準確率明顯提高，速度相當[15]。Adaboost與Gabor特征該算法是一種FER方法,利用對人臉表情具有良好表征能力的Gabor特征組成特征向量,并用Adaboost算法選擇出最重要的特征,在降低特征維數的同時提高了特征的可區分度,然后將SVM和最近鄰分類法結合進行分類。實驗表明,該方法具有很好的識別效果,最高達到了97.18%的識別率[16]。分離的Adaboost的實際泛化該算法顯示了能夠生成具有特定的累積邊緣分布分布圖形的低錯誤公式，提供了一個好的方法來處理這些表示Achilles后來提出的常見的自適應Boosting算法的弱點的干擾域[17]。完全糾正更新的AdaBoost快速人臉檢測完全糾正算法通過糾正所有弱分類器的系數極大地降低訓練錯誤的上限。更正步驟已被證實降低了上限綁定錯誤而不增加結果檢測的計算復雜性[18]。人臉檢測和人臉表情識別的混合boost算法該系統通過使用外觀顏色檢測和分割搜索潛在的人臉區域的整體框架，然后掃描圖像的外觀顏色段并再人臉檢測和人臉表情識別上，既應用了弱分類器也應用了強分類器[19]。邊緣分布下的二進制統一多類AdaBoost算法該算法通過顯示MO和ECC執行stage-wise的超過邊緣值得函數耗時漸變下降提供了一個新式的AdaBoost算法、MO-ECC和-OC三個算法，可以嚴格地解釋在以前的實驗中觀察到的ECC和OC的屬性[20]。總結本文從人臉檢測的概述、人臉檢測的方法等幾個方面介紹了人臉檢測與識別這一既有成果又具挑戰的一門學問與應用，在對文獻的搜集和綜述過程中，學習了許多相關知識。對未來人臉檢測與識別的發展方向也有了一個簡單的認識。未來的人臉檢測與識別將會有如下發展趨勢：1.基于混合方法的人臉檢測與識別。當前這類方法也有使用，但是由于各種方法的優勢與不足，結合幾種方法進行研究則是必然。2.基于多信息融合的人臉檢測與識別。如將膚色表情等信息進行融合提高檢測性能。3.基于多姿態的人臉檢測。目前人臉檢測對于正面圖像或者旋轉角度一點的人臉圖像檢測效果比較好，但是對于附帶多種角度的人臉檢測還存在很大困難，該方向也是未來研究的一個十分好的方向。參考文獻呂建強，張瑞紅.人臉檢測技術的研究現狀與展望[J].電腦知識與技術人工智能及識別技術,2007，（27）:1682-1684.李武軍，王崇駿，張煒，陳世福.人臉識別研究綜述[J].模式識別與人工智能,2006,19(1):58-66.袁燕.人臉識別研究綜述[J].電腦知識與技術，2007,(26):1414-1421.肖冰，王映輝.人臉識別研究綜述[J].計算機應用研究,2005,22(8):1-5.袁強，張正蘭.基于Fisher的人臉檢測與識別[J].現代計算機，2007,(5)：50-52.畢萍.基于分類器融合的人臉檢測算法研究[M].西安電子科技大學.楊洪艷，韓其睿.人臉識別方法[J].儀器儀表用戶,2007,14(6):2-3.鄧亞峰，蘇光大，傅博.一種基于AdaBoost的快速動態人臉檢測算法[J].計算機工程,2006,32(11)：222-224.李武軍，王崇駿，張煒，陳世福.人臉識別研究綜述[J].模式識別與人工智能,2006,19(1):58-66.宗欣露,熊盛武,朱國鋒.基于膚色和AdaBoost算法的彩色人臉圖像檢測[J].計算機應用研究，2007,24(10):178-184.武妍，項恩寧.動態權值預劃分實值Adaboost人臉檢測算法[J].計算機工程,2007,33(3):208-212.唐旭晟，歐宗瑛，蘇鐵明，順剛.基于AdaBoost和遺傳算法的快速人臉定位算法[J].華南理工大學學報(自然科學版)，2007,35(1):64-68.嚴云洋，郭志波，楊靜寧.基于特征空間劃分的Adaboost人臉檢測算法[J].小型微型計算機系統,2007,28(11):2106-2109.李玉龍，王民，楊全.基于Adaboost與SOFMN的人臉識別[J].微計算機信息(測控自動化),2007,23(11-1):211-212.王晶，楊煜.基于邊緣方向直方圖Adaboost人臉檢測[J].計算機技術與發展,2007