PDF《人脸检测方法综述*》

计算输入图像和存储的模式间的相互关系并用于检测. ( 4) 基 于外 观 的方 法(Appearance- based Methods) .与模板匹配方法相反, 从训练图像集中进 行学习 从而获 得模型 ( 或 模板) , 并将这些模型用于检测.

2 基于知识的方法 基于知识的方法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, 如在一幅图像中出现的人 脸, 通常具有互相对称 的两只 眼睛、 一个 鼻子和 一张嘴.特征之间的相互关系可以通过 它们的 相对距 离和位 置来描 述. 在 输入图像中首先提取面部特征, 确定基于编码规则的人脸候选 区域. 这种方法存在的问题是很 难将人 类知识 转换为 明确定 义 的规则.如果规则是 详细 的(严格的 ) , 由 于不 能通 过所 有的规则检测可能失败;

如果规则太概括 ( 通用) , 可能会 有较高 的 错误接收率.此外, 很难将这种方法扩展到在不同的位姿下检 ・

1 ・

2004 年第

9 期 赵丽红等: 人脸检测方法综述 测人脸, 因为列举所有的情况是一项很困难的工作. Yang 和Huang 使用分层的 基于 知识的 人脸 检测 方法 [ 2] , 他们的系统由三级规则组成.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像什么, 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

1 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2中较浅的阴影部分) , 其中有四个基本上相同的灰度单元. 图1分层图像 图2人脸候 选区 在人脸的上层周围部分 具有相 同的灰 度.人脸的 中心 部 分和上层周围的灰度不同.最 低分辨率的 ( Lever 1) 图像用 于 搜索人脸的候选区并在后面较精细的分辨率下作进一步处理. 在Lever

2 完成 人脸候选区 的局部直方图 均衡化, 并进行边 缘 检测.继续存在的候选区 在Lever

3 用其他 的人脸 特征, 如眼睛、 嘴等对应的规则进行检查.这种方法的特点是用从粗―细 的策略来减少所需要的计算, 虽 然它没 有很高 的检测 率, 但采用多分辨率分层的思想和指导 搜索的 规则已 经用到 后面的 人 脸检测工作中 [ 3] . Kotropoulos 和Pitas [ 3] 提出 了 一种 类似 于 文献 [ 1] 的基于规则的定位方法.用投影方 法确定 面部特 征, I( x, y) 是m*n 图像中( x, y) 位 置的 灰度值, 图 像的 水平和垂 直投影定义为HI( x) = ∑ n y =1 I( x, y) 和VI( y) = ∑ m x =1 I( x, y) .通 过在 HI 中的急 剧 变化检测到两个局部最小点, 它 对应于 头部的 左右两 边, 获得输入图像的水平轮廓.类似 地, 获得垂 直的轮 廓, 局 部最小 点 的确定用于定位嘴唇、 鼻尖和眼睛.这些检测到的特征组成了 面部候选区. 李华胜等人提出通过区域增长从人脸图像中分割出人脸, 再利用边缘检测、 Hough 变换、 模 板匹配 和方 差投 影技 术可 以 快速有效地提取出人脸面部器官, 如眼睛、 鼻子和嘴巴等特征. 实验结果表明其所采用的方法具有较 高的准 确率( 95. 5% ) 和 光照鲁棒性 [ 4] . 姜 军等 人提 出了 一种 基于 知识 的快速 人脸 检测 方法 [ 5] . 采用符合人脸生理结构特 征的人 脸镶嵌 图模型.在 分析了 足 够多的人脸图像 样本 基 础上, 针对人脸 图像 的 灰度 和边 缘信息, 建立了一种较为完备的知识库;