人脸检测技术研究 开题大纲
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸检测虽然出人脸识别提出，但是应用范围早已超过人脸识别， 已成为一个独立研究课题，在国家安全、公共安全、金融、军事领 域，视频会议，图像追踪、模式识别、机器人智能化等方面有巨大应 用价值。
二、与本课题相关的国内外研究现状，预计可能有所突破和创新的方 面（文献综述）
三、分析研究的可能性、基本条件及能否取得实质性进展（方案论 证）
4. 基于表象的方法 上述模板匹配法实质是个固定模板，基于表 象的方法实质是有着变化模板的模板匹配法，其标准人脸图案从一系 列具有代表性脸部表观的训练图像学习而来，不需要预先定义。基于 表象的方法利用统计分析和机器学习的技术来寻找人脸和非脸图像的 有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这 些分布模型或者判别函数来检测人脸。 划在以上几种大算法之下的经典算法有：
总结研究工作，分析影响算法的最大因素，算法的优劣撰写论文 初稿；
2009年5月 论文答辩。
在导师指导下，修改论文、最后定稿；准备
六、指导教师意见 字： 七、学院毕业论文(设计)领导小组意见 长签字： 月日
指导教师签 年月日
领导小组组 年
基于样本学习方法 Example-Based Methods MIT 的Sung 和 Poggio 等提出了基于样本学习的方法。他们采用k-均值聚类方法在特 征空间中建立6 个“人脸”簇和包围“人脸”簇的6 个“非人 脸”簇，以使“人脸”模式与“非人脸”模式的边界更为清晰，然后
根据样本到各个簇中心的距离来训练一个多层感知器进行分类，用来 实现人脸检测。
四、课题研究的主要方法、策略和步骤 主要在CMU,MIT,ORL,YALE,FERET,AR，CAS-PEAL等人脸数据库上测
试人脸算法在姿态、位置、时间、表情、距离等因素变化下检测的检 测率、速度等，分析该算法的优劣
五、研究进度安排
2009年11-2月 进行相关资料收集、完成开题报告；
2009年3-4月 收集数据库，测试检测算法；
AdaBoost 方法 Valiant 1994年提出的了PAC（Probably Approximately Correct）模型，在模型中给出了弱学习和强学习的概 念，从而使“学习”有了计算上的判定方法，并出现了将弱学习提升 为强学习的算法，boosting算法，为Adaboost算法形成奠定了理论基 础。Boosting 算法是在Kearns 和Valiant 证明后才真正成熟起。
尽管公安、金融等领域对人脸识别技术的需求猛增, 但是人脸检测 与识别技术却很少找到成功地应用, 国外还出现了多次退货事件, 甚
至出现了将已经安装的人脸识别系统废弃或者拆除的事件, 可见需求 方普遍对目前的人脸检测技术不够满意；姿态、位置、光照、距离等 一直是影响人脸检测技术进一步实用化的主要障碍, 因此为促进人脸 识别算法的深入研究和实用化，有必要定期对各种人脸识别算法进行 性能测试，其分析测试结果对未来的工作起到了一定的指导作用这促 使我们需要评测一些检测算法，进一步地考察和分析人脸检测技术的 发展现状。
1995年Freund 和Schapire 提出了AdaBoost 算法。其根据弱学习 的反馈适应性地（adaptively）调整假设的错误率，不需要任何关于 弱学习器性能的先验知识，而检测效率与原来的boosting算法一样， 因此很容易应用到实际问题中。 之后Viola提出了基于Haar型特征的Adaboost算法，还将积分图 (integral image)应用到Boosting算法中矩形特征的特征值计算，使 得计算和检测速度大为提升。 AdaBoost 算法提出后在机器学习领域受到了极大的关注，实验结果显 示无论是应用于人造数据还是真实数据，AdaBoost 都能显著提高学习 精度。
表4 -2（自然学科学生用）
某某大学2010届本科毕业论文（设计）开题报告
学院：电子信息学院 系别：电子系 专业（专业方向）：电子信息 科学与技术
论文题 目
人脸检测技术研究
指导教 师
职称
学生姓 名
Leabharlann Baidu
学号
一、研究目的（选题的意义和预期应用价值）
人脸检测面临光照，姿态，表情，距离，时间等因素变化的影 响，如果能构造出快速准确的算法，做成人脸检测、追踪系统会给别 的很多检测研究、模式识别带来重大启示、参考价值。
目前，国外对人脸检测问题的研究很多，比较著名的有MIT，CMU 等；国内的清华大学、北京工业大学、中科院计算所和自动化所等都 有人员从事人脸检测相关的研究。
较成熟的人脸检测和识别商业系统有Identix 公司研发的FaceIt 系统，Eyematic 公司研发的人脸识别系统Cognitec 公司开发的 FaceVACS 系统
神经网络 Neural Network 人工神经网络是一种应用类似于大脑 神经突触联接的结构进行信息处理的数学模型；其可以充分逼近任意 复杂的非线性关系，采用并行分布处理方法，使让快速进行大量运算 成为可能，并具有自学习功能，通过自学习功能，慢慢学会识别类似 的图像。缺点是经常要做很多大范围内的参数调整。 1996年Rowley提出了里程碑式的用神经网络检测人脸的方法。
1. 基于知识的方法 这个方法将人类有关典型的脸的知识编码成一
些规则。通常这些规则包括了脸部特征之间关系的知识，然后将输入 图像相关特征与这些规则对比，判断是否为人脸。其主要规则有轮廓 规则、器官分布规则、对称性规则、运动规则。基于知识的方法是一 种自上而下的方式。缺点是难以将人类知识转化成为有效的规则。
人脸检测涉及计算机视觉，模式识别，图像处理，人工智能，机 器学习领域；最初起源于上世纪50、60年代的人脸识别，是人脸识别 中的关键一环。起初由于人脸识别系统总被假定容易找到人脸或者已 知人脸位置，故未人脸检测未得到深入研究，但是随着人脸分析应用 范围的扩大、开发实际系统需求的不断提高，这种假设下的研究不再 能满足需求，人脸检测开始作为独立研究内容发展起来。 经过多年发展，其主要算法分为以下几类： 1. 基于知识的方法（Knowledge-based） 2. 特征不变量方法（Feature invariant） 3. 模板匹配的方法（Template matching） 4. 基于表象的方法（Appearance-based）
支持向量机 Support Vector Machine (SVM) 由Boser、Guyon、 Vapnik在COLT-92 上首次提出，是一种基于统计学习理论的模式识别 方法
隐马尔科夫模型 Hidden Markov Model (HMM) 隐马尔科夫模型 (Hidden Markov Model，HMM)是用于描述信号统计特性的一组统计模 型
1990年，Schapire 最先构造出一种多项式级的算法，即最初的 Boosting算法。这种算法可以将弱分类规则转化成强分类规则。一年 后，Freund 提出了一种效率更高的Boosting 算法。1993年，Drucker 和Schapire 第一次以神经网络作为弱学习器，应用Boosting 算法来 解决实际的OCR 问题。
特征脸 Eigenface 特征脸是基于从主成分分析（PCA）1的一种 人脸检测，它根据一组人脸训练样本构造主元子空间，检测时，将测 试图像投影到主元子空间上,得到一组投影系数，再和各个己知的人脸 图像模式比较，从而得到检测结果。 Kohonen最早使用特征向量检测人脸，其特征向量法后来发展成为特征 脸法。传统的特征脸法偏向于选择特征值大的特征向量，由于分类性 能不加，后期发展出了多种特征（子空间）选择方法，如Belhumeur的 FisherFace 方法等。
2. 特征不变量方法 这个方法的目标是寻找那些即使当姿势、视角 和光线条件变化时仍然存在的结构特征，并利用这些特征来定位人 脸。AdaBoost 方法就是基于人脸特征的方法
3. 模板匹配的方法 模板匹配法是一种经典的模式识别方法。处 理过程为：首先预处理图像，预定义一个标准人脸图案；其次计算输 入图像与标准人脸图案的相关值，最后根据预先设定的阈值和相关值 判断是否有人脸。 模板匹配法算法较成熟，实现简单，但是效率不高。
二、与本课题相关的国内外研究现状，预计可能有所突破和创新的方 面（文献综述）
三、分析研究的可能性、基本条件及能否取得实质性进展（方案论 证）
4. 基于表象的方法 上述模板匹配法实质是个固定模板，基于表 象的方法实质是有着变化模板的模板匹配法，其标准人脸图案从一系 列具有代表性脸部表观的训练图像学习而来，不需要预先定义。基于 表象的方法利用统计分析和机器学习的技术来寻找人脸和非脸图像的 有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这 些分布模型或者判别函数来检测人脸。 划在以上几种大算法之下的经典算法有：
总结研究工作，分析影响算法的最大因素，算法的优劣撰写论文 初稿；
2009年5月 论文答辩。
在导师指导下，修改论文、最后定稿；准备
六、指导教师意见 字： 七、学院毕业论文(设计)领导小组意见 长签字： 月日
指导教师签 年月日
领导小组组 年
基于样本学习方法 Example-Based Methods MIT 的Sung 和 Poggio 等提出了基于样本学习的方法。他们采用k-均值聚类方法在特 征空间中建立6 个“人脸”簇和包围“人脸”簇的6 个“非人 脸”簇，以使“人脸”模式与“非人脸”模式的边界更为清晰，然后
根据样本到各个簇中心的距离来训练一个多层感知器进行分类，用来 实现人脸检测。
四、课题研究的主要方法、策略和步骤 主要在CMU,MIT,ORL,YALE,FERET,AR，CAS-PEAL等人脸数据库上测
试人脸算法在姿态、位置、时间、表情、距离等因素变化下检测的检 测率、速度等，分析该算法的优劣
五、研究进度安排
2009年11-2月 进行相关资料收集、完成开题报告；
2009年3-4月 收集数据库，测试检测算法；
AdaBoost 方法 Valiant 1994年提出的了PAC（Probably Approximately Correct）模型，在模型中给出了弱学习和强学习的概 念，从而使“学习”有了计算上的判定方法，并出现了将弱学习提升 为强学习的算法，boosting算法，为Adaboost算法形成奠定了理论基 础。Boosting 算法是在Kearns 和Valiant 证明后才真正成熟起。
尽管公安、金融等领域对人脸识别技术的需求猛增, 但是人脸检测 与识别技术却很少找到成功地应用, 国外还出现了多次退货事件, 甚
至出现了将已经安装的人脸识别系统废弃或者拆除的事件, 可见需求 方普遍对目前的人脸检测技术不够满意；姿态、位置、光照、距离等 一直是影响人脸检测技术进一步实用化的主要障碍, 因此为促进人脸 识别算法的深入研究和实用化，有必要定期对各种人脸识别算法进行 性能测试，其分析测试结果对未来的工作起到了一定的指导作用这促 使我们需要评测一些检测算法，进一步地考察和分析人脸检测技术的 发展现状。
1995年Freund 和Schapire 提出了AdaBoost 算法。其根据弱学习 的反馈适应性地（adaptively）调整假设的错误率，不需要任何关于 弱学习器性能的先验知识，而检测效率与原来的boosting算法一样， 因此很容易应用到实际问题中。 之后Viola提出了基于Haar型特征的Adaboost算法，还将积分图 (integral image)应用到Boosting算法中矩形特征的特征值计算，使 得计算和检测速度大为提升。 AdaBoost 算法提出后在机器学习领域受到了极大的关注，实验结果显 示无论是应用于人造数据还是真实数据，AdaBoost 都能显著提高学习 精度。
表4 -2（自然学科学生用）
某某大学2010届本科毕业论文（设计）开题报告
学院：电子信息学院 系别：电子系 专业（专业方向）：电子信息 科学与技术
论文题 目
人脸检测技术研究
指导教 师
职称
学生姓 名
Leabharlann Baidu
学号
一、研究目的（选题的意义和预期应用价值）
人脸检测面临光照，姿态，表情，距离，时间等因素变化的影 响，如果能构造出快速准确的算法，做成人脸检测、追踪系统会给别 的很多检测研究、模式识别带来重大启示、参考价值。
目前，国外对人脸检测问题的研究很多，比较著名的有MIT，CMU 等；国内的清华大学、北京工业大学、中科院计算所和自动化所等都 有人员从事人脸检测相关的研究。
较成熟的人脸检测和识别商业系统有Identix 公司研发的FaceIt 系统，Eyematic 公司研发的人脸识别系统Cognitec 公司开发的 FaceVACS 系统
神经网络 Neural Network 人工神经网络是一种应用类似于大脑 神经突触联接的结构进行信息处理的数学模型；其可以充分逼近任意 复杂的非线性关系，采用并行分布处理方法，使让快速进行大量运算 成为可能，并具有自学习功能，通过自学习功能，慢慢学会识别类似 的图像。缺点是经常要做很多大范围内的参数调整。 1996年Rowley提出了里程碑式的用神经网络检测人脸的方法。
1. 基于知识的方法 这个方法将人类有关典型的脸的知识编码成一
些规则。通常这些规则包括了脸部特征之间关系的知识，然后将输入 图像相关特征与这些规则对比，判断是否为人脸。其主要规则有轮廓 规则、器官分布规则、对称性规则、运动规则。基于知识的方法是一 种自上而下的方式。缺点是难以将人类知识转化成为有效的规则。
人脸检测涉及计算机视觉，模式识别，图像处理，人工智能，机 器学习领域；最初起源于上世纪50、60年代的人脸识别，是人脸识别 中的关键一环。起初由于人脸识别系统总被假定容易找到人脸或者已 知人脸位置，故未人脸检测未得到深入研究，但是随着人脸分析应用 范围的扩大、开发实际系统需求的不断提高，这种假设下的研究不再 能满足需求，人脸检测开始作为独立研究内容发展起来。 经过多年发展，其主要算法分为以下几类： 1. 基于知识的方法（Knowledge-based） 2. 特征不变量方法（Feature invariant） 3. 模板匹配的方法（Template matching） 4. 基于表象的方法（Appearance-based）
支持向量机 Support Vector Machine (SVM) 由Boser、Guyon、 Vapnik在COLT-92 上首次提出，是一种基于统计学习理论的模式识别 方法
隐马尔科夫模型 Hidden Markov Model (HMM) 隐马尔科夫模型 (Hidden Markov Model，HMM)是用于描述信号统计特性的一组统计模 型
1990年，Schapire 最先构造出一种多项式级的算法，即最初的 Boosting算法。这种算法可以将弱分类规则转化成强分类规则。一年 后，Freund 提出了一种效率更高的Boosting 算法。1993年，Drucker 和Schapire 第一次以神经网络作为弱学习器，应用Boosting 算法来 解决实际的OCR 问题。
特征脸 Eigenface 特征脸是基于从主成分分析（PCA）1的一种 人脸检测，它根据一组人脸训练样本构造主元子空间，检测时，将测 试图像投影到主元子空间上,得到一组投影系数，再和各个己知的人脸 图像模式比较，从而得到检测结果。 Kohonen最早使用特征向量检测人脸，其特征向量法后来发展成为特征 脸法。传统的特征脸法偏向于选择特征值大的特征向量，由于分类性 能不加，后期发展出了多种特征（子空间）选择方法，如Belhumeur的 FisherFace 方法等。
2. 特征不变量方法 这个方法的目标是寻找那些即使当姿势、视角 和光线条件变化时仍然存在的结构特征，并利用这些特征来定位人 脸。AdaBoost 方法就是基于人脸特征的方法
3. 模板匹配的方法 模板匹配法是一种经典的模式识别方法。处 理过程为：首先预处理图像，预定义一个标准人脸图案；其次计算输 入图像与标准人脸图案的相关值，最后根据预先设定的阈值和相关值 判断是否有人脸。 模板匹配法算法较成熟，实现简单，但是效率不高。