人脸检测方法综述

辐射模板
辐射模板
正面精确检测
目前采用的方法：
重心模板匹配 （Miao et al) [6]
辐射模板人脸检测算法
Color Image
Skin Detection
Edge Extraction
Upright Detection
Radial Template Rotate to Searching Horizon
人脸检测综述
人脸检测（Face Detection) 的研究最早可以追 溯到上个世纪六十年代。
主要目标 是在图像中确定是否存在人脸，如果
存在则定位人脸的位置、大小以及面部特征等。
人脸检测综述
涉及领域
包括模式识别、人工智能、数字图像处理、 计算机图形学、生理学、心理学等等。
应用范围
人脸识别、跟踪、表情识别等相关课题与 身份鉴定、视频分析、人机交互等实际应用。
人脸检测综述
这一时期奠定了许多优秀检测方法的理论基础。 如主成份分析 (PCA) 、统计学习与神经网络在人脸检 测中的应用。 统计学习的基本思想是从大量给定的正例和反例 集合中归纳产生出接受最大范围正例并排斥最大范围 反例的一般规则。具体到人脸检测问题上，就是将样 本分为人脸样本和非人脸样本进行学习并从而得到分 类算法。
实验结果
实验结果
实验结果
结论与问题
优点：
可以检测出平面内任意旋转角度的人脸，具有多 角度性。
缺点：
1 速度慢 2 鲁棒性有待提高
启发
理论：
如何找到从直角坐标系到极坐标系的快速转换 方法 采用基于统计的方法进行直方图匹配
实际：
其他旋转物体识别
后续工作
1 建立统计模型 2 使用同心模板 （ Concentric Template ）
人脸检测综述
早期：模板匹配
模板匹配方法是指对模板图像与目标图像相同位 置的像素灰度值或颜色值进行比较，并计算各灰度 差或颜色差的总和。这种方法比较简单，在早期的 人脸检测系统中较常见，如Craw等人运用了由40个 人脸特征模板进行人脸定位[1]。 之后的研究者对模版匹配进行了改进，提出了 变形模板方法。Yuille等人运用变形模板方法建立了 一个描述人脸特征（如双眼）的弹性模型。检测时 由能量函数使得输入图像的对应点与弹性模板相应 的边缘、峰和谷区域相匹配[2]。
Result
旋转人脸库
建立了一个1342幅图片、包含1403张人脸 的数据库来对基于辐射模板的旋转人脸检测算法 进行实验。这些图片的来源主要有三个：本实验 室采集的人脸库、从互联网上下载的照片和从视 频剪辑中截取的图像。其中包括各种背景下的单 人脸、多人脸和非人脸图片。并且着重收集了许 多包含旋转人脸姿态的照片。 所检测的图片中有三分之一数量的大小为 320×240，其他图片范围从140×180至640×480 。在一台2.0GHzCPU的计算机上进行实验。
人脸检测综述
部分人脸库图片
人脸检测综述
2000年，美国国防部组织了各个公司及研究机构 的不同人脸识别系统的性能测试----FRVT2000 (Facial Recognition Vendor Test 2000)。它包括基 于LFA算法的Identix公司的FaceIt人脸识别系统、采 用MIT技术的Lau Tech.公司面像识别/确认系统、CVIS公司的面像识别/确认系统等等。尽管这些测试只 对美国研究机构开放，但它还是在事实上成为了人脸 识别研究领域的公认测试标准，其测试结果已经在事 实上被认为反映了人脸识别研究的最高学术水平。
哲学意义
人脸的确认是人的一种思维过程。新生儿在成 长的过程中，会不断的学习在他眼中出现的人脸。 但它们是以什么方式摄入大脑，并以什么格式存储 在记忆部位的呢？ 事实上，人的视觉与认知过程根本没有得到彻 底的研究，其整个过程对我们来说仍是一团迷雾。 无论从模式识别和人工智能角度，还是从生理 学与心理学角度，这一切是否可以被我们研究透彻 仍有待确定。
中期：
人脸检测综述
中期：
神经网络 NN 变形模板 Active Shape Model(ASM) 主成份分析与特征脸 PCA, Eigenface 纹理分析与空间人脸灰度 隐马尔可夫模型 HMM
CMU的Rowley等人利用神经网络分类器进行人脸检测[3] 。
正确率: 90.5%(正面) 76.9%(正面+旋转)
主要内容
I 人脸检测综述 II 辐射模板方法
辐射模板简介
辐射模板是一种可以检测平面内各种旋转物体 的方法。其主要思想是利用辐射模板的特性，对平 面图像进行搜索与匹配，找出符合辐射模板直方图 特征的物体，并判断出其旋转角度。该方法对平面 内0至360度任意旋转角度的物体均有效，同时Biblioteka Baidu需 简单的小样本学习过程，因此在人脸检测、卫星图 片地面目标识别等模式识别与计算机视觉领域有着 广泛的应用价值。
方向性边缘检测
采用Laplace算子从水平、垂直、两个对角线 方向提取边缘
肤色模型与方向性边缘检测
辐射模板
辐射模板是一个等分为若干扇形的圆形，根据 不同大小可以放缩为不同倍数的同心圆。 辐射模板检测平面内旋转物体的特性在于其能 够提取围绕中心旋转的物体的不变特性。
辐射模板
统计落入辐射模板每个扇形中的边缘点数目， 可以得到一个辐射模板直方图，其波峰图像代表了 双眼和嘴鼻三个人脸主要部分。 当人脸旋转时，其辐射模板直方图会左右滑动 ，但仍呈现三个波峰的图像。根据此特征不但能够 匹配出人脸区域，而且可以得到人脸的旋转角度。
人脸检测综述
Adaboost方法 （Viola et al）
正确率：78.3%~93.7%
速度：0.067秒/帧 (320*240)
人脸检测综述
人脸库
许多研究者为了进行检测实验，建立了大量的人 脸图像库。在利用这些库进行自己的方法测试后，部 分人脸库也成为公共进行测试比较的平台。 人脸库满足的标准应该是数量足够（一般在百幅 以上），同时部分通用人脸库包含了各种光照、姿态 、表情、背景等条件下采集的图像。
人脸检测综述
目前可以说人脸检测课题仍然没有完备的解决方案， 该领域将继续保持极大的挑战性。其主要难点在于： 人脸的姿态，如正面旋转、侧面旋转、抬低头等 人脸的遮挡，如胡须、头发、眼镜、饰物等 人脸的表情，如喜怒哀乐等直接影响面部特征 图像质量，尤其是光照条件对全局的影响 人对人脸的感知过程仍未被彻底了解
速度: 2~4秒/帧 (320*240)
人脸检测综述
近期：各种方法并驾齐驱
基于特征的检测往往需要先验知识，因此特征 的选取与界定需要研究者来决定。 基于统计的方法首先要进行大量样本的统计学 习，从而受样本空间的影响较大。 目前的趋势是根据具体应用采用不同方法,结 合模板匹配、统计学习、主成份分析、肤色信息等 等，达到特定环境下最优化的人脸检测结果。
人脸检测综述
近期：
彩色信息 RGB-other, Mixture of Gaussian 支持向量机 SVM 统计学习与神经网络 多通道特征融合
人脸检测综述
近期：
Adaboost方法[4] 是一种基于统计的学习算法，能够在学习过程 中不断根据正例反例中各个定义好的特征所起的效 果调整该特征的权值，最终按照特征的性能由好到 坏给出判断准则，同时利用Cascade算法，即在检测 过程中不断舍弃无法满足某一特征阈值的区域来减 少进一步判断的区域个数，从而达到了减少计算时 间的目的。该算法代表了目前检测速度快、精度高 的统计方法发展趋势，但同时也受到学习集影响较 大。
人脸检测综述
部分人脸库
FERET Database: 1199人，14126张单人脸图片 CMU Test Set: 130幅灰度图像，包括多人脸图片 MIT Database: 16人，每人27张图片 U. of Bern: 30人，每人10张正面5张侧面图片 Yale Database: 16人，每人10张正面人脸图片 Harvard Database: 各种光照条件下的人脸图像
谢谢
Thank you
假设1：人的全部过程是可以被自身认识的。 假设2：这个认识的结果是有序的，即生命的物质 和精神都是有序可以被认知的。 假设1=> 人可以认识生命的一切并能够改善自身。 =>人类将不断按照最大可能进化自己。 =>整个宇宙将成为生命的最大形式（推论1）。 推论1、假设2 =>宇宙将是最大有序化的。 热力学第二定律=>宇宙的熵是不断增加的。 人类一思考，上帝就发笑 —— 古犹太谚语
应用范围
简介
目前重点： 在人脸检测中的应用 主要步骤： • 肤色模型与方向性边缘检测 • 辐射模板进行人脸特征的搜索匹配 • 得到人脸旋转角度并转正 • 正面精确人脸检测
肤色模型
采用基于贝叶斯分布的肤色概率模型提取肤色区 域 ( M.J.Jones et al ) [5] 通过大量肤色与非肤色样本的收集（1 billion pixels）,给出RGB空间中每一种像素点属于肤色的先 验概率P(RGB/skin) 然后根据贝叶斯公式判断检测样 本属于肤色的后验概率。