文獻綜述-基于Adaboost算法的人臉檢測

文獻綜述正文范文文獻綜述正文范文文獻綜述人臉檢測概述隨著社會的發(fā)展，各個方面對快速有效的自動身份驗證和識別的要求日益迫切。人臉與人體的其他生物特征(指紋、虹膜等)一樣與生俱來，具有很強的個體差異性、自身穩(wěn)定性、唯一性和不易被復(fù)制的良好特性，因而它們?yōu)樯矸蓁b別提供了必要的前提；并且同其他生物特征識別技術(shù)相比，人臉是一個信息極豐富的模式集合，是人類互相判別、認識、記憶的主要標志[1]，人臉識別技術(shù)具有操作簡單、結(jié)果直觀、隱蔽性好的優(yōu)越性，也是近年來模式識別、圖像處理、機器視覺、神經(jīng)網(wǎng)絡(luò)以及認知科學(xué)等領(lǐng)域研究的熱點課題之一[2]。所謂人臉識別，是指給定一個場景的靜態(tài)圖像或動態(tài)視頻，判斷其中是否存在人臉，如果存在人臉則進一步給出每張人臉的位置、大小和各個主要面部器官的位置信息并且依據(jù)這些信息進一步提取每張人臉蘊含的身份特征，將其與已知人臉庫中的人臉進行對比，從而識別場景中單個或者多個人的身份[3]。人臉識別過程可分為人臉檢測（判斷輸入圖像中是否存在人臉)、人臉特征提取(檢測每個人臉的主要器官位置和形狀)和人臉識別(將人臉特征提取結(jié)果與庫中人臉對比)三個階段。使用Adaboost算法進行人臉識別流程[5]，如REF_Ref212968951\h圖1所示。在這一過程中，第一步即人臉檢測是最為關(guān)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(tǒng)的性能。圖SEQ圖\*ARABIC1人臉檢測與人臉識別流程在實際應(yīng)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(huán)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(shù)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(tài)等差異；（2）人臉上可能存在一些附屬物，毛發(fā)、化妝品等；（3）人臉的姿態(tài)千變?nèi)f化，并且存在遮擋物；（4）待檢圖像性質(zhì)的差異性。如：圖像的分辨率、攝錄器材的質(zhì)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(chǎn)生的性質(zhì)不同的反射，造成不同區(qū)域的陰影[6]；（6）場景較復(fù)雜，人臉的位置預(yù)先不知道等因素會使人臉檢測問題變得更為復(fù)雜。因而人臉的自動檢測具有一定的挑戰(zhàn)性。雖然人臉檢測是一個極富挑戰(zhàn)性的問題，但是它的研究對于當(dāng)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(guān)鍵技術(shù)，成為模式識別與計算機視覺領(lǐng)域內(nèi)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(shù)字視頻處理、保安等領(lǐng)域有著很大的應(yīng)用價值。常用人臉檢測算法以及存在的問題人臉檢測技術(shù)從最初對背景單一的正面灰度圖像的檢測，經(jīng)過對多姿態(tài)(正面、側(cè)面等)人臉的檢測研究，發(fā)展到能夠動態(tài)實現(xiàn)人臉檢測，目前正在向三維人臉檢測的方向發(fā)展。在此過程中，人臉檢測技術(shù)涉及的圖像逐漸復(fù)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(jīng)驗，但目前的檢測技術(shù)仍然不能對諸如復(fù)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(huán)境的復(fù)雜性，如表情、姿態(tài)、圖像的環(huán)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(qū)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(jù)它們在色度上的相似性和空間上的相關(guān)性分割出可能的人臉區(qū)域，同時利用區(qū)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(fā)式模型的方法基于啟發(fā)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(xiàn)人臉定位。（3）基于特征空間的方法此類方法將人臉區(qū)域圖像變換到某一特征空間，根據(jù)其在特征空間中的分布規(guī)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(xué)習(xí)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(jié)構(gòu)風(fēng)險最小化原理(SRM)的統(tǒng)計學(xué)習(xí)理論，用于分類與回歸問題。SRM使VC維數(shù)的上限最小化，這使得SVM方法比基于經(jīng)驗風(fēng)險最小化(ERM)的人工神經(jīng)網(wǎng)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(qū)域?qū)儆谌四樐Ｊ降暮篁灨怕蔖，據(jù)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(tǒng)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(jīng)網(wǎng)的方法人工神經(jīng)網(wǎng)的方法是把模型的統(tǒng)計特征隱含于神經(jīng)網(wǎng)的結(jié)構(gòu)和參數(shù)中，對于人臉這類復(fù)雜的難以顯式描述的模型，基于人工神經(jīng)網(wǎng)便于建模，魯棒性較好，但是運算速度較慢。Rowley統(tǒng)計過單純用人工神經(jīng)網(wǎng)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(jù)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(chǔ)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(qū)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(yīng)用于利用小波的面部特征提取方法中。(2)Hough變換方法可應(yīng)用在模式識別領(lǐng)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(shù)空間中，?在[0，π)間均勻地取M個離散值，ρ的采樣個數(shù)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(zhì)都是在提取特征過程中對模板進行動態(tài)的調(diào)整?；顒虞喞Ｐ陀址QSnake算子，它是在圖像域內(nèi)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(yīng)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(tài)地調(diào)整完成曲線能量函數(shù)的最小化，具有一定的自適應(yīng)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(fā)生錯誤。基于模型的可變形模板方法根據(jù)待檢測人臉特征的先驗信息定義形狀模型，模型中的參數(shù)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(tài)的交互適應(yīng)，從而使參數(shù)得到修正，參數(shù)變化必然引起模板的變形。模型調(diào)整過程中利用的是特征區(qū)域的全局信息，可以較好地檢測出相應(yīng)的特征形狀，但是算法在很大程度上依賴于參數(shù)初值，并且計算時間長。Adaboost算法概述Adaboost是一種自適應(yīng)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(gòu)成一個分類能力很強的強分類器(StrongClassifier)。其基本思想是：當(dāng)分類器對某些樣本正確分類時，則減少這些樣本的權(quán)值；當(dāng)錯誤分類時，則增加這些樣本的權(quán)值，讓學(xué)習(xí)算法在后續(xù)的學(xué)習(xí)中集中對比較難的訓(xùn)練樣本進行學(xué)習(xí)，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(yōu)，但最終構(gòu)成強分類器的弱分類器及其系數(shù)并不是最優(yōu)。而且對于側(cè)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(shè)輸入為N個訓(xùn)練樣本：，其中對應(yīng)正樣本和負樣本。已知訓(xùn)練樣本中有個正樣本，個負樣本。首先初始化權(quán)值分別對應(yīng)正樣本和負樣本；然后對每個（其中，T為訓(xùn)練次數(shù)）①權(quán)值歸一化，；②對于每個特征，按照上面方法生成相應(yīng)的簡單分類器,計算相對于當(dāng)前權(quán)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(yīng)的權(quán)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(lián)(cascade)起來就可以組成一個人臉檢測系統(tǒng)。組成強分類器的弱分類器個數(shù)隨著級數(shù)的增加而增加。每層的強分類器經(jīng)過閾值調(diào)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(shù)很少,計算起來非?？?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(tǒng)具有很好的實時性。AdaBoost與其他算法結(jié)合的人臉檢測算法基于Adaboost算法的人臉檢測因其優(yōu)點而備受關(guān)注，目前的許多算法都是在此基礎(chǔ)上把兩種或幾種算法結(jié)合起來?；贏daBoost的快速動態(tài)人臉檢測算法該方法采用的層次型人臉檢測器結(jié)構(gòu)。層次型檢測器分為多層，每一層都是AdaBoost算法訓(xùn)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(shù)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(lián)模型速度快且檢測率高，但只能粗糙定位人臉區(qū)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(lǐng)域。在上述算法的基礎(chǔ)上按照“由粗到精”的思路，對級聯(lián)模型進行擴展，快速而精確的多人臉檢測算法便應(yīng)運而生了。首先用級聯(lián)模型(很高的檢測率)快速地剔除絕大部分非人臉區(qū)域，得到少量可疑人臉區(qū)域，再在可疑人臉區(qū)域中發(fā)現(xiàn)可疑眼睛區(qū)域，并組合可疑眼睛區(qū)域?qū)Φ玫胶蜻x人臉區(qū)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(qū)域,該區(qū)域包括人體其他部分皮膚區(qū)域以及與皮膚類似的背景區(qū)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(qū)域作為輸入圖像用訓(xùn)練好的AdaBoost級聯(lián)分類器進行檢測,進一步去除膚色分割后包括的非人臉區(qū)域,實現(xiàn)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(tài)權(quán)值預(yù)劃分實值A(chǔ)daboost人臉檢測算法該Real-Adaboost的改進算法，動態(tài)權(quán)值預(yù)劃分實值A(chǔ)daboost算法采用預(yù)處理類Haar特征對應(yīng)的弱分類器在樣本空間的劃分，動態(tài)更新訓(xùn)練樣本權(quán)值以加速和控制算法收斂性。它明顯改善了實值A(chǔ)daboost算法的訓(xùn)練算法時間復(fù)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(xué)習(xí)相應(yīng)的權(quán)值，最終的分類器是經(jīng)遺傳算法進行全局擇優(yōu)的弱分類器及權(quán)值的線性組合。因而能用更少的弱分類器取得更低的訓(xùn)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(shù)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(xùn)練算法，對弱分類器的評價系數(shù)進行調(diào)整，在人臉檢測中進行了嚴正，實驗結(jié)果顯示，訓(xùn)練速度提高了16倍以上，實際測試結(jié)果也很好[13]。Adaboost與SOFMN自組織特征映射神經(jīng)網(wǎng)絡(luò)分類器，其特點是通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性。自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。該算法將SOFM這種無教師的聚類方法與Adaboost結(jié)合并應(yīng)用在人臉識別領(lǐng)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]?；谶吘壏较蛑狈綀D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(yōu)于傳統(tǒng)基于色彩的訓(xùn)練算法。而且與傳統(tǒng)Adaboost方法相比，準確率明顯提高，速度相當(dāng)[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(shù)的同時提高了特征的可區(qū)分度,然后將SVM和最近鄰分類法結(jié)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(yīng)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(shù)極大地降低訓(xùn)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(jié)果檢測的計算復(fù)雜性[18]。人臉檢測和人臉表情識別的混合boost算法該系統(tǒng)通過使用外觀顏色檢測和分割搜索潛在的人臉區(qū)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(yīng)用了弱分類器也應(yīng)用了強分類器[19]。邊緣分布下的二進制統(tǒng)一多類AdaBoost算法該算法通過顯示MO和ECC執(zhí)行stage-wise的超過邊緣值得函數(shù)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]?？偨Y(jié)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(zhàn)的一門學(xué)問與應(yīng)用，在對文獻的搜集和綜述過程中，學(xué)習(xí)了許多相關(guān)知識。對未來人臉檢測與識別的發(fā)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(fā)展趨勢：1.基于混合方法的人臉檢測與識別。當(dāng)前這類方法也有使用，但是由于各種方法的優(yōu)勢與不足，結(jié)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(tài)的人臉檢測。目前人臉檢測對于正面圖像或者旋轉(zhuǎn)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(shù)的研究現(xiàn)狀與展望[J].電腦知識與技術(shù)人工智能及識別技術(shù),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(shù)，2007,(26):1414-1421.肖冰，王映輝.人臉識別研究綜述[J].計算機應(yīng)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(xiàn)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(xué).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(tài)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(yīng)用研究，2007,24(10):178-184.武妍，項恩寧.動態(tài)權(quán)值預(yù)劃分實值A(chǔ)daboost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(xué)學(xué)報(自然科學(xué)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(tǒng),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):2