[3 ,4]不是针对人脸的某一特征 ,它
是从整个人脸的角度出发 ,利用统计的原理 ,从成千上万张人脸
图像中提取出人脸共有的一些规律 ,利用这些规律来进行人脸 的检测。
由于人脸图像的复杂性
,显式地描述人脸特征具有一定困 难
,因此基于统计的方法越来越受到重视。此类方法将人脸区 域看作一类模式
,使用大量的
“人脸”与“非人脸”样本
,构造并训 练分类器
,通过判别图像中所有可能区域属于哪类模式的方法
脸特征与非人脸特征的区别能更好的体现出来了 ,这样就可以
比较容易的进行人脸的检测。
主分量分析
(PCA , Principal -Component Analysis) [2 ,6 ]是一种
常用的方法。它是根据图像的统计特性进行正交变换 (K-L变
换),以消除原有向量各个分量间的相关性 ,变换得到对应特征
值依次递减的特征向量 ,即特征脸。具体的实现方法是 :同时使 用
N ×N象素分辨率的“人脸”和“非人脸”样本 ,样本预处理后
按行列顺序展开为样本向量进行主分量分解。采用 k均值聚类
方法在特征空间中建若干个“人脸”簇 (Clusters) ,同时建立包围 “人脸”簇的若干个
“非人脸”簇
,以使“人脸”与“非人脸”模式的
边界区分开来。这种方法的一大难点就是非人脸的样本很难获 得。因为随着环境的不同而不同 ,非人脸区域很难有确定性。
特征空间方法还有因子分解方法 ( Factor Analysis , FA)和 Fisher准则方法
( Fisher Linear Discriminant , FLD)。此外 ,小波变
换也被用于人脸检测
,如小波变换中提取人脸的多分辨率特征 作为分类的依据。
特征空间方法优于其它方法的一点就是它能把特征压缩。 从而使计算量减小
,这对于搜索式的人脸检测来说是非常有价
值的。特征空间的方法无论是对于人脸检测还是人脸识别 ,都
是很有前景的研究方向。
(3)基于人工神经网的方法 由于人工神经网络 (ANN)高度的自适应性 ,它对于图像的
容忍度相当高
,对于平移、变形、噪声甚至局部残缺的图像都能 够保持一定的识别率
,因而有时候可能会达到传统方法很难达 到的可喜效果。人工神经网 (ANN)方法是把模式的统计特性隐 含在
ANN的结构和参数之中
,对于人脸这类复杂的、难以显式 描述的模式
,基于
ANN的方法具有独特的优势。
采用
3层以上的 BP网络或是 Hopfield网络
,取得足够量的
N ×N像素的人脸样本和非人脸样本 ,作为神经网络输入的训练 样本
,进行人工神经网络的训练 ,训练过程中不断调整网络的权 值和层数
,最后使网络能将人脸和非人脸能很好的区分开来。
然后用这个训练好的网络来对含有人脸图像的背景图像进行搜 索
,找到符合条件的区域。这就是人工神经网络方法用于人脸 检测的基本原理。
人工神经网络虽然有它独特的优势 ,但也有致命的缺点 ,一
方面是用于训练输入的样本维数过高 ,计算量太大 ,不容易收
敛
,搜索的过程也会很慢。另外一个问题就是很难找到一个标 准的非人脸的样本 ,来适应各种情况。
基于统计模型的人脸检测方法是目前比较流行的人脸检测 方法
,是解决复杂的人脸检测问题的有效途径。
早期基于模板匹配的检测方法 [8 ,9]是这样做的 :首先建立一
个标准的人脸模板
,由包含局部人脸特征的子模板构成 ,然后对
一幅输入图像进行全局搜索 ,对应不同尺度大小的图像窗口
,计
算与标准人脸模板中不同部分的相关系数 ,通过预先设置的阈
值来判断该图像窗口中是否包含人脸。
Yullie等人
[10 ]提出了基于弹性模板的方法用于人脸的检 测。弹性模板
[11 ]是由一个根据被测物体形状而设定的参数化 的可调模板和与之相应的能量函数所构成 ,能量函数要根据图
像的灰度信息、被测物体轮廓等先验知识来设计。当用弹性模 板进行人脸检测时
,首先
,将可调模板在待测图像中移动 ,并动
态地调整其参数
,计算能量函数。当能量函数到达最小值时
,根
据其位置和参数所决定的可调模板形状应该达到与人脸形状的 最佳拟合
,这样就检测到了一幅人脸。这种方法的优点在于 ,由
于使用的弹性模板可调
,能够检测不同大小、具有不同偏转角度
的物体。但是其缺点是检测前必须根据待测人脸的形状来设计 弹性模板的轮廓
,否则会影响收敛的结果 ;当对图像进行全局搜 索时
,由于要动态地调整参数和计算能量函数 ,计算时间过长。
3 人脸的识别方法
人脸识别的研究已经有很长的历史 ,最早可以追溯到上个 世纪法国人
Galton[11 ]的工作 ,但真正有发展还是近 30年的事。
人脸识别的输入图像通常有 3种情况
:正面、倾斜、侧面。从
| Techniques of Automation & Applications
. 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net