人脸检测综述_孙宁

2006 年 12 月JOURNAL OF CIRCUITS AND SYSTEMS December, 2006 文章编号：1007-0249 (2006) 06-0101-08

人脸检测综述*

孙宁1,2，邹采荣2，赵力1,2

（1. 东南大学学习科学研究中心，江苏南京 210096；2. 东南大学无线电工程系，江苏南京 210096）

摘要：人脸检测研究在近二十年的时间内取得了长足的进步，并且作为安控、人机界面、人类情感研究系统的重要组成部分得到了广泛的应用。该文首先对人脸检测所面临的问题进行了探讨，并将人脸检测方法分为：基于几何特征的方法、基于肤色模型的方法、基于统计理论的方法三个方面进行了阐述。分析了相关的理论及算法，对各个方法的优缺点进行了比较。最后，对人脸检测今后的研究方向进行了讨论。

关键词：人脸检测；人脸识别；机器学习；模式识别；

中图分类号：TP391 文献标识码：A

1 引言

观察一个人的面部可以自然的，无侵犯性的了解到一个人的很多信息，比如：身份，性别，年龄，情感等等。因此，在过去三十多年[1]的时间里人们对人脸检测和人脸识别始终保持着浓厚的研究兴趣。随着近些年来国际形势的变化，特别是9.11事件之后，各国对自身重要设施的安保性能越发重视，也积极研发了一些自动人脸识别系统并投入实用。比如，美国Identix公司的FaceIt[2]系统，该系统基于局部特征分析（LFA），能在不同的光照，肤色，姿态，表情情况下得到良好的检测性能。我国的生物特征认证与安全技术研究中心（CBSR）则在2004年成功研制出了基于人脸、指纹、虹膜三种识别方法的快速通关系统（MRTD）[3]，取得了国际先进的整体性能。

任何人脸识别系统首先都需要从输入信息中获取人脸的位置、大小。因此，人脸检测是人脸识别系统的第一个步骤，这一步骤的所获得的精度与速度直接影响整个系统的性能。此外，人脸检测的应用也大大超越了人脸识别系统的范畴，在人脸表情识别系统，基于内容的检索，视频会议，三维人脸模型等方面也有重要的应用价值。

人脸的自动检测是一类具有很大挑战性的问题，其主要难点在于：（1）人脸是一类高度非刚性的目标，存在相貌，表情，肤色等差异，（2）人脸上可能会存在一些附属物，诸如，眼镜，胡须等。（3）人脸的姿态变化万千，并且可能存在遮挡物。（4）待检测图像性质的差异。比如：待检图像的分辨率；摄录器材的质量等；（5）光源的种类和角度。不同种类和角度的光源会对待检测的人脸产生不同性质的反射和不同区域的阴影。

针对以上问题，各国的科研人员作了很多的研究，国外比较著名的有CMU，MIT,UIUC等，国内的有微软亚洲研究院、中科院自动化研究所、清华大学等。此外，每年在国际国内的相关期刊和会议上都有大量的关于人脸检测的论文，其中综述性质的文章对近期人脸检测的研究进展进行总结，对人脸检测的研究方向进行展望。Chellappa、Zhao等人分别于1995和2003年发表的两篇人脸识别的综述论文[4,5]，其中列出专门章节将人脸检测作为人脸识别系统的一部分进行了综述。前者总结了上世纪九十年代中期之前人脸检测技术的状况和发展，后者则着重介绍了最新的人脸检测技术的发展情况。2001年，E. Hjelmas等人发表的文章[6]将人脸检测技术分为基于图像的方法和基于特征的方法这两类进行了综述。2002年，M .H. Yang等在IEEE Trans. PAMI上发表了名为：Detecting Faces in Images: A Survey[7]的人脸检测技术综述文章，该文将人脸检测技术分为四类进行了详细介绍，并且针对以往关于人脸检测论文中检测性能估计方面的混乱情况，提出了较明确的估计准则。此外，还给出了许多用于人脸检

* 收稿日期：2005-04-11 修订日期：2005-08-17

测的人脸库资源的互联网链接。此后，M. H. Yang 在2003年的ICIP 会议和2004年的ICPR 会议上分别作了名为：Recent Advances in Face Detection 的主题报告[8,9]，对人脸检测的最近动态进行了详细的介绍。

本文根据对人脸检测算法发展和现状的研究，将人脸检测算法分为三类进行介绍和分析，分别为：基于几何特征的方法、基于肤色模型的方法、基于统计理论的方法。

2 基于几何特征的人脸检测方法

所谓人脸的几何特征指的是人类面部器官在几何上体现的特征。本章分为以下三种方法进行介绍：基于先验知识的方法；基于特征不变性的方法；基于模板的方法。

2.1 基于先验知识的方法

基于先验知识的方法是

将人脸面部器官之间的关系

编码准则化的人脸检测方

法。该方法是一种自顶而下

的方法，依据人脸面部器官

的对称性、灰度差异等先验知识，制定出一系列的准则。当图像中的待测区域符合准则，则被检测为人脸。

Yang 等在1994年提出的方法[10]是基于先验知识的人脸检测方法的典型例子。该方法利用4×4镶嵌图将人脸分块，如图1(a)，并根据每块的灰度值制定准则来进行判定。他们将系统分为三级，利用不同精度的平均和二次采样产生三级不同分辨率的图像。针对不同分辨率的图像采用不同的准则进行判定，例如，在低分辨率图像里的准则主要体现了人脸的大体轮廓，而在高分辨率图像里的准则则主要体现了人脸的细节特征。虽然Yang 的方法在检测性能方面并不突出，但是这种由粗至细的检测思想对以后的研究工作产生积极的影响。

卢春雨等对镶嵌图方法进行了改进，提出了3×3的广义三分图方法[11]，如图1(b)。该方法充分利用了人脸器官的自然分布，可以更直观的利用人脸的先验知识制定准则，使镶嵌图子块对脸形的自适应操作成为可能。

章品正等[12]在检测过程中结合3×3和4×4的划分方式建立检测准则，如图1(c)。并利用最小同值分割吸收核区（SUSAN ）方法进行检测结果验证，取得了较高的检测率及良好的抗噪声性能。

2.2 基于特征不变性的方法

基于特征不变性的方法着眼于检测面部的一些不变的特征，例如眼睛、鼻子、嘴巴等。与基于先验知识的方法不同，该方法是自底而上的，先利用各种手段寻找上述的不变特征，然后综合找到的这些不变特征来确定待检测区域是否是人脸。

Graf 等[13]首先利用带通滤波器选择出一段频率，然后根据形态学的知识设定一系列的阈值找出眼睛、嘴巴等区域，最后依照以上位置检测出人脸。Leung 等提出任意图匹配的方法[14]，其主要目的是用准则正确表达出面部特征的几何分布。该文中用五个特征（两只眼睛、两个鼻孔以及鼻子与嘴唇的连接处）来描述人脸。

王延江等[15]用肤色方法分割出人脸的候选区域后，然后利用小波分解对每一个侯选区域进行人脸特征分析，如所检测到的区域特征分布相似于某一预先定义的人脸模型，则确认该区域代表人脸。

2.3 基于模板的方法

基于模板的方法可以分为两类：预定模板和变形模板。预定模板方法首先制定出标准的模板，然

后计算检测区域和模板的相关值，当相关值符合制定的准则就判断检测区域为人脸。变形模板首先制(a) 4×4划分的镶嵌图 (b) 3×3划分的镶嵌图 (c) 文[12]中的划分图1 人脸镶嵌图划分策略

第6期孙宁等：人脸检测综述103

定出模板参数，然后根据检测区域的数据对参数进行修改直至收敛，以达到检测出人脸面部器官位置的目的。

Miao等提出了一种层次模板匹配的方法[16]。首先，将输入图像从-20°到+20°以5°为步长进行旋转，以增强检测倾斜人脸的性能。然后使用Laplace算子进行边缘提取。组合提取出的六个人脸器官（两个眉毛、一双眼睛以及鼻子和嘴）的边缘作为人脸模板。最后，应用分级式的方法检测人脸。

梁路宏等提出了多模板匹配的方法[17]。预制人眼和不同长宽比的五种人脸模板，首先用人眼模板进行初步筛选，然后用人脸模板进行检测以适应不同的脸形。该方法对单人脸的检测有较好的效果。

Cootes等提出的主动形状模型（Active Shape Models，ASM）[18]和主动表观模型（Active Appearance Models，AAM）[19]是变形模板中经典的两种方法，现在很多学者仍以此为基础，进行更加深入的挖掘和研究。上述两种方法均是基于关键点分布模型（PDM）的，将人脸的几个关键部位（如眉毛、眼睛、鼻子、嘴巴和脸颊）用一系列的坐标点来表示从而组成以坐标向量为集合的训练集。对ASM而言，将训练集中的向量对齐后，然后进行PCA分析建模，得到相应的主成分模型参数，因而得到了物体形状的简化表示。在搜索新给图像中的未知图形时，先获得每个关键点将对应的更佳位置，然后再进行相似变换等操作，最后得到未知图形中与训练集中相似形状的关键点的位置。而对AAM而言，则采用了形状和纹理二者融合的统计约束，借鉴合成分析技术（ABS）的思想，通过模型参数的优化调整使得模型能够不断逼近所要求的输入模式。以上两种方法多用于人脸检测中的人脸配准（Face alignment）和面部器官的精确定位。此后，Cootes等针对偏转人脸的定位问题，提出了基于外观的主动表现模型方法[20]。2004年，Cootes又提出了一种新的统计形状模型方法，称为平滑（Diffeomorphic）统计形状模型方法[21]。该方法利用卷积函数取代传统形状模型方法的坐标点来表示人脸的轮廓和关键部位。该文最后指出，此方法在对变形物体的建模和表达方面将会有广阔的应用。

3 基于肤色模型的人脸检测方法

3.1 基于肤色模型的方法

在彩色图像中，人脸的肤色是一个区别与非脸的很显著的特征。因此，利用人脸的肤色在彩色图像中检测人脸是一种很自然的想法。经研究发现：（1）在灰度图像下两个外形相似的图形很可能在颜色空间下相差巨大；（2）不同人种的人脸肤色能在颜色空间中聚成相异的紧凑的类[22]；（3）影响肤色值变换的最主要因素是亮度而非色度[23]。根据以上性质，人们在研究中经常使用的颜色空间有RGB（三基色）[24]、rgb（亮度归一化三基色）[25]、HSI（色调、饱和度、亮度）[26,32]、YCrCb（CCIR601编码方式的色度模型）[27,30,31]、UCS（CIE提出的一种均匀色标体系）[28]。J. C. Terrillon等[29]对两种不同色度模型和在九种色度空间下的人脸检测性能进行了分析和比较。对选取合适的颜色空间进行人脸检测提供了参考依据。

Jones等[30]搜集了上万张肤色区域标定的图片（包括上十亿个像素点）来建立肤色和非肤色两类的直方图模型。并且比较了直方图模型和混合高斯模型的性能，得出在前者检测精度和计算量两者性能上都优于后者的结论。

R. L. Hsu等[31]在YCrCb空间中利用改良的光照补偿技术和非线性颜色变换，首先找到人脸轮廓区域，然后对人脸轮廓区域进行一系列处理生成嘴图（Mouth Map）和眼图（Eye Map）。以此来对人脸以及眼和嘴进行精确的定位。

艾海舟等[32]采用肤色和模板相结合的方法进行人脸检测。该方法首先使用HSI 空间的肤色统计模型分割出可能包含人脸的区域, 然后使用平均脸模板匹配和人工神经网验证的方法在这些区域中搜索人脸。经过实验，在单人脸正面无背景测试集和背景复杂，人脸姿态各异的测试集中均得到了较高的检测率。

此外，近年来还出现了利用近红外（Near-IR）[33]和热红外（Thermal IR）[34]光源来进行人脸检测

μ附近会产生明显差异这个特的方法。其中，近红外的方法利用人脸皮肤对红外线光源的反射在1.4m

104 电路与系统学报 第11卷 性，如图2。将高于1.4μm 红外照射得到的图像减去低于1.4μm 红外照射得到的图像，这样就能快速准确的定出人脸的大致区域。然后再利用水平和垂直积分投影（Integral Projection ）以及模板相结合的方法找出人眼和人脸的精确位置。该方法可以快速的检测出人脸的区域，并且具有隐蔽性强，可以鉴别出人造人脸等伪装干扰物，有很强的

安全应用价值。基于该方法的人脸识别系

统已经应用到美国夏威夷海军基地的安控

系统中。

4 基于统计理论的人脸检测方法 基于统计理论的人脸检测是利用统计分析与机器学习的方法来寻找出人脸样本与非脸样本各自的统计特征，再使用各自的特征构建分类器。使用分类器完成人脸检测。基于统计特征的人脸方法主要有：子空间方法，神经网络方法，支持向量机方法，隐马尔可夫模型方法以及Boosting 方法。

4.1 子空间方法

子空间方法主要包括两

类：主成分分析（PCA ）方法、

线性判别分析（LDA ）方法。

主成分分析（PCA ）方法

是KL （Karhunen-Lo ève ）变换

的别称。该方法将样本图像进行KL 变换以消除原来各分量之间的相关性，取变换后所得到的最大的若干个特征向量来表示原来的图像，如图3，保留了原图像差异的最大信息，这若干个特征向量就称为主成分。

Turk 等[35]将PCA 方法用于人脸检测与识别，他们将人脸图像投影到一个由若干个最大的特征向量张成的子空间里。与基于外在特征的人脸检测相比，这些特征向量并不对应特定的面部器官，如眼、鼻、嘴等。若要显示某个特定的人脸，只要通过对这些特征向量加权求和便可。因此这些特征向量也被称为“特征脸（eigenfaces ）”，该方法也常被成为特征脸方法。

Moghaddam 等[36]将检测图像投影到主成分空间F 和其正交补空间F ，并定义相应的距离度量为DIFS （Distance In Feature Space ）和DFFS （Distance From Feature Space ）。该方法克服了以往PCA 方法假设特征空间为统一密度这一不充分的认识，兼顾考虑了“非人脸”样本的分布，取得了优于以往PCA 方法的效果。

Sung 等[37]提出了基于事例学习的方法。他们首先利用椭圆K 均值聚类将人脸和非人脸样本各自聚成六个类，这种聚类方法使得人脸与非人脸样本分布的边界比较清晰。然后设置两组距离矩阵来度量检测数据和十二个样本类的距离。最后使用这些距离矩阵来训练一个多层感知器作为分类器进行人脸检测。此外，该文中提出了一种搜集样本的方法：自举（Bootstrap ）法。其先使用由少量的非人脸样本训练得到的分类器去检测一张没有人脸的图像，将得到的误检结果加入到非脸样本中，这样就可以大量的搜集关键的非脸样本。因此，自举方法在日后的人脸检测中被经常使用。

线性判别分析方法中典型的有Yang 等[38]提出的Fisher 线性判别（FLD ）方法。他们首先使用自组织映射（SOM ）将人脸和非脸样本各分为25个类，然后计算各类的类间离散度与类内离散度，利用两者的比值求出投影矩阵。比较本征脸方法，FLD 同时考虑了类间与类内的离散度，选取的投影方向优于本征脸方法，因此得到了较其优良的检测的效果。

4.2 神经网络方法

神经网络方法进行人脸检测的优点是可以简便的构造出神经网络系统作为分类器，使用人脸和非脸样本对该系统进行训练，让系统自动学习两类样本复杂的类条件密度，这样就避免了人为假设类条图2 电磁谱图

图3 PCA 方法图示

第6期 孙宁等：人脸检测综述 105 件密度函数所带来的问题。

Rowley 等[39]在1996年提出基于神经网络的人脸检测系统分为两个阶段。第一个阶段是基于神经网络的分类器，该分类器的输入是规定尺寸的检测区域，输出为1到-1的数，由此来判断检测区域是否是人脸。第二阶段是合并重复检测并判别。由于训练样本以及分类器等因素，在图像中以人脸为中心的一定区域内会产生重复检测。此阶段使用了一个单层的神经网络对重复检测进行合并，并使用一个多层的神经网络对检测结果进行判决。以上的方法只针对正面垂直人脸的检测。在1998年，Rowley 等[40]又提出了改进的方法，使得该系统可以检测图像中按任意角度旋转的人脸。改进方法同样分为两个阶段。第一个阶段为路由（Router ）神经网络，用来检测输入图像的偏转角度，其输出为一角度值。接着根据路由网络输出的角度值对输入图像进行反转（derotation ）,使其调整为正面垂直的人脸。第二阶段则是人脸检测的神经网络。由此完成了对任意旋转角度人脸的检测。

Bakry 等[41]在2004年提出了一种利用对称形

式来提高基于神经网络人脸检测速度的快速神经

网络方法。该算法将检测数据进行上下左右的对

称翻转后构成一个新的检测图像，如图4所示。

利用新图像在频率域内的互相关特性，可以在减

少训练样本以及隐层神经元数目的情况下，达到

与传统神经网络相当的检测结果。因此，达到了

提高速度的效果。

4.3 支持向量机方法 支持向量机（SVM ）是由V. N. Vapnik [42]在1995年提出的一种新的统计学习理论。其指出经验风险（empirical risk ）最小并不能保证期望风险最小；提出了结构风险最小化原理（Structure Risk Minimization ，SRM ）；给出核心概念VC 维（Vapnik-Chervonenkis Dimension ），指出为了最小化期望风险必须同时最小化经验风险和VC 维。

使用SVM 方法进行人脸检测面临两方面的困难：（1）训练SVM 是一个求解二次规划问题，计算量巨大；（2）训练非人脸需要大量样本，这样就会导致出现大量的支持向量。Osuna 等[43]使用SVM 方法进行人脸检测，其利用“自举”的方法搜集大量的非人脸样本，然后使用优化逼近的方法选择出少量的支持向量为关键支持向量，这样就大大减小了运算中支持向量的数目。此后，J. C. Platt [44]提出了称为顺序最小最优化（Sequential Minimal Optimization ，SMO ）的支持向量机训练方法，其将一个大型的求解二次规划问题分成一系列最小可能的二次规划问题，这样就避免了对大型二次规划问题直接求解，大大提高了训练速度。

梁路宏等[45]使用模板匹配先进行粗选，然后采用SVM 分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练，有效地降低了训练的难度。祝海龙等[46]采用小波变换方法提取人脸特征，大大地降低了特征矢量的维数，并用交叉检验方法有效地解决了支持向量机训练时的参数估计问题。通过实验得到了较高的检测性能。

4.4 隐马尔可夫模型方法

隐马尔可夫模型（Hidden Markov Model ，HMM ）是一种存在两种机理的随机过程。其一是有限状态的马尔可夫链，其二是序列的观察值。因为不能直接得到马尔可夫链的状态，而只能通过观察值来观察，因此称为隐马尔可夫链。

Nefian 等[47]将人脸从上到下划分为五个互有重叠的区域（头发、额头、眼、鼻、嘴）。该文根据这个划分构造了一个包含五个状态的一维连续HMM 用以表示人脸。接着对各块进行KL 变换，取每块若干最大的特征向量作为观测值对HMM 进行训练。此后，Nefian 等[48]还提出了嵌入式隐马尔可夫模型（Embedded-HMM

）的方法。该方法除了将人脸从上到下划分为五块外，还在每块当中从左至右

图4 将待测图像进行上下左右翻转后得到的图像

106 电路与系统学报第11卷

嵌入一个HMM。接着进行二维DCT变换，使用变换后得到的系数作为训练值。

陈茂林等[49]提出了自组织HMM的人脸检测方法。采用多种偏转角度的人脸样本对HMM进行训练，得到其参数的初步估计。接着，裁剪那些状态之间的弱连接，将网络自组织成多路径的左右模型（MPLR）。最后利用EM算法重新估计参数。

4.5 Boosting方法

Boosting方法是可以将弱分类器组合成为强分类器的统计学习方法[50,51]。其基本思想为对训练失败的训练样本赋以较大的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最后将由算法挑选出来的若干个弱分类器加权相加组成强分类器。

P. Viola等[52]在2001年提出了一种基于Boosting方法的实时人脸检测系统。其首先提出了一种称为“积分图像（Intergral Image）”的图像表示方法，这种表示方法提高了对特征的计算速度。第二，他们采用了AdaBoost方法对由积分图像表示的特征进行选择，选择出少量但是关键的特征来组合成强分类器。最后，他们使用“级联（Cascade）”的策略，每级的特征由少至多，在开始粗检的几级就排除了大量的非脸区域，因此该系统的检测速度可以达到每秒15帧。

S. Z. Li等[53]在2004年提出了称为FloatBoost的学习方法。与AdaBoost方法相比，FloatBoost在AdaBoost方法的每一步循环后加入了一项返回机制，使得该方法直接以错误率最小化为学习目的，优于传统AdaBoost方法。此外，该方法还提出了一种改良的统计模型，可以使用更少的弱分类器，达到更低的错误率。最后，Li等采用FloatBoost方法发展出了一套实时多姿态人脸检测系统。

R. Xiao等[54]使用由粗到细的策略，提出了一种分为三个步骤的多姿态人脸检测方法。第一步骤首先是采用双特征的boosting分类器作为线性预分类器去排除大部分的非脸窗口，加快整个系统的处理速度。第二步骤是一套boosting链（boosting chain），该套boosting链由线性SVM进行最优化。这种boosting链方法可以有效的利用各层间的判别信息，较以往的boosing方法更为有效。第三步骤是由SVM分类器和肤色分类器组成的后分类器，这一步骤对前面得到的结果进行再判别，以降低误检的概率。

5 结论

本文在系统分析研究相关文献的基础上，综述了人脸检测的发展与研究现状。人脸检测在过去十年内得到了迅速的发展，在近五年内更是出现了多个已投入商用的人脸检测/识别系统。以下对上述讨论的各个方法进行总结。

基于肤色模型的人脸检测方法应用广泛，具有易于应用，对人脸姿态不敏感，在背景单调的环境下检测率高的优点。此外，对于色度空间的选择非常重要，很大程度上影响整个算法的效果。基于肤色模型的方法在光照和背景复杂的情况下，效果不是很理想，现在往往和其他方法相结合使用。近期出现的使用红外线作为光源的方法可以部分解决光照复杂的问题。在基于几何特征的人脸检测方法种基于先验知识的方法可以直观的寻找到简单的判定准则，适合简单背景下的正面单人脸检测。因为针对人脸面部器官制定一系列精确恰当的判定准则非常困难，而且该方法在复杂背景下的检测效果不很理想，所以在实际系统中应用并不广泛。与以上两种相似，基于特征不变性的方法主要的问题是在面部存在遮挡和复杂背景的情况下很难获得理想的效果。基于模板方法的优点在于构造简单。但是面对人脸的多样性，很难设计出精确匹配的标准模板。此外对于应用于人脸配准上的变形模板，模板初始位置必须要在待检人脸四周一定的范围内，否则不能收敛。

基于统计的人脸检测着眼与寻找人脸和非脸在统计特性上的差异，从模式分类的角度将其分为两类。基于统计的人脸检测主要用于灰度图像的检测。在子空间方法中，PCA方法是在最小均方误差意义下的最佳正交变换，在人脸检测的其他方法中也有广泛的应用。而在Sung的方法中使用的“自举”法搜集非脸样本的思路，也被其后的研究者常常使用。Rowley的工作使得其基于神经网络的人脸检测

第6期孙宁等：人脸检测综述107

系统成为当时可检测多旋转角度人脸的最快的人脸检测系统，但是该方法尚存在训练、检测速度较慢，泛化性能不理想等缺陷，这些是该方法在未来研究中的重点。支持向量机方法建立在结构风险最小化原理上的统计学习理论，具有比神经网络方法优良的泛化性能。但是，因为其需要求解二次规划问题，虽然发展出了SMO快速算法，但是计算量仍较大，速度仍然较慢。对于隐马尔可夫方法，因为人脸模型建立的问题比传统Markov链模型所描述的要复杂，所以HMM通过另一组与概率分布相联系的状态

的转移统计对应关系可以更准确的描述人脸模型中各个分块之间的关系。但是使用HMM仍要面对诸如下溢问题，系数初始化问题以及HMM训练的改进等问题。Boosting方法是最近人脸检测的研究热点，AdaBoost方法提供了优异的检测速度，完全符合实时系统的要求。此外，近期Li提出的FloatBoost方法则可以进行多姿态人脸的检测。但是Boost方法需要大量时间进行训练，如何提高该方法的训练速度，是一个有待解决的问题。

今后，对人脸检测的研究将会更加针对于实用。因此，还需要在以下几个方面进行深入的研究：（1）研究和使用新的照射源。如红外线、某些特定频率的电磁波等，利用人脸皮肤对这些照射源特殊的反射特性来快速的定位出人脸的大致区域。

（2）深入研究自动特征提取算法。合理快速的提取体现人脸特性的关键特征，以提高人脸检测的泛化性能。

（3）深入研究非人脸样本的选取算法。由于非人脸的多样性，非常难以选取一定量的样本来加以充分表示。因此研究如何快速选取少量的关键非人脸样本可以解决非人脸样本难以界定的问题。

（4）多种信息的融合。将肤色、器官、动作甚至语音等信息进行融合，必将提高检测的性能。

参考文献：

[1] H Chan, W W Bledsoe. A man-machine facial recognition system: some preliminary results [R]. Technical report, Panoramic Research Inc.,

Cal, 1965.

[OL].

[2] https://www.360docs.net/doc/643083719.html,

[OL].

[3] https://www.360docs.net/doc/643083719.html,

[4] R Chellappa, C L Wilson, S Sirohey. Human and Machine Recognition of Faces: A Survey [A]. Proceedings of the IEEE [C]. 1995, 83:

705-741.

[5] W Zhao, R Chellappa, P J Phillips, et al. Face recognition: A literature survey [J]. ACM Computing Surveys, 2003, 35(4): 399-458.

[6] E Hjelmas, B K. Low Face Detection: A Survey Computer Vision and Image Understanding [A]. 2001, 83: 236-274.

[7] M H Yang, D J Kriegman, N Ahuja. Detecting Faces in Images:A survey[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2002,

24: 34-58.

[8] https://www.360docs.net/doc/643083719.html,/mhyang/papers/icip03_tutorial.pdf [OL].

[9] https://www.360docs.net/doc/643083719.html,/mhyang/papers/icpr04_tutorial.pdf [OL].

[10] G Yang, T S Huang. Human Face Detection in Complex Background Pattern Recognition [J]. 1994, 27(1): 53-63.

[11] 卢春雨, 张长水, 闻方, 等. 基于区域特征的快速人脸检测法[J]. 清华大学学报(自然科学版), 1999, 39(1): 101-105.

[12] 章品正, 赵洪玉, 梁晓云, 等. 一种复杂背景中的人脸检测与验证方法[J]. 数据采集与处理, 2004, 19: 10-15.

[13] H P Graf, et al. Locating Faces and Facial Parts [A]. Proc. 1st Int’l Workshop Automatic Face and Gesture Recognition [C]. 1995. 41-46.

[14] T K Leung, et al. Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching [A]. Proc. 5th IEEE Int’l Conf. Computer

Vision [C]. 1995. 637-644.

[15] 王延江, 袁宗宝, 唐晚芳. 一种快速彩色图像中复杂背景下人脸检测方法[J]. 电子学报, 2002, 30(10): 1566-1569.

[16] J Miao, et al. A Hierarchical Multiscale and Multiangle System for Human Face Detection in a Complex Background Using Gravity-Center

Template [J]. Pattern Recognition, 1999, 32(7): 1237-1248.

[17] 梁路宏, 艾海舟, 何克忠. 基于多模板匹配的单人脸检测[J]. 中国图象图形学报, 1999, 4(10): 825-830.

[18] T F Cootes, C J Taylor, D H Cooper, et al. Active shape model-their training and application [J]. Computer Vision and Image Understanding,

1995, 61(1): 38-59.

[19] T F Cootes, G J Edwards, C J Taylor. Active appearance models [A]. 5th European Conference on Computer Vision [C]. 1998, 2: 484-498.

[20] T F Cootes, G V Wheeler, K N Walker, et al. View-based active appearance models [J]. Image and Vision Computing, 2002, 20: 657–664.

[21] T F Cootes, C J Twining, C J Taylor. Diffeomorphic Statistical Shape Models [A]. British Machine Vision Conference [C]. 2004, 1: 447-456.

[22] J Yang, A Waibel. A real-time face tracker [A]. IEEE Proc. of the 3rd Workshop on Applications of Computer Vision [C]. Florida, 1996.

[23] H P Graf, T Chen, E Petajan, et al. Locating Faces and Facial Parts [A]. Proc. First Int’l Workshop Automatic Face and Gesture

Recognition [C].1995. 41-46.

[24] T S Jebara, K Russell, A Pentland. Mixtures of Eigenfeatures for Real-Time Structure from Texture [A]. Proc. Sixth IEEE Int’l Conf.

108 电路与系统学报第11卷

Computer Vision [C]. 1998. 128-135.

[25] 刘明宝, 姚鸿勋, 高文. 彩色图像的实时人脸跟踪方法[J]. 计算机学报, 1998, 21(6): 527-532.

[26] T W YOO, I S Oh. A fast algorithm for tracking human faces based on chromatic histograms [J]. Pattern Recognition Letters, 1999, 20(10):

967-978.

[27] D Chai, K N Ngan. Locating Facial Region of a Head-and-Shoulders Color Image [A]. Proc. Third Int’l Conf. Automatic Face and Gesture

Recognition [C]. 1998. 124-129.

[28] 凌旭峰, 杨杰, 叶晨洲. 彩色序列图像的人脸检测和识别系统[J]. 电子学报, 2003, 31(4): 544-547.

[29] J C Terrillon. M N Shirazi, H Fukamachi, et al. Comparative Performance of Different Skin Chrominance Models and Chrominance Spaces for

the Automatic Detection of Human Faces in Color Images [A]. Proc. IEEE int’l Conf. on Face and Gesture Recognition [C]. 2000. 54-61. [30] M J Jones, J M Rehg. Statistical color models with application to skin detection [J]. Int’ Journal of Computer Vision archive, 2002, 46:

81-96.

[31] R L Hsu, M Abdel-Mottaleb, A K Jain. Face Detection in Color Images [J]. IEEE Transactions on Pattern Analysis and Machine

Inteligence, 2002, 24: 696-706.

[32] 艾海舟, 梁路宏, 徐光佑, 等. 基于肤色和模板的人脸检测[J]. 软件学报, 2001, 12(12): 1784-1792.

[33] J Dowdall, I Pavlidis, G Bebis. Face Detection in the Near-IR Spectrum Image and Vision Computing [Z]. 2003, 21: 565-578.

[34] C K Eveland, D A Socolinsky, L B Wolff. Tracking human faces in infrared video Image and Vision Computing [Z]. 2003, 21: 579-590.

[35] M Turk, A Pentland. Eigenfaces for Recognition [J]. J. cognitive Neuroscience, 1991, 3(1): 71-86.

[36] B Moghaddam, A Pentland. Probabilistic visual learning for object representation [J]. IEEE Trans. Pattern Analysis and Machine

Intelligence, 1997, 19(7): 696-710.

[37] K K Sung, T Poggio. Example-Based Learning for View-Based Human Face Detection [J]. IEEE Trans. Pattern Analysis and Machine

Intelligence, 1998, 20(1): 39-51.

[38] M H Yang, N Ahuja, D Kriegman. Mixtures of Linear Subspaces for Face Detection [A]. Proc. Fourth Int’l Conf. Automatic Face and

Gesture Recognition [C]. 2000. 70-76.

[39] H Rowley, S Baluja, T Kanade. Neural Network-Based Face Detection [A]. Proc. IEEE Conf. Computer Vision and Pattern Recognition

[C]. 1996. 203-208.

[40] H Rowley, S Baluja, T Kanade. Rotation Invariant Neural Network-Based Face Detection [A]. Proc. IEEE Conf. Computer Vision and

Pattern Recognition [C]. 1998. 38-44.

[41] H M El-Bakry, H Stoyan. Fast neural networks for sub-matrix (object/face) detection, Circuits and Systems [A]. ISCAS '04. Proceedings of

the 2004 International Symposium [C]. 2004, 5: 764-767.

[42] V Vapnik. The Nature of Statistical Learning Theory [M]. New York, Springer-Verlag, 1995.

[43] E Osuna, R Freund, F Girosi. Training support vector machines: An application to face detection [A]. Proc. Computer Vision and Pattern

Recognition [C]. 1997. 130-136.

[44] J C Platt. Sequential minimal optimization: A fast algorithm for training support vector machines [R]. MSR: Technical Report MSR-TR-98-14,

1998.

[45] 梁路宏, 艾海舟, 肖习攀, 等. 基于模板匹配与支持向量机的人脸检测[J]. 计算机学报, 2002, 25(1): 22-29.

[46] 祝海龙, 屈梁生, 张海军. 基于小波变换和支持向量机的人脸检测系统[J]. 西安交通大学学报, 2002, 36(9): 947-950.

[47] A V Nefian, M H Hayes. Face detection and recognition using hidden Markov models [A]. Proc IEEE Conference on Image Processing [C].

Chicago, 1998. 141-145.

[48] A V Nefian, M H Hayes. An embedden HMM based approach for face detection and recognition [A]. Proc IEEE Conference on Acoustics,

Speech, and Signal Processing [C]. Phoenix, 1999. 3553-3556.

[49] 陈茂林, 戚飞虎. 自组织隐马尔可夫模型的人脸检测研究[J]. 计算机学报, 2002, 25(11): 1165-1169.

[50] R Meir, G Raetsch. An introduction to Boosting and Leveraging [A]. Advanced Lectures on Machine Learning, LNCS [C]. Springer, 2003.

119-184.

[51] Y Freund, R E Schapire. A short introduction to boosting [J]. Journal of Japanese society for artificial intelligence, 1999, 771-780.

[52] P Viola, M Jones. Robust real time object detection [A]. 8th IEEE International Conference on Computer Vision (ICCV) [C]. Vancouver,

British Columbia, 2001.

[53] S Z Li, Z Q Zhang. FloatBoost learning and statistical face detection [J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2004,

28(9): 1112-1123.

[54] R Xiao, M J Li, H J Zhang. Robust multipose face detection in images [J]. IEEE Trans. Circuits and Systems for Video Technology, 2004,

14(1): 31-41.

作者简介：孙宁（1978-），东南大学无线电工程系2004级博士生，主要研究方向为图像处理、模式识别、计算机视觉等；邹采荣（1961-），东南大学副校长，博士生导师，主要从事多维数字信号处理理论及其应用的研究；赵力（1958-），东南大学无线电工程系教授，博士生导师，研究语音信号处理、自然语言处理、情感信息处理等，中国电子学会、日本音响学会、日本电子情报通信学会会员。

(英文摘要转第113页)（Abstract continued on page 113）

第6期葛晓慧等：一种基于粒子群优化算法的混沌控制方法113 参考文献：

[1] Lorenz E N. Deterministic Nonperiodic Flow [J]. Atmos. Sci., 1963, 20: 130-141.

[2] Chua L O, Wu C W, et al. A universal circuit for studying and generating chaos [J]. IEEE Trans. Circuits Syst., 1993, 40(10): 722-744.

[3] 王光义, 丘水生, 李志忠. 多涡卷超混沌电路及其耦合同步的仿真与实验研究[J]. 电路与系统学报, 2004, 9(3): 50-52.

A.Spatio-temporal chaos in simple coupled chaotic circuits [J]. IEEE Trans. Circuits Syst., 1995, 42(10): 678-686.

[4] Nishio

Ushida

Y,

[5] Kaul R. Observations of chaos in microwave circuits [J]. Microwave Symposium Digest., 1996, 3: 1867-1870.

[6] 李忠, 毛宗源. 混沌控制综述[J]. 电路与系统学报, 1998, 3(1): 59-65.

[7] Otawara K, Fan L T. Controlling chaos with an artificial neural network [A]. Proc. IEEE Int. Joint Conf .Fuzzy Syst [C]. 1995, 4:

1943-1948.

[8] Lin C T. Controlling chaos by GA-based reiforcement learning neural network [J] IEEE Trans.Neural Networks., 1999, 10: 846-859.

[9] 王耀南,谭文. 混沌系统的遗传神经网络控制[J]. 物理学报, 2003, 52(11): 2723-2728.

[10] Ott E, Grebogi G, Yorke J A. Controlling chaos [J]. Phys. Rev. Lett., 1990, 64: 1196-1199.

[11] 孙增圻. 智能控制理论与技术[M]. 北京: 清华大学出版, 2003.

[12] Kenndy J, Eberhart R C. Particle Swarm Optimization [A]. Proc. IEEE Int’l. Conf. on Neural Networks [C]. 1995. 1942-1948.

[13] Shi Y H, Eberhart R C. Parameter selection in particle swarm optimization [A]. Proc. 7th Ann.Conf.Evolutionary Program [C]. 1998.

591-600.

[14] Shi Y H, Eberhart R C. A modified particle swarm optimizer [A]. Proc. IEEE Int’l Conf. Evolutionary Computation [C]. 1998. 69-73.

作者简介：葛晓慧（1981-），浙江大学电气工程学院博士研究生，从事混沌理论在电机及其控制系统中的应用的研究；黄进（1960-），浙江大学教授，博士生导师。

A controlling-chaos method on the basis of particle swarm optimization algorithm

GE Xiao-hui, HUANG Jin

( College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China )

Abstract: An algorithm-based method is proposed to control chaotic systems. The proposed method employs the particle-swarm-optimization algorithm evolving a neural network and uses the network to control chaos. The method requires no knowledge of the systems to be controlled. It is tested on the Logistic and Hénon maps, and the simulation results show that the method could control the chaotic system to desired behavior. The proposed method is applicable to systems with unknown dynamic model and known experimental data.

Key words: chaos control; particle swarm optimization; neural network

(续第108页) ( from page 108 )

Face detection: a survey

SUN Ning1,2, ZOU Cai-rong2, ZHAO Li1,2

( 1. Research Center of Learning Science, Southeast University, Nanjing 210096, China;

2. Department of Radio Engineering, Southeast University, Nanjing 210096, China)

Abstract: The study of face detection has been made great progress in past twenty years. And, face detection has been widely used in the fields such as security, human-machine interface, human expression and so on. The purpose of this paper is to categorize and evaluate face detection algorithms. These algorithms are categorized in three aspects, respectively, based on geometrical feature, skin color, and statistic theory. After analyzing merits and limitations of these algorithms, this paper discusses promising directions for future research.

Key words: face detection; face recognition; machine learning; pattern recognition