基于Adaboost算法的人脸检测研究(论文)
合集下载
改进的基于AdaBoost算法的人脸检测方法
ｎ 。ｐ ｏ ｏ ｅ ｐ ｒ ａ ｈ ｓ ｔ ｅ ｇ ｔｔ ｒ ｓ ｏｄ ｆ ｒｅ ｃ ｏ ｐ ｎ ｐ ａｅ ｉ ｈ ｆｓ ｍｐ ｅ ａ ｃ ｒ ｉｇ ｔ ｈ ｔ ｅ ｈ ｕ ｒ ｎ １ ｒ ｐ ｓ ｄ ａ ｐ ｏ ｃ ｅ ｗ ｉ ｈ ｈ ｅ ｈ ｌ ｏ ａ ｈ ｌ ｏ ．ａ ｄ ｕ ｄ ｔｄ ｗｅｇ ｔｏ ａ ｌ ｃ ｏ ｄ ｎ ｏ ｗ ｅｈ ｒｔ ｅ ｃ ｒｅ ｔ ａ
维普资讯
第２ ４卷第 １ 期 １
２０ ０ ７年 １ １月
计 算 机 应 用 研 究
Ａｐ ｌ ａｉｎ Ｒ ｓａｃ ｆＣｏ ｕｅｓ ｐｉ ｔ ｅ ｅ ｒｈ ｏ ｍｐ ｔｒ ｃ ｏ
Ｖｏ． ４ Ｎｏ １ １２ ． １
ＮＯ ．２ ０ Ｖ ０７
ｅ ｔｂ ｉｈ ｄ ｕ ｉ ｇ ｔ ｅｍｅ ｏ Ｔ ｅ ｅ ｐ ｒｍｅ ｔｌ ｓ ｌ ｈ ｗ ｔ ａ ｅ ｎ ｗ ｍｅｈ ｄ ｗｉ ｏ ｅ ｄ ｔ ｖ ｒｉ ｉ ｇｌ ｅｃａ ｓ ａ ａ ｓ ｌ ｅ ｓｎ ｔ ｄ ｈ ｘ ｅ ａ ｓ ｈ ｈ ｉ ｎａ ｕｔ ｓ ｏ ｔ ｈ ｅ ｔ ｏ ｎ ｎ ｔ ａ ｏ ｏ ｅｆ ｔ ｉ ｌｓ ｉｌ Ａｄ — ｅ ｒ ｓ ｈ ｔ ｌ ｔｎ ｋ ｃ Ｂ ｏ ｔｏ ｅ ｏ ｓ ｎ ｔ １ ｒ ｄ ｃ ａｓ ａＴ ａｅ ｗ ｉ ｏｄ ｎ ｉｈ ｄ ｔｃｉｎ ｒ ｔ ． ｏ ｓ ｆ ｎ ｄ ｅ ．ａ ｄ ｉ ｗｉ ｕ ｅｆ ｅ ａ ｉ ｒ ｔ ｈ ｌ ｈ ｌ ｉｇ ａ ｈ ｇ ｅｅ ｔ ａｅ ｔ １ｅ ｌ ｌ ｎ ｅ ｏ
退化 问题 。 保证 检测 率的 同时 降低 了误检 率 。 在
关键 词 ： ｄＢ ｏｔ Ａ ａ ｏｓ ；人脸检 测 ；权 重调 整 ；退化 ；级联分 类 器 中图分类 号 ：Ｔ ３ １４ Ｐ ９． １ 文 献标 志码 ：Ａ 文章 编号 ：ｌ １３９ （ｏ ７ １—２８０ ０ ｏ —６５ ２ｏ ）１０ ９—３
基于Adaboost算法的人脸检测研究
维普资讯
第 ３ （０ ７ 第 ２期 ５卷 ２０ ）
计算机与数字工程
７
基 于 Ａ ａｏｓ算 法 的人 脸 检 测 研 究 ｄｂｏｔ
罗明 刚 李一民 曾素 娣
６０ ９ ） ５ ０ ３ （ 昆明理工大学信息工程与 自动化学院 昆明
摘
要
随着计算 机科 学的发展 ， 人脸识别研究受到越来越 多 的重 视。而作 为人 脸识别 的一个重 要步骤 的人脸检测
Ｒ ｃ ｕ （ ）＝Ｓ Ｔ（ 一１ Ｙ一１ ｅｔ ｎ ｒ Ｓ Ａ ， ）＋Ｓ Ｔ ＋ｗ Ａ （ １ Ｙ＋ ， ｈ一１ ）一Ｓ Ｔ 一１Ｙ＋ｈ一１ Ａ （ ， ）一Ｓ Ｔ ＋ｗ Ａ （ １ Ｙ一１ ， ）
个 矩 形 特 征 可 以 用 一个 五 元 组 表 示 为 ： ＝（ ｒ ， 的 坐标 ， 和 ｈ是 该 矩 形 特 征 的 宽 和 高 ，ｔ 旋 Ｗ Ｏ是
计算机视觉
中 图分 类 号
１ 引 言
人脸 检测 最 初 是 随 着人 脸 识 别 的研 究 而 提 出
点 的 象素 的和表示 为 Ｓ Ｔ ，）见 图 ２ ａ Ａ（ Ｙ， （）
＿ ＿ 『
Ｈ
的 ， 随着计算 机 视觉 技 术 的发 展 ， 脸 检 测 受 到 但 人 越 来越 高 的重 视 而作 为一 个 独 立 的课 题 提 出 。人 脸 检测 长期 以来 受检测 的精 度 和检 测 的速 度 困扰 ， 直 到上 世 纪 ９ ０年 代 ， Ｖｏ … 提 出 的 基 于 Ａ ａ 由 ｉｌ ａ ｄ－ ｂｏｔ ｏｓ算法 极 大 地 提 高 了人 脸 检 测 地 速 的 和 精 度 ，
Ｙ Ｗ， ，ｔ ， 中 和 Ｙ是 该 矩 形 特 征 左 上 角 点 ， ｈ Ｏ） 其 转 的角度。如下图 ：
第 ３ （０ ７ 第 ２期 ５卷 ２０ ）
计算机与数字工程
７
基 于 Ａ ａｏｓ算 法 的人 脸 检 测 研 究 ｄｂｏｔ
罗明 刚 李一民 曾素 娣
６０ ９ ） ５ ０ ３ （ 昆明理工大学信息工程与 自动化学院 昆明
摘
要
随着计算 机科 学的发展 ， 人脸识别研究受到越来越 多 的重 视。而作 为人 脸识别 的一个重 要步骤 的人脸检测
Ｒ ｃ ｕ （ ）＝Ｓ Ｔ（ 一１ Ｙ一１ ｅｔ ｎ ｒ Ｓ Ａ ， ）＋Ｓ Ｔ ＋ｗ Ａ （ １ Ｙ＋ ， ｈ一１ ）一Ｓ Ｔ 一１Ｙ＋ｈ一１ Ａ （ ， ）一Ｓ Ｔ ＋ｗ Ａ （ １ Ｙ一１ ， ）
个 矩 形 特 征 可 以 用 一个 五 元 组 表 示 为 ： ＝（ ｒ ， 的 坐标 ， 和 ｈ是 该 矩 形 特 征 的 宽 和 高 ，ｔ 旋 Ｗ Ｏ是
计算机视觉
中 图分 类 号
１ 引 言
人脸 检测 最 初 是 随 着人 脸 识 别 的研 究 而 提 出
点 的 象素 的和表示 为 Ｓ Ｔ ，）见 图 ２ ａ Ａ（ Ｙ， （）
＿ ＿ 『
Ｈ
的 ， 随着计算 机 视觉 技 术 的发 展 ， 脸 检 测 受 到 但 人 越 来越 高 的重 视 而作 为一 个 独 立 的课 题 提 出 。人 脸 检测 长期 以来 受检测 的精 度 和检 测 的速 度 困扰 ， 直 到上 世 纪 ９ ０年 代 ， Ｖｏ … 提 出 的 基 于 Ａ ａ 由 ｉｌ ａ ｄ－ ｂｏｔ ｏｓ算法 极 大 地 提 高 了人 脸 检 测 地 速 的 和 精 度 ，
Ｙ Ｗ， ，ｔ ， 中 和 Ｙ是 该 矩 形 特 征 左 上 角 点 ， ｈ Ｏ） 其 转 的角度。如下图 ：
基于AdaBoost的人脸特征挑选与特征融合算法研究
Microcomputer Applications V ol.27,No.5,2011设计与研究微型电脑应用2011年第27卷第5期文章编号：1007-757X(2011)05-0011-03基于AdaBoost 的人脸特征挑选与特征融合算法研究顾徐鹏摘要：针对人脸识别中的特征挑选和特征融合问题进行研究。
结合已有的基于AdaBoost 的人脸特征挑选方法，挑选出最具分类能力的特征，并将挑选出的多类人脸特征在特征层进行融合，得到一个统一的人脸特征用于模式分类。
通过在FERET 人脸库上的实验表明，其识别方法具有良好的识别效果。
关键字：人脸识别，特征挑选，特征融合中图分类号：TP311文献标志码：A0引言人脸识别技术旨在赋予计算机识别人脸的能力，是一项具有重大理论价值和广泛应用前景的技术。
经过几十年学者们的不断探索，人脸识别技术已经有了很大的发展，在受控的特定环境下可以取得很好的识别效果[1]，但离完全实用化还有不小的距离。
人脸识别的精度不仅取决于分类器的好坏，更重要的是使用什么样的人脸特征来描述不同的人脸，特征挑选与特征融合问题自然就成为了人脸识别领域的研究热点。
本文使用基于AdaBoost 的人脸特征挑选方法，将由AdaBoost 挑选出的不同人脸特征融合到一起，提高识别的精度。
本文分以下几个部分，第1节主要介绍基于AdaBoost的人脸特征挑选方法，第2节中将详细描述融合算法流程，第3节给出在FERET 人脸库上实验的结果，最后是结论。
1基于AdaBoost 的人脸特征挑选1.1AdaBoost 算法原理AdaBoost 算法（Adaptive Boosting ）[2]是一种非常有效的决策融合方法，文献[2]证明它的分类性能和收敛速度比bagging 方法（通过弱分类器的简单多数投票来决策）和Boosting 方法（基于三者投票机制）更优。
理论上，它可以达到任意的决策准确率，并且不存在过度拟合的问题。
基于Adaboost的人脸识别算法研究
Ｆ： ｉ （， ＋ ２ Ｌ＋ ） ｓ．ｗ ￣ Ｗ ｇ ｆ ＋ 。
多级分类器的结构如图 １ 所示 。
／ 筛 选 排 除 部 分 、 ／
（） ２
ห้องสมุดไป่ตู้
框 Ａ、 Ｃ、 Ｂ、 Ｄ的积分 图值 像素值之和 。由此可 以使用积 分图计 算任何矩形 中所有值和的像 素。 可以很明显地看出 ，个矩形构成的特征 ， ２ 其像素和之差可通 过６ 个参考矩形求得 ； 个矩形构成的特征可以通过 ８ 由３ 个参考矩 形求得 ； 个矩形构成的特征可以通过 ９ 由４ 个参 考矩 形求 得。这 样每个特征都 能很快 的计算 出来 ， 再通过试验选 出一小部分作
ｃａ ｘｉ 、ｖａ ．ｂ 。采用“ ｖｕ ．ｂ ｃｅｍ１ ） １ ｉ 积分 图” 征提取方法快速 准确地 特 从 视频图像 中提取 出了正 面和左右侧面人脸 ， 并用红色边框排
弱分类器ｊ
除 了非人脸部分的图像 。 本文 ， 笔者提出了基 于Ａ ａｏｓ的人脸检测算法 ， ｄ ｂｏｔ 通过积分 图的概念实现了快速的特征值计算 。实验结果表 明该算法能够
（ ｙ 表示像素点 （ Ｙ 的积分 图 ，（ ｙ 表示像 素点（ ，） ，） ，） ｉ ） ， Ｙ 的像 素值。通过迭代 方式进行计算使特征检测器 中特征的计算速度
大大提 高。
条件下处理图像后获得人脸 的清晰图像 ， 因此 人脸识别成 为了
研究 热点。本文 ， 笔者提 出了使 用 Ａ ａｏ ｓ算法进行 人脸的正 ｄｂｏｔ
图 １ 多级 分 类 器 结构
准确的识 别人脸 区域 ， 并且实现 了在侧面情 况下 的人识 基金项 目 ： 留学归国人 员教 学、 科研 建设 项 目， 国家８ ３ ６ 项 快 速 、
目（ ０ ６ ２ ０ ＡＡ０ Ｚ ４ 。 ４ ２ ３）
基于Adaboost算法的红外图像中人脸自动检测方法的研究
１ 引 言
作 为物 体检 测与 跟 踪 问题 的一 个特 例 ，人
之一。 统计学 习方法在许多经典 问题上都有成 功 的应 用，人 脸检测 就是 其 中一例 。本文 用 Ｖｏ ｉａ ｌ 等人 ［ 提 出的一 种基于 Ｈ ａ 型特征 的 Ａ ａ ｏｓ ］ ａｒ ｄｂ ｏｔ
脸 检测 长期 以来 备 受关 注 。无 论是 从 理 论研 究 还是 从实际应用 的角度来看 ， 人脸检 测都是 一个
颇具 吸 引力 的课 题 。 脸 检 测 问 题 的长 久 生 命 力 人
算 法学 习瀑布 型正 面人 脸 检测 器 ，并 且 成 功地
将其 应用 在 了红外 图 像 的人脸 检测 中。这 不但
在很大 程度上源于其 自身 的难度 。 近年 来 ， 统计 学 习方法 逐渐 成 为模式 识别 领域 中的主 流技 术
９ ．％ ．Ｅｘ ｅ ｉ ｎ ａ ｅ ｕｔ ｈ ｗ ｈ ｔｔ ｅ Ａｄ ｂｏ ｓ ｌｏ ｉｈ ｈ ｓｉｓｐ ｅ ｏ ｉ ａ ｅｉ ｈ ｕ ｏ ａ ｉ ８４ ｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓｓ ｏ ｔ ａ ｈ ａ ｏ ｔａｇ ｒｔ ｍ ａ ｔ ｒ ｄ ｍ ｎ ｎｃ ｎ ｔ ｅ ａ ｔ ｍ ｔｃ
（ ｒ ｌｒ ａｅ ｙｏ Ｌ ， ｅ ｉ２０３ ， ｈｎ ） Ａ ｔｌ ｙＡｃｄｍ Ｐ Ａ Ｈ ｆ ３ ０１ Ｃ ｉａ ｉｅ ｆ ｅ
Ａ ｂｓ ｒ ｃ ： Ｉ ｒ ｅ ｏ ｉ ｐ ｅ ｅ ｔａ ｔ ｍ ａ ｉ ｕｍａ ｃ ｅ ｅ ｔｏ ｎ ｒ ｃ ｉ ｇ ｉ ｎ ａ ｅ ｉ ｅ ａ ｅ ， ｔａ ｔ ｎｏ ｄ ｒ ｔ ｍ ｌｍ ｎ ｕ ｏ ｔｃｈ ｎ ｆ ｅｄ ｔ ｃ ｉ ｎ ａ ｄ ｔ ａ ｋ ｎ ｎ ｉ ｆ ｒ ｄ ｖ ｄ ｏ ｉ ｇ ｓ ａ ｒ ｍ ａ ｎ ａ ｅ ｍ ａ ｅ ｄ ｔ ｃ ｉ ｎ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ ｈ ａ ｏ ｓ ｌ ｏ ｉｈ ｎ ｉ ｆ ｒ ｄ ｉ ｇ ｅ ｅ ｔ ｏ ｔ ｏ ａ ｅ ｎ ｔ ｅ Ａｄ ｂ ｏ ｔ ａ ｇ ｒｔ ｍ ｓ ｐ ｏ ｓ ｄ．Ｉ ｈ ｔ ｏ ｔ ｅ ｒ ｉ ｒ ｐｏ ｅ ｎ ｔ ｅ ｍｅ ｈ ｄ， ｈ Ｈａ ｒｌ ｅ ｃ ａ ａ ｔ ｒ ｎ ｎ ｅ ｒ ｌｐ ｃ ｕ ｅ ｒ ｓ ｄ ｔ ｅ ｃ ｉ ｅ ｔ ｅ ｂ ｓｃ ｃ ａ ａ ｔ ｒ ｆｔ ｅ ｈ ｍ ａ ａ ｅ ａ —ｉ ｈ ｒ ｃ ｅ ｓ ａ ｄ ｉ ｔ ｇ ａ ｉ ｔ ｒ ｓ ａ ｅ ｕ ｅ ｏ ｄ ｓ ｒｂ ｈ ａ ｉ ｈ ｒ ｃ ｅ ｓ ｏ ｈ ｕ ｋ ｎ ｆ ｃ ａ ｄ ｔ ｅ Ａｄ ｂ ｏ ｔ ａ ｇ ｒｔ ｍ ｎｄ Ｃａ ｃ ｄ ｌ ｏ ｉｈ ｎ ｈ ａ ｏ ｓ ｌ ｏ ｉｈ ａ ｓ ａ ｅ ａ ｇ ｒｔ ｍ ｒ ｓ ｄ ｔ ｍ ｐ ｏ ｅ ｔ ｅ ｖ ｒ ｃ ｔ ｎ ｅ ｅ ｉ ｆ ａ ｅ ｕ ｅ ｏ ｉ ｒ ｖ ｈ ｅ ａ ｉｙ ａ ｄ ｃ ｌ ｒｔ ｏ ｙ
基于AdaBoost算法和人眼定位的动态人脸检测
论 文 中提 出了快速 人脸检 测 系统 。该 论 文是快 速人脸 检测 技术发展 的一个转折点 ， 它的检测率 可以与最好 的
检测速度却能达到快速的要求。 准确 的检 测结果 ， 别是 主流的检测方法仍 然存在着 一 算法 匹敌 ， 特 在 Ｖｏ 提 出 的 Ａ ａ ｏｓ 法成 功用于人 脸检测 之 ｉａ ｌ ｄ Ｂ ｏｔ 算 定 的误检 率 。许 多 研究者 想 到 了融合 多 种检测 方法 的 人脸 检测 手段 ， 文献 ［ 将 人脸 检测方 法分 为 ： 于几何 ２ ］ 基 特征 的方法 、 基于肤色模型 的方法 、 于统计 理论 ３ 方 基 个 面 。肤色 检测是 其 中 比较 常用 的辅 助检测 手段 卅。但 肤 色检测 有其局 限性 ： 一是 各人 种肤 色差异 很 大 ， 法 无
ｆ ｌｅ ｅ ｅ ｔ ｎ ｎ ａ ｅ ｆ ｈ ｃ ｍｐ ｅ ｅ ｖｒ ｎ ｎ ． Ｉ ｏ ｄ ｒ ｏ ｃ ｉｖ ｂ ｔ ｆ ｓ ｎ ａ ｃ ｒ ｃ ｄ ｔｃ ｉｎ ａ ａ ｅ ｅｅ ｔ ｎ ａｓ ｄ ｔ ｃｉ ｉ ｃ ｓ ｏ ｔ ｅ ｏ ｌｘ ｎ ｉｏ ｍｅ ｔ ｎ ｒ ｅ ｔ ａ ｈ ｅ ｅ ｏｈ ａ ｔ ｏ ａ ｄ ｃ ｕ ａ ｙ ｅｅ ｔ ， ｆｃ ｄ ｔ ｃｉ ｏ ｏ ｍｅｈ ｄ ｗｉ ｈ ｍａ ｙ ｏ ａｉ ｎ ｌｏ ｉ ｍ ａ ｈ ａ ｘ ｌ ｒ ａｇ ｒｔ ｍ ｉ ｒ ｐ ｓ ｄ ｔ ｏ ｔ ｕ ｎ ｅ ｅ ｌ ｃ ｔ ａｇ ｒｔ ｈ ｏ ｈ ｓ ｔ ｅ ｕ ｉ ａｙ ｌ ｏｉ ｉ ｈ ｓ ｐ ｏ ｏ ｅ ．Ａｔ ｆ ｓ， ｆｃ ｅｅ ｔ ｎ ｓ ｒ ａ ｉｅ ｕ ｉ ｇ ｈ ｒ ｔ ａ ｅ ｄ ｔｃ ｉ ｉ ｅ ｌ ｄ ｓｎ ｔ ｅ ｉ ｏ ｚ
【 ｂｔ ｃ】Ａ ａｏｓ ａ ｏｔ ａ ｂｅ ｐｒ ｅ ｎ ｆ ｔｆ ｅ ｄｔ ｔ ｎ ｂ ｏ ｅｐ ．Ｈ ｗｖｒ ｔｉ ａ ｏｔ ｆｎ ｈｓ Ａ ｓ ａｔ ｄＢｏｔ ｌ ｒｈ ｈｓ ｅｎ ａｐ ｖｄ ｉ ａ ａ ｅ ｃｏ ｙ ｍ ｒ ｐｏｌ ｏ ｅｅ ｈ ｌ ｒｈ ｏｅ ａ ｒ ｇ ｉｍ ｏ ｓ ｃ ｅｉ ｅ ｅ ， ｓ ｇ ｉｍ ｔ
一种改进的基于AdaBoost的人脸检测算法
和协方差矩阵.
第三阶段：为了降低误报率，更精确的提取人
脸区域，采用 SVM 强分类器.
式中：如果第 i 个样本 xi 被正确分类，则 ei=0,
反之
ei=1,βt=
εt 1- εt
.
βt=
εt 1- εt
4）强分类器为
Σ
Σ
H(x)=
1Σ
Σ Σ Σ Σ
Σ
0Σ
Σ Σ
T
Hale Waihona Puke TΣ Σ t=
1
αtht(x)≥
1 2
t
=
αt
1
otherwise
αt=logβ1t
1.3 分级分类器
为了提高计算效率，降低误报率，采用一种级
（1）权重归一化
wt,i=
wt,i
L
Σwt,j
J=1
（2）生成弱分类器，计算相对于当前权重的误
差
L
Σ εj= wt,j|hj(xi)- yi| J=1
- 40 -
（3）选择具有最小误差 εt 的弱分类器 ht 加入 到强分类器中去
（4）更新每个样本所对应的权重：
w =w β1- ei t+1,i t,i t
练错误率与边界.
L
Σ k(xi,xj)=〈覬(xi)·覬(xj)〉;w= αiyi覬(xi) i=1
Σ Σ L
Σ f (x)=sign αiyik(xi,x)+b ;αi≠0 时训练样本 i=1
xi 称作支持向量机. 3 改进的人脸检测算法
在 改 进 的 检 测 算 法 中 ， 第 一 阶 段 使 用 A-
联分类器如图 2 所示.
分级分类器对输入的图像采取由简单到复杂
基于相关性的AdaBoost人脸检测算法
１ 概述
人脸检测指 的是在输 入图像 中确定所有人脸 的位置、大
小 和 姿态 的过 程 。 年 来 出现 了大 量 的 人脸 检 测 方 法 ， 中 ， 近 其
其中 ，ｈ 表示 简单分类器 的值 ； ｊ
为阈值 ； Ｐ 表示不等号 』
的方向，只能取 ± ；ｆ ） １ ／ｘ 表示特征值， ：１ ， 。 ， …， ２ （） ２初始化误差权重 。 对于 Ｙ＝ 的假样本， ． １ａ； Ｏ ２ ＝１ 对于 Ｙ＝１ 的真样本 ，
［ ｂ ｔａｔ ｎｏｄ ｒｏｅｈ ｎｅｔｅ ｎｅ ｌ ｏ ｅｔ ｄｔ ｎｌ ｄ Ｂ ｏｔ ｌｏ ｔｍ ｄｒｄ ｃ ｓ ｏ ｌｘｔ，ｗｏｉ ｒｖｄＡｄＢｏ ｓａｇ ｒｈ Ａ ｓ ｃ］Ｉ ｒｅ ｎ ａ ｃ ｓｍｂｅ ｆｈ ａｉｏ ａ Ａ ａ ｏ ｓａｇ ｒｈ ａ ｕｅｉ ｍｐｅ ｉ ｔ ｒ ｔ ｈｅ ｔ ｒ ｉ ｉ ｎ ｅ ｔｃ ｙ ｍｐｏ ｅ ａ ｏｔ ｌｏ ｔｍｓ ｉ
中图分类号： Ｐ９． Ｔ ３１ ４
基 于相 关性 的 Ａｄ Ｂ ｏｔ 脸 检 测 算 法 ａ ｏｓ人
张君昌，樊 伟
（ 西北工业大学 电子信息学院，西安 ７ ０ ２ ） １ １９
摘
要： 为提高传统 Ａ ａｏｓ算法 的集成性能 ，降低算法复杂度 ，提出 ２ ｄＢ ｏｔ 种基于分类器相关性的 Ａ ａ ｏｓ算法 。在弱分类器 的训练过程 ｄＢ ｏｔ
ｃ ａ ｓｆｅ ｓ ｒ ｌ ｔ ｄ ｎ ｔｏ ｌ ｏ ｔ ｅ ｃ ｌ ｅ ｌ ｓ ｉ ｅ ，ｂ ｔ ｌｏ ｔ ｈ ｒ ｖ ｏ ｓ ｃ ａ ｓ ｆ ｒ ｓ ｗｅｌ ｌ ｓ ｉ ｒ ｉ ｅａ ｅ ｏ ｎ ｙ ｔ ｈ ｔＴ ｎｔ ａ ｓｆ ｒ ｕ ｓ ｏ ｔ ｅ ｐ ｅ ｉ ｕ ｌ ｓ ｉ ｅ ｓａ ｌ，ｗｈ ｃ ａ ｆｅ ｔｖ ｌ ｅ ｃ ｈ ａ ｃ ａ ｓｆｅ ｉ ｌ ｃ ｉ ａ ｉ ｉ ｈ Ｃ ｎ ｅ ｃ ｉ ｅｙ ｒ ｄｕ ｅ ｔ ｅ ｗｅ ｋ ｌ ｓ ｉ ｒ ｉ
- 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)。
ｔｏ ｄｅｔｅｒｍｉｎｅ
ａｒｂｉｔｒａｒｙ ｉｍａｇｅ，ｔｈｅ
ａｎｙ ｆａｃｅｓ ｊｎ ｔｈｅ ｉｍａｇｅ
ｗｈｅｔｈｅｒ ｏｒ
ｎｏｔ
ｔｈｅｒｅ
ａｒｅ
ａｎｄ，ｉｆ ｐｒｅｓｅｎｔ，ｒｅｔｕｒｎ ｔｈｅ ｉｍａｇｅ ｌｏｃａｔｉｏｎ ａｎｄ ｅ嫩ｅｆ建ｏｆ ｅａｃｈ ｆａｃｅ．Ｉｎ ｔｈｉｓ ｔｈｅｓｉｓ，ｔｈｅ Ａｄａｂｏｏｓｔ ｃａｓｃａｄｅ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｐｒｏｐｏｓｅｄ ｂｙ Ｖｉｏｌａ ｄｅｔａｉｌ．Ｔｈｅ ｍａｉｎ ｃｏｎｔｒｉｂｕｔｉｏｎｓ ａｒｅ
是非常重要的，而且也是经常被使用的。
根据检测原理的不同，常用的人脸检测方法分为：基于特征的检测方法和
基于统计模型的检测方法。
ｌ。３。１基于特征的检测方法 人的面部有很多特征信息：包括皮肤、眉毛、眼睛、鼻子、嘴羼和下巴： 此外，还有面部的结构、轮廓和纹理特征等等。 利用皮肤的颜色特征可以制作肤色分类器（田欣，２００１）（Ｓｔｅｒｎ Ｈ
基于双眼模板匹配的检测方法（梁路宏，２０００）、基于人脸器官结构的检测方
法（梁路宏，２００１）、基于面部椭圆和比例的检测方法和基于面部的纹理特征的检 测方法（王洪群，２００４）等。 虽然基于特征的检测算法己经比较成熟，但是由于其容易受到光照、表情、 姿态等条件影响，检测能力有限。此外，基于结构特征的检测算法计算量较大，
ＩＩ
第１章绪论
第１章绪论
１．１
引言
图像目标的检测与识别是机器视觉领域的重要研究内容。人脸是一种完全
开放的信息源，是图像与视频中最重要的视觉图像之一。通过人脸可以得到一
个人的性别、年龄、表情和身份等个体信息。人脸信息的处理技术一直都是模
式识别与机器视觉研究领域内关注的重要问题，是现阶段基于生物特征的身份 识别技术的重要组成之一。 人脸检测是指在输入信息中提取人脸（如果存在）的位置、大小和姿态等信息 的过程。人脸检测作为人脸信息处理技术中的一个关键问题，长期以来一直受各 种科研机构的重视、相关课题的研究十分活跃。 智能计算的引入给人脸检测技术带来了一个新的发展空间（赵丽红等， ２００４）。人们将一些复杂但是智能化的算法应用到人脸检测问题上，得到了很多 较好的效果。随着智能算法的发展，新的算法越来越复杂，越来越合理，也越来 越快。 自从Ａｄａｂｏｏｓｔ算法被Ｖｉｏｌａ ｅｔ ａｌ（２００ １）应用于人脸检测（１ ５帧／秒）之后涌现出了 很多相关的研究成果。例如基于Ａｄａｂｏｓｔ算法的车牌识别（阴国富，２００６）、号码识 别（王倩等，２００６）、以及手写字体识别（赵万鹏等，２００５）等。Ｉｎｔｅｌ公司提供的 Ｏｐｅｎｃｖ开发包软件就带有Ａｄａｂｏｓｔ算法的训练函数，大大方便了研究人员的使用 和研究．但是Ｏｐｅｎｃｖｑｂ的训练函数接口固定并且训练函数不能调整，训练过程中 也无法看到中间数据，由于它不能给使用者提供更多的信息，使用起来不利于研 究人员深入的研究和改进。此外，使用Ｏｐｅｎｃｖ开发包训练的结果还需使用其自带
ｔｈｅ ｐａｒａｌｌｅｌｉｚｅｄ
ａｌｇｏｒｉｔｈｍ ｒｅｄｕｃｅｄ ｔｈｅ ｔｒａｉｎｉｎｇ
ｔｉｍｅ ｂｙ ２／３
ｏｒ
ｍｏｒｅ．
Ｋｅｙ
Ｗｏｒｄｓ：ｆａｃｅ
ｄｅｔｅｃｔｉｏｎ，ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ，Ｈａａｒ ｆｅａｔｕｒｅ，ｉｎｔｅｇｒａ ｌ ｉｍａｇｅ，
ｃｌａｓｓｉｆｉｅｒ，ｐａｒａｌｌｅｌ
ｆｉｅｌｄｓ ｓｕｃｈ
ａｓ
ｃｏｎｔｅｎｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎｄ ｖｉｄｅｏ ｒｅｔｒｉｅｖａｌ，ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ，ａｕｔｏｍａｔｉｃ
ａｎ
ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｈｕｍａｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ，ｅｔｃ．Ｇｉｖｅｎ ｇｏａｌ ｏｆ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｉＳ
的检测函数，最终将很难实现算法的移植。 本文详细研究了Ａｄａｂｏｓｔ算法的实现过程，在此基础上对其进行了相关的改
进，并将改进算法应用到人脸检测与跟踪系统中。由于采用自主开发的训练和检
测程序，整个算法具有较强的可移楫｜生。
１．２人脸检测技术研究的目的及现状
人脸检测技术具有极高的学术研究价值和商业价值。
ｅｔ
ａｌ，２００２）。
为了较好的对肤色进行分类，研究入员将肤色转换到不同的颜色空间进行聚类，
常用的颜色空间有：ＹＣｂＣｒ、ＬＵＶ、ＹＩＱ和ＲＧＢ等。基于肤色分类器的人脸检
测方法容易受到背景的影响，还需要和其它检测方法结合（Ｗａｎｇ Ｙａｎｊｉａｎｇ
２
ｅｔ ａｌ，
第ｌ章绪论
２００４）起来使用。 根据面部器官的结构特征，研究人员提出了许多基于结构特征的检测方法。 例如：
摘要
摘要
人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题， 在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能入机交互等 领域有着重要的应用价值。人脸检测是对于任意～幅给定的图像，采用一定的 策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小
和姿态。本文研究了如何快速、准确地在一幅图片中检测融入脸。详细分析了
Ｖｉｏｌａ等人提出的Ａｄａｂｏｏｓｔ级联人脸检测算法，主要任务在于： ｌ、系统地分析和探讨了多种人脸检测方法的鍪本理论，对入黢检测方法进
行了深入的研究和讨论。
２、详细褥介绍了Ａｄａｂｏｏｓｔ算法的Ｈ鑫ａ满征、积分图像、弱分类器、强分类
器的概念，在深入研究基于Ａｄａｂｏｏｓｔ算法的人脸检测方法的同时，构建了一个人
人脸是一类具有复杂细节变化的自然结构目标，人脸检测技术的挑战性在于
（梁路宏等，２００２）：
１
第１章绪论
（１）入脸之间由于在外貌、表情、肤色和姿态上的不同，需要考虑检测对象模
式的可变性；
（２）入脸图像作为３维物体的２维影像不可避免的受到光照产生的影响； （３）现实中的人脸面部还会有眼镜、胡须等附属物。因此，如果能够找到解 决上述问题的方法，将为解决其它类似的复杂模式检测问题提供重要的癌示。 早期，人脸检测技术主要服务于人脸识别课题的研究；但是，随着生物识 别技术的快速发展，入脸检测技术己经被广泛的应用于其它相关领域，产生？
一定的商业价值。例如：表情识别、口型识别、人机交互、基于内容的索引、 数字视频处理、视频监测、网络会议和ＮｅｔＣａｍ等等。
目前，国外对人脸检测问题研究的专业机构有很多，比较著名的有ＭＩＴ、 ＣＭＵ和ＦＥＲＥＴ等；国内的清华大学、上海交通大学、中国科学院计算技术研 究所和中国科学院宣动化研究所等科研机构都有专鼗人员从事与入脸检测技术 相关的研究。随着人脸检测技术研究的扩展，一些最新的技术和方法也被应用 到解浃入脸检测闲题当中，新方法、薪技术层出不穷。国际土发表的相关论文
一般无法满足人们对检测速度的要求。 １．３．２基于统计模型的检测方法
基于统计模型的检测方法是目前研究的主要方向，也是将来一段时间研究 的主要趋势。这类方法的优势是不再使用人脸的特征信息等先验知识，也没有
设定模板参数等操作。在统计过程中使用大量样本进行训练，使检测的结果具 有一定的可靠性。从理论上讲，训练样本越多越好，所以基于统计模型的检测
ｏｐｔｉｍｉｚｅ ｔｈｅ ｄｅｔｅｃｔｏｒ，ｔｈｅ ｈｕｍａｎ ｓｋｉｎ ｍｏｄｅｌ ａｎｄ
ａｄｄｅｄ ｉｎ ｆｒｏｎｔ ｏｆ ｔｈｅ ｄｅｔｅｃｔｏｒ．
ｉｌｌｕｍｉｎａｔｉｏｎ
ｃｏｍｐｅｎｓａｔｉｏｎ
ａｒｅ
４．Ｔｈｅ ｔｒａｉｎｉｎｇ ｏｆ ｔｈｅ ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ ａｌｗａｙｓ ｓｐｅｎｄｓ
方法也具有一定的可扩展性。这类方法的工作流程图如图１．１所示：
待检测样本
离 线 训 练
在 线 检 测
多尺度检测
上
分 类 器
上
ｌ合并检测结果
１ｒ
输出
图１．１
统计模型算法的工作流程图
常用的基于统计模型的检测方法有：基于神经网络的检测方法（Ｒｏｗｌｅｙ，
１９９８）、基于支持向量机的检测算；法（Ｏｓｕｎａ
３ ｅｔ
ｉｎｔｒｏｄｕｃｅｄ
ｉｎ ｄｅｔａｉｌ ｉｎ ｔｈｅ ｔｈｅｓｉｓ，ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ，ａ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｉＳ ｂｕｉｌｔ ｗｈｉｌｅ ｉｎ－ｄｅｐｔｈ ｓｔｕｄｙ
ｏｎ
ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ
ｏｎ
ｏｎ
Ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ．
ａｒｅ
ｒｅａｄ ａｎｄ ａｎａｌｙｚｅｄ．
Ｓｏｍｅ ｈｏｔ ｊｓｓｕｅｓ ａｂｏｕｔ ｆａｃｅ ｄｅｔｅｃｔｉｕｄｉｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．
ａｒｅ
２．Ｈａａｒ ｆｅａｔｕｒｅ，ｉｎｔｅｇｒａｌ ｉｍａｇｅ，ｗｅａｋ ｃｌａｓｓｉｆｉｅｒ，ｓｔｒｏｎｇ ｃｌａｓｓｉｆｉｅｒ
ａｓ
ｅｔ ａ１．ｉｓ ａｎａｌｙｚｅｄ ｉｎ
ｆｏｌｌｏｗｓ：
１．Ａ ｇｒｅａｔ ａｍｏｕｎｔ ｏｆ ｌｉｔｅｒａｔｕｒｅｓ，ｓｕｒｖｅｙｓ ａｎｄ ｒｅｓｅａｒｃｈ ｐａｐｅｒｓ ｃｏｎｃｅｒｎｉｎｇ
ｕｐ。ｔｏ－ｄａｔｅ ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ
ａｌ，２０００）、基于隐性马尔可夫模型
第１章绪论
的检测方法（陈茂林等，２００２）、和基于概率的检测方法（张九龙等，２００４）。目前，
最受关注的是基于Ａｄａｂｏｏｓｔ算法的检测方法。
在基于统计模型的检测算法中，速度最快的是Ａｄａｂｏｏｓｔ算法，对状态信息 描述最清楚的是隐性马尔可夫模型和基于纹理特征的算法。对于一个简单、快
速的人脸检测系统，使用Ａｄａｂｏｏｓｔ算法的效果会更好些。而对于一个要求精准 的检测或者识别系统，就应该尽量使用类似于隐性马尔可夫模型和基于纹理特 征的算法。
总之，人脸检测问题的内涵十分广泛，很多的方法一般都是针对某一类问
ａｒｂｉｔｒａｒｙ ｉｍａｇｅ，ｔｈｅ
ａｎｙ ｆａｃｅｓ ｊｎ ｔｈｅ ｉｍａｇｅ
ｗｈｅｔｈｅｒ ｏｒ
ｎｏｔ
ｔｈｅｒｅ
ａｒｅ
ａｎｄ，ｉｆ ｐｒｅｓｅｎｔ，ｒｅｔｕｒｎ ｔｈｅ ｉｍａｇｅ ｌｏｃａｔｉｏｎ ａｎｄ ｅ嫩ｅｆ建ｏｆ ｅａｃｈ ｆａｃｅ．Ｉｎ ｔｈｉｓ ｔｈｅｓｉｓ，ｔｈｅ Ａｄａｂｏｏｓｔ ｃａｓｃａｄｅ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｐｒｏｐｏｓｅｄ ｂｙ Ｖｉｏｌａ ｄｅｔａｉｌ．Ｔｈｅ ｍａｉｎ ｃｏｎｔｒｉｂｕｔｉｏｎｓ ａｒｅ
是非常重要的，而且也是经常被使用的。
根据检测原理的不同，常用的人脸检测方法分为：基于特征的检测方法和
基于统计模型的检测方法。
ｌ。３。１基于特征的检测方法 人的面部有很多特征信息：包括皮肤、眉毛、眼睛、鼻子、嘴羼和下巴： 此外，还有面部的结构、轮廓和纹理特征等等。 利用皮肤的颜色特征可以制作肤色分类器（田欣，２００１）（Ｓｔｅｒｎ Ｈ
基于双眼模板匹配的检测方法（梁路宏，２０００）、基于人脸器官结构的检测方
法（梁路宏，２００１）、基于面部椭圆和比例的检测方法和基于面部的纹理特征的检 测方法（王洪群，２００４）等。 虽然基于特征的检测算法己经比较成熟，但是由于其容易受到光照、表情、 姿态等条件影响，检测能力有限。此外，基于结构特征的检测算法计算量较大，
ＩＩ
第１章绪论
第１章绪论
１．１
引言
图像目标的检测与识别是机器视觉领域的重要研究内容。人脸是一种完全
开放的信息源，是图像与视频中最重要的视觉图像之一。通过人脸可以得到一
个人的性别、年龄、表情和身份等个体信息。人脸信息的处理技术一直都是模
式识别与机器视觉研究领域内关注的重要问题，是现阶段基于生物特征的身份 识别技术的重要组成之一。 人脸检测是指在输入信息中提取人脸（如果存在）的位置、大小和姿态等信息 的过程。人脸检测作为人脸信息处理技术中的一个关键问题，长期以来一直受各 种科研机构的重视、相关课题的研究十分活跃。 智能计算的引入给人脸检测技术带来了一个新的发展空间（赵丽红等， ２００４）。人们将一些复杂但是智能化的算法应用到人脸检测问题上，得到了很多 较好的效果。随着智能算法的发展，新的算法越来越复杂，越来越合理，也越来 越快。 自从Ａｄａｂｏｏｓｔ算法被Ｖｉｏｌａ ｅｔ ａｌ（２００ １）应用于人脸检测（１ ５帧／秒）之后涌现出了 很多相关的研究成果。例如基于Ａｄａｂｏｓｔ算法的车牌识别（阴国富，２００６）、号码识 别（王倩等，２００６）、以及手写字体识别（赵万鹏等，２００５）等。Ｉｎｔｅｌ公司提供的 Ｏｐｅｎｃｖ开发包软件就带有Ａｄａｂｏｓｔ算法的训练函数，大大方便了研究人员的使用 和研究．但是Ｏｐｅｎｃｖｑｂ的训练函数接口固定并且训练函数不能调整，训练过程中 也无法看到中间数据，由于它不能给使用者提供更多的信息，使用起来不利于研 究人员深入的研究和改进。此外，使用Ｏｐｅｎｃｖ开发包训练的结果还需使用其自带
ｔｈｅ ｐａｒａｌｌｅｌｉｚｅｄ
ａｌｇｏｒｉｔｈｍ ｒｅｄｕｃｅｄ ｔｈｅ ｔｒａｉｎｉｎｇ
ｔｉｍｅ ｂｙ ２／３
ｏｒ
ｍｏｒｅ．
Ｋｅｙ
Ｗｏｒｄｓ：ｆａｃｅ
ｄｅｔｅｃｔｉｏｎ，ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ，Ｈａａｒ ｆｅａｔｕｒｅ，ｉｎｔｅｇｒａ ｌ ｉｍａｇｅ，
ｃｌａｓｓｉｆｉｅｒ，ｐａｒａｌｌｅｌ
ｆｉｅｌｄｓ ｓｕｃｈ
ａｓ
ｃｏｎｔｅｎｔ－ｂａｓｅｄ ｉｍａｇｅ ａｎｄ ｖｉｄｅｏ ｒｅｔｒｉｅｖａｌ，ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ，ａｕｔｏｍａｔｉｃ
ａｎ
ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｈｕｍａｎ－ｃｏｍｐｕｔｅｒ ｉｎｔｅｒｆａｃｅ，ｅｔｃ．Ｇｉｖｅｎ ｇｏａｌ ｏｆ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｉＳ
的检测函数，最终将很难实现算法的移植。 本文详细研究了Ａｄａｂｏｓｔ算法的实现过程，在此基础上对其进行了相关的改
进，并将改进算法应用到人脸检测与跟踪系统中。由于采用自主开发的训练和检
测程序，整个算法具有较强的可移楫｜生。
１．２人脸检测技术研究的目的及现状
人脸检测技术具有极高的学术研究价值和商业价值。
ｅｔ
ａｌ，２００２）。
为了较好的对肤色进行分类，研究入员将肤色转换到不同的颜色空间进行聚类，
常用的颜色空间有：ＹＣｂＣｒ、ＬＵＶ、ＹＩＱ和ＲＧＢ等。基于肤色分类器的人脸检
测方法容易受到背景的影响，还需要和其它检测方法结合（Ｗａｎｇ Ｙａｎｊｉａｎｇ
２
ｅｔ ａｌ，
第ｌ章绪论
２００４）起来使用。 根据面部器官的结构特征，研究人员提出了许多基于结构特征的检测方法。 例如：
摘要
摘要
人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题， 在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能入机交互等 领域有着重要的应用价值。人脸检测是对于任意～幅给定的图像，采用一定的 策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小
和姿态。本文研究了如何快速、准确地在一幅图片中检测融入脸。详细分析了
Ｖｉｏｌａ等人提出的Ａｄａｂｏｏｓｔ级联人脸检测算法，主要任务在于： ｌ、系统地分析和探讨了多种人脸检测方法的鍪本理论，对入黢检测方法进
行了深入的研究和讨论。
２、详细褥介绍了Ａｄａｂｏｏｓｔ算法的Ｈ鑫ａ满征、积分图像、弱分类器、强分类
器的概念，在深入研究基于Ａｄａｂｏｏｓｔ算法的人脸检测方法的同时，构建了一个人
人脸是一类具有复杂细节变化的自然结构目标，人脸检测技术的挑战性在于
（梁路宏等，２００２）：
１
第１章绪论
（１）入脸之间由于在外貌、表情、肤色和姿态上的不同，需要考虑检测对象模
式的可变性；
（２）入脸图像作为３维物体的２维影像不可避免的受到光照产生的影响； （３）现实中的人脸面部还会有眼镜、胡须等附属物。因此，如果能够找到解 决上述问题的方法，将为解决其它类似的复杂模式检测问题提供重要的癌示。 早期，人脸检测技术主要服务于人脸识别课题的研究；但是，随着生物识 别技术的快速发展，入脸检测技术己经被广泛的应用于其它相关领域，产生？
一定的商业价值。例如：表情识别、口型识别、人机交互、基于内容的索引、 数字视频处理、视频监测、网络会议和ＮｅｔＣａｍ等等。
目前，国外对人脸检测问题研究的专业机构有很多，比较著名的有ＭＩＴ、 ＣＭＵ和ＦＥＲＥＴ等；国内的清华大学、上海交通大学、中国科学院计算技术研 究所和中国科学院宣动化研究所等科研机构都有专鼗人员从事与入脸检测技术 相关的研究。随着人脸检测技术研究的扩展，一些最新的技术和方法也被应用 到解浃入脸检测闲题当中，新方法、薪技术层出不穷。国际土发表的相关论文
一般无法满足人们对检测速度的要求。 １．３．２基于统计模型的检测方法
基于统计模型的检测方法是目前研究的主要方向，也是将来一段时间研究 的主要趋势。这类方法的优势是不再使用人脸的特征信息等先验知识，也没有
设定模板参数等操作。在统计过程中使用大量样本进行训练，使检测的结果具 有一定的可靠性。从理论上讲，训练样本越多越好，所以基于统计模型的检测
ｏｐｔｉｍｉｚｅ ｔｈｅ ｄｅｔｅｃｔｏｒ，ｔｈｅ ｈｕｍａｎ ｓｋｉｎ ｍｏｄｅｌ ａｎｄ
ａｄｄｅｄ ｉｎ ｆｒｏｎｔ ｏｆ ｔｈｅ ｄｅｔｅｃｔｏｒ．
ｉｌｌｕｍｉｎａｔｉｏｎ
ｃｏｍｐｅｎｓａｔｉｏｎ
ａｒｅ
４．Ｔｈｅ ｔｒａｉｎｉｎｇ ｏｆ ｔｈｅ ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ ａｌｗａｙｓ ｓｐｅｎｄｓ
方法也具有一定的可扩展性。这类方法的工作流程图如图１．１所示：
待检测样本
离 线 训 练
在 线 检 测
多尺度检测
上
分 类 器
上
ｌ合并检测结果
１ｒ
输出
图１．１
统计模型算法的工作流程图
常用的基于统计模型的检测方法有：基于神经网络的检测方法（Ｒｏｗｌｅｙ，
１９９８）、基于支持向量机的检测算；法（Ｏｓｕｎａ
３ ｅｔ
ｉｎｔｒｏｄｕｃｅｄ
ｉｎ ｄｅｔａｉｌ ｉｎ ｔｈｅ ｔｈｅｓｉｓ，ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ，ａ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｓｙｓｔｅｍ ｉＳ ｂｕｉｌｔ ｗｈｉｌｅ ｉｎ－ｄｅｐｔｈ ｓｔｕｄｙ
ｏｎ
ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ
ｏｎ
ｏｎ
Ａｄａｂｏｏｓｔ ａｌｇｏｒｉｔｈｍ．
ａｒｅ
ｒｅａｄ ａｎｄ ａｎａｌｙｚｅｄ．
Ｓｏｍｅ ｈｏｔ ｊｓｓｕｅｓ ａｂｏｕｔ ｆａｃｅ ｄｅｔｅｃｔｉｕｄｉｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．
ａｒｅ
２．Ｈａａｒ ｆｅａｔｕｒｅ，ｉｎｔｅｇｒａｌ ｉｍａｇｅ，ｗｅａｋ ｃｌａｓｓｉｆｉｅｒ，ｓｔｒｏｎｇ ｃｌａｓｓｉｆｉｅｒ
ａｓ
ｅｔ ａ１．ｉｓ ａｎａｌｙｚｅｄ ｉｎ
ｆｏｌｌｏｗｓ：
１．Ａ ｇｒｅａｔ ａｍｏｕｎｔ ｏｆ ｌｉｔｅｒａｔｕｒｅｓ，ｓｕｒｖｅｙｓ ａｎｄ ｒｅｓｅａｒｃｈ ｐａｐｅｒｓ ｃｏｎｃｅｒｎｉｎｇ
ｕｐ。ｔｏ－ｄａｔｅ ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ
ａｌ，２０００）、基于隐性马尔可夫模型
第１章绪论
的检测方法（陈茂林等，２００２）、和基于概率的检测方法（张九龙等，２００４）。目前，
最受关注的是基于Ａｄａｂｏｏｓｔ算法的检测方法。
在基于统计模型的检测算法中，速度最快的是Ａｄａｂｏｏｓｔ算法，对状态信息 描述最清楚的是隐性马尔可夫模型和基于纹理特征的算法。对于一个简单、快
速的人脸检测系统，使用Ａｄａｂｏｏｓｔ算法的效果会更好些。而对于一个要求精准 的检测或者识别系统，就应该尽量使用类似于隐性马尔可夫模型和基于纹理特 征的算法。
总之，人脸检测问题的内涵十分广泛，很多的方法一般都是针对某一类问