人脸检测方法综述
人脸图像年龄估计模型综述
前人 脸 图像 年 龄估 计 的主 要 模 型 ， 对 其进 行 了分 析 、 类 、 并 分
归纳 和 总结 。 当然 ， 文 所涉 及 的分 类 方法 也 不是 绝对 的 ， 本 只 是基 于某 一特 征 的大 致分 类 。
将 人脸 图像 的年龄 问题 建模 为一 个二 次 回归 函数 ， ： 即
近几 年 来 ， 多研 究 人 员 在 人脸 图像 年 龄 估 计 方 面做 了 很 大量 的研 究 工 作 ， 出一 系列 年 龄 估 计模 型 。本 文 综述 了 目 提
或者 年 龄 段 。其 方 法 关键 是 确 定 影 响人 脸 年龄 变 化 的 因 素 ， 对 于 不 同 因素 的取合 决 定着 年龄 估 计模 型 的复杂 程 度和 估计 准 确率 。 目前 ， 年龄 函数 的 形 式 以二 次 回归 函数 和 支持 向量 回 归居 多 ， 年 龄 函数 的 估 计方 法 也 多 采用 最 小 二 乘法 参 数 其
估 计 和支 持 向量 回归参 数估 计 。 二 次 回归 函数 ： 采用 二 次 回归 函数 形 式最 大 的特 点 是 可 以用 最 小 二 乘法 进 行 参数 估 计 ， 有 方法 简 便 、 现 容易 ， 具 实 对 大数 据 样 本具 有 良好 的去 噪 能力 。１９ ９９年 Ｌ ｎｔ 等人 首 先 ａｉｓ ｉ
［ｅｗ ｒ ｆ ｉ ｉａｅ；ｇ ｔ ａｏ； Ｖ ；ａｅｎｅｏｎｉ Ｋｙ ｏ ］ａ ａ ｍ ｇｓａｅ ｓｍ ｔｎＳ Ｒ ｐｔｒｒ ｇｉ ｎ ｄ ｃｌ ｅｉ ｉ ｔ ｃ ｔ ｏ
Ｏ． 引 言
人脸 图像 年龄 估 计 问题 是从 人 脸 图像 中提 取 与年 龄相 关 的 信 息来 构 建 年 龄 估计 模 型 ， 并应 用 该模 型估 计 出 图像 中 人 的 具 体年 龄 或 者 年 龄 范 围。 同人脸 识别 、 膜 识 等 生 物识 别 虹 技术 一样 ， 人脸 图像年 龄 估计 还 在 不断 的深 入 研究 之 中 ， 引起 了不 少学 者 和研 究人 员 的关 注与研 究 。
人脸识别中的人脸比对算法
人脸识别中的人脸比对算法人脸识别技术在现代社会发挥着重要作用，其中的人脸比对算法是核心之一。
随着科技的发展和人工智能的普及，人脸比对算法逐渐成为人们研究和探索的焦点。
本文将对人脸比对算法进行探讨，介绍其原理、应用以及存在的挑战。
一、算法原理人脸比对算法的核心是通过计算机图像处理和模式识别技术，将两张图像中的人脸进行比对，并给出相似度评分。
具体而言，人脸比对算法包含以下几个主要步骤：1. 人脸检测：利用图像处理技术，从原始图像中准确地定位、提取人脸区域。
2. 特征提取：通过各种特征提取方法，将人脸图像转化为特征向量，常见的特征包括颜色直方图、梯度信息等。
3. 特征匹配：比对两个人脸的特征向量，计算它们之间的相似度或距离。
4. 阈值判定：根据预先设定的阈值，判断两张人脸图像是否属于同一个人。
二、算法应用人脸比对算法广泛应用于各个领域，包括但不限于以下几个方面：1. 人脸识别门禁系统：通过将人脸特征与数据库中的特征进行比对，实现自动开门或拒绝非法进入。
2. 人脸支付：将用户的人脸信息与银行账户等信息进行关联，实现便捷的支付方式。
3. 公安安防：利用人脸比对算法，对监控录像中的人脸进行实时比对，实现多路、大规模人脸搜索。
4. 身份验证：在银行、航空等场景中，通过人脸比对算法，验证用户的身份信息，增强安全性。
三、挑战与问题虽然人脸比对算法在实践中取得了许多成果，但仍然存在一些挑战和问题：1. 光照和角度的变化：不同光照条件和拍摄角度下，人脸图像的表现会有较大差异，导致比对算法准确率下降。
2. 遮挡和噪声：人脸图像中的遮挡物和噪声会干扰算法的识别过程，对算法的稳定性构成挑战。
3. 大规模人脸检索：当数据库中的人脸数量较大时，对算法的计算和搜索速度提出更高的要求。
4. 隐私问题：人脸识别技术的广泛应用引发了对于隐私保护的关注，如何在保证安全性的同时保护个人隐私仍待解决。
总结：人脸比对算法是人脸识别技术中的重要组成部分。
人脸识别的技术原理讲解
人脸识别的技术原理讲解人脸识别是一种通过计算机技术来识别和验证人脸的方法。
它可以将人类脸部的特征转化为数学模型，然后与预先存储的人脸模型进行比对，从而准确地识别一个人的身份。
人脸识别技术在安全检查、访问控制、社交媒体以及刑侦等领域有着广泛的应用。
人脸识别的技术原理主要包括图像采集与预处理、人脸检测与对齐、特征提取与表示以及识别与验证四个步骤。
第一步是图像采集与预处理。
人脸图像可以通过传统摄像头、红外摄像头、深度摄像头等设备进行采集。
预处理技术包括人脸图像的去噪、对比度调整、图像尺寸标准化等，以提高后续步骤的准确度。
第二步是人脸检测与对齐。
人脸检测是通过计算机算法来寻找图像中的人脸区域，常用的方法包括Haar特征、级联分类器等。
对齐是将检测到的人脸区域进行校正，使人脸在图像中的位置、角度和大小达到一致，减少后续处理的误差。
第三步是特征提取与表示。
在这一步骤中，计算机会依据人脸图像提取出一系列重要的特征信息，如面部轮廓、眼睛、鼻子、嘴巴等部位的特征。
常用的方法有灰度图像、梯度直方图、局部二值模式等。
通过这些特征的提取，将人脸图像转换为一组数学特征向量，用于后续的比对计算。
最后一步是识别与验证。
在这一阶段，计算机会将提取到的人脸特征与之前存储的人脸模型进行对比，并给出识别结果。
在识别过程中，可以采用欧氏距离、余弦距离等计算相似度的方式进行比对。
如果相似度超过预设的阈值，就可以判定为同一个人。
为了提高人脸识别的准确性和鲁棒性，研究者们还提出了很多改进的方法。
例如，采用深度学习技术，通过多层卷积神经网络来提取更具有区分度的特征；引入活体检测技术，通过分析眨眼、张嘴等动作来区分真实人脸和照片或面具；结合多种特征信息，如纹理、形状和几何结构等，提高人脸识别算法的鲁棒性。
人脸识别技术的应用前景广阔，但也需要注意其中的隐私和安全问题。
在使用人脸识别技术时，需要确保合法合规，保护用户的个人信息安全。
总之，人脸识别技术的原理涉及图像采集与预处理、人脸检测与对齐、特征提取与表示以及识别与验证四个步骤。
《基于Adaboost人脸检测算法的研究及实现》范文
《基于Adaboost人脸检测算法的研究及实现》篇一一、引言随着计算机视觉技术的不断发展，人脸检测作为计算机视觉领域的一个重要研究方向，其应用范围越来越广泛。
Adaboost算法作为一种有效的机器学习方法，被广泛应用于人脸检测等领域。
本文旨在研究基于Adaboost算法的人脸检测技术，并探讨其实现方法和应用前景。
二、Adaboost算法概述Adaboost算法是一种自适应的集成学习方法，其基本思想是通过训练多个弱分类器并将其组合成一个强分类器来提高分类性能。
在人脸检测中，Adaboost算法通过训练多个特征分类器将人脸与非人脸区域进行区分。
这些特征分类器通过不断调整权重来优化整体分类性能。
三、基于Adaboost的人脸检测算法研究1. 特征提取：在人脸检测中，特征提取是关键的一步。
Adaboost算法通过训练多个特征分类器来提取人脸特征。
这些特征包括颜色、纹理、形状等多种信息。
在提取特征时，需要考虑到光照、姿态、表情等因素的影响，以提高检测的准确性。
2. 弱分类器训练：Adaboost算法通过训练多个弱分类器来对特征进行分类。
每个弱分类器只关注某个特定的特征，通过对不同特征的组合来提高整体分类性能。
在训练弱分类器时，需要考虑到样本的权重分布，以适应不同样本的分布情况。
3. 强分类器构建：通过将多个弱分类器进行加权组合，可以构建一个强分类器。
在构建强分类器时，需要考虑到各个弱分类器的性能和权重，以优化整体分类效果。
四、基于Adaboost的人脸检测算法实现1. 预处理：在进行人脸检测之前，需要对图像进行预处理。
预处理包括灰度化、降噪、归一化等操作，以提高图像的质量和稳定性。
2. 训练弱分类器：使用Adaboost算法训练多个弱分类器。
在训练过程中，需要不断调整样本的权重分布，以适应不同样本的分布情况。
3. 构建强分类器：将多个弱分类器进行加权组合，构建一个强分类器。
在构建强分类器时，需要考虑到各个弱分类器的性能和权重。
人脸识别技术的特征提取方法
人脸识别技术的特征提取方法人脸识别技术是一种通过获取和分析人脸图像中的特征，来进行身份验证或者身份识别的技术。
而人脸识别技术的核心就是人脸特征的提取。
本文将介绍几种常用的人脸识别技术中的特征提取方法。
一、颜色信息的提取颜色信息是人脸图像中最直观的特征之一，通过对人脸图像进行色彩空间转换，即将RGB颜色空间转换为HSV颜色空间，可以提取出特定的颜色信息。
在HSV颜色空间中，H表示色调，S表示饱和度，V 表示亮度。
通过调整阈值，可以提取出人脸图像中的肤色信息，从而进行特征的提取和分析。
二、几何信息的提取几何信息是利用人脸图像中的形状和结构特征，通过计算和测量人脸各个部位之间的相对位置和大小关系来进行特征提取。
常见的几何信息包括眼睛间距、眼睛到鼻子的距离、嘴巴的大小等。
通过测量和计算这些几何信息，可以得到一个人脸的独特特征。
三、纹理信息的提取纹理信息是指人脸图像中由于皮肤质地、皱纹等因素造成的细微变化。
纹理信息的提取需要先将人脸图像进行分割，再对每个小区域进行纹理特征的提取。
常用的方法有局部二值模式（LBP）和高斯微分滤波器（GDF）等。
通过提取纹理信息，可以得到一个人脸图像的纹理特征。
四、特征融合除了单一的特征提取方法，还可以通过将不同的特征进行融合来得到更加准确的特征提取结果。
特征融合可以采用加权求和的方式，将不同特征的重要性进行评估，并根据重要性进行加权处理。
常见的特征融合方法有融合规则、融合加权和融合决策等。
五、深度学习方法近年来，深度学习方法在人脸识别技术中得到了广泛应用。
深度学习方法通过构建深层神经网络，利用多层次的特征提取和表达能力来实现人脸特征的提取。
常见的深度学习方法有卷积神经网络（CNN）和自编码器（Autoencoder）等。
总结：人脸识别技术的特征提取方法包括颜色信息的提取、几何信息的提取、纹理信息的提取、特征融合和深度学习方法。
不同的特征提取方法有不同的应用场景和优劣势，根据具体的需求选择合适的方法进行特征提取，可以提高人脸识别技术的准确度和稳定性。
人脸识别常用算法
人脸识别常用算法人脸识别是一种通过计算机视觉技术对图像或视频中的人脸进行检测、识别和验证的技术。
它在安防监控、人脸支付、人脸解锁等领域有着广泛的应用。
人脸识别的核心在于算法的设计与优化，下面将介绍几种常用的人脸识别算法。
一、特征提取算法特征提取算法是人脸识别的关键步骤，它通过对人脸图像进行分析和处理，提取出具有代表性的特征信息。
常用的特征提取算法有主成分分析（PCA）算法、线性判别分析（LDA）算法和局部二值模式（LBP）算法。
PCA算法通过对人脸图像进行降维，将高维的图像数据映射到低维的特征空间中，然后利用这些特征进行分类和识别。
LDA算法则是通过最大化类间距离和最小化类内距离的方式，寻找最优的投影方向，以实现人脸的区分和识别。
LBP算法则是一种局部特征描述算法，它通过对图像的每个像素点与其周围像素点进行比较，得到一个二进制编码，从而提取出人脸的纹理信息。
二、人脸检测算法人脸检测算法是人脸识别的前置步骤，它主要用于检测图像或视频中是否存在人脸，并将其位置标记出来。
常用的人脸检测算法有Viola-Jones算法、卷积神经网络（CNN）算法和级联分类器算法。
Viola-Jones算法是一种基于机器学习的人脸检测算法，它通过训练一个级联的强分类器来实现人脸的检测。
CNN算法则是一种深度学习算法，它通过构建多层的卷积神经网络来提取图像的特征，并通过分类器进行人脸检测。
级联分类器算法则是将多个分类器组合在一起，通过级联的方式进行人脸检测，以提高检测的准确率和速度。
三、人脸识别算法人脸识别算法是通过对提取的人脸特征进行匹配和比对，从而实现对人脸的识别和验证。
常用的人脸识别算法有支持向量机（SVM）算法、人工神经网络（ANN）算法和卷积神经网络（CNN）算法。
SVM算法是一种监督学习算法，它通过构建一个超平面来实现对不同类别的人脸进行分类和识别。
ANN算法则是一种模拟人脑神经元工作原理的算法，它通过构建多层的神经网络来实现对人脸的识别。
人脸识别算法
⼈脸识别算法基于⼈⼯神经⽹络的⼈脸识别系统童志军090739第⼀部分：引⾔在计算机控制上可靠的个⼈⾝份识别的需求引发了⽤⽣物特征替代密码和⾝份证进⾏识别的趋势。
由于密码会被泄露给不合法的⽤户并且⾝份证会被骗⼦盗取所以密码和⾝份证会被轻易的破坏，⽣物特征识别的出现能够很好的解决传统分类⽅法的问题。
⽣物特征包括⼈的虹膜、视⽹膜、⾯部轮廓、指纹、签名⼒度变化和语⾳等特征，这些特征可以⽤于⼈物识别。
由于⽣物特征不能被轻易的盗取和分享，所以⽣物特征识别相⽐于传统安全措施有很⼤的优势，⼈脸识别系统积极稳固的特点使它在⼈物识别中脱颖⽽出。
⼈脸识别系统包括⼈脸核实和⼈脸识别两个阶段。
在核实阶段，系统根据⼈物特征的先验知识进⾏核实，这就是说，系统要判断当前待识别⼈物是否为骗⼦。
在⼈脸识别阶段，先验特征并不知道，系统只能根据最⼤似然准则进⾏识别。
这篇⽂章的最初⽬的是对使⽤⼈⼯神经⽹络来⼈脸检测和识别的性能进⾏评价，⽂章的剩余部分就是这样组织的：第⼆部分描述了系统的过程图和⼈脸识别系统的各个模块；第三部分详尽说明了预处理、特征提取和⽬标系统的分类的⽅法；第四部分展⽰了和讨论了实验结果，第五部分得出结论。
第⼆部分：系统综述正如图1所⽰，推荐的⼈脸识别算法包含⼊学和识别/分类两个阶段，它包含图像获取，⼈脸检测、学习、识别和核实。
图1 ⼈脸识别系统结构图A ⼊学阶段使⽤⽹络照相机获得图⽚并储存在数据库中，然后对图⽚进⾏检测和训练。
训练时，使⽤⼏何学和光学标准化⽅法对脸部图⽚进⾏预处理，采⽤⼏种特征提取的⽅法提取脸部图⽚特征，然后把这些特征数据存在数据库中作为⽤户标识。
B 识别/实验证明阶段再次获得⽤户脸部⽣理数据，此系统使⽤数据辨别⽤户或者分类⽤户标识。
虽然⾝份鉴定需要把获得的⽣物特征信息与数据库中所有⽤户的数据进⾏模板匹配，⾝份核实仅需要把⽣物特征信息与主要特性进⾏模板匹配，所以⾝份识别与实验证明在内在复杂性上截然不同。
人脸检测实训内容及过程简易
人脸检测实训内容及过程简易
人脸检测实训通常涉及以下几个关键步骤：
1. 数据收集：首先，需要收集用于训练的人脸数据。
这些数据可以来自各种不同的来源，例如公共数据库、个人照片库或者实时视频流。
确保数据集具有足够的多样性和代表性，以便算法能够准确识别各种不同的人脸特征。
2. 预处理：对收集到的图像进行必要的预处理，包括灰度化、大小归一化等。
这些步骤可以帮助提高人脸检测的准确性和效率。
3. 特征提取：使用适当的算法从图像中提取特征。
这可以基于手工设计的特征（如Haar特征）或基于深度学习的特征（如卷积神经网络）。
4. 训练分类器：使用提取的特征和标记的人脸/非人脸数据集训练分类器。
这通常涉及选择一个适当的机器学习算法（如Adaboost、随机森林等）并对其进行调整以获得最佳性能。
5. 检测阶段：在测试阶段，将分类器应用于输入的图像，以检测和定位人脸。
这可能涉及滑动窗口方法或使用更复杂的算法，如深度学习方法。
6. 结果评估：最后，评估检测算法的性能，例如通过计算准确率、召回率、F1分数等指标。
根据评估结果，可能需要进行进一步的调整和优化。
在整个实训过程中，理解和应用适当的机器学习算法是关键。
此外，由于人脸检测是一个具有挑战性的任务，需要仔细调整和优化算法参数以获得最佳性能。
同时，实时性和准确性也是需要考虑的重要因素，特别是在实际应用中。
- 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)。
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
Байду номын сангаас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。
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
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。
谢谢
Thank you
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
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。
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。
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
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。
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。
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，同时只需 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。
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。
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
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]。
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)
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
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