江苏龙网

  1. 主页 > 生活百科 > >

人脸检测和识别技术的文献综述 人脸检测综述( 二 )


编码规则通常以较低的分辨率确定人脸的候选区域，包括人脸中心部分的浅阴影部分，其中存在基本相同的灰度单元 。
图2杨和黄的检测方法
图2杨和黄的检测方法
3.1.2基于特征的方法
基于特征的方法不仅可以从现有的面部特征中检测人脸，还可以从它们的几何关系中检测人脸 。与基于知识的方法相反，它是寻找人脸的不变特征进行人脸检测 。在推断人脸的存在之前，已经提出了许多方法来检测人脸的面部特征 。通常用边缘检测器提取眉毛、眼睛、鼻子、嘴巴、发际线等面部特征 。根据提取的特征，建立统计模型描述特征之间的关系，确定已有的人脸 。基于特征的算法的问题是图像特征受到光照、噪声和遮挡的严重破坏，人脸的特征边界被削弱，阴影可能造成强边缘，这可能使算法难以使用 。
模板匹配的方法
Sakai等人使用子模板，如眼睛、鼻子、嘴和面部轮廓，对照片中的正面人脸进行建模和检测 。每个子模板是根据行分割来定义的 。基于最大梯度变化提取输入图像的直线，然后与子模板进行匹配 。计算子图像与轮廓模板的关系来检测人脸的候选区域，并完成与候选区域中其他子模板的匹配 。
克劳等人提出了基于正面人脸的形状模板，即人脸形状定位方法 。Sobel算子用于提取边缘，将它们组织在一起，并根据几个约束条件搜索人脸模板 。头部轮廓上的位置 。
Govindaraju等人提出了两阶段人脸检测方法 。根据由边缘定义的特征来构建人脸模型 。这些特征描述了正面面部左侧、发际线和右侧的曲线 。面部必须垂直，无障碍，正面 。
3.1.4基于外观的方法
基于外观的方法首先基于大量的训练样本集，通过学习建立一个能够正确识别人脸和非人脸样本的分类器，然后对检测图像进行全局扫描，利用分类器检测扫描图像窗口是否包含人脸，如果包含人脸，给出人脸的位置 。
Moghaddam和Pentland提出了一种概率视觉学习方法[12]，该方法使用高维特征空之间的分解密度估计 。主成分分析(PCA)用于定义sub 空来最好地表示人脸模式集 。主组件保留数据中的主组件，并丢弃那些子组件 。在这种方法中，向量空被分解成两个互斥且互补的sub 空 sub或feature 空 sub及其正交sub 空 sub 。因此，物体的密度被分解成由主分量空之间的主分量展开的两个分量的密度，其垂直分量(标准PCA中丢弃的次分量)如图3所示 。多元高斯和混合高斯密度分布用于学习人脸局部特征的统计 。这些概率密度然后用于基于最大值的
基于似然估计的目标检测 。该方法已用于人脸定位、编码和识别 。与传统的特征脸方法相比，该方法在人脸识别中表现出更好的性能 。
图3图像空分为主子空和竖补空 。
图3将图像空间分解成
主子空间及其正交补
3.2人脸识别方法
3.2.1早期的几何特征法和模板匹配法
最早的人脸识别方法是基于几何特征的方法[13] 。其基本思想是提取人脸代表性部位(如眉毛、眼睛、鼻子、嘴巴等)的相对位置和大小 。)作为特征，然后借助人脸轮廓的形状信息对人脸进行分类识别 。模板匹配法是模式识别中最简单的模式分类方法 。在人脸识别中，将数据库中的人脸图像视为已知模板，然后根据待识别图像与已知模板的相关性进行分类 。
神经网络方法
基于神经网络的人脸识别方法也是早期的方法之一 。目前流行的基于动态链接结构的弹性图匹配方法已经取得了一定的成功 。它利用Gabor小波提取和描述人脸中的一些局部特征点(节点)，并以标号图的形式连接起来 。标记图之间的相似性用来衡量人脸图像之间的相似性 。弹性图匹配方法不仅反映了人脸的几何特征信息，而且可以通过标记图的弹性变形来描述人脸的一些变化，因此可以达到较好的识别性能 。
基于统计的方法
统计学是目前最受关注的方法之一 。它的思想是学习 。
到人脸的统计特征，并进行区分分类 。其学习和识别过程的模型如下
显示了4个 。
图4统计方法识别模型
子空间分析是主要方法之一 。其思想是通过线性或非线性变换，将高维空空间中松散分布的人脸图像压缩到一个信息资源网络的低维sub 空空间中，使低维sub 空空间中的人脸 。此外，高维计算被简化为低维计算 。目前已成功应用于人脸识别的线性sub 空分析方法有主成分分析/PCA、线性判别分析/LDA、独立成分分析/ICA、非负矩阵分解/NMF；基于核技术的非线性亚[/k0/]分析包括核主成分分析(KPCA)和核Fisher判别分析(KFDA) 。


推荐阅读


上一篇：氨茶碱片的作用及功效

下一篇：教你快速学习摩托车驾照怎么考 摩托车学习