下载文档原格式
基于人脸的活体检测技术综述摘要：人脸识别系统往往面临着各类人脸欺诈攻击，如打印照片、屏幕播放和三维面具等。
如何区分真实人脸与虚假人脸，称为人脸活体检测技术。
基于人脸的活体检测技术对人脸识别和身份认证系统的安全具有十分重要的意义。
近年来，大量基于人脸的活体检测方法相继提出，且部分已投入实际应用。
本文对基于人脸的活体检测技术进行了归纳梳理，分析了不同技术的特点，最后，进行了总结与展望。
关键词：活体检测人脸识别欺诈攻击1 引言近年来，人脸识别技术在许多领域取得了巨大发展并得到大力应用，如系统登录、门禁系统、出入安检、缉拿罪犯等。
然而人脸的照片或视频极易被他人通过一些廉价手段获取，导致一些不法分子利用合法用户的人脸来攻击相关的人脸识别与认证系统，使得人脸识别系统的安全性受到了严重的威胁。
常见的人脸欺诈攻击方式包括打印人脸照片、屏幕播放人脸和戴三维面具等。
随着人脸识别技术在社会生产生活各行各业中的广泛应用，为了保障人脸识别系统的安全性，发展人脸欺诈检测技术十分必要且迫切。
研究人员已提出了大量相关技术,部分技术已进入实际应用。
本文对基于人脸的活体检测技术进行了归纳梳理，分析了不同技术的特点，最后，进行了总结与展望。
2 基于人脸的活体检测技术2.1 真实人脸和欺诈人脸的区别真实人脸和欺诈人脸主要在图像纹理、三维结构、运动模式三个方面有比较明显的区别。
在图像纹理方面，欺诈人脸一般经过至少两次采集得到，真实人脸是通过一次采集得到。
经过多次采集之后，图像中所包含的细节信息会由于各种因素的影响而发生各种难以预测的变化，这种变化的来源大致分为三类：图像阴影、图像模糊和图像高光。
在三维结构方面，无论纸质人脸照片如何折叠，都无法模拟出真实人脸形状。
基于此，通过对比真实人脸和纸质人脸图像的三维结构便可有效地进行活体检测。
在运动模式上，运动模式主要分为人脸运动模式和前背景运动模式两种。
人脸运动模式主要是由于真实人脸的运动模式可能来自于各种情况，因此会呈现出各种不同的表现形式，运动的幅度也各种各样。
人脸检测算法综述人脸检测是计算机视觉领域中的基础任务之一，旨在识别和定位一张图片或视频帧中的人脸。
这一技术在众多应用中发挥着重要作用，如人脸识别、表情分析、面部特征提取、人机交互等。
人脸检测算法的发展经历了多个阶段。
早期的方法主要基于机器学习技术，如Haar特征和级联分类器。
这些方法将图片中的人脸与其他区域进行区分，并使用分类器对人脸进行判断。
虽然这些方法在准确率和速度方面取得了一定的成绩，但随着计算机性能的提高和数据集的增大，这些方法在复杂场景下的鲁棒性仍然较差。
近年来，深度学习技术的兴起极大地推动了人脸检测算法的发展。
卷积神经网络（CNN）是目前最常用的深度学习模型之一、许多基于CNN的方法针对人脸检测进行了改进和优化。
其中，YOLO系列算法、Faster R-CNN算法和RetinaNet算法是比较典型的代表。
YOLO系列算法是一种实时目标检测算法，采用了单阶段的检测策略。
它将目标检测任务转化为一个回归问题，通过将图片划分为多个网格，对每个网格同时进行类别预测和位置回归。
YOLOv3算法使用了多尺度预测和多层级特征融合的策略，提高了检测准确率和速度。
Faster R-CNN算法通过引入区域建议网络（RPN）和候选区域池化（RoI Pooling）层，实现了准确的目标定位和区域ROI的提取。
在检测人脸时，Faster R-CNN算法通过对每个候选区域进行进一步的分类和位置回归，提高了检测准确性。
RetinaNet算法是一种基于金字塔特征检测网络（FPN）和特征金字塔网络（PFPN）的目标检测算法。
RetinaNet算法通过设计特殊的损失函数，解决了目标检测中正负样本不平衡的问题，提高了对小目标的检测能力。
除了深度学习方法外，还有一些传统的基于特征的方法被应用于人脸检测。
例如，基于HOG特征和SVM分类器的方法可以获得较好的检测效果，但其准确率在复杂场景下受限。
此外，还有一些基于3D信息的人脸检测算法。
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
人脸识别过程一般要经过图像预处理、特征提取、匹配识别三个步骤,其中特征提取和匹配识别尤为重要。
特征提取的主要工作是从人脸图像中提取一组反应人脸特征的向量表征人脸样本,这个过程常与特征降维重合;匹配识别则是对待识别的图像进行识别分类,这一过程通过选择适当的匹配策略将输入到分类器的图像数据与数据库中的数据进行匹配,进而判断个体身份人脸携带了许多信息,是由眼睛、鼻子、嘴、和下巴等部位组成的,但因个体差异使这些器官的形状和大小及分布因人而异;在人脸图像中, 再加上光照、姿态、表情等因素的变化,使得人脸图像的识别过程变得异常复杂人脸识别的优点——无直接接触性、自然容易接受及非侵犯性等(1)有很好的隐蔽性,不一定需要用户的配合就能釆集到所需画面,在安全监控、疑犯追踪和监控等领域展现了很好的适用性,这是其它的生物特征识别所不能取代的。
(2)它的采集方式友好,是一种非接触式采集,容易被用户接受,不会造成反感及抵触。
(3)它操作起来比较简单,不需要高深的专业知识,便于人们使用,是一种快捷的识别方式。
(4)它具有强大的事后追踪能力,相对于指纹、虹膜等识别能力,普通用户就可以做出判断;(5)识别结果显而易见,更符合人类的认知习惯,具备指纹识别等不具备可交互性,适合于改善人机界面;(6)需要的设备简单、成本低、通用,普通的摄像头就可以达到识别要求强调了其局限性,正是这些局限性给研究人员提供了研究思路。
这些局限性一般包括人脸图像的内在因素和外在因素造成的障碍,内在因素如年龄、表情、面部装饰和种族、性别的不同,外在因素有光照、姿态、摄像机的成像参数及釆集数据的规模等叙述了人脸识别的原理及发展历程,详细介绍了各历程中涌现出的代表性的人脸识别方法,从早期的面部剪影曲线的结构特征提取与分析到特征脸方法的提出,从线性子空间判别分析、统计表观模型、统计模式识别方法到非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维模型的人脸建模与识别方法。
人脸检测和识别技术的文献综述Last updated on the afternoon of January 3, 2021人脸识别技术综述摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。
关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法;随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。
人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。
1.人脸识别技术基本介绍人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。
计算机人脸识别技术也就是利用计算机分析人脸图象,进而从中出有效的识别信息,用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。
首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。
为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。
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：A1 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。
2020-01-10http://www. joca. cnJournal of Computer Applications 计算机应用,2020,40(1):8 -15ISSN 1001-9081CODEN JYIIDU文章编号:1001 -9081(2020) 01 - 0008-08DOI ：10.11772/j. issn. 1001-9081.2019061043面部运动单元检测研究综述严经纬"，李 强，王春茂，谢 迪,王保青，戴 骏(杭州海康威视数字技术股份有限公司研究院，杭州310051)(* 通信作者电子邮箱 yanjingweil989@ 126. com)摘要：面部运动单元检测旨在让计算机从给定的人脸图像或视频中自动检测需要关注的运动单元目标。
经过二十多年的研究，尤其是近年来越来越多的面部运动单元数据库的建立和深度学习的兴起，面部运动单元检测技术发展迅速。
首先，阐述了面部运动单元的基本概念，介绍了已有的常用面部运动单元检测数据库,概括了包括预处理、 特征提取、分类器学习等步骤在内的传统检测方法；然后针对区域学习、面部运动单元关联学习、弱监督学习等几个关键研究方向进行了系统性的回顾梳理与分析;最后讨论了目前面部运动单元检测研究存在的不足以及未来潜在的发展方向。
关键词：面部运动单元；运动单元检测；区域学习；关联学习；弱监督学习中图分类号：TP391.413文献标志码:AReview of facial action unit detectionYAN Jingwei *, LI Qiang, WANG Chunmao, XIE Di, WANG Baoqing, DAI Jun(Hikvision Research Institute, Hangzhou Hikvision Digital Technology Company Limited, Hangzhou Zhejiang 310051, China)Abstract ： Facial action unit detection aims at making computers detect the action unit targets based on the given facialimages or videos automatically. Due to a great amount of research during the past 20 years, especially the construction o£ more and more facial action unit databases and the raise of deep learning based methods, facial action unit detection technology hasbeen rapidly developed. Firstly, the concept o£ facial action unit and commonly used facial action unit databases were introduced, and the traditional methods including steps such as pre-processing, feature extraction and classifier learning weresummarized. Then, for several important research areas, such as region learning, facial action unit correlation learning andweak supervised learning, systematic review and analysis were conducted. Finally, the shortcomings o£ the existing reasearch and potential developing trends o£ facial action unit detection were discussed.Key words ： facial action unit; action unit detection; region learning; correlation learning; weak supervised learningo 引言为了更精细地研究人类面部表情,美国著名情绪心理学家Ekman 等⑴于1978年首次提出了面部运动编码系统（Facial Action Coding Syste 叫 FACS ），又于 2002 年作了重要改进⑷。
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：A1 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。
