开题报告-人脸检测算法研究

南京工程学院 毕业设计开题报告

课 题 名 称： 人脸检测算法研究 说 明 1．根据南京工程学院《毕业设计(论文)工作管理规定》，学生必须撰写《毕业设计（论文）开题报告》，由指导教师签署意见、教研室审查，系教学主任批准后实施。

2．开题报告是毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。学生应当在毕业设计（论文）工作前期内完成，开题报告不合格者不得参加答辩。 3．毕业设计开题报告各项内容要实事求是，逐条认真填写。其中的文字表达要明确、严谨，语言通顺，外来语要同时用原文和中文表达。第一次出现缩写词，须注出全称。 4．本报告中，由学生本人撰写的对课题和研究工作的分析及描述，应不少于2000字，没有经过整理归纳，缺乏个人见解仅仅从网上下载材料拼凑而成的开题报告按不合格论。 5．开题报告检查原则上在第2～4周完成，各系完成毕业设计开题检查后，应写一份开题情况总结报告。 毕业设计(论文)开题报告 学生姓名 池贤城 学 号 208100714 专 业 信息工程 指导教师姓名 程勇 职 称 副教授 所在院系 通信工程学院 课题来源 D．自拟课题 课题性质 A．工程设计 课题名称 人脸检测算法研究

毕业设计的内容和意义

毕业设计内容： 了解与本课题相关的技术的发展情况及国内外现状的基础上,学习掌握人脸检测原理及基于AdaBoost算法的人脸检测的方法，实现对人脸图像进行检测的过程演示。 毕业设计应完成的技术文件： 1）3000字以上毕业设计开题报告 2）2000字以上英文参考文献的中文译文 3）实现人脸检测系统 4）毕业设计论文（15000字以上） 毕业设计意义： 人脸是一个常见而复杂的视觉模式，人脸所反映的视觉信息在人们的交往中有着重要的作用和意义。对人脸进行处理和分析在视频监控、出入口控制、视频会议以及人机交互等领域有着广泛地应用前景。人脸的处理和分析包括人脸识别、人脸跟踪、姿势估计和表情识别等，其中人脸检测是所有人脸信息处理中关键的第一步，近年来成为模式识别和计算机视觉领域内一个受到普遍重视、研究十分活跃的课题。 人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸（存在）则返回人脸的位置、大小和姿态[1][4-8][11]。人脸检测是自动人脸识别系统中一个关键环节，但是早期的人脸识别研究要针对具有较强约束条件的人脸图像，人脸位置很容易获得，所以人脸检测问题并未受到重视。近几年随着电子商务等应用的发展，人脸识别成为最优潜力的生物身份验证手段，人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理等方面的广泛应用，把人脸检测提到了一个新的高度。在基于内容的检索中，由用户给出一幅人脸图像，利用人脸检测技术，可以很快的在数据库中找出一系列相关图像，这些广泛地应用前景使得人脸检测的研究备受关注。 文献综述

对人脸检测的研究最初可以追溯到20世纪70年代，人脸检测早期的研究主要致力于模板匹配，子空间方法，变形模板匹配等。早期人脸检测方法往往针对简单无变化背景下的正面人脸检测，所以使这些方法在很大程度上显得很呆板。直到90年代，随着实际的人脸识别和视频编码系统开始成为现实，这种情况才有所改变。在过去的十多年里，对人脸检测的极大兴趣开始从几个方面展开。研究者提出了多种检测方法，特别是那些利用运动，肤色和一般信息的方法[4]。统计和神经网络方法的使用也使在复杂背景和多分辨率中的人脸检测成为可能。另外，在能够精确定位的跟踪面部特征提取方法的设计方面也取得了很大的进展。经过多年发展，其主要算法分为以下几类： 基于知识的方法 基于知识的方法是基于规则的人脸检测方法, 规则来源于研究者关于人脸的先验知识[1]。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系, 如在一幅图像中出现的人脸, 通常具有互相对称的两只眼睛、一个鼻子和一张嘴。特征之间的相互关系可以通过它们的相对距离和位置来描述。在输入图像中首先提取面部特征, 确定基于编码规则的人脸候选区域。 这种方法存在的问题是很难将人类知识转换为明确定义的规则。如果规则是详细的( 严格的) , 由于不能通过所有的规则检测可能失败; 如果规则太概括( 通用) , 可能会有较高的错误接收率。此外, 很难将这种方法扩展到在不同的位姿下检测人脸, 因为列举所有的情况是一项很困难的工作。 基于特征的方法 基于特征的方法不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。与基于知识的方法相反, 它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征, 后推断人脸是否存在的方法。面部特征,如眉毛、眼睛、鼻子、嘴和发际, 一般利用边缘检测器提取, 根据提取的特征, 建立统计模型描述特征之间的关系并确定存在的人脸。基于特征的算法存在的问题是, 由于光照、噪声和遮挡等使图像特征被严重地破坏, 人脸的特征边界被弱化, 阴影可能引起很强的边缘, 而这些边缘可能使得算法难以使用[1]。近年来, 人们不断的改进，已经提出几种使用形状分析、颜色分割和运动信息结合的模块化系统在图像序列中用于定位和追踪头部和人脸的方法，大大提高了检测效果。 文献综述

模板匹配的方法 模板匹配法是一种经典的模式识别方法。存储几种标准的人脸模式, 用来分别描述整个人脸和面部特征,计算输入图像和存储的模式间的相互关系并用于检测。处理过程为：首先预处理图像，预定义一个标准人脸图案；其次计算输入图像与标准人脸图案的相关值，最后根据预先设定的阈值和相关值判断是否有人脸。由于模板本身不是很精确的模型，因此这类方法检测精度不高，并且基于模板的人脸检测方法计算量也比较大。该类方法适于简单背景下的单人正面人脸检测，在复杂背景下或者面部有遮挡情况下很难获得理想的检测效果。[11] 基于外观的方法 上述模板匹配法实质是个固定模板，基于外观的方法实质是有着变化模板的模板匹配法，其标准人脸图案从一系列具有代表性脸部表观的训练图像学习而来，不需要预先定义。基于外观的方法利用统计分析和机器学习的技术来寻找人脸和非脸图像的有关特性。学习而来的特性总结成分布模型或者判别函数，再利用这些分布模型或者判别函数来检测人脸[1]。

划在以上几种大算法之下的经典算法有： 神经网络（ Neural Network） 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型；其可以充分逼近任意复杂的非线性关系，采用并行分布处理方法，使让快速进行大量运算成为可能，并具有自学习功能，通过自学习功能，慢慢学会识别类似的图像。1996年Rowley提出了里程碑式的用神经网络检测人脸的方法，他们采用局部连接的神经网络检测人脸，将每个区域划分成多个矩形子区域以用于描述人脸的局部特征，每个区域对应一个神经网络隐含单元。该方法检测速度较慢，Rowley等人又将此方法进行扩展，并采用姿态预估计来提升检测速度。但该方法需要对大量的正反例进行学习，耗费大量时间，检测速度也比较慢，但检测性能较强[11]。 特征脸（ Eigenface） 特征脸是基于从主成分分析（PCA）1的一种人脸检测，它根据一组人脸训练样本构造主元子空间，检测时，将测试图像投影到主元子空间上,得到一组投影系数，再和各个己知的人脸图像模式比较，从而得到检测结果。 Kohonen最早使用特征向量检测人脸，其特征向量法后来发展成为特征脸法。传统的特征脸法偏向于选择特征值大的特征向量，由于分类性能不加，后期发展出了多种特征（子空间）选择方法，如Belhumeur的FisherFace 方法等。 文献综述

基于样本学习方法（ Example-Based Methods） MIT 的Sung 和Poggio 等提出了基于样本学习的方法。他们采用k-均值聚类方法在特征空间中建立6 个“人脸”簇和包围“人脸”簇的6 个“非人脸”簇，以使“人脸”模式与“非人脸”模式的边界更为清晰，然后根据样本到各个簇中心的距离来训练一个多层感知器进行分类，用来实现人脸检测。 支持向量机 (SVM) 由Boser、Guyon、Vapnik在COLT-92 上首次提出，是一种基于统计学习理论的模式识别方法. 它针对两类分类问题，寻找一个超平面作为两类训练样本点的分割，以保证最小的分类错误率[11]。在线性可分的情况下，存在一个或多个超平面使得训练样本完全分开，SVM的目标是找到其中的最优超平面，最优超平面是使得每一类数据与超平面距离最近的向量与超平面之间的距离最大的这样的平面；对于线性不可分的情况，通过使用核函数（一种非线性映射算法）将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分。 隐藏马尔可夫模型( Hidden Markov Model, HMM) 隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。在HMM 用于模式识别问题时, 需要确定许多隐藏的状态形成一个模式, 然后, 训练HMM 从样本中学习传统状态间的概率, 其每个样本被表示为观察序列。训练HMM 的目的是通过HMM 模型中的参数调整最大化观察的训练数据的概率。训练HMM模型以后, 观察的输出概率确定了其所属的类别。 Adaboost算法[1,4,10] 它是Boosting算法的一种。Boosting算法的思想是将一系列粗略的规则加权组合起来得到高精度的规则。Boosting算法涉及到两个重要的概念就是弱学习和强学习[10]。弱学习指一个学习算法对一组概念的识别率只比随机识别好一点；强学习指一个学习算法对一组概率的识别率很高。现在我们知道所谓的弱分类器和强分类器就是弱学习算法和强学习算法。Kearns和Valiant提出了弱学习和强学习等价的问题并证明了只要有足够的数据，弱学习算法就能通过集成的方式生成任意高精度的强学习方法。这一证明使得Boosting有了可靠的理论基础，Boosting算法成为了一个提升分类器精确性的一般性方法。1990年，Schapire提出了第一个多项式时间的算法，一年后Freund又提出了一个效率更高的Boosting算法。然而，Boosting算法还是存在着几个主要的问题，其一： Boosting算法需要