文档介绍：概述随着多媒体技术的发展,人脸图像在各种领域中具有越来越重要的作用,如人机交互系统、视频监测系统、人脸图像数据库管理系统、人脸检测与识别系统等。在各种人脸图像的应用系统中,人脸特征定位是重要组成部分之一。例如在安全监控应用中,银行部门的监控和安保部门的监控,需要对人的各项特征进行有针对性的监视。对于监控对象的身高,衣着等特征,可以在较模糊图像中获得,但是对人脸部分特征,却必须要清晰的图像才能获得[1]。如果可以对人脸进行针对性的监视,就可以使得应用安全监控的部门获得更多的安全保证。而人脸自动定位是这一监控方法的第一步,它的性能如何直接决定了监控的效果。简单的说,所谓的人脸定位,就是在静态图像或动态图像中标出人脸所在的位置,把人脸选取出来[2]。而人脸的识别就是把选取出来得人脸与数据库中已有的人脸进行比较,找出匹配的档案来。有的文献也把人脸的定位和识别统称为人脸识别,定位和识别则是两个主要的步骤。完整的人脸识别系统涉及到决定静态图像或动态图像中无人脸、计数、定位,然后根据数据库识别出个人,可能的话还要识别表情,以及根据脸的图像做出描述;或者反过来根据描述挑选匹配的人脸图像[3]。而说道快速的人脸特征定位,就不得不提及人脸检测技术。人脸检测是人脸特征定位的前提,在整个过程中起着不可忽视的作用。人脸检测问题最初作为自动人脸识别系统的定位环节被提出,近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值,开始作为一个独立的课题受到研究者的普遍重视。下面我将对人脸检测的相关知识做一下简单的介绍。1人脸检测的基本概念人脸检测是指在输入图像中确定所有人脸(如果存在)的位置、大小和姿态的过程。人脸检测系统输入的是可能包含人脸的图像,输出的是图像中是否存在人脸和人脸数目、位置、尺度等信息的参数化描述。人脸检测任务的完成涉及从复杂的背景中分割、抽取、验证人脸区域和可能用到的人脸特征(如眼睛、唇色等)。成功的人脸检测系统应能处理实际存在的光线、人脸方向和距照相机远近变化等各种情况。。从人脸姿态的角度,可以分为正面人脸检测、多姿态人脸检测(包括侧面,俯仰、旋转等);从人脸个数的角度,可以分为单人人脸检测、未知人脸个数的检测。从图像背景复杂程度的角度[10],分为简单背景人脸检测(指无背景或背景的特征被严格约束,在该条件下只利用人脸的轮廓、颜色、运动等少量特征,就能进行准确检测)、复杂背景人脸检测(指背景的类型和特征不受约束,某些区域可能色彩、纹理等特征与人脸相似,必须利用较多的人脸特征才能做到准确检测);从图片是否包含色彩信息的角度,可以分为彩色图片人脸检测和灰度图片人脸检测;从图片是否动态的角度,可以分为静止图像中的人脸检测、视频图像序列中人脸的检测与跟踪。,受以下因素的影响,实际中的人脸检测极具挑战性[11]:①人脸本质上是三维的非刚性可变的物体,人脸由于姿态、外貌、表情、肤色等不同,具有模式的可变性;②一般意义下的人脸上,可能存在眼镜、胡须等附属物;③三维体的人脸的影像不可避免地受到由光照产生的阴影的影响;④图像的质量不一,由于成像的条件和手段不同,图像可能受噪声的干扰,前景目标模糊不清,比如人脸与背景区别不大造成人脸分割的困难,人脸被某些物体遮挡造成人脸特征的提取困难,光源色温不同造成的肤色分割困难等。因此,如果能够找到解决这些问题的方法,成功的构造出人脸检测系统,将为解决其它类似的复杂模式的检测问题提供重要的启示。,因此,本文主要讨论静止图像的人脸检测。经过了几十年的研究发展,人脸检测算法形成以下几类主要的方法[13]。)基于事例学习的方法:将人脸检测看作区分人脸样本和非人脸样本这两类模式的分类问题,通过对人脸样本集和非人脸样本集进行训练得到人脸分类器,然后利用学习出来的分类器对图像中区域进行检测,代表性的方法有基于神经网络的方法,基于支持向量机的方法。2)基于子空间的方法:将主分量分析应用到人脸检测中,对人脸训练样本集进行主分量分析得到特征脸子空间,将图像区域投影到特征脸子空间,并计算到特征脸子空间的距离,以此作为标准检测人脸。3)基于隐马尔可夫模型的方法:把人脸模式看作参数化的随机过程,把人面部的额头、眼睛、鼻子、嘴巴和下巴等器官所在部位看作随机过程的状态,通过对符合人脸各器官分布的状态的随机过程的检测来实现对人脸检测[15]。)预定模板匹配法:根据人脸的先验知识确定出人脸轮廓模板以及各个器官特征的子模板,先通过计算图像中区域和人脸