人臉檢測若干關鍵技術研究.pdf

1、人臉檢測(Face Detection)是指采用一定的算法或策略對任意的輸入圖像或圖像序列進行搜索遍歷,從而判斷其中是否包含人臉,如果包含人臉,則定位出每個人臉的位置、大小以及姿態(tài)。人臉檢測是人臉信息處理中的一個關鍵環(huán)節(jié),是自動人臉識別的前提和基礎,人臉檢測性能的好壞,直接影響著人臉信息識別的結果。目前,人臉檢測已經(jīng)廣泛應用于生物特征識別、視頻監(jiān)控、人機交互、安防系統(tǒng)、內容檢索及電視會議等領域。本文針對人臉檢測中存在的問題與難點,對人臉

2、檢測的若干關鍵技術進行了深入的研究,具體研究內容主要包括:
　　 (1)為了去除噪聲對人臉檢測結果的影響,提出了利用EMD(Empirical ModeDecomposition)的自適應圖像去噪方法。該方法首先對噪聲圖像按照列、行、左對角和右對角方向一維展開,分別進行EMD處理,采用提出的基于噪聲標準差的自適應閾值對各個IMF進行局部硬閾值去噪,將去噪后的IMF進行反變換,分別獲得按照四個方向展開所對應的去噪后圖像,然后將它們

3、加和平均得到去噪后圖像。該方法能夠有效地去除圖像的噪聲并保留足夠的圖像細節(jié)。為了提高人臉檢測的速度,提出一種基于膚色相似度和動態(tài)閾值相結合的膚色分割算法,以實現(xiàn)預先去除人臉圖像中的大量背景區(qū)域。該算法首先在YCgCr色彩空間計算膚色相似度,然后給出一種基于類間方差和類內離散度相結合的動態(tài)閾值確定方法,并根據(jù)求得的動態(tài)閾值對輸入圖像進行膚色分割。該算法具有較強的適應性,能夠較好地克服光照變化的影響,明顯改善膚色分割性能,對提高人臉檢測的速

4、度與性能起到關鍵的作用。
　　 (2)在人臉檢測問題中,人臉樣本和非人臉樣本在概率分布上存在著極大的不對稱性,即非人臉樣本的數(shù)量明顯多于人臉樣本的數(shù)量。針對人臉檢測中正負樣本的非對稱性,對AdaBoostSVM算法進行改進,提出基于樣本非對稱性的AdaBoostSVM人臉檢測算法(SA-AdaBoostSVM算法)。該算法在評估每個弱分類器的重要性時,其評價系數(shù)不僅決定于錯誤率,還考慮了該弱分類器對人臉樣本的識別能力,從而增大了

5、人臉樣本在訓練中的作用。這一算法可以提高人臉檢測分類器的訓練收斂速度,明顯改善正面人臉檢測的性能與速度。
　　 (3)多姿態(tài)人臉檢測中,人臉姿態(tài)具有極強的不確定性,存在很大的變化空間,且其變化過程具有連續(xù)性和復雜性,為此,提出一種基于多特征融合與改進的決策樹級聯(lián)結構相結合的多姿態(tài)人臉檢測算法。該算法首先對邊緣方位場特征進行改進,給出基于形態(tài)學梯度的邊緣方位場特征,然后將其與Haar-like特征和三角積分特征相融合,對SA-Ad

6、aBoostSVM算法進行訓練。同時,該算法還對決策樹級聯(lián)結構進行改進,在訓練和檢測階段,允許邊界鄰域范圍內的人臉樣本同時進入決策樹級聯(lián)結構的兩個分支。實驗結果表明,該算法能夠充分發(fā)揮不同特征的互補優(yōu)勢,達到速度和性能的全面改善,為更好地解決多姿態(tài)人臉檢測問題提供一種較為有效的方法。
　　 (4)人臉表面由于一些遮擋物的存在,導致不能提供人臉檢測所需的全部信息,直接影響著人臉檢測結果。針對這一問題,提出基于組件距離匹配度函數(shù)的部