開題報告--人臉檢測研究

1、<p>　　基于邊緣方向匹配的人臉檢測研究開題報告</p><p>　　課題來源、目的、意義和國內(nèi)外基本研究概況</p><p><b>　　課題來源</b></p><p>　　課題由指導老師自行擬定。</p><p><b>　　目的</b></p><p>　

2、　學習了解圖像處理和分析的基本原理，分析一個邊緣方向匹配算法，實現(xiàn)用于人臉的檢測。通過本課題的訓練，使學生掌握圖像處理和分析的基本原理與方法，強化軟件的基本設(shè)計與實現(xiàn)技術(shù)的訓練。</p><p><b>　　意義</b></p><p>　　在日常生活中，人的臉部特征提供了大量豐富的信息。對于人臉的研究因其在身份驗證、檔案管理和可視化通信等方面的巨大應(yīng)用前景，備受研究

3、者的關(guān)注。但在人臉檢測中存在許多難點:圖像中是否存在人臉、人臉數(shù)目的不確定；人臉在圖像的中的位置、大小、旋轉(zhuǎn)角度和尺度不固定；人臉由于外貌、表情、膚色等不同，具有模式可變性；人臉上可能存在眼鏡、胡須等附屬物；無約束背景下不可預知的成像條件；圖像只能夠的多張人臉有可能互相遮擋；圖像中存在噪聲等。所有這些未知因素都使得實際人臉檢測相當困難。如果能找到人臉檢測問題的解決辦法，成功構(gòu)造出一個使用系統(tǒng)，也將為解決其他類似復雜模式的檢測問題提供重要

4、的啟示。</p><p>　　另外由于人臉是自然界中構(gòu)成和細節(jié)變化最復雜的模式之一，如果能研究出一個成功的人臉檢測系統(tǒng)，那么就能對其他的模式檢測問題提供有價值的參考。比如對人臉檢測這一問題的深入研究會附帶解決很多諸如汽車、動物等其他物體的檢測，而且必將推動模式識別、計算機視覺、人工智能等計算機科學分支的發(fā)展。</p><p><b>　　國內(nèi)外基本研究概況</b>&l

5、t;/p><p>　　由于人臉檢測是自動人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)，故其研究發(fā)展與人臉識別息息相關(guān)，依據(jù)研究內(nèi)容、技術(shù)方法等方面的特點大體劃分為三個階段。</p><p><b>　　第一階段</b></p><p>　　這一階段的人臉識別通常只是作為一個一般性的模式識別問題，采用的主要方案是基于人臉幾何特征的方法。這集中體現(xiàn)在人們對剪影(pro

6、file)的研究上，對面部剪影曲線的結(jié)構(gòu)特征進行提取與分析。人工神經(jīng)網(wǎng)絡(luò)也一度被應(yīng)用其中。</p><p><b>　　第二階段</b></p><p>　　這一階段為人臉識別研究的高潮期，不但出現(xiàn)了若干代表性的人臉識別算法，而且出現(xiàn)了若干商業(yè)化的運作的人臉識別系統(tǒng)，如Identix的FaceIt系統(tǒng)。</p><p>　　麻省理工學院(MIT

7、)媒體實驗室的Turk和Pentland提出的“特征臉(Eigenface)”方法無疑最負盛名，其后很多方法都或多或少與其有關(guān)，現(xiàn)在Eigenface已經(jīng)與歸一化的協(xié)相關(guān)向量(normalized correlation)方法一道成為人臉識別的性能測試基準算法。</p><p>　　另外MIT智能實驗室的Brunelli和Poggio對比了基于結(jié)構(gòu)特征的方法與基于模板匹配的方法得出:模板匹配的方法優(yōu)于基于特征的方

8、法。這一結(jié)論與Eigenface共同作用，基本終止了純粹基于結(jié)構(gòu)特征的人臉研究，并促進了基于表觀(appearance-</p><p>　　based)的線性子空間建模和基于統(tǒng)計模式識別技術(shù)的人臉識別方法的發(fā)展。</p><p>　　Belhumeur等提出Fisherface人臉識別方法。該方法首先采用主成分分析(princi-</p><p>　　Pal co

9、mponent analysis,PCA)亦即Eigenface，對圖像的表觀特征進行降維，在此基礎(chǔ)上，采用線性判別分析(linear discriminant analysis,LDA)的方法變換降維后的主成分以期獲得“盡量大的類間散度和盡量小的類內(nèi)散度”。</p><p>　　MIT的Moghaddam在Eigenface的基礎(chǔ)上，提出了基于雙子空間進行貝葉斯概率估計的人臉識別方法。另外還有彈性圖匹配技術(shù)也在

10、這一階段提出。</p><p><b>　　第三階段</b></p><p>　　這一階段人臉研究變的非常熱門，吸引大量的研究人員與基金支持。由于對光照、姿態(tài)等非理想采集條件造成的變化條件下的魯棒性比較差。因此，光照、姿態(tài)問題組建成為研究熱點。</p><p>　　Georghiades等提出的基于光照錐模型的多姿態(tài)、多光照條件人臉識別方法是這

11、一時期的重要成果，他們證明了一個重要結(jié)論:同一人臉在同一視角、不同光照條件下的所有圖像在圖像空間中形成一個凸錐，即光照錐。</p><p>　　此外，以支持向量機(support vector machines,SVM)為代表的統(tǒng)計學習理論被應(yīng)用到人臉研究中。SVM是一個兩類分類器，而人臉識別則是一個多類問題，通常有三種策略解決這個問題，即類內(nèi)差/類間差法、一對多法和一對一法。</p><p&

12、gt;　　Blanz和Vetter等提出基于3D變形模型的多姿態(tài)、多光照條件人臉圖像分析法，它的主要貢獻在于它在3D形狀和紋理統(tǒng)計變形模型的基礎(chǔ)上，同時還采用圖形學模擬的方法對圖像采集過程的透視投影和光照模型參數(shù)進行建模，從而可以使得人臉形狀和紋理等人臉內(nèi)部屬性與攝像機配置、光照情況等外部參數(shù)完全分開，更加有利于人臉圖像的分析。</p><p>　　2001年的國際計算機視覺大會上，康柏研究院的研究院Viola和

13、Jones展示了他們的一個基于簡單矩形特征和AdaBoost的實時人臉檢測系統(tǒng)。該法的主要貢獻在于:</p><p>　　用可以快速計算的簡單矩形特征作為人臉圖像特征；</p><p>　　基于AdaBoost將大量弱分類器進行組合形成強分類器的學習方法；</p><p>　　采用了級聯(lián)技術(shù)提高檢測速度。</p><p>　　這為后續(xù)的人臉研

14、究提供了良好的基礎(chǔ)。</p><p>　　總體而言，目前非理想成像條件下(光照和姿態(tài)的變化)以及大規(guī)模人臉數(shù)據(jù)庫上的人臉識別問題成為研究的熱點。而非線性建模方法、統(tǒng)計學習理論、基于Boosting的學習技術(shù)、基于3D模型的人臉建模與識別方法等逐漸成為備受重視的技術(shù)。</p><p>　　預計達到的目標、關(guān)鍵理論和技術(shù)、技術(shù)指標、完成課題的方案及主要措施</p><p&g

15、t;<b>　　預計達到的目標</b></p><p>　　學習了解圖像處理和分析的基本原理</p><p>　　對基于邊緣方向匹配的人臉檢測研究有一個細致和系統(tǒng)的了解</p><p>　　對所分析的邊緣方向匹配算法進行軟件實現(xiàn)和測試，實現(xiàn)人臉檢測</p><p><b>　　關(guān)鍵理論和技術(shù)</b>

16、</p><p>　　基于特征的人臉檢測方法</p><p>　?、倩诘蛯犹卣鞯姆椒?lt;/p><p><b>　　灰度特征</b></p><p>　　灰度是人臉圖像的亮度信息。灰度特征主要包括器官特征(人臉輪廓、對稱性等)、人臉灰度分布特征(鑲嵌圖特征、直方圖特征等)。輪廓是人臉部的重要特征，邊緣檢測是提取人臉輪廓特

17、征的首要步驟，通?？梢圆捎肧obel、Canny等算子來提取圖像邊緣。除此之外，對稱性也是人臉的基本特征之一。人臉區(qū)域內(nèi)的各個器官是人臉的重要特征，這些器官的分布具有很強的點對稱性，利用這種對稱性可以有效地檢測人臉。</p><p><b>　　膚色特征</b></p><p>　　人臉的膚色是區(qū)別于非人臉的顯著特征，具有相對的穩(wěn)定性并且和大多數(shù)背景物體的顏色相區(qū)別，

18、而且膚色不依賴于人臉面部的細節(jié)特征，對于旋轉(zhuǎn)、表情、姿態(tài)以及圖像的大小并不敏感。膚色特征主要由膚色模型來描述。所謂膚色模型，指的是用一種代數(shù)的或者查表等形式來表達哪些像素的色彩屬于膚色，或者表征出某一像素的色彩與膚色的相似程度。其檢測過程包括模型建立與模型運用。</p><p><b>　?、诨谀Ｐ偷姆椒?lt;/b></p><p><b>　　固定模板<

19、;/b></p><p>　　固定模板匹配法的核心是將人臉的五官位置比例關(guān)系做成固定模板，用此模板在候選圖像中逐點搜索匹配，計算輸入圖像的各區(qū)域與該模板在人臉邊界、眼睛、鼻子、嘴巴等的相關(guān)程度，若它超過某個預先設(shè)置的閾值，則報告檢測到人臉。</p><p><b>　　彈性模板</b></p><p>　　彈性模板也稱為可變性模板，它是由

20、一個根據(jù)被測物形狀而設(shè)定的參數(shù)化的可調(diào)節(jié)模板和與之相應(yīng)的能量函數(shù)所構(gòu)成，能量函數(shù)要根據(jù)圖像的灰度信息、被測物體輪廓等先驗知識來設(shè)計。其基本思想是根據(jù)待檢測人臉特征的先驗形狀信息，設(shè)計一個用若干參數(shù)描述的且參數(shù)可調(diào)的器官模型，并定義一個能量函數(shù)，通過調(diào)節(jié)模型參數(shù)使能量函數(shù)最小化，此時的模型參數(shù)即作為該器官的幾何特征。</p><p>　　基于圖像的人臉檢測方法</p><p>　?、倩诰€性

21、子空間的方法</p><p><b>　　主成分分析PCA</b></p><p>　　該方法根據(jù)圖像的統(tǒng)計特征進行正交變換以消除原本各分量之間的相關(guān)性，取變換后的所得到的最大的若干個特征向量來表示原來的圖像，保留了原圖像差異的最大信息，這若干個特征向量稱為主成分。</p><p><b>　　線性判別分析LDA</b>&

22、lt;/p><p>　　通過某一非線性變換把人臉圖像區(qū)域?qū)傩钥臻g的屬性向量映射到高維的特征空間，計算被測圖像區(qū)域與該特征空間的距離是否小于某一閾值來判斷其是否包含人臉</p><p><b>　　因子分析FA</b></p><p>　　因子分析方法是由心理學發(fā)展而來的一種線性子空間方法，類似于PCA方法，但它是從一定的模型出發(fā)，找出幾個反映原有變

23、量的公共因子。也就是說PCA方法要使用到每個項目的所有變異，而FA方法僅使用一個項目的所共有的變異，因此FA方法可以克服PCA方法對噪聲的敏感性。</p><p>　?、诨谌斯ど窠?jīng)網(wǎng)絡(luò)的方法</p><p>　　人工神經(jīng)網(wǎng)絡(luò)是一種有效的模式識別方法，它利用神經(jīng)網(wǎng)絡(luò)的學習能力和分類能力，對“人臉”樣本集合和“非人臉”樣本集合進行學習，以產(chǎn)生分類器，從而達到人臉檢測的目的。該方法是把模式的統(tǒng)

24、計特性隱含在ANN的結(jié)構(gòu)參數(shù)中，對于人臉這類復雜的、難以顯示描述的模式，基于ANN的方法具有獨特的優(yōu)勢。</p><p><b>　?、刍诮y(tǒng)計的方法</b></p><p>　　基于統(tǒng)計的人臉檢測方法不是針對人臉的某一特征，而是從整個人臉的角度出發(fā)，利用統(tǒng)計學原理，將人臉圖像視為一個高維向量，將人臉檢測問題轉(zhuǎn)化為高維空間中分布信號的檢測問題，從成千上萬張人臉圖像中提

25、取出人臉共有的一些規(guī)律，利用這些規(guī)律進行人臉檢測。屬于這類方法的有隱馬爾科夫模型HMM、支持向量機SVM、貝葉斯決策和基于AdaBoost的方法等。</p><p>　　隱馬爾科夫模型HMM</p><p>　　隱馬爾科夫模型原本是用于描述信號統(tǒng)計特性的一組統(tǒng)計模型，是一種雙重的隨機過程，采用節(jié)點表示狀態(tài)，有向邊表示狀態(tài)之間的轉(zhuǎn)移。</p><p><b>

26、;　　支持向量機</b></p><p>　　該理論由Vapnik等提出，是基于結(jié)構(gòu)風險最小化原理的統(tǒng)計學習理論，用于分類與回歸問題。其核心思想是建立一個超平面作為決策曲面，使得正例和反例之間的分隔邊界被最大化。支持向量和輸入空間向量x之間的內(nèi)積核是構(gòu)造支持向量的及學習算法的關(guān)鍵，支持向量是由從訓練數(shù)據(jù)中抽取的小的子集構(gòu)成的。</p><p><b>　　貝葉斯決策&

27、lt;/b></p><p>　　貝葉斯決策也稱為貝葉斯判別準則，是計算輸入圖像區(qū)域region屬于人臉模式object的后驗概率P(object|region)，據(jù)此對所有可能的圖像窗口進行判別。基于貝葉斯決策規(guī)則發(fā)展了兩種人臉檢測方法。第一種方法是計算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁灨怕?，?jù)此對所有可能的圖像窗口進行判別，后驗概率的估計問題利用貝葉斯原理轉(zhuǎn)化為一個似然度的求解問題。另一種方法是先將圖像進行

28、小波變換后再在不同方向和尺度的子圖像上進行概率估計，由于同時使用多分辨率信息和由粗到細的搜索策略，這種方法可以顯著提高檢測速度而且可以用于檢測正面旋轉(zhuǎn)的人臉和側(cè)面人臉。</p><p>　　AdaBoost方法</p><p>　　基于AdaBoost的學習算法能從一個很大的特征集中選擇很小的一部分關(guān)鍵特征，從而產(chǎn)生一個極其有效的分類器。最初的AdaBoost學習算法是用來提高某種簡單分類

29、器的性能，它最終形成的強分類器的訓練錯誤率接近于零，而且具有很好的推廣性。AdaBoost算法通過一個迭代的訓練過程來得到一個強的分類器，在第一次訓練出一個弱分類器后，訓練樣本的權(quán)重得到調(diào)整，從而使沒有被第一次訓練出的弱分類器正確分類的樣本的權(quán)重增加，如此迭代下去，最終得到的分類器是對每次訓練得到的若分類器的一個線性組合。</p><p><b>　　技術(shù)指標</b></p>

30、<p><b>　　搜索范圍</b></p><p>　　在全圖搜索還是給定區(qū)域搜索</p><p><b>　　定位準確度</b></p><p>　　檢測結(jié)果與手工標定位置比較，得到尺寸誤差</p><p><b>　　應(yīng)用范圍</b></p>&l

31、t;p>　　能夠檢測的人臉范圍，如旋轉(zhuǎn)，光照，表情等</p><p>　　檢測率和誤檢率

32、

33、 </p><p>　　完成課題的方案及主要措施</p><p><b>　　輸入圖像邊緣方向場</b></p><p>　

34、　利用Sobel算子提取輸入圖像的邊緣方向信息，其水平算子為，垂直算子為:</p><p>　　= = </p><p>　　輸入圖像與上述兩個掩模卷積得到邊緣強度（x，y）和（x，y）:</p><p>　?。▁，y）= * I（x，y）</p><p>　　（x，y）= I（x，y）</p><p

35、>　　則邊緣強度值和方向如下:</p><p><b>　　S（x，y）= </b></p><p>　　= arctan + </p><p>　　為排除與檢測無關(guān)的信息，利用閾值限定S（x，y）產(chǎn)生新的邊緣強度場（x，y）</p><p><b>　　（x，y）</b></p>

36、<p>　　上面得到的方向信息的取值范圍是0到2，然而邊緣方向變化取決于由黑到白或者由白到黑的變化，故將其映射到0到:</p><p><b>　?。▁，y）= </b></p><p>　　最終得到邊緣方向場數(shù)學表達式如下:</p><p>　　V（x，y）= （x，y）</p><p><b>

37、;　　檢測方向模板</b></p><p>　　對若干人工標定的經(jīng)過裁剪、對齊、放縮到2732大小的圖像運算得到平均臉(average face)，然后按照1中所述方法得到檢測用的方向模板，將檢測模板在待檢測圖像上平移，計算兩者之間的相似性，根據(jù)閾值判定檢測區(qū)域是由包含人臉。</p><p><b>　　距離度量</b></p><p&

38、gt;　　用來描述檢測模板和待檢測區(qū)域之間的相似性:</p><p><b>　　C = </b></p><p>　　如果相似度高則得到較低的值，反之得到較高的值。一種簡單有效的度量方法如下：</p><p><b>　　= </b></p><p>　　考慮到檢測的實時性，該度量應(yīng)該應(yīng)該以查表的

39、方式實現(xiàn)。</p><p><b>　　候選驗證</b></p><p>　　在得到候選人臉區(qū)域后，最終要經(jīng)過候選驗證該區(qū)域是否包含人臉，本次課題采用的方法為稀疏網(wǎng)絡(luò)篩選(SNoW)，其中SNoW分類器需要自行實現(xiàn)。</p><p><b>　　圖像金字塔</b></p><p>　　為了對輸入圖像

40、中的不同尺寸的人臉圖像進行檢測，采用了圖像金字塔，對輸入圖像進行尺度縮放，使得固定模板的檢測能夠檢測到不同尺寸的人臉。</p><p><b>　　課題研究進展計劃</b></p><p><b>　　上學期：</b></p><p>　　1.資料閱讀1617周</p><p>　　

41、2.文獻翻譯1819周</p><p><b>　　下學期：</b></p><p>　　1.對所做課題深入理解13周</p><p>　　2.開題報告45周</p><p>　　3.邊緣檢測算法研究67周</p><p>　　4.學習如何

42、運用opencv進行圖像處理8</p><p>　　5.代碼實現(xiàn)及測試1015周</p><p>　　6.畢業(yè)論文及答辯1618周</p><p><b>　　主要參考文獻</b></p><p>　　《數(shù)字圖像處理》（第二版）Rafael C.Gonzalez著 電子工業(yè)出版社</