基于決策融合和距離學(xué)習(xí)人臉識(shí)別算法的研究

1、<p>　　A Thesis Submitted in Partial Fulfillment of the Requirement for the</p><p>　　Degree of Master of Engineering</p><p>　　Face Recognition Research Based on Decision</p><p>

2、　　Fusion and Distance Metric Learning</p><p>　　Candidate : Jiao Yizheng</p><p><b>　　Major</b></p><p>　　: Communication & Information System</p><p>　　Sup

3、ervisor : Associate Prof. Feng Bin</p><p>　　Huazhong University of Science and Technology</p><p>　　Wuhan 430074, P. R. China</p><p>　　January, 2012</p><p><b>　　獨(dú)創(chuàng)

4、性聲明</b></p><p>　　本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研</p><p>　　究成果。盡我所知，除文中已經(jīng)標(biāo)明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或</p><p>　　集體已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體，均已在</p><p>　　文中以明確方式標(biāo)明

5、。本人完全意識(shí)到，本聲明的法律結(jié)果由本人承擔(dān)。</p><p><b>　　學(xué)位論文作者簽名：</b></p><p><b>　　日期：</b></p><p><b>　　年</b></p><p><b>　　月</b></p><

6、;p><b>　　日</b></p><p>　　學(xué)位論文版權(quán)使用授權(quán)書(shū)</p><p>　　本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)</p><p>　　保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。</p><p>　　本人授權(quán)華中科技大學(xué)可以將本學(xué)位論文

7、的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢</p><p>　　索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。</p><p><b>　　本論文屬于</b></p><p>　　保密□ ，在_____年解密后適用本授權(quán)書(shū)。</p><p><b>　　不保密□。</b></p>

8、<p>　?。ㄕ?qǐng)?jiān)谝陨戏娇騼?nèi)打“√”）</p><p><b>　　學(xué)位論文作者簽名：</b></p><p><b>　　指導(dǎo)教師簽名：</b></p><p><b>　　日期：</b></p><p><b>　　年</b></p

9、><p><b>　　月</b></p><p><b>　　日</b></p><p><b>　　日期：</b></p><p><b>　　年</b></p><p><b>　　月</b></p>

10、;<p><b>　　日</b></p><p><b>　　摘</b></p><p><b>　　要</b></p><p>　　自動(dòng)人臉識(shí)別具有重要的理論研究意義和實(shí)用價(jià)值，自上世紀(jì) 60 年代以來(lái)，人</p><p>　　臉識(shí)別相關(guān)的各種技術(shù)得到長(zhǎng)足的發(fā)展

11、。在受控條件下的人臉識(shí)別算法已經(jīng)能取得</p><p>　　很好的性能，并且出現(xiàn)很多實(shí)用系統(tǒng)。然而在非受控條件下，這些人臉識(shí)別算法還</p><p>　　不能達(dá)到實(shí)用的需求。本文致力于在無(wú)約束條件下設(shè)計(jì)魯棒性好的人臉識(shí)別算法，</p><p>　　并通過(guò)在 LFW 人臉庫(kù)下的測(cè)試驗(yàn)證了算法性能。本文的工作成果主要分為以下幾個(gè)</p><p>

12、<b>　　部分：</b></p><p>　?。?）本文提出了基于決策融合的人臉識(shí)別算法框架。由于在無(wú)約束場(chǎng)景下，人</p><p>　　臉受姿態(tài)、光照、遮擋和表情等各方面因素的影響，變化非常復(fù)雜。在這種情況下，</p><p>　　如果僅僅使用某一種人臉特征難以取得很好的識(shí)別效果。在本文提出的框架中，可</p><p&g

13、t;　　以使用多種人臉特征。這些特征可以相互補(bǔ)充，構(gòu)成對(duì)人臉的完整表達(dá)，從而改善</p><p>　　人臉識(shí)別算法的性能。如何有效的利用這些特征是本文考慮的關(guān)鍵。本文提出基于</p><p>　　分類(lèi)器相關(guān)性的分類(lèi)器集成方法，按照分類(lèi)器相關(guān)性的定義，將相關(guān)性小、信息互</p><p>　　補(bǔ)的分類(lèi)器組合在一起構(gòu)成一個(gè)強(qiáng)分類(lèi)器提升分類(lèi)的性能。</p>&

14、lt;p>　?。?）本文使用距離學(xué)習(xí)算法來(lái)取代普通的歐式距離。通過(guò)距離學(xué)習(xí)后，相同身</p><p>　　份的人臉圖像之間的距離被減小，而不同身份的人臉圖像的距離被增大。因此，學(xué)</p><p>　　習(xí)后的距離比歐式距離更具有針對(duì)性，能更好的區(qū)分復(fù)雜變化的人臉圖像。</p><p>　?。?）為了進(jìn)一步提升識(shí)別算法的性能，本文考慮了姿態(tài)的變化對(duì)算法性能的影&l

15、t;/p><p>　　響。為了處理姿態(tài)的變化，本文采用“分為治之，各個(gè)擊破”的算法策略來(lái)減小姿</p><p>　　態(tài)的干擾。文中利用姿態(tài)估計(jì)算法將人臉圖像的按照不同的姿態(tài)分開(kāi)，對(duì)每種姿態(tài)</p><p>　　組合單獨(dú)訓(xùn)練和測(cè)試，使得每個(gè)分類(lèi)器只針對(duì)某一種姿態(tài)組合，從而提高分類(lèi)器的</p><p><b>　　性能。</b>

16、</p><p>　　本文在 LFW 人臉庫(kù)上根據(jù)規(guī)定的測(cè)試協(xié)議進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)證明，基于決策融</p><p>　　合的人臉識(shí)別方法優(yōu)于特征融合的方法。同時(shí)，距離學(xué)習(xí)算法和姿態(tài)分類(lèi)都改進(jìn)了</p><p>　　人臉識(shí)別算法的性能。通過(guò)分析，本文得出在人臉識(shí)別問(wèn)題上應(yīng)該針對(duì)性地使用與</p><p>　　樣本有關(guān)的統(tǒng)計(jì)距離；此外，對(duì)于不同的姿

17、態(tài)人臉也應(yīng)該使用不同特征進(jìn)行描述。</p><p>　　關(guān)鍵詞：人臉識(shí)別；人臉特征；距離學(xué)習(xí)；決策融合；姿態(tài)估計(jì)</p><p><b>　　I</b></p><p><b>　　Abstract</b></p><p>　　The study on Automatic Face Recognit

18、ion (AFR) has both significant research value</p><p>　　and bright prospect of application. Since 1960s, in the filed of constrained AFR, great</p><p>　　progresses have been made continuously and

19、 many practical applications have also</p><p>　　emerged. However, in the filed of unconstrained AFR, popular algorithms which are</p><p>　　effective under constrained condition cannot achieve th

20、e same performance. Therefore,</p><p>　　how to design robust face recognition algorithm under unconstrained condition is a new</p><p>　　challenge in computer vision world .This work is dedicated

21、 to make some contributions to</p><p>　　solve this problem. The main contributions of this work are listed as follows:</p><p>　　(1) A decision fusion based face recognition algorithm framework i

22、s proposed. Due</p><p>　　to the great variations of face pose, illumination, occlusion and face expression in</p><p>　　unconstrained scenario, it is impractical to utilize only one kind of face

23、feature in face</p><p>　　recognition algorithm. According to this notion, this work uses several complementary</p><p>　　face features in order to make a complete representation of human face. At

24、 the decision</p><p>　　level, this work proposes a method to select several sub-classifies which have small</p><p>　　combinational correlation to form a strong classifier. The final strong class

25、ifier displays</p><p>　　better performance than any sub-classifier.</p><p>　　(2) Distance metric learning method is used in this work to learn Mahalanobis</p><p>　　distance to repla

26、ce the ordinary Euclidean distance. After utilizing distance metric learning</p><p>　　method, the distance between the face images of the same identity is decreased, while</p><p>　　distance betw

27、een face images of different identities enlarged. Therefore, metric learning</p><p>　　method is helpful to improve the performance of classification.</p><p>　　(3) To further enhance the performa

28、nce, a "divide-and-conquer "method to explicitly</p><p>　　cope with the large variations of pose is also proposed. In this work, a pose estimator is</p><p>　　applied to put all the tra

29、ining and testing samples into different pose categories. In each</p><p>　　category, classifier training and testing are processed independently. As a result, every</p><p>　　classifier is only t

30、rying to handle one kind of pose combination. In this way, the accuracy</p><p>　　of classifiers is improved.</p><p>　　The performance of the algorithms proposed in this work is tested under LFW&

31、lt;/p><p><b>　　II</b></p><p>　　regulation. The results show that the decision fusion is better than feature fusion.</p><p>　　Furthermore, distance metric learning and pose

32、estimation both promote the performance</p><p>　　of face recognition algorithm. Therefore, in the specific scenario of face recognition,</p><p>　　distance which is learned from face samples shou

33、ld be used and face images with large</p><p>　　pose variation need different features to represent them.</p><p>　　Key words: Face Recognition; Face Feature; Metric Leaning; Decision Fusion;</

34、p><p>　　Pose Estimation</p><p><b>　　III</b></p><p><b>　　目</b></p><p><b>　　錄</b></p><p><b>　　摘</b></p>&

35、lt;p>　　要........................................................................................................... I</p><p>　　Abstract.....................................................................

36、.................................. II</p><p><b>　　1 概述</b></p><p>　　1.1 課題背景和意義................................................................................. (1)</p><p&

37、gt;　　1.2 人臉識(shí)別研究發(fā)展歷程和現(xiàn)狀..........................................................(2)</p><p>　　1.3 人臉識(shí)別研究?jī)?nèi)容和難點(diǎn)................................................................. (5)</p><p>　　1.4 本文研

38、究?jī)?nèi)容與組織......................................................................... (8)</p><p><b>　　2</b></p><p><b>　　人臉和人臉器官檢測(cè)</b></p><p>　　2.1 人臉檢測(cè)算法..........

39、......................................................................... (10)</p><p>　　2.2 人臉器官檢測(cè)算法........................................................................... (15)</p><p>　　2.3

40、實(shí)驗(yàn)結(jié)果...........................................................................................(17)</p><p>　　2.4 本章小結(jié)..........................................................................................

41、.(17)</p><p><b>　　3</b></p><p>　　基于多特征決策融合的人臉識(shí)別算法</p><p>　　3.1 無(wú)約束人臉識(shí)別測(cè)試庫(kù) LFW 介紹................................................. (18)</p><p>　　3.2 人臉特征概覽..

42、................................................................................. (20)</p><p>　　3.3 經(jīng)典人臉識(shí)別算法介紹................................................................... (23)</p><p>　　3.

43、4 決策融合人臉識(shí)別算法................................................................... (28)</p><p>　　3.5 本章小結(jié)...........................................................................................(33)</p>

44、<p><b>　　IV</b></p><p><b>　　4</b></p><p>　　距離學(xué)習(xí)算法和姿態(tài)估計(jì)</p><p>　　4.1 距離學(xué)習(xí)算法............................................................................

45、....... (35)</p><p>　　4.2 基于距離學(xué)習(xí)的人臉識(shí)別算法........................................................(41)</p><p>　　4.3 基于姿態(tài)分類(lèi)的人臉識(shí)別算法........................................................(43)</p&g

46、t;<p>　　4.4 本章小結(jié)...........................................................................................(44)</p><p><b>　　5</b></p><p><b>　　總結(jié)與展望</b></p>

47、<p>　　5.1 本文總結(jié)...........................................................................................(46)</p><p>　　5.2 人臉識(shí)別技術(shù)展望.......................................................................

48、.... (47)</p><p><b>　　致</b></p><p>　　謝...................................................................................................... (49)</p><p>　　參考文獻(xiàn)..........

49、.........................................................................................(50)</p><p><b>　　V</b></p><p><b>　　1 概述</b></p><p>　　1.1 課題背景和意義<

50、/p><p>　　人臉識(shí)別是人工智能研究的熱門(mén)話(huà)題。經(jīng)過(guò)將近半個(gè)世紀(jì)的發(fā)展，人臉識(shí)別算法</p><p>　　逐漸走向成熟，并得到越來(lái)越多的關(guān)注。總體來(lái)說(shuō)，人臉識(shí)別具有兩方面的研究意</p><p>　　義。首先，人臉識(shí)別算法的發(fā)展能夠促進(jìn)其他相關(guān)聯(lián)學(xué)科的進(jìn)步；其次，人臉識(shí)別</p><p>　　在工業(yè)界具有迫切的需求。</p>&

51、lt;p>　　1）人臉識(shí)別算法研究能推動(dòng)其他相關(guān)學(xué)科的發(fā)展</p><p>　　人臉識(shí)別技術(shù)涉及多門(mén)學(xué)科，是一個(gè)綜合性很強(qiáng)的研究領(lǐng)域。設(shè)計(jì)良好的人臉識(shí)</p><p>　　別算法需要具備圖像處理、圖像分析、計(jì)算機(jī)視覺(jué)、計(jì)算機(jī)圖像學(xué)、模式識(shí)別、機(jī)</p><p>　　器學(xué)習(xí)、生理學(xué)等眾多領(lǐng)域的知識(shí)[1~5]。人臉識(shí)別為這些學(xué)科的發(fā)展提供了良好的實(shí)</p&g

52、t;<p>　　際問(wèn)題，有助于為這些學(xué)科的理論建立實(shí)驗(yàn)平臺(tái)，有利于這些學(xué)科的新方法和新理</p><p>　　論的嘗試和應(yīng)用。比如，人臉識(shí)別作為一個(gè)模式識(shí)別問(wèn)題，由于人臉的模式種類(lèi)多、</p><p>　　模式之間差異不可捉摸而被認(rèn)為是模式識(shí)別領(lǐng)域中典型的難以解決的問(wèn)題。加之，</p><p>　　信號(hào)采集中的噪聲、以及外部環(huán)境的變化，使得人臉識(shí)別問(wèn)題

53、更加棘手。再如，在</p><p>　　計(jì)算機(jī)視覺(jué)領(lǐng)域，如何利用人臉的一般性的先驗(yàn)知識(shí)來(lái)恢復(fù)人臉的 3D 結(jié)構(gòu)也具有重</p><p>　　要的意義。人臉識(shí)別也是人機(jī)接口技術(shù)的研究?jī)?nèi)容之一。人臉識(shí)別的本質(zhì)是讓計(jì)算</p><p>　　機(jī)能辨別不同的人臉身份，也就是賦予計(jì)算機(jī)視覺(jué)功能。人臉識(shí)別的研究有助改善</p><p>　　當(dāng)前不友好的人機(jī)

54、交互環(huán)境。人臉識(shí)別算法的研究也能夠促進(jìn)對(duì)人眼視覺(jué)機(jī)制的理</p><p>　　解。由于人眼具有很強(qiáng)的識(shí)別功能，很多人臉識(shí)別研究者在設(shè)計(jì)人臉識(shí)別算法同時(shí)</p><p>　　也在探索人眼識(shí)別的機(jī)理。同樣地，人眼視覺(jué)功能的成果也能為人臉識(shí)別算法提供</p><p><b>　　更多的參考。</b></p><p>　　2）人

55、臉識(shí)別具有廣闊的市場(chǎng)需求</p><p>　　身份識(shí)別與鑒定 [6~9]是人類(lèi)日常生活的重要活動(dòng)之一。我們每天要對(duì)交往中人的</p><p>　　身份進(jìn)行判別，同時(shí)人們也需要通過(guò)各種手段來(lái)證明自己的身份。例如在打開(kāi)電腦</p><p>　　時(shí)，也往往需要口令才能進(jìn)入操作系統(tǒng)；在網(wǎng)上通過(guò)電子銀行購(gòu)物時(shí)，需要使用口</p><p><b&g

56、t;　　1</b></p><p>　　令卡或者 U 盾等設(shè)備才能進(jìn)行買(mǎi)賣(mài)。然后，這些古老的身份鑒定技術(shù)存在著很多不</p><p>　　便。密碼或者口令容易被遺忘，甚至?xí)黄平?；口令卡容易丟失、老化，因此需要</p><p>　　經(jīng)常跟換。特別是隨著電子商務(wù)和網(wǎng)絡(luò)的發(fā)展，這些傳統(tǒng)的身份鑒定技術(shù)已經(jīng)越來(lái)</p><p>　　越不能

57、滿(mǎn)足實(shí)際應(yīng)用的需求。同時(shí)，由于社會(huì)安全問(wèn)題日益突出，特別是“911 事件”</p><p>　　以來(lái)，全球恐怖事件頻繁發(fā)生，公共安全問(wèn)題得到廣泛的關(guān)注。因而，國(guó)家安全部</p><p>　　門(mén)、信息部門(mén)迫切需要可靠性強(qiáng)、方便、安全的身份識(shí)別技術(shù)。基于生物特征的身</p><p>　　份鑒定技術(shù)被認(rèn)為是徹底解決上述問(wèn)題的方法。</p><p>

58、　　生物鑒定技術(shù)是利用人類(lèi)的一種或者多種內(nèi)部物理或者行為特性進(jìn)行識(shí)別的技</p><p>　　術(shù)。人體的物理特性包括人臉、虹膜、耳廓、掌紋、指紋、 DNA、體型等。行為特</p><p>　　征包括步態(tài)、筆記、敲鍵等于人類(lèi)活動(dòng)相關(guān)聯(lián)的特征。以上這些特征滿(mǎn)足“人人都</p><p>　　有、獨(dú)一無(wú)二、長(zhǎng)期不變”的特點(diǎn)，從而可以用來(lái)鑒定身份[6]。</p>

59、<p>　　與其他生物識(shí)別技術(shù)相比，人臉識(shí)別有多方面的優(yōu)勢(shì)。首先，自動(dòng)人臉識(shí)別系統(tǒng)</p><p>　　不會(huì)為用戶(hù)帶來(lái)任何冒犯，不會(huì)使用戶(hù)感覺(jué)不自然，在為用戶(hù)拍照的瞬間就能完成</p><p>　　識(shí)別。其次，人臉識(shí)別技術(shù)能夠有效的防范“身份假冒”的情況。此外，人臉識(shí)別</p><p>　　系統(tǒng)的快速、可靠、準(zhǔn)確也是其優(yōu)點(diǎn)。因而，在實(shí)際應(yīng)用中人臉識(shí)別技術(shù)

60、有關(guān)闊的</p><p><b>　　市場(chǎng)。</b></p><p>　　1.2 人臉識(shí)別研究發(fā)展歷程和現(xiàn)狀</p><p>　　人臉識(shí)別研究的發(fā)展大體經(jīng)歷了 3 個(gè)階段[2]。</p><p>　?。?）第一階段（1964～1990 年）</p><p>　　這一階段人臉識(shí)別算法大都是基于人臉幾

61、何特征的方法[5]。有些方法通過(guò)人臉中</p><p>　　眼睛、鼻子、頰骨的相對(duì)位置、大小和形狀進(jìn)行識(shí)別。此外，人們對(duì)側(cè)面輪廓曲線(xiàn)</p><p>　　的結(jié)構(gòu)特征提取和分析方面進(jìn)行了大量的研究[4]，這個(gè)時(shí)期的人臉識(shí)別過(guò)程是一個(gè)半</p><p>　　自動(dòng)過(guò)程。進(jìn)行識(shí)別時(shí)，需要人工的定位人臉上的器官（眼睛、鼻子、嘴巴等）位</p><p>

62、　　置，再計(jì)算這些器官與某一個(gè)公共參考點(diǎn)的距離，以此作為識(shí)別的特征，在這個(gè)階</p><p>　　段尚未出現(xiàn)人臉識(shí)別的實(shí)際應(yīng)用。</p><p>　　（2）第二階段（1991～1997 年）</p><p><b>　　2</b></p><p>　　在這一時(shí)期人臉識(shí)別技術(shù)得到更加廣泛的研究，并產(chǎn)生了許多具有代表性的人臉

63、</p><p>　　識(shí)別算法。同時(shí)在這一時(shí)期，人臉識(shí)別技術(shù)也開(kāi)始出現(xiàn)在實(shí)際應(yīng)用場(chǎng)景當(dāng)中。</p><p>　　在眾多人臉識(shí)別算法中，首先要提到的是基于 PCA 變換的“特征臉”方法[2]。</p><p>　　在這種方法被提出之前，人臉識(shí)別算法往往測(cè)量人臉的幾何特征進(jìn)行識(shí)別。與這些</p><p>　　方法不同，PCA 人臉識(shí)別方法使用人臉

64、圖像的灰度矩陣作為原始輸入。并利用一組</p><p>　　樣本，通過(guò) K-L 變換獲取表達(dá)人臉的一組正交基，并使用最重要的正交基來(lái)恢復(fù)人</p><p>　　臉，從而達(dá)到降維的目的。因而，這種方法簡(jiǎn)單的使用一個(gè)低維的向量就能準(zhǔn)確的</p><p>　　表示一張經(jīng)過(guò)校正和歸一化的人臉圖像。這一方法極大的促進(jìn)了人臉識(shí)別算法的研</p><p>

65、　　究，其后很多人臉識(shí)別技術(shù)都有這種方法有點(diǎn)聯(lián)系。</p><p>　　另一個(gè)重要的人臉識(shí)別算法基于彈性圖匹配[10]的方法。這種算法是基于人臉具有</p><p>　　相似的拓?fù)浣Y(jié)構(gòu)。人臉可以用一張圖來(lái)表示。圖的每個(gè)頂點(diǎn)代表人臉的關(guān)鍵部位，</p><p>　　比如鼻子、眼睛、嘴巴等，圖的邊代表關(guān)鍵點(diǎn)之間的距離。在這種方法中，每個(gè)頂</p><

66、p>　　點(diǎn)代表用 40 維的 Gabor 變換系數(shù)來(lái)表示。由于 Gabor 變換良好的空間局部性，因此</p><p>　　每頂點(diǎn)能表達(dá)人臉重要的局部信息。圖的邊表達(dá)了人臉的形狀和主要輪廓。因此這</p><p>　　種方法，同時(shí)考慮了人臉全局面貌和重要的局部信息。</p><p>　　在這一時(shí)期人臉識(shí)別算法主要以基于代數(shù)子空間的方法居多。這些算法在受控條&l

67、t;/p><p>　　件下、數(shù)據(jù)庫(kù)容量不大的場(chǎng)景有不錯(cuò)的識(shí)別準(zhǔn)確率。</p><p>　?。?）第三階段（1998～現(xiàn)在）</p><p>　　進(jìn)入二十一世紀(jì)以來(lái)，人臉識(shí)別算法得到極大的發(fā)展，基本解決了可控條件下的</p><p>　　人臉識(shí)別問(wèn)題，一些算法也逐漸走向?qū)嵱?。無(wú)約束、大容量人臉庫(kù)下的人臉識(shí)別算</p><p>

68、;　　法成為研究人員關(guān)注的重點(diǎn)。這一期間以支持向量機(jī)為代表的統(tǒng)計(jì)學(xué)習(xí)理論也應(yīng)用</p><p>　　到人臉識(shí)別問(wèn)題上來(lái)[11]。在人臉識(shí)別問(wèn)題上，廣泛使用各類(lèi)基于統(tǒng)計(jì)學(xué)的分類(lèi)器，</p><p>　　如 SVM 分類(lèi)器、貝葉斯分類(lèi)器等。2002 年 Viola 和 Jose 提出一個(gè)基于 Haar-like 特</p><p>　　征和 AdaBoost 學(xué)習(xí)算法的

69、實(shí)時(shí)人臉檢測(cè)算法[12]，極大的促進(jìn)了人臉識(shí)別的研究。</p><p>　　圖像匹配研究中的描述子也被應(yīng)用到人臉識(shí)別中。Ahonen 在文獻(xiàn)[13]將局部二值</p><p>　　模式（Local Binary Pattern）直方圖用于人臉識(shí)別中。這種方法將人臉圖像劃分成多</p><p>　　個(gè)網(wǎng)格，對(duì)每個(gè)網(wǎng)格的子圖像統(tǒng)計(jì) LBP 直方圖，最后將這些直方圖連結(jié)起

70、來(lái)構(gòu)成一</p><p><b>　　3</b></p><p>　　個(gè)長(zhǎng)的直方圖作為人臉的特征描述。2004 年 Lowe 提出 SIFT 特征[14]后，出現(xiàn)了大量</p><p>　　基于 SIFT 特征的人臉識(shí)別方法。這種方法先提取人臉的 SIFT 特征，然后按照 SIFT</p><p>　　關(guān)鍵點(diǎn)匹配的個(gè)數(shù)來(lái)

71、進(jìn)行識(shí)別。</p><p>　　圖像分類(lèi)中一些模型也被應(yīng)用于人臉識(shí)別中。圖像分類(lèi)中往往將圖像看做“視覺(jué)</p><p>　　單詞”的組合，按照一副圖像中“視覺(jué)單詞”的直方圖來(lái)進(jìn)行分類(lèi)。這種思想也被</p><p>　　用在人臉識(shí)別中。文獻(xiàn)[15]使用完全隨機(jī)樹(shù)構(gòu)建“視覺(jué)字典”，使用 SVM 作為分類(lèi)器，</p><p>　　可以獲得兩幅人臉圖

72、像的相似度量。文獻(xiàn)[16]的作者提出了一個(gè)使用 DCT 特征，用</p><p>　　EM 算法構(gòu)建“視覺(jué)字典”，最后用基于概率的直方圖來(lái)作為人臉圖像的特征進(jìn)行識(shí)</p><p>　　別。Cao 在[17]中設(shè)計(jì)出一種基于學(xué)習(xí)的人臉描述子表示方法。這種描述子區(qū)別于通</p><p>　　常的人工設(shè)計(jì)的描述子。人工設(shè)計(jì)的描述子是普遍適用的描述子，但在人臉識(shí)別問(wèn)<

73、/p><p>　　題上這些描述子的某些模式不會(huì)出現(xiàn)，也就是說(shuō)這些描述子在不同的問(wèn)題上它的分</p><p>　　布是不同的。Cao 利用聚類(lèi)算法，設(shè)計(jì)出與樣本相關(guān)的描述子，這種針對(duì)人臉識(shí)別的</p><p>　　描述子在人臉識(shí)別中取得了很好的效果。</p><p>　　除了上面對(duì)如何表達(dá)人臉的研究外，還有大量的研究把重點(diǎn)放在如何度量人臉的<

74、/p><p>　　相似性上。文獻(xiàn)[18]提出了利用一個(gè)“負(fù)樣本集”計(jì)算相似性的方法。對(duì)于待匹配的</p><p>　　人臉圖像 I 和 J，這種方法的步驟如下：將 I 作為正例，負(fù)樣本集中圖像作為反例訓(xùn)</p><p>　　練一個(gè)分類(lèi)器，用這個(gè)分類(lèi)器對(duì) J 分類(lèi)獲得一個(gè)分?jǐn)?shù)；然后交換 I 和 J，可以獲得另</p><p>　　一個(gè)分?jǐn)?shù)；將兩個(gè)值

75、的平均值作為 I、J 的相似度量。</p><p>　　總之，這一階段人臉識(shí)別已經(jīng)獲得了極大的發(fā)展，人臉識(shí)別算法的研究吸收了計(jì)</p><p>　　算法視覺(jué)、模式識(shí)別、生理學(xué)、機(jī)器學(xué)習(xí)等學(xué)科的優(yōu)秀成果，研究者從人臉識(shí)別相</p><p>　　關(guān)的各個(gè)角度來(lái)提升人臉識(shí)別算法的性能。</p><p>　　1.3 人臉識(shí)別研究?jī)?nèi)容和難點(diǎn)</p

76、><p>　　1.3.1 人臉識(shí)別研究?jī)?nèi)容</p><p>　　實(shí)際應(yīng)用中的人臉識(shí)別系統(tǒng)包括如下幾個(gè)流程：首先通過(guò)圖像采集設(shè)備獲取人臉</p><p>　　圖像；然后在獲取的圖像中定位人臉區(qū)域；經(jīng)過(guò)人臉校正和歸一化后，提取人臉特</p><p><b>　　4</b></p><p>　　征；最后進(jìn)行

77、身份識(shí)別或者確認(rèn)。人臉身份確認(rèn)的過(guò)程是給定一張人臉圖像和一個(gè)</p><p>　　人臉身份標(biāo)簽，利用人臉數(shù)據(jù)庫(kù)中的信息，判斷這張人臉圖像的身份是否與給定人</p><p>　　臉身份標(biāo)簽一致。在機(jī)密性高的受控進(jìn)入的場(chǎng)所，經(jīng)常需要進(jìn)行身份確認(rèn)，人臉確</p><p>　　認(rèn)適用于這樣的場(chǎng)合。人臉識(shí)別是對(duì)任何輸入的人臉圖像，根據(jù)給定的人臉數(shù)據(jù)庫(kù)</p>&

78、lt;p>　　和身份信息，識(shí)別出該圖像中人臉的身份。人臉身份確認(rèn)是一個(gè)二分類(lèi)問(wèn)題，它的</p><p>　　輸出只有“接受”和“拒絕”兩種。人臉身份識(shí)別是一個(gè)多分類(lèi)問(wèn)題，它輸出不同</p><p>　　人臉圖像的身份。人臉識(shí)別的問(wèn)題主要研究?jī)?nèi)容包括人臉檢測(cè)、人臉校正和歸一化、</p><p>　　人臉特征提取與匹配分類(lèi)[19]。</p><

79、p><b>　?。?）人臉檢測(cè)</b></p><p>　　由于從圖像采集設(shè)備獲取的圖像往往包含復(fù)雜的背景，如果使用原始的圖像進(jìn)行</p><p>　　人臉識(shí)別，效果很差。為了消除圖像中非人臉部位的干擾，需要進(jìn)行人臉檢測(cè)，將</p><p>　　人臉區(qū)域從原始圖像中剪切出來(lái)。人臉檢測(cè)屬于物體檢測(cè)的范疇。人臉檢測(cè)針對(duì)的</p>

80、<p>　　目標(biāo)是人臉。人臉檢測(cè)算法需要找出給定的人臉圖像的中所有人臉的位置和尺寸。</p><p>　　隨著采集到的原始圖像的背景復(fù)雜程度、圖像中人臉的姿態(tài)、膚色、表情和飾物的</p><p>　　差異，人臉檢測(cè)在不同場(chǎng)景下的難易程度也不同。魯棒的人臉檢測(cè)算法應(yīng)該能夠克</p><p>　　服干擾，最大程度的檢測(cè)出人臉區(qū)域而排除非人臉區(qū)域。作為人臉識(shí)別

81、系統(tǒng)的前期</p><p>　　步驟，對(duì)人臉檢測(cè)算法的另一個(gè)要求時(shí)，檢測(cè)過(guò)程必須快速完成。如果人臉檢測(cè)要</p><p>　　耗費(fèi)很長(zhǎng)時(shí)間，勢(shì)必對(duì)使用者造成一定的心理影響，從而使人臉識(shí)別技術(shù)失去了其</p><p>　　相對(duì)于其他生物識(shí)別算法優(yōu)勢(shì)。因而，實(shí)時(shí)的人臉檢測(cè)器在實(shí)際應(yīng)用中有廣闊的需</p><p><b>　　求。<

82、/b></p><p>　　從技術(shù)上講，人臉檢測(cè)是一個(gè)二分類(lèi)問(wèn)題。人臉檢測(cè)算法遍歷所有原始圖像的子</p><p>　　圖像，并提出特征，通過(guò)分類(lèi)器判斷該區(qū)域是否為人臉區(qū)域。2002 年 Voila 和 Jones</p><p>　　提出的實(shí)時(shí)人臉檢測(cè)器對(duì)人臉識(shí)別的發(fā)展起了重要的推動(dòng)作用。該算法能夠?qū)崟r(shí)的</p><p>　　檢測(cè)出正

83、面人臉圖像，并具有很高的準(zhǔn)確率。目前人臉檢測(cè)研究的重點(diǎn)在多視角條</p><p><b>　　件下檢測(cè)人臉區(qū)域。</b></p><p>　　人臉檢測(cè)的另一個(gè)重要內(nèi)容是定位人臉的特征點(diǎn)。一般人臉檢測(cè)所得的子圖像不</p><p>　　是正面頭像。為了獲得好的人臉識(shí)別效果，都需要對(duì)人臉的姿態(tài)進(jìn)行校正。人臉校</p><p>

84、;<b>　　5</b></p><p>　　正需要利用人臉的特征點(diǎn)（如眼睛）的位置信息。另外，人臉特征點(diǎn)的位置對(duì)提取</p><p>　　人臉的局部特征至關(guān)重要。所以，在人臉檢測(cè)的過(guò)程中，定位人臉器官的位置是必</p><p>　　要的。由于 Voila 和 Jones 提出的人臉檢測(cè)器的性能很好，因而可以用相同的方法來(lái)</p>

85、<p>　　訓(xùn)練檢測(cè)人臉器官的分類(lèi)器。然而，實(shí)踐證明通過(guò)這種方法在檢測(cè)人臉器官時(shí)誤檢</p><p>　　和漏檢的比例較大，因而不實(shí)用。文獻(xiàn) [4]中介紹基于邊緣檢測(cè)的人臉器官的定位方</p><p>　　法。該方法依次檢測(cè)每個(gè)器官。首先檢測(cè)人眼，然后根據(jù)人臉器官的位置關(guān)系，利</p><p>　　用人眼的位置找到鼻子和嘴巴。在尋找這些器官時(shí)，主要依賴(lài)于

86、圖像的邊緣檢測(cè)、</p><p>　　形態(tài)學(xué)處理等方法。該方法在臉部表情變化不劇烈的圖像中取得了較好的效果。</p><p><b>　?。?）人臉歸一化</b></p><p>　　人臉歸一化也是人臉識(shí)別中的一個(gè)重要環(huán)節(jié)。在人臉檢測(cè)之后，為了保證人臉識(shí)</p><p>　　別的性能，往往需要進(jìn)行各種預(yù)處理操作。這些操作

87、統(tǒng)一稱(chēng)為為人臉歸一化。人臉</p><p>　　歸一化涉及多方面的內(nèi)容。首先，如果人臉圖像的角度的傾斜，并且對(duì)于不同的人</p><p>　　臉圖像人臉器官在不同的位置，可以通過(guò)姿勢(shì)歸一化來(lái)將人臉圖像旋轉(zhuǎn)為直立的人</p><p>　　臉圖像。這有助于人臉器官保持對(duì)齊，能夠提高人臉識(shí)別的性能。其次，光照也是</p><p>　　影響后期識(shí)別的

88、關(guān)鍵因素，因此在人臉歸一化階段，有時(shí)會(huì)進(jìn)行亮度歸一化。常用</p><p>　　的亮度歸一化的方法有直方圖均衡、亮度補(bǔ)償?shù)萚3]。</p><p>　?。?）人臉特征提取與匹配分類(lèi)</p><p>　　人臉特征提取又稱(chēng)人臉描述，是在人臉檢測(cè)、人臉歸一化的基礎(chǔ)上進(jìn)行的人臉特</p><p>　　征提取過(guò)程，也可以說(shuō)是對(duì)人臉進(jìn)行建模的過(guò)程[18]

89、。特征提取的優(yōu)劣會(huì)影響到后面</p><p>　　人臉識(shí)別的精度。在人臉特征提取這一步中，要求所提取的人臉特征具有很好表征</p><p>　　能力和區(qū)分度，另外，還要求所提取的特征維數(shù)要低，盡量在低維空間中，這樣不</p><p>　　但可以減小運(yùn)算量、減少識(shí)別的時(shí)間，同時(shí)也有助于分類(lèi)器的選擇。人臉圖像是一</p><p>　　種高維空間的

90、集合體，雖然它具有固定的結(jié)構(gòu)和特征分布，并且也經(jīng)過(guò)了預(yù)處理，</p><p>　　但要想在低維空間中表征人臉，還是具有一定的難度的?，F(xiàn)在，比較常用的人臉特</p><p>　　征提取方法主要有以下幾種：基于圖像灰度矩陣的統(tǒng)計(jì)信息的方法，基于人臉幾何</p><p>　　結(jié)構(gòu)特征的算法。經(jīng)過(guò)人臉特征提取，每一張人臉圖像代表這特征空間的一個(gè)點(diǎn)。</p>&

91、lt;p>　　經(jīng)過(guò)特征提取后，人臉圖像最終代表特征空間上的點(diǎn)。因而需要用一定的度量準(zhǔn)</p><p><b>　　6</b></p><p>　　則來(lái)描述樣本之間的相似性。一般用向量之間的距離來(lái)表示這種相似性，如歐式距</p><p>　　離、曼哈頓距離、馬氏距離和余弦距離等。</p><p>　　人臉識(shí)別最終通過(guò)

92、一個(gè)分類(lèi)器來(lái)獲得識(shí)別結(jié)果?；诮y(tǒng)計(jì)推斷的 SVM 和</p><p>　　Bayesian 分類(lèi)器以及基于決策模型的神經(jīng)網(wǎng)絡(luò)、LDA 等都是常見(jiàn)的人臉識(shí)別分類(lèi)器。</p><p>　　1.3.2 人臉識(shí)別技術(shù)難點(diǎn)</p><p>　　現(xiàn)有的人臉識(shí)別系統(tǒng)在非受控條件下 (在自然場(chǎng)景下采集人臉圖像)和對(duì)象不配</p><p>　　合(包括姿態(tài)、表

93、情、飾物等差異)時(shí)識(shí)別準(zhǔn)確率明顯下滑。這些變化因素在各種應(yīng)用</p><p>　　系統(tǒng)中均有不同程度的出現(xiàn)，因而是人臉識(shí)別應(yīng)該著力解決的問(wèn)題。人臉識(shí)別研究</p><p>　　面臨的主要挑戰(zhàn)包括以下幾點(diǎn)：</p><p>　?。?）非約束條件下人臉檢測(cè)和人臉器官精確定位：人臉檢測(cè)是人臉識(shí)別的基礎(chǔ)，</p><p>　　在人臉檢測(cè)階段獲得的信息

94、越可靠，人臉識(shí)別算法性能越好。此外，人臉的特征點(diǎn)</p><p>　　的定位對(duì)各種人臉?lè)治觯ū砬榉治?、年齡估計(jì)等）的幫助極大。然后，由于人臉圖</p><p>　　像的外在條件變化和人臉本身內(nèi)部變化，使得自動(dòng)準(zhǔn)確地定位人臉器官仍是一個(gè)沒(méi)</p><p><b>　　有很好解決的問(wèn)題。</b></p><p>　?。?）穩(wěn)

95、定的人臉特征：在自然場(chǎng)景中，人臉的類(lèi)內(nèi)差異往往超過(guò)了人臉身份所</p><p>　　帶來(lái)的差異。這為匹配分類(lèi)帶來(lái)很大困難。人眼能在眾多復(fù)雜的條件下區(qū)分不同的</p><p>　　人臉，然而識(shí)別時(shí)使用的人臉特征卻還沒(méi)有研究透徹。因此尋找穩(wěn)定的、區(qū)分度好</p><p>　　的人臉特征仍然是人臉識(shí)別研究最重要的工作。</p><p>　?。?）大

96、規(guī)模人臉識(shí)別問(wèn)題：目前的研究表明，隨著人臉庫(kù)中測(cè)試樣本個(gè)體數(shù)目</p><p>　　的增長(zhǎng)，識(shí)別算法的性能呈明顯的下降趨勢(shì)，因此，如何維持或提高大規(guī)模應(yīng)用環(huán)</p><p>　　境下的人臉識(shí)別算法的識(shí)別率是也一個(gè)常重要的問(wèn)題。同時(shí)，大規(guī)模的人臉庫(kù)還存</p><p>　　在如何對(duì)數(shù)據(jù)庫(kù)進(jìn)行有效管理，特征存儲(chǔ)空間的分配及如何最小化檢索時(shí)間等實(shí)際</p>

97、<p><b>　　問(wèn)題。</b></p><p>　?。?）海量樣本集的學(xué)習(xí)問(wèn)題：傳統(tǒng)的學(xué)習(xí)方法在樣本較小的情況下有理想的性</p><p>　　能。然而當(dāng)樣本容量變得龐大時(shí)，這些算法的執(zhí)行時(shí)間變得過(guò)長(zhǎng)，不能滿(mǎn)足實(shí)用要</p><p>　　求。同時(shí)，所得的分類(lèi)器也不能夠從大量的訓(xùn)練數(shù)據(jù)中找到可靠的分類(lèi)規(guī)則，從而</p>

98、<p><b>　　7</b></p><p>　　使分類(lèi)性能急劇下降。因此大規(guī)矩?cái)?shù)據(jù)的學(xué)習(xí)問(wèn)題也是人臉識(shí)別面臨的挑戰(zhàn)之一。</p><p>　　1.4 本文研究?jī)?nèi)容與組織</p><p>　　本論文研究了人臉識(shí)別算法中涉及的重要環(huán)節(jié)。完整的人臉識(shí)別算法包括：人臉</p><p>　　檢測(cè)、特征提取和分類(lèi)識(shí)別

99、。人臉識(shí)別算法對(duì)輸入的人臉圖像的質(zhì)量往往有一定的</p><p>　　要求。當(dāng)圖像采集設(shè)備獲取人臉圖像后，系統(tǒng)會(huì)評(píng)估采集到的圖像的質(zhì)量。如果圖</p><p>　　像質(zhì)量符號(hào)算法的要求，則進(jìn)入人臉特征提取階段；否則，重新采集人臉圖像。這</p><p>　　個(gè)重新采集的過(guò)程會(huì)影響人臉識(shí)別的速度特征提取是人臉識(shí)別的核心，設(shè)計(jì)出對(duì)光</p><p&g

100、t;　　照、姿態(tài)、表情等變化因素具有魯棒性的人臉描述子是保證人臉識(shí)別性能的基礎(chǔ)。</p><p>　　在提取出人臉特征后，另一個(gè)關(guān)鍵的問(wèn)題是如何衡量?jī)蓚€(gè)特征的接近程度。這里面</p><p>　　需要使用機(jī)器學(xué)習(xí)方面的算法，如距離學(xué)習(xí)和分類(lèi)器等。本文的研究?jī)?nèi)容包含了以</p><p>　　上部分，具體分為以下幾個(gè)方面：</p><p>　?。?/p>

101、1）對(duì)人臉檢測(cè)和人臉器官的檢測(cè)進(jìn)行綜述，并介紹了常用的人臉檢測(cè)器和人</p><p><b>　　臉器官檢測(cè)算法。</b></p><p>　　（2）對(duì)無(wú)約束人臉識(shí)別測(cè)試庫(kù) LFW 進(jìn)行了綜述性介紹。本文中介紹了 LFW 庫(kù)</p><p>　　的使用測(cè)試協(xié)議、研究目的等內(nèi)容。</p><p>　　（3）對(duì)目前流行的各種

102、人臉特征進(jìn)行了詳細(xì)的闡述，并提出利用多種特征的決</p><p>　　策融合的人臉識(shí)別算法。引入分類(lèi)器的相關(guān)性的概念來(lái)指導(dǎo)子分類(lèi)的聚合。</p><p>　?。?）使用了機(jī)器學(xué)習(xí)中的距離度量學(xué)習(xí)算法來(lái)計(jì)算人臉特征之間的距離。這種</p><p>　　距離是針對(duì)人臉識(shí)別問(wèn)題的這個(gè)特定問(wèn)題的距離，與人臉的統(tǒng)計(jì)特性有關(guān)。這種距</p><p>　　

103、離比普通的歐式距離能更好的表達(dá)人臉的接近程度。</p><p>　?。?）利用人臉姿態(tài)估計(jì)算法，按照姿態(tài)的不同對(duì)人臉進(jìn)行分類(lèi)。在不同的姿態(tài)</p><p>　　類(lèi)別下，單獨(dú)進(jìn)行訓(xùn)練和分類(lèi)以減少姿態(tài)對(duì)人臉識(shí)別算法性能的損害。</p><p><b>　　本文結(jié)構(gòu)安排如下：</b></p><p>　　第 1 章 緒論。主要

104、介紹本文研究的意義和背景、人臉識(shí)別技術(shù)發(fā)展歷程、人臉</p><p>　　識(shí)別算法概述和本文的研究?jī)?nèi)容。</p><p>　　第 2 章 人臉和人臉器官檢測(cè)。闡述人臉檢測(cè)算法流程和核心思想。在人臉檢測(cè)</p><p><b>　　8</b></p><p>　　的基礎(chǔ)上介紹如何在人臉面部檢測(cè)人臉器官。并展示常用的人臉和人

105、臉器官檢測(cè)算</p><p>　　法在 LFW 人臉庫(kù)上的實(shí)驗(yàn)結(jié)果。</p><p>　　第 3 章 基于決策融合的多特征人臉識(shí)別方法。本章對(duì)各種常用人臉識(shí)別特征進(jìn)</p><p>　　行了全面的闡述。并提出綜合使用多特征決策融合的人臉識(shí)別算法框架，并利用分</p><p>　　類(lèi)相關(guān)性來(lái)聚合子分類(lèi)器以獲得更好的分類(lèi)性能。</p>

106、<p>　　第 4 章 距離學(xué)習(xí)算法和姿態(tài)估計(jì)。本章在上一章提出的人臉識(shí)別框架基礎(chǔ)上，</p><p>　　提出兩點(diǎn)改進(jìn)。第一，使用距離度量學(xué)習(xí)算法來(lái)取代普通的歐式距離；第二，按照</p><p>　　人臉姿態(tài)的不同，單獨(dú)進(jìn)行訓(xùn)練和測(cè)試。利用這兩點(diǎn)進(jìn)一步提升人臉識(shí)別算法的性</p><p><b>　　能。</b></p&g

107、t;<p>　　第 5 章 總結(jié)與展望。這一章對(duì)全文內(nèi)容進(jìn)行總結(jié)，并概述了本文存在的缺陷。</p><p>　　最后，對(duì)人臉識(shí)別算法的發(fā)展做出預(yù)期。</p><p><b>　　9</b></p><p>　　2 人臉和人臉器官檢測(cè)</p><p>　　人臉檢測(cè)和人臉器官檢測(cè)是人臉識(shí)別系統(tǒng)的前期工作，對(duì)整個(gè)

108、系統(tǒng)的性能有極大</p><p>　　的影響。在這一章中將對(duì)這方面的算法做詳細(xì)介紹，并展示常用的算法在 LFW 人臉</p><p><b>　　庫(kù)的實(shí)驗(yàn)結(jié)果。</b></p><p>　　2.1 人臉檢測(cè)算法</p><p>　　人臉檢測(cè)算法需要判斷給定的圖像中是否存在人臉，如果存在人臉就需要返回人</p>

109、<p>　　臉的數(shù)目和每個(gè)人臉的準(zhǔn)確位置和大小。隨著計(jì)算機(jī)系統(tǒng)不斷智能化，越來(lái)越多的</p><p>　　項(xiàng)目或產(chǎn)品要求計(jì)算機(jī)能以自然的方式與人進(jìn)行交互。人臉檢測(cè)使這種友好的人機(jī)</p><p>　　交互技術(shù)的得以實(shí)現(xiàn)的基礎(chǔ)。人臉檢測(cè)也是各種人臉?lè)治鏊惴?，如人臉校正、表?lt;/p><p>　　分析、年齡分析、人臉驗(yàn)證和人臉跟蹤算法的基礎(chǔ)。有些學(xué)者甚至認(rèn)

110、為如果計(jì)算機(jī)</p><p>　　不能很好的理解人臉，那么計(jì)算機(jī)不可能真正理解人類(lèi)的思想和意圖 [20]。人臉檢測(cè)</p><p>　　的功能對(duì)人眼來(lái)說(shuō)極其簡(jiǎn)單，然而由于人臉圖像的中人臉的大小、位置、方向姿態(tài)</p><p>　　以及圖像的光照、遮擋的多樣性，使得高準(zhǔn)確率的人臉檢測(cè)成為計(jì)算機(jī)視覺(jué)中具有</p><p><b>　　挑

111、戰(zhàn)性的任務(wù)。</b></p><p>　　人臉檢測(cè)發(fā)展過(guò)程中最重要的成果是 Voila 和 Jones 提出的基于 Adaboost 分類(lèi)器</p><p>　　的人臉檢測(cè)算法[12]。該算法能應(yīng)用于實(shí)時(shí)的人臉檢測(cè)場(chǎng)景中。因而，在數(shù)字相機(jī)和</p><p>　　圖像管理軟件中被廣泛使用。Voila 和 Jones 的這種方法，已經(jīng)成為人臉檢測(cè)算法性<

112、;/p><p>　　能比較的標(biāo)準(zhǔn)，它所體現(xiàn)的算法思想被廣泛的利用。在下面的篇幅中，本文將詳細(xì)</p><p>　　的介紹這種人臉檢測(cè)方法并總結(jié)人臉檢測(cè)算法的關(guān)鍵技術(shù)。</p><p>　　2.1.1 Voila-Jones 人臉檢測(cè)器</p><p>　　Voila-Jones 人臉檢測(cè)算法在 2002 年被提出。該算法有三個(gè)方面的因素使它成為&

113、lt;/p><p>　　實(shí)時(shí)的人臉檢測(cè)器。這三個(gè)因素為：積分圖像，Adaboost 學(xué)習(xí)和分類(lèi)器級(jí)聯(lián)。</p><p><b>　　10</b></p><p><b>　?。?）圖像積分圖像</b></p><p>　　積分圖像是計(jì)算一個(gè)網(wǎng)格內(nèi)部的矩形子集的和的快速算法。積分圖像在 1985 年<

114、;/p><p>　　在計(jì)算機(jī)圖像學(xué)中第一次被提出。此后，Voila 和 Jones 首先將它應(yīng)用于計(jì)算機(jī)視覺(jué)</p><p>　　領(lǐng)域。積分圖像中某一點(diǎn)（x，y）的值為原始圖像中點(diǎn)（x，y）左上角所有像素值</p><p>　　的累加和。其定義如下：</p><p>　　ii( x, y )??</p><p><b

115、>　　∑</b></p><p>　　x '≤ x, y '≤ y</p><p>　　i (x ', y ')</p><p><b>　　(2-1)</b></p><p>　　其中 i 為原始圖像，ii 為積分圖像。引入積分圖像的概念后，計(jì)算圖像中任意矩形框<

116、/p><p>　　內(nèi)的像素和就變得非常高效。在下圖中計(jì)算矩形 ABCD 里的像素之和可以表示為：</p><p><b>　　∑</b></p><p>　　( x , y )∈ ABCD</p><p>　　i ( x, y )?? ii( D )?? ii ( A)?? ii ( B )?? ii (C )</p&

117、gt;<p><b>　　X</b></p><p><b>　　Y</b></p><p><b>　　A</b></p><p><b>　　B</b></p><p><b>　　D</b></p>

118、<p><b>　　C</b></p><p><b>　　(2-2)</b></p><p><b>　　a</b></p><p><b>　　b</b></p><p><b>　　c</b></p>&

119、lt;p><b>　　d</b></p><p><b>　　f</b></p><p><b>　　g</b></p><p>　　圖 2.1 積分圖像與矩形特征</p><p>　　Voila 和 Jones 利用積分圖像來(lái)計(jì)算 Haar-like 矩形特征。根據(jù)積分

120、圖像的性質(zhì)，</p><p>　　利用公式 2-2 可以計(jì)算圖像中任意矩形塊子圖像的像素和，并且計(jì)算過(guò)程快速高效、</p><p>　　所需的時(shí)間固定不變。圖 2.1 下方顯示了 6 種 Haar-like 特征。這些特征的值為白色</p><p>　　區(qū)域像素值的和與黑色區(qū)域像素值的和的差值。計(jì)算出原始圖像的積分圖像后，這</p><p>

121、　　些特能通過(guò)很少次數(shù)的數(shù)據(jù)訪(fǎng)問(wèn)就能完成 Haar-like 特征的計(jì)算。從上圖可以得出，</p><p>　　計(jì)算 a 和 b 特征需要訪(fǎng)問(wèn)積分圖像 6 次，計(jì)算 c 和 d 特征需要訪(fǎng)問(wèn) 8，計(jì)算 e 和 f 需</p><p>　　要訪(fǎng)問(wèn) 9 次。相對(duì)于從原始圖像計(jì)算這些特征的值，數(shù)據(jù)的訪(fǎng)問(wèn)數(shù)次明顯減少。因</p><p>　　而，積分圖像是 Viola-Jo