人脸检测关键技术研究与实现文献综述

《人脸检测关键技术研究与实现文献综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、文献综述人脸检测关键技术研究与实现　　前言部分：人脸是常见而复杂的视觉模式，人脸所反映的视觉信息在人与人交流和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屏监控、出入口控制、视屏会议以及人迹交互等领域都有着广泛的应用前景，因此是模式识别和计算机视觉领域持续的研究热点。对人脸进行处理和分析包括人脸识别、人脸跟踪、姿态估计和表情识别等，早期的人脸处理和分析一般都假设已知图像中的人脸的位置和大小，但对于一个人脸自动处理和分析系统而言，人脸检测是关键性的第一步，人脸检测算法的精度直接影响着整个系统的性能。近几年

2、来，由于人脸检测在人脸处理和分析中的地位，人脸检测已经引起了越来越多研究者的注意，并逐渐发展成为一个相对独立的研究方向，其研究方法和等手段上也逐渐成熟出现了各种各样实用的人脸检测算法。人脸检测问题一般描述为：给定静止或动态图像，判断其中是否有人脸；若有，将所有的人脸从背景中分割出来，并确定每个人脸早图像中的位置和大小[1,2]。人脸检测问题最初来源于人脸识别，人脸自动识别的研究最早可以追溯到20世纪60-70年代。经过几十年的曲折发展，人脸自动识别已经有了一些较为成功的方法，目前正日趋成熟。早期的人脸识别研究主

3、要针对具有强约束条件的人脸图像（如无背景或背景简单的图像），往往假设人脸位置已知或很容易获得，因此人脸检测问题并未受到重视。在20世纪90年代以后，随着网路安全的电子商务等应用需要的剧增人脸识别成为最有潜力的生物身份鉴别方式，出现了实际的人脸识别系统和商用产品，这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的适应能力，由此所面临的一系列问题使得人们对人脸检测的各个重要方面引起了极大的研究兴趣，并逐渐独立分离出来[3]。目前，国外对人脸检测问题的研究很多，比较著名的有美国麻省理工大学（MIT）的媒体实

4、验室和人工智能实验室、以及Illinois大学的Beckman研究所等；国内的清华大学、北京工业大学、上海交通大学等都有人员从事人脸检测方面的研究[4]。一、主题部分1SVM的基本原理支持向量机（SuportVectorMachines，SVM）是在统计学习理论的基础上发展起来的一种新的学习机器，能够较好地解决人脸检测中的小样本、非线性、高维数、局部极将小点等实际问题，其与常用的人脸检测算法相结合，对于人脸检测技术的研究具有重要意义。为了解决小样本的学习问题，Osuna等刚首先将支持向量机(SupportVec

5、torMachine。SVM)引入人脸检测中。SVM是daVapnik提出的一种基于结构风险最小化原理的统计学习算法，其基本思想是通过用内积函数定义的非线性变换，将输入空间变换到一个高维的线性空间，然后在这个空间中求最优分类面。支持向量机的最大特点是根据Vapnik结构风险最小化原则，尽量提高学习机的泛化能力，而且支持向量机算法是一个凸优化问题，因此其局部最优解一定是全局最优解。这些特点使得支持向量机可以有效克服其它学习算法，如神经网络学习算法存在的过学习问题和局部极值问题，从而成为国际上机器学习领域新的研究热

6、点。Osuna等首先将支持向量机引入人脸检测中[5]。通过非线性变换把样本输入空间转化为某个高维空间中的线性问题，在高维空间中求线性最优分类超平面，这样的高维空间也称为特征空间或高维特征空间(Hilbert空间)。因为线性可分支持向量机的决策函数值仅仅依赖于内积()和（），i,j=l，⋯，，所以经过映射后的非线性支持向量机的决策函数仅仅依赖于变换后的Hilbert空间中的内积和，i，j=1，⋯，。这样，在高维特征空间中实际上只需进行积运算，而这种内积运算是可以用输入空问中的某些特殊函数来实现的．因此，如果能够找

7、一个函数K使得K，我们就没有必要知道变换的具体形式。这特殊的函数K称为核函数。因此，在最优分类超平面中采用适当的核函数K就可以现某一非线性交换后的线性分类，而计算复杂度却没有增加。分类问题就变为，引入从输入空间到一个高维Hilbert空间H的变换：利用这个变换，由原来的对应于输入空间的训练集得到对应于Hilbert空间H的新的训练集然后在空间H中求出一个超平面，这个超平面应该能正确分划训练集，并使得训练集关于这个超平面的几何间隔达到最大。由此，通过Lagrange变换和对偶理论即可以得到，非线性支持向量机的一般

8、求解过程：（1）．设出一个已知训练集∈（2）．选择适当的核函数量，构造并求解出最优化问题。（3）．根据求解的分量，构造出属于自己研究方向的决策函数。支持向量机巧妙地利用输入空阈的核函数取代了高维特征空间中的内积算，这一特点提供了解决算法可能导致的“维数灾难”问题的方法：在构造判别函时，不是对输入空间的样本作非线性变换，然后在特征空间中求解；而是先在输入空间比较向量(例如求点积或是某种距