基于特征和基于圖像相結(jié)合的快速人臉檢測

摘要：為了提高人臉檢測的速度，提出了一種基于特征和基于圖像相結(jié)合的快速人臉檢測方法。該方法對(duì)訓(xùn)練樣本圖像進(jìn)行離散小波變換(DWT)，使用低頻逼近系數(shù)來訓(xùn)練支持向量機(jī)(SVM)分類器；在檢測時(shí)，首先利用雙眼區(qū)域的亮度關(guān)系和臉部的對(duì)稱特征來快速過濾掉大量的背景區(qū)域，再利用SVM對(duì)余下的區(qū)域進(jìn)行進(jìn)一步的驗(yàn)證，以確認(rèn)是否為人臉。實(shí)驗(yàn)結(jié)果證明了該方法的正確性和有效性。

關(guān)鍵詞：人臉檢測； 基于特征； 基于圖像； 小波變換； 支持向量機(jī)

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001－3695(2008)01－0294－03

人臉檢測是指判斷給定圖像中是否存在人臉。若存在，則確定人臉的位置、大小和位姿。人臉檢測是模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向，在智能人機(jī)接口、視覺監(jiān)測、圖像標(biāo)注與檢索、數(shù)字視頻分析等諸多應(yīng)用領(lǐng)域有著非常廣泛的實(shí)用價(jià)值。人臉檢測的方法可以分為基于特征的方法和基于圖像的方法兩大類[1]。基于特征的方法利用臉部幾何特征、膚色特征以及運(yùn)動(dòng)等特征，這類方法的檢測速度較快，但是檢測率較低；基于圖像的方法[2，3]利用了模式識(shí)別理論，使用事先訓(xùn)練好的分類器判斷圖像中的大量窗口是否為人臉，這類方法的檢測率較好，而且適用的范圍比較廣，但是檢測的速度比較慢，不能滿足實(shí)際的要求。為了達(dá)到較快的檢測速度和較高的檢測率，O.Sawettanusorn等人[4]提出了一種基于特征與基于圖像相結(jié)合的人臉檢測方法。該方法利用雙眼區(qū)域的亮度關(guān)系和臉部的對(duì)稱性來快速過濾掉大量的背景區(qū)域，再利用相機(jī)得到的距離信息對(duì)余下的區(qū)域進(jìn)行進(jìn)一步的驗(yàn)證。

現(xiàn)有的很多基于圖像的方法對(duì)每個(gè)窗口均進(jìn)行復(fù)雜的計(jì)算以確定其是否為人臉[2，3]，實(shí)際上存在人臉的窗口的數(shù)量遠(yuǎn)遠(yuǎn)小于不存在人臉的窗口的數(shù)量，并且很多背景區(qū)域和人臉的差別很大，可以通過計(jì)算復(fù)雜度低的特征計(jì)算來快速過濾掉大量的背景區(qū)域；對(duì)于較復(fù)雜的背景區(qū)域，再使用訓(xùn)練好的分類器作進(jìn)一步的驗(yàn)證。針對(duì)這種情況，本文提出了一種新的基于臉部特征的過濾器。首先使用這種過濾器對(duì)大量的窗口進(jìn)行過濾，對(duì)余下的區(qū)域再利用支持向量機(jī)進(jìn)行驗(yàn)證。利用這種方法，使檢測速度有了較大的提高。

由于本文提出的人臉檢測方法的檢測速度與背景的復(fù)雜程度有很大的關(guān)系，表中的速度提高率是整體檢測結(jié)果的平均水平。從表1中可以看出，使用臉部的灰度關(guān)系以及對(duì)稱性可以使檢測速度有大幅度的提高，且檢測率并沒有明顯的下降。

5結(jié)束語

本文提出了一種基于特征與基于圖像相結(jié)合的快速人臉檢測方法。該方法首先通過雙眼區(qū)域的灰度特征和臉部的對(duì)稱性來快速過濾掉大量的非人臉區(qū)域；對(duì)余下的區(qū)域，用小波變換的低頻系數(shù)作為特征輸入SVM進(jìn)行進(jìn)一步的驗(yàn)證，實(shí)驗(yàn)結(jié)果證明了該方法的有效性。本方法利用的是臉部的灰度關(guān)系以及對(duì)稱關(guān)系，所以不能檢測出旋轉(zhuǎn)角度較大以及有掩模的人臉，設(shè)計(jì)出能夠有效地檢測出旋轉(zhuǎn)角度較大的人臉以及臉部有掩模的人臉的算法，將是以后研究的一個(gè)工作方法。

參考文獻(xiàn)：

[1]HJELMAS E，LOW B K. Face detection: a survey[J]. Computer Vision and Image Understanding， 2001，83(3):236－274.

[2]ROWLEY H A， BALUJA S， KANADE T. Neural network based face detection[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1998，20(1):23－38.

[3]OSUNA E， FREUND R， GIROSI F. Training support vector machines: an application to face detection[C]//Proc of IEEE Conf Computer Vision and Pattern Recognition. 1997:130 136.

[4]SAWETTANUSORN O， SENDA Y， KAWATO S， et al. Detection of face representative using newly proposed filter[J]. Signal Process， 2004，8(2):137 145.

[5]VIOLA P， JONES M. Rapid object detection using a boosted cascade of simple features[C]//Proc of IEEE Conf CVRP.2001: 511－518.

[6]邊肇祺， 張學(xué)工. 模式識(shí)別[M]. 2版.北京：清華大學(xué)出版社， 2000:284－303. 

[7]BURGES C. A tutorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery， 1998，2(2):121 167.

[8]CRISTIANINI N， TAYLOR J S. An introduction to support vector machines and other kernel based learning methods[M].Cambridge： Cambridge University Press， 2000:82 107.

[9]孫延奎. 小波分析及其應(yīng)用[M]. 北京：機(jī)械工業(yè)出版社， 2005:5－45.

[10]TORRENCE C， COMPO G P. A practical guide to wavelet analysis[J]. Bulletin of the American Meteorological Society， 1998，79(1):61－78.

[11]HEISELE B， POGGIO T， PONTIL M. Face detection in still gray ima￣ges AI memo No. 1687， CBCL. Paper No. 187 Center for Biolo￣gical and Computational Learning[D].Cambridge: MIT， 2000.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”