開題報(bào)告-人臉檢測(cè)算法設(shè)計(jì)研究

1、. XX工程學(xué)院 畢業(yè)設(shè)計(jì)開題報(bào)告課 題 名 稱：人臉檢測(cè)算法研究說 明1根據(jù)XX工程學(xué)院畢業(yè)設(shè)計(jì)工作管理規(guī)定,學(xué)生必須撰寫畢業(yè)設(shè)計(jì)論文開題報(bào)告,由指導(dǎo)教師簽署意見、教研室審查,系教學(xué)主任批準(zhǔn)后實(shí)施。2開題報(bào)告是畢業(yè)設(shè)計(jì)論文答辯委員會(huì)對(duì)學(xué)生答辯資格審查的依據(jù)材料之一。學(xué)生應(yīng)當(dāng)在畢業(yè)設(shè)計(jì)論文工作前期內(nèi)完成,開題報(bào)告不合格者不得參加答辯。3畢業(yè)設(shè)計(jì)開題報(bào)告各項(xiàng)內(nèi)容要實(shí)事求是,逐條認(rèn)真填寫。其中的文字表達(dá)要明確、嚴(yán)謹(jǐn),語言通順,外來語要同時(shí)用原文和中文表達(dá)。第一次出現(xiàn)縮寫詞,須注出全稱。4本報(bào)告中,由學(xué)生本人撰寫的對(duì)課題和研究工作的分析及描述,應(yīng)不少于2000字,沒有經(jīng)過整理歸納,缺乏個(gè)人見解僅僅從

2、網(wǎng)上下載材料拼湊而成的開題報(bào)告按不合格論。5開題報(bào)告檢查原則上在第24周完成,各系完成畢業(yè)設(shè)計(jì)開題檢查后,應(yīng)寫一份開題情況總結(jié)報(bào)告。畢業(yè)設(shè)計(jì)開題報(bào)告學(xué)生姓名池賢城學(xué) 號(hào)208100714專 業(yè)信息工程指導(dǎo)教師姓名程勇職 稱副教授所在院系通信工程學(xué)院課題來源D自擬課題課題性質(zhì)A工程設(shè)計(jì)課題名稱 人臉檢測(cè)算法研究畢業(yè)設(shè)計(jì)的內(nèi)容和意義 畢業(yè)設(shè)計(jì)內(nèi)容：了解與本課題相關(guān)的技術(shù)的發(fā)展情況及國內(nèi)外現(xiàn)狀的基礎(chǔ)上,學(xué)習(xí)掌握人臉檢測(cè)原理及基于AdaBoost算法的人臉檢測(cè)的方法,實(shí)現(xiàn)對(duì)人臉圖像進(jìn)行檢測(cè)的過程演示。畢業(yè)設(shè)計(jì)應(yīng)完成的技術(shù)文件：13000字以上畢業(yè)設(shè)計(jì)開題報(bào)告22000字以上英文參考文獻(xiàn)的中文譯文3實(shí)現(xiàn)

3、人臉檢測(cè)系統(tǒng)4畢業(yè)設(shè)計(jì)論文15000字以上畢業(yè)設(shè)計(jì)意義： 人臉是一個(gè)常見而復(fù)雜的視覺模式,人臉?biāo)从车囊曈X信息在人們的交往中有著重要的作用和意義。對(duì)人臉進(jìn)行處理和分析在視頻監(jiān)控、出入口控制、視頻會(huì)議以及人機(jī)交互等領(lǐng)域有著廣泛地應(yīng)用前景。人臉的處理和分析包括人臉識(shí)別、人臉跟蹤、姿勢(shì)估計(jì)和表情識(shí)別等,其中人臉檢測(cè)是所有人臉信息處理中關(guān)鍵的第一步,近年來成為模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域內(nèi)一個(gè)受到普遍重視、研究十分活躍的課題。人臉檢測(cè)是指對(duì)于任意一幅給定的圖像,采用一定的策略對(duì)其進(jìn)行搜索以確定其中是否含有人臉存在則返回人臉的位置、大小和姿態(tài)14-811。人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中一個(gè)關(guān)鍵環(huán)節(jié),但是早期的

4、人臉識(shí)別研究要針對(duì)具有較強(qiáng)約束條件的人臉圖像,人臉位置很容易獲得,所以人臉檢測(cè)問題并未受到重視。近幾年隨著電子商務(wù)等應(yīng)用的發(fā)展,人臉識(shí)別成為最優(yōu)潛力的生物身份驗(yàn)證手段,人臉檢測(cè)開始作為一個(gè)獨(dú)立的課題受到研究者的重視。今天,人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇,在基于內(nèi)容的檢索、數(shù)字視頻處理等方面的廣泛應(yīng)用,把人臉檢測(cè)提到了一個(gè)新的高度。在基于內(nèi)容的檢索中,由用戶給出一幅人臉圖像,利用人臉檢測(cè)技術(shù),可以很快的在數(shù)據(jù)庫中找出一系列相關(guān)圖像,這些廣泛地應(yīng)用前景使得人臉檢測(cè)的研究備受關(guān)注。文獻(xiàn)綜述對(duì)人臉檢測(cè)的研究最初可以追溯到20世紀(jì)70年代,人臉檢測(cè)早期的研究主要致力于模板匹配,子空間

5、方法,變形模板匹配等。早期人臉檢測(cè)方法往往針對(duì)簡單無變化背景下的正面人臉檢測(cè),所以使這些方法在很大程度上顯得很呆板。直到90年代,隨著實(shí)際的人臉識(shí)別和視頻編碼系統(tǒng)開始成為現(xiàn)實(shí),這種情況才有所改變。在過去的十多年里,對(duì)人臉檢測(cè)的極大興趣開始從幾個(gè)方面展開。研究者提出了多種檢測(cè)方法,特別是那些利用運(yùn)動(dòng),膚色和一般信息的方法4。統(tǒng)計(jì)和神經(jīng)網(wǎng)絡(luò)方法的使用也使在復(fù)雜背景和多分辨率中的人臉檢測(cè)成為可能。另外,在能夠精確定位的跟蹤面部特征提取方法的設(shè)計(jì)方面也取得了很大的進(jìn)展。經(jīng)過多年發(fā)展,其主要算法分為以下幾類：基于知識(shí)的方法基于知識(shí)的方法是基于規(guī)則的人臉檢測(cè)方法, 規(guī)則來源于研究者關(guān)于人臉的先驗(yàn)知識(shí)1。一

6、般比較容易提出簡單的規(guī)則來描述人臉特征和它們的相互關(guān)系, 如在一幅圖像中出現(xiàn)的人臉, 通常具有互相對(duì)稱的兩只眼睛、一個(gè)鼻子和一張嘴。特征之間的相互關(guān)系可以通過它們的相對(duì)距離和位置來描述。在輸入圖像中首先提取面部特征, 確定基于編碼規(guī)則的人臉候選區(qū)域。 這種方法存在的問題是很難將人類知識(shí)轉(zhuǎn)換為明確定義的規(guī)則。如果規(guī)則是詳細(xì)的 , 由于不能通過所有的規(guī)則檢測(cè)可能失敗; 如果規(guī)則太概括 , 可能會(huì)有較高的錯(cuò)誤接收率。此外, 很難將這種方法擴(kuò)展到在不同的位姿下檢測(cè)人臉, 因?yàn)榱信e所有的情況是一項(xiàng)很困難的工作。 基于特征的方法 基于特征的方法不僅可以從已有的面部特征而且可以從它們的幾何關(guān)系進(jìn)行人臉檢測(cè)。

7、與基于知識(shí)的方法相反, 它是尋找人臉的不變特征用于人臉檢測(cè)。人們已經(jīng)提出了許多先檢測(cè)人臉面部特征, 后推斷人臉是否存在的方法。面部特征,如眉毛、眼睛、鼻子、嘴和發(fā)際, 一般利用邊緣檢測(cè)器提取, 根據(jù)提取的特征, 建立統(tǒng)計(jì)模型描述特征之間的關(guān)系并確定存在的人臉。基于特征的算法存在的問題是, 由于光照、噪聲和遮擋等使圖像特征被嚴(yán)重地破壞, 人臉的特征邊界被弱化, 陰影可能引起很強(qiáng)的邊緣, 而這些邊緣可能使得算法難以使用1。近年來, 人們不斷的改進(jìn),已經(jīng)提出幾種使用形狀分析、顏色分割和運(yùn)動(dòng)信息結(jié)合的模塊化系統(tǒng)在圖像序列中用于定位和追蹤頭部和人臉的方法,大大提高了檢測(cè)效果。文獻(xiàn)綜述模板匹配的方法 模板

8、匹配法是一種經(jīng)典的模式識(shí)別方法。存儲(chǔ)幾種標(biāo)準(zhǔn)的人臉模式, 用來分別描述整個(gè)人臉和面部特征,計(jì)算輸入圖像和存儲(chǔ)的模式間的相互關(guān)系并用于檢測(cè)。處理過程為：首先預(yù)處理圖像,預(yù)定義一個(gè)標(biāo)準(zhǔn)人臉圖案；其次計(jì)算輸入圖像與標(biāo)準(zhǔn)人臉圖案的相關(guān)值,最后根據(jù)預(yù)先設(shè)定的閾值和相關(guān)值判斷是否有人臉。由于模板本身不是很精確的模型,因此這類方法檢測(cè)精度不高,并且基于模板的人臉檢測(cè)方法計(jì)算量也比較大。該類方法適于簡單背景下的單人正面人臉檢測(cè),在復(fù)雜背景下或者面部有遮擋情況下很難獲得理想的檢測(cè)效果。11基于外觀的方法上述模板匹配法實(shí)質(zhì)是個(gè)固定模板,基于外觀的方法實(shí)質(zhì)是有著變化模板的模板匹配法,其標(biāo)準(zhǔn)人臉圖案從一系列具有代表性

9、臉部表觀的訓(xùn)練圖像學(xué)習(xí)而來,不需要預(yù)先定義?；谕庥^的方法利用統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)的技術(shù)來尋找人臉和非臉圖像的有關(guān)特性。學(xué)習(xí)而來的特性總結(jié)成分布模型或者判別函數(shù),再利用這些分布模型或者判別函數(shù)來檢測(cè)人臉1。劃在以上幾種大算法之下的經(jīng)典算法有：神經(jīng)網(wǎng)絡(luò) Neural Network 人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型；其可以充分逼近任意復(fù)雜的非線性關(guān)系,采用并行分布處理方法,使讓快速進(jìn)行大量運(yùn)算成為可能,并具有自學(xué)習(xí)功能,通過自學(xué)習(xí)功能,慢慢學(xué)會(huì)識(shí)別類似的圖像。1996年Rowley提出了里程碑式的用神經(jīng)網(wǎng)絡(luò)檢測(cè)人臉的方法,他們采用局部連接的神經(jīng)網(wǎng)絡(luò)檢測(cè)人臉,

10、將每個(gè)區(qū)域劃分成多個(gè)矩形子區(qū)域以用于描述人臉的局部特征,每個(gè)區(qū)域?qū)?yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)隱含單元。該方法檢測(cè)速度較慢,Rowley等人又將此方法進(jìn)行擴(kuò)展,并采用姿態(tài)預(yù)估計(jì)來提升檢測(cè)速度。但該方法需要對(duì)大量的正反例進(jìn)行學(xué)習(xí),耗費(fèi)大量時(shí)間,檢測(cè)速度也比較慢,但檢測(cè)性能較強(qiáng)11。特征臉 Eigenface 特征臉是基于從主成分分析PCA1的一種人臉檢測(cè),它根據(jù)一組人臉訓(xùn)練樣本構(gòu)造主元子空間,檢測(cè)時(shí),將測(cè)試圖像投影到主元子空間上,得到一組投影系數(shù),再和各個(gè)己知的人臉圖像模式比較,從而得到檢測(cè)結(jié)果。Kohonen最早使用特征向量檢測(cè)人臉,其特征向量法后來發(fā)展成為特征臉法。傳統(tǒng)的特征臉法偏向于選擇特征值大的特征向

11、量,由于分類性能不加,后期發(fā)展出了多種特征子空間選擇方法,如Belhumeur的FisherFace 方法等。文獻(xiàn)綜述基于樣本學(xué)習(xí)方法 Example-Based MethodsMIT 的Sung 和Poggio 等提出了基于樣本學(xué)習(xí)的方法。他們采用k-均值聚類方法在特征空間中建立6 個(gè)人臉簇和包圍人臉簇的6 個(gè)非人臉簇,以使人臉模式與非人臉模式的邊界更為清晰,然后根據(jù)樣本到各個(gè)簇中心的距離來訓(xùn)練一個(gè)多層感知器進(jìn)行分類,用來實(shí)現(xiàn)人臉檢測(cè)。支持向量機(jī) 由Boser、Guyon、Vapnik在COLT-92 上首次提出,是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法.它針對(duì)兩類分類問題,尋找一個(gè)超平面作為兩

12、類訓(xùn)練樣本點(diǎn)的分割,以保證最小的分類錯(cuò)誤率11。在線性可分的情況下,存在一個(gè)或多個(gè)超平面使得訓(xùn)練樣本完全分開,SVM的目標(biāo)是找到其中的最優(yōu)超平面,最優(yōu)超平面是使得每一類數(shù)據(jù)與超平面距離最近的向量與超平面之間的距離最大的這樣的平面；對(duì)于線性不可分的情況,通過使用核函數(shù)一種非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分。隱藏馬爾可夫模型隱馬爾可夫模型是馬爾可夫鏈的一種,它的狀態(tài)不能直接觀察到,但能通過觀測(cè)向量序列觀察到,每個(gè)觀測(cè)向量都是通過某些概率密度分布表現(xiàn)為各種狀態(tài),每一個(gè)觀測(cè)向量是由一個(gè)具有相應(yīng)概率密度分布的狀態(tài)序列產(chǎn)生。所以,隱馬爾可夫模型是一個(gè)雙重隨機(jī)過程-具

13、有一定狀態(tài)數(shù)的隱馬爾可夫鏈和顯示隨機(jī)函數(shù)集。在HMM 用于模式識(shí)別問題時(shí), 需要確定許多隱藏的狀態(tài)形成一個(gè)模式, 然后, 訓(xùn)練HMM 從樣本中學(xué)習(xí)傳統(tǒng)狀態(tài)間的概率, 其每個(gè)樣本被表示為觀察序列。訓(xùn)練HMM 的目的是通過HMM 模型中的參數(shù)調(diào)整最大化觀察的訓(xùn)練數(shù)據(jù)的概率。訓(xùn)練HMM模型以后, 觀察的輸出概率確定了其所屬的類別。Adaboost算法1,4,10 它是Boosting算法的一種。Boosting算法的思想是將一系列粗略的規(guī)則加權(quán)組合起來得到高精度的規(guī)則。Boosting算法涉及到兩個(gè)重要的概念就是弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)10。弱學(xué)習(xí)指一個(gè)學(xué)習(xí)算法對(duì)一組概念的識(shí)別率只比隨機(jī)識(shí)別好一點(diǎn)；強(qiáng)學(xué)習(xí)指一

14、個(gè)學(xué)習(xí)算法對(duì)一組概率的識(shí)別率很高?，F(xiàn)在我們知道所謂的弱分類器和強(qiáng)分類器就是弱學(xué)習(xí)算法和強(qiáng)學(xué)習(xí)算法。Kearns和Valiant提出了弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)等價(jià)的問題并證明了只要有足夠的數(shù)據(jù),弱學(xué)習(xí)算法就能通過集成的方式生成任意高精度的強(qiáng)學(xué)習(xí)方法。這一證明使得Boosting有了可靠的理論基礎(chǔ),Boosting算法成為了一個(gè)提升分類器精確性的一般性方法。1990年,Schapire提出了第一個(gè)多項(xiàng)式時(shí)間的算法,一年后Freund又提出了一個(gè)效率更高的Boosting算法。然而,Boosting算法還是存在著幾個(gè)主要的問題,其一： Boosting算法需要文獻(xiàn)綜述預(yù)先知道弱學(xué)習(xí)算法學(xué)習(xí)正確率的下限即弱分類

15、器的誤差,其二：Boosting算法可能導(dǎo)致后來的訓(xùn)練過分集中于少數(shù)特別難區(qū)分的樣本,導(dǎo)致不穩(wěn)定。針對(duì)Boosting的若干缺陷,Freund和Schapire于1996年前后提出了一個(gè)實(shí)際可用的自適應(yīng)Boosting算法AdaBoost。是對(duì)傳統(tǒng)Boosting算法的一大提升。Boosting算法的核心思想,是將弱學(xué)習(xí)方法提升成強(qiáng)學(xué)習(xí)算法4,10。在20XX,Viola和Jones,在AdaBoost算法的基礎(chǔ)上,使用Haar-like小波特征和積分圖方法進(jìn)行人臉檢測(cè)4,10。他倆的三個(gè)貢獻(xiàn)：第一個(gè)是引進(jìn)一種新的圖像表示法稱為積分圖,它讓我們的檢測(cè)的特征得以很快地計(jì)算出來。第二個(gè)是基于Ada

16、Boost算法,從大量特征中選擇少數(shù)重要的視覺特征,產(chǎn)生極其有效的分類器。第三個(gè)貢獻(xiàn)是一種級(jí)聯(lián)越來越復(fù)雜的分類器成為一個(gè)級(jí)聯(lián)分類器的方法,提高搜索目標(biāo)的區(qū)域10。實(shí)驗(yàn)結(jié)果顯示無論是應(yīng)用于人造數(shù)據(jù)還是真實(shí)數(shù)據(jù),AdaBoost 都能顯著提高學(xué)習(xí)精度。又過了一段時(shí)間,Rainer Lienhart和Jochen Maydt將這個(gè)檢測(cè)器進(jìn)行了擴(kuò)展,最終形成了OpenCV現(xiàn)在的Haar分類器。本文將人臉檢測(cè)方法分為四個(gè)主要類別: 基于知識(shí)的方法、特征不變方法、模板匹配方法和基于外觀的方法,從人臉檢測(cè)方法的角度,結(jié)合近年來人臉檢測(cè)問題上的研究,綜述了人臉檢測(cè)問題的一些主要研究算法。參考文獻(xiàn)：1Yang.

17、M-H.Kriegman.D.Ahuja.N.Detecting Faces in images:a surveyJ.IEEE Transactions on Pattern Analysis and machine Intelligence,2002,：34-58.2Chellappa.R.Wilson.CL.Sirohey.S.Human and Machine Recognition of Faces SurveyJ.Proceedings of the IEEE,1995,：705-740.3Samal.A.Iyengar.PA.Automatic recognition and an

18、alysis of human faces and face expressions:A SurveyJ.Pattern Recognition,1992,：65-67.4李月敏,陳杰,高義等.快速人臉檢測(cè)技術(shù)綜述C.全國16屆計(jì)算機(jī)與技術(shù)用學(xué)術(shù)會(huì)議論文集,2004,771-774.5Rowley.R.Baluja.S.Kanade.T.Neural network-based face detectionJ.IEEE Transaction on Pattern Analysis and Machine Intelligence,1998,：23-38.6Sanderson.C.Paliwa

19、l.Fast Features for Face Authentication under Illumination Direction ChangesJ.Pattern Recognition Letters,2003,24.7Osuna.Girosi.Reducing the run-time complexity of support vector machinesC. ICPR,1998,16-20.8Purdy.H.Rotation.Invariant Real-time Face Detection and Recognition SystemJ MIT AIM,2001.9Feraud.R.Olivier.J.B.viallet.J.A Fast and Accurate Face detector Based on Neuro NetworksJ.IEEE Trans on Pattern Analysis and Machine Intelligence,2001.10Viola.P.Jones.M.Rapid Object Det