1.2 目前的研究状况
人脸检测是一个复杂的极具挑战性的模式检测，其主要的难点有两方面：一方面是由于人脸内在的变化所引起：
(1)人脸具有很复杂的细节变化，不同的外貌特征如脸形、肤色等，不同的表情如眼、嘴的开与闭等；
(2)其他物体对人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等； 另外一方面由于外在条件变化所引起：
(3)成像角度的不同也能造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；
(4)光照的影响，如图像中的亮度、对比度的变化和阴影等；
(5)图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。 这些困难都为解决人脸问题造成了难度。如果能找到一些相关的算法并使其能在应用过程中达到实时，将为成功构造出具有实际应用价值的人脸检测系统提供保证。
目前，国外对人脸检测问题的研究有很多，比较著名的有MIT,CMU等；国内的清华大学、北京工业大学、中科院计算所和自动化所等都有人员从事人脸检测相关的研究。而且，MPEG7标准组织已经成立了人脸识别草案小组，人脸检测算法也是一项征集的内容。随着人脸检测研究的深入，国际上发表的有关论文数量也在大幅度增长，如IEEE的FG、ICIP\\CVPR等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的1/3之多。由此可见世界范围的学者对人脸检测技术的重视。
1.3 概念
人脸检测是指对于任意一幅给定的图像，采用一定的策略进行搜索来确定其中是否含有人脸，如果是，就返回人脸的位置、大小和姿态。
人脸检测是自动人脸识别系统中的一个关键环节。随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般图像具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。现在，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视频检测等方面有着重要的应用价值。
1.4 人脸检测及其合成技术的应用领域
近年来，视频人脸检测及其合成技术受到越来越多研究者的关注，这主要由于两方
6
面原因：一方面，计算机计算和存储成本的大幅度下跌使得以视频速率或近似视频速率采集存储图像序列成为可能；另一方面，视频跟踪识别技术的极为广阔的市场应用前景也是推动此研究的主要动力。主要应用在一下五个领域： (1)身份认证与安全防护
最通俗的例子就是门禁控制。门禁控制是为了有效的控制人员的出入，并且记录所有进出的详细情况，实现对出入的安全管理。人脸门禁系统是一种基于人脸识别技术的新型访问控制系统，将具有访问权限的访问者的人脸信息存放在人脸数据库中，对人脸信息进行学习训练。通过摄像机动态捕获人脸，将人脸信息同数据库中人脸信息进行检索比对，只有图像信息符合的人才可以进入，否则拒绝进入，并对强行进入者发出报警。
在这个世界上，只要有门的地方几乎都带有一把锁。当然，在许多安全级别要求较高的区域，例如金融机构、机关办公大楼、运动场馆、甚至重要设施的工地，都需要对大量的人员进行基于身份认证的门禁管理。手机、笔记本电脑等个人电子用品，在开机和使用中经常要用到身份验证功能。 (2)媒体与娱乐
人们的许多娱乐活动都是跟脸部有关的。最著名的娱乐节目之一就是川剧的变脸。在网络虚拟世界里，通过人脸的变化，可以产生大量的娱乐节目和效果。手机、数码相机等消费电子产品中，基于人脸的娱乐项目越来越丰富。QQ、MSN等即时通信工具以及虚拟化身网络游戏也是人脸合成技术的广阔市场。
另外还有家庭娱乐。家庭娱乐是指能够识别主人身份的智能玩具，家政机器人，具有真实面像的虚拟游戏玩家等。随着电子技术水平的提高，家庭娱乐会得到广泛的应用，其中的关键技术之一也是人脸的跟踪识别。 (3)图像搜索
目前，Google的图像搜索其实还是文字搜索。基于人脸图像识别技术的搜索引擎将会具有广泛的应用前景。 (4)协助调查
目前，在银行、金库发生抢劫事件已经屡见不鲜。发生这样的事件不是一时就能够制止的，但是可以通过人脸检测的设备来提取并记录罪犯的人脸，提供给公安机关以帮助破案。
(5)信息安全
信息安全是指计算机和网络的登录、文件的加密和解密。在信息安全中，人脸的识别也是其中的一个关键技术。
1.5 人脸检测评价标准
人脸检测系统性能主要评价标准有：检测率，误检率，检测速度以及鲁棒性：
7
(1)检测率
被正确检测到的人脸数与图像内包含的人脸数的比值。检测率越高，说明检测系统对人脸的接受能力越强。 (2)误检率
也称虚警率，误报率。被误检为人脸的非人脸子窗口数与图像内被检测的所有非人脸子窗口数的比值。设图像内被检测的所有非人脸子窗口数为N2，被误检为人脸的非人脸子窗口数为从，则误检率为Nl／N2。再设图像内被检测的所有子窗口数为N，图像内包含的人脸数为Nl，N=Nl。当N>Nl时，误检率近似于Nl／N。
检测率无法反映系统对非人脸的排除能力，有可能出现这种情况：所有人脸都被检测到，但同时很多非人脸区域被误认为是人脸。因此引入误检率来衡量系统对非人脸的排除能力。误检率越低，说明检测系统对非人脸的排除能力越强。 (3)检测速度
大部分应用领域需要在线实时地检测人脸，如人脸识别、人脸跟踪，视频监控等。在检测率和误检率达到满意的前提下，检测速度越快越好。 (4)鲁棒性
即在各种条件下，检测系统的适应能力。如复杂背景的干扰，人脸姿态的影响，光照条件的影响，以及遮挡等因素的影响。
这四个标准有些是相互制约的，比如误检率随着检测率的提高而提高，检测率随着误检率的降低而降低。
8
第2章 检测方法
人脸检测经历了较长的发展过程，期间涌现出了很多的检测方法，本文以M．H．Yang在2002年发表的关于人脸检测方法的分类方法把人脸检测方法分为以下四种：基于知识的方法(Knowledge-based Methods)、特征不变量方法(Feature Invariant Approaches)、模板匹配方法(Template Matching Methods)、基于外观的方法(Appearance-based Methods)。
当然，有许多人脸检测的方法并不能简单地归于上述中的某一类，而是几类的组合。也可以将人脸检测的方法简单地分为两类：基于特征的和基于图像的。基于特征的方法指以某种特征为最小处理单元的方法；基于图像的方法指以图像中的像素为处理单元的方法。
2.1 基于知识的方法
此方法是把人脸面部器官之间关系编码并准则化的人脸检测方法。这是一种自顶而下的方法，根据人脸面部器官的对称性、灰度差异等先验知识，制定一系列的准则。当图像中的待测区域符合准则，即被检测为人脸。
人脸及器官具有典型的边沿和形状特征，通常人们利用采用Laplacian，Sobel和Canny等算子来提取边沿特征，将这些特征用于人脸的定位。边沿和形状对于光照条件的变化具有很好的鲁棒性，灰度特征对光照比较敏感。
每一个人脸都有固定的纹理特征，利用这种特征来区分不同的对象，Skufca和Augusteijn共同努力研究了一种通过鉴别类似于人脸的纹理推断人脸的存在的方法。Nakano和Dai也将SGLD模型用于检测人脸，取得了很好的效果。
Yang等首先提出了基于知识规则的由粗到细的三级结构来检测人脸。通过平均和采样的方法得到原图像在不同分辨率下的图像，那些低分辨率的图像被称为镶嵌图(MosaicImage)。针对不同分辨率的图像采用不同的准则进行判定，在低分辨率图像里的准则主要体现了人脸的大体轮廓，而在高分辨率图像里的准则主要体现了人脸的细节特征。虽然,Yang的方法在检测性能方面并不突出，但由粗至细的检测思想对以后的研究工作产生了积极的影响。
但是人脸的类型有千差万别，如果制定的规则太细，真正的人脸可能会被漏掉；如果制定的规则太笼统，有可能造成较高的虚警率。
2.2 特征不变量方法
这个方法的目标是寻找那些即使当姿势、视角和光线条件变化时仍然存在的结构特
9
征，并利用这些特征来定位人脸。由于人类能够毫不费劲地“看到”在不同光线和姿态下的人脸和物体，因此研究人员认为有一个潜在的假设：存在一些关于人脸的不依赖于外在条件的属性或者特征。有许多方法就是按照这个潜在假设，首先去寻找这种脸部特征（通过大量样本学习的方法），然后用寻找到的特征去检测人脸。对比基于知识的自上而下的方法，这种基于特征的方法是自下而上的。
Sirohey提出了用椭圆拟合人脸区域的方法。Graf等人提出了利用某些形态学的方法进行人脸的检测方法。Leung等人提出一种利用人脸五个特征来定义和检测人脸的方法。Han等人提出了一种通过形态学眼部分割的方法来进行人脸检测的方法。
与基于知识规则的方法相比，该类方法主要是企图寻找人脸不变化的特征来对人脸进行检测，特征不变量方法的根本假设是：在所有的人脸检测过程中存在着图像空域或者频域不变量，而且这种不变量是唯一的。于是人脸检测过程就是在图像中全局搜索这种不变量。该类方法中所采用的特征不变量主要有：面部特征、纹理。皮肤颜色和多种特征的融合。该类方法中所采用的一个主要问题是：图像特征极大的收到光照、遮挡和其它噪声的影响，当阴影存在时，面部的特征辩解将被减弱，而阴影的边界将被增强，此时导致边缘感知分组无效。
Sirohey提出了一种从复杂背景中分割定位人脸的方法，该方法使用人脸边缘图信息和椭圆拟合方法检测人脸。Augusterjn提出了一种通过面部相似性纹理信息的人脸检测方法，通过在16?16大小的子图像上计算二阶统计特征纹理信息。在许多的人脸检测应用中，肤色被认为是人脸检测中一种有效的特征，因为颜色信息和运动信息是一种有效减少搜索空间的特征。最近，人脸检测最常采用的主要方法是联合几种不同的特征方法检测。它们首先利用全局特征，如肤色和形状大小等信息寻找人脸候选区域，再根据局部特征，如眼睛、鼻子和头发等信息来确认候选区域是人脸区域。
在实际的检测情况下，由于噪声和遮挡等问题的存在，人脸的某些特征可能被破坏，这将严重影响此算法的检测效果。
2.3 模板匹配方法
该方法大多是用归一化去互相关，在图像灰度层次上直接比较目标模板和候选图像区域之间的相似性，得到表示相似程度的值，然后与相应阈值比较判断候选图像区域是否为人脸区域。其中较为典型的例子就是Yullietlo等提出的基于弹性模板匹配的人脸检测方法。由于模板本身比较粗略，所以模板匹配的人脸检测方法往往精度不是很高，而且计算量较大，速度较慢。
模板匹配通常被用于人脸检测的验证，这样可以更进一步提高人脸检测系统的准确率，它的主要思想是利用模板与待检测图像之间的相关程度来对图像中的入脸进行判断。可变形模板和预先定义的模板是人脸检测常用的模板。Venkatraman和GovindarajuI使用小波延伸的方法用于图像的边缘提取。Tsukamoto等提出一个人脸模式的定性模型(QMF)。QMF方法将每一个样本图像分割成一些块，再对各个块估算
10
