论文部分内容阅读
人眼检测是人脸检测和人脸识别的一个中间步骤,是自动人脸识别系统中必不可少的部分.由于人脸识别系统需要知道眼睛位置,才能提取标准化的人脸图像块用于识别,如果眼睛的位置定位的不准确或者错误,对人脸识别结果有明显的影响,因而研究准确并且快速的检测人眼具有十分重要的意义.现有的人眼检测方法主要分成两大类,一类是基于先验知识的检测,即利用眼睛在人脸上的几何分布,眼睛在面部的灰度信息,人眼的对称性等知识,得到一些如几何关系模型,投影方法,对称性分析,变形模板等方法,但是这些方法都有不稳定,鲁棒性较差的特点.另一类是基于统计学习的方法,用人工神经网络,SVM检测等方法,但是存在检测速度慢的缺点.该文实现了一个人眼检测系统,在两类方法上都做了一些研究,系统中集成了三种人眼检测方法,分别是几何投影检测(第一类方法),基于Adaboost学习的检测和基于决策树学习的检测(第二类方法).系统首先利用SVM检测输入图像中的人脸区域,然后在人脸区域上进行人眼检测,有效的提高了检测的速度和降低了人眼配对的复杂度.文中实现第一类方法的几何投影检测是对传统的投影方法做了改进,传统的投影是在灰度图或边缘图像上投影,该文通过对人脸上的显著器官特征做标识,使得仅在一个局部的区域做投影,从而提高了检测的准确性,有更好的鲁棒性.实现的第二类方法,将常用于做物体检测的基于统计学习的Adaboost检测方法用于做人眼检测,解决了检测速度慢的问题,但是其训练周期长.最后,为了解决基于Adaboost学习的检测方法中的问题,我们使用了机器学习理论中的决策树学习,提出了不同于常用的ID3和C4.5算法的一种决策树学习算法,结合实际问题,以最小分类错误率为条件的次优的决策树生成方法,有效解决样本学习过程中的特征快速提取问题,并且达到和基于Adaboost基本相同的检测效果,但学习和检测过程更加快速.为了比较实现的三种检测方法的性能,我们在三个人脸数据库上做了的大量实验.实验表明,改进后的几何投影方法,性能比较稳定,对正面的人脸数据库和较复杂的人脸数据库基本可以到达较好的效果,而基于Adaboost和决策树的这两种统计学习方法,对正面图像的人脸数据库的检测效果很好,优于改进的几何投影方法,但是对于复杂多变的人脸数据库,由于学习样本影响,性能下降较多,差于改进的几何投影方法.在检测速度上,三种方法都很快,基于决策树的方法最快,其次是改进的几何投影方法,最后是基于Adaboost的检测方法.