论文部分内容阅读
对人脸进行处理和分析一直是模式识别和计算机视觉领域持续的研究热点。其中人脸检测即是在给定的静止或者动态图像上判断有无人脸,它是人脸识别、跟踪、检索等后续应用系统中最基本的一步,它的精准程度直接影响到后续系统的性能。基于统计学习的算法是近年来该领域研究的一个热点,它的优点是不依赖于人脸的先验知识和参数模型,可以避免不精确或者不完整的知识造成的错误；它采用了实例学习的方法获取模型的参数,统计意义上更为可靠。它通过增加学习的实例可以扩充检测模式的范围,提高检测系统的鲁棒性。基于统计学习的方法大多适用于复杂背景图像中的实时人脸检测,对它的研究是为了使检测能够适应不同复杂环境,达到精度更高、速度更快的目的,从而使此类系统能够投入到更多的实际应用中去。
本文的工作主要可以分为如下两个部分:
一.三种人脸检测方法的介绍并且实现,再通过在三种不同条件下采用这三种检测方法进行检测的结果比较来提供一个可供实际应用参考的评价。本文所采用的三种方法为:主成分分析法,Fisher线性判别分析法和支持向量机的方法。本文因为篇幅和精力的限制,主要的工作重心放在人脸检测过程中判断是否人脸的方法上,而没有对找到人脸在背景图像中的位置以及人脸的大小进行过多的赘述。本文在对方法的实现中采用的待测图像源自网络,从复杂的图像中选取四张子图像(其中包括一张人脸或者近似人脸的物体),而数据库则是ORL人脸库。其中我们以先验知识为参考认为当平均识别率达到百分之五十以上时则可以认为是人脸。通过对比我们发现光照以及侧脸等条件的改变对于主成分分析法带来的负面影响非常严重。支持向量机的方法由于采用了人脸数据库对分类函数进行训练的模式,所以再人脸与非人脸之间仍然保持着较好的区分度。
二.将数据融合的思路引入到统计学方法中来,进一步提高人脸检测系统的精准度。本文分别从像素层面、特征层面和决策层面这三个层面对于数据融合的方法和思路进行了系统的介绍,然后将像素层面和特征层面的方法分别加入到人脸检测的系统中并验证了数据融合之后的优越性。其中,像素层面的融合本文是采用小波分解后对高频和低频系数的不同处理而将两张取自同一对象的待测图片各取所长融为一副新的图像了再做处理,而特征层面则是在一个检测系统中同时采用主成分分析法和Fisher线性判别分析法进行检测。从统计结果来看PCA+FDA的方法跟支持向量机的方法相比的优劣并不是很明显,但是相比于PCA和FDA单独的检测有较大的提升,对于雕像这个类人脸的图像的区分度也稍高一些,但是仍然存在误认的风险。在实际问题的解决中,可能需要通过结合对肤色的判定来提高对类人脸的判断。