论文部分内容阅读
近年来，自动人脸检测与识别在图像处理和计算机视觉领域引起许多学者的关注。这一课题在智能监视系统、虚拟现实、高级用户接口、表情分析和基于模型的图像编码等方面具有广阔的应用前景。
本文首先归纳和分析了当前国内外人脸检测的典型方法，然后在LBP(Local Binary Patterns)的基础上提出了MLBP(Medium LBP)的人脸表示方法，同时结合MLBP特征提出新型的coarse-to-fine支持向量机分层分类人脸检测方法。进而通过我们构造的人脸检测系统，对上述思想进行验证。
LBP是一种描述图像局部空间结构的非参数算子。LBP在实际应用中有两个重要的特性，一个是它不随灰度的单一变化而变化，因而对图像的光照变化有很好的鲁棒性；另一个就是计算简单。LBP方法和它的变体已经在全世界广泛应用，包括运动检测、图像重建，人脸检测、人脸识别、视觉检查等等。我们提出的MLBP是在LBP的基础上对其算法进行改进，以中值代替中心象素作为新的阈值，同时考虑中心象素对人脸信息的贡献。MLBP进一步提高了人脸表示的有效性和区分能力，同时鲁棒性也更好。
支持向量机的基本思想是在样本空间或特征空间，构造出最优超平面，使得超平面与不同类的样本集之间的距离最大，从而达到最大的泛化能力。支持向量机结构简单，并且具有全局最优性和较好的泛化能力。我们利用全局特征和局部分块特征分别来构造coarse和fine分类器。coarse分类器是用整幅人脸的MLBP特征向量(58种模式)训练的第一层支持向量机，Fine分类器是用人脸的分块MLBP特征向量(144种模式)训练的第二层支持向量机。经验证，这种分层分类的方法可以大大缩短检测时间。
基于上述思想，我们构造了人脸检测系统，在MIT-CMU测试集上验证，实验结果显示，我们的系统在人脸检测率和检测速度上都得到进一步的提高。