贵州人脸识别系统关键检测的要点.

贵州人脸识别系统关键检测的要点.

一、人脸检测

　　(1)简介

　　在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来(如直方图特征、颜色特征、模板特征、结构特征及Haar特征等)，然后利用信息来达到人脸检测的目的。

　　(2)人脸关键点检测(人脸对齐)

　　自动估计人脸图片上脸部特征点的坐标。

　　(3)主流方法

　　基于检测出的特征采用Adaboost学习算法(一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法)挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。

贵州人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程

　　二、人脸特征提取的方法

　　基于知识的表征方法(主要包括基于几何特征法和模板匹配法)：根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率、和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和他们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。

基于代数特征或统计学习的表征方法：基于代数特征方法的基本思想是将人脸在空域内的高维描述转化为频域或者其他空间内的低维描述，其表征方法为线性投影表征方法和非线性投影表征方法。基于线性投影的方法主要有主成分分析法或称K-L变化、独立成分分析法和Fisher线性判别分析法。非线性特征提取方法有两个重要的分支：基于核的特征提取技术和以流形学习为主导的特征提取技术。