南京林业大学毕业设计(论文)开题报告

南京林业大学毕业设计(论文)开题报告

学生姓名 指导教师姓名 选题来源 选题名称

彭旭芳 李勇智

学 号 职 称

091101215 教授

专

业

信息与计算科学 理学院 毕业设计 □ 毕业论文 √

所在学院 选题类型

科研课题 □ 生产实践 □ 其它 √

基于复杂背景下的人脸检测 人脸检测(FaceDetection)是指在输入图像中确定所有人脸(如果存在)的位置、 大小和位姿的过程，人脸检测的研究目的是使计算机具有类似人脸的脸像识别 能力, 系统输入可能包含人脸的图像，输出关于图像中是否存在人脸以及人脸 的数目、位置、尺度、位姿等信息的参数化描述。具体地说，就是根据一定的 算法确定输入图像是否存在人脸；如果存在的话，标出人脸的位置作为人脸检 测系统的输出。08年在《科学》杂志上发表的研究指出，给定足够多人脸样本 的情况下，采用恰当的人脸描述方法，可达到100%的人脸识别率。它在身份鉴

研究的目的 及意义

别、人机交互、智能监控和视频检索等领域有重要的应用。特别是随着社会的 发展，各个方面对快速有效的自动身份验证和识别的要求日益迫切。人脸作为 人的特征之一,它和视网膜,虹膜和指纹一样具有唯一性和不可更改性。同时人 脸提供了大量丰富的信息，同其他生物特征识别技术相比，人脸是一个信息极 丰富的模式集合，是人类互相判别、认识、记忆的主要标志，人脸识别技术具 有操作方便、结果直观、隐蔽性好的优点，是一种很有潜力的身份验证途径， 也是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研 究非常活跃的课题之一。

人脸检测问题非常复杂，受到多种因素的影响，主要有：（1)人脸由于外貌、 表情、肤色等不同, 具有模式的可变性；(2) 一般意义下的人脸上, 可能存在 眼镜、胡须等附属物；( 3) 作为三维物体的人脸的影像不可避免地受由光照产 生的阴影的影响。人脸是复杂的模式,受到多种因素的影响，找到一种有效的方 法提取人脸的共性特征来描述人脸模式,即人脸的建模,是人脸检测的关键。对 国内外同类 研究概况 于人脸检测,国内外研究者们提出了许多有效的人脸检测算法，大体可以分为四 类： 基于知识的方法, 基于特征的方法, 基于模版匹配的方法,基于外观学习的方 法。人脸检测有很多分类方法，但是这些方法并不是完全孤立的，现在运用的 方法有许多是结合多种方法进行研究的。 1） 基于知识的方法 这种方法是基于人们对人脸固有特征的认识，即对于不同的人脸，均有一

些相对不变规律的因素，把这些因素加以归纳总结，然后形成人脸规则。比如， 在一副人脸

图像中，通常包含有对称的一双眼睛、一个鼻子、一个嘴巴，而且， 这些人脸部件之间的位置和距离分布通常具有某种相关性。其工作过程大致如 下，当待测图像进入后，首先必须提取人脸部件特征，然后再确认部件间的关 系是否符合规则，如果符合，则认为是人脸，否则不是人脸。 2） 基于特征的方法 基于特征的人脸检测方法就是根据已有的面部特征以及它们之间的几何关 系来判定图像中的子窗口是否有人脸。其中,面部特征主要有如眉毛、眼睛、鼻 子、嘴唇、下巴和皮肤等,他们之间的几何关系有人脸的结构、轮廓和纹理特征 等信息。在光照和姿势不同的情况下，眉毛、眼睛等面部特征及其之间的关系 是不会改变的，故可以先检测这些不变特征，再根据它们之间的空间几何关系 来定位人脸。这种方法又进一步分为基于面部特征的方法、基于纹理的方法、 基于肤色和基于多特征综合的方法。 3）模版匹配的方法 这种方法通常事先设定一个标准的人脸模板(常为正面)， 或者用一个函数对 此模板参数化，然后计算一幅输入图像与标准模板对应的边缘和特征(眼睛、鼻 子、嘴巴)之间的相关系数，根据此相关系数的值来确定是否包含人脸。传统的 模板匹配法通常需要手工制作标准模板或将模板先行参数化，然后在检测人脸 时，计算待测区域与标准模板之间的相关性。这种方法的优点在于简单易于实 现，然而，这种方法遇到了较大的障碍，是它对同幅图像中具有不同尺寸、不 同角度、不同的姿态的人脸缺乏有效的解决办法。针对这一问题，研究者提出 了序列模板、可变形模板、层次模、直接的平均脸等等方法。 4） 基于外观学习的方法 对于自然获取的人脸图像(Natural Face Images)，上述方法并不有效，因为人 脸图像和非人脸图像之间的大量细微差异无法用知识或模板的方法来描述，必 须通过大量的样本进行训练来学习，所以基于统计学习的方法在人脸检测中具 有更好的检测效果。目前基于示例的统计机器学习已被广泛的应用到模式识别 及计算机视觉等领域。常见的方法有基于子空间分析方法、可能近似正确 (Probably Approximately Correct, PAC)学习模型、人工神经网络(Artificial Neural Networks,ANN)、支撑向量机(Support Vector Machines, SVM)等。基于统计机器 学习的人脸检测方法通过对人脸样本和非人脸样本进行学习， 得到可以区分两 类样本的规则信息，用于人脸和非人脸的区分。如何设计有效的学习方法，使 得提取的人脸描述特征更有效是基于统计学习的人脸检测方法的研究热点。理 论上说，训练例越多，提取的规则越准确。然而在实际应用中，

由于计算量对 硬件的要求及示例获取的代价等因素使得训练数据集的规模受到极大的限制。

学习的性能依赖于训练示例对概念的代表能力。所以如何选择更典型的示例是 机器学习中的另一个研究热点。

综上所述，尽管研究者在人脸检测方面取得了很多成绩，由于人脸的复杂 性，单纯的使用某一种方法作为检测方法是无法适应所有的环境，故在研究过 程中，人们认识到:将多种技术结合在一起，利用多种信息可以提高人脸检测方 法的效率， 一些人脸部件之间的位置和距离分布通常具有某种相关性。其工作 过程大致如下，当待测图像进入后，首先必须提取人脸部件特征，然后再确认 部件间的关系是否符合规则，如果符合，则认为是人脸，否则不是人脸。这一 确认过程现在大多用于降低误检率。而基于肤色的人脸检测算法有着其显著的 优势，肤色虽然对光照敏感，但它不依赖于人脸的细节特征，对于旋转,表情等 变化情况都能使用，具有相对的稳定性并且和大多数背景物体的颜色相区别， 根据肤色特征分割出来人脸候选区域,然后再结合其他算法判定候选区域是否为 人脸。由于此算法预先筛选掉了一部分背景，减少了目标搜索时间，因此可以 大幅提高检测速度,近几年,基于肤色的人脸检测已经引起了很多学者的关注。 而肤色检测加特征验证的算法其优势在于，在肤色分类之前，先进行了以参考 白色为基准的增强，从而减小了高光和阴影对人脸肤色的影响。另外，它还在 色度空间分析了面部特征的内在规律，使得特征提取也较为成功。但是此算法 的准确率主要依赖于特征提取的准确性，而且由于它验证步骤比较多，故计算 复杂度比较高。本问主要讨论的就是基于肤色和于 AdaBoost 算法的方法。

研究内容、方法： 基于复杂背景下的人脸检测 1、熟练掌握 matlab 语言，利用 matlab 语言强大丰富的统计计算和作图功能， 对概率统计知识进行实例验证，并制作简洁明了的图表。 2、针对复杂背景下多姿态人脸检测，分类出肤色像素，分析肤色区域的特征， 基于 AdaBoost 算法定位出可能的人脸区域 研究内容 及计划 3、独立进行资料的收集、加工与整理，能综合运用所学的理论、知识和技能， 进行必要的理论分析，结合计算机解决实际问题，检测出图像中的人脸。 研究方案与时间安排： 1 查阅文献，了解研究动态，做开题报告。 2 理论分析，利用所学知识撰写论文初搞。 3 撰写论文，修改和定搞。 4 制作 PPT 文件，答辩。 2013.3.4—2013.3.10 2012.2.25—2012.3.15 2012.3.15—2012.4.15

2012.4.15—2012.5.20

1 详细阐述基于肤色和 AdaBoost 检测人脸的具体操作

和方法 特色与创新 2 本方法:检测率高,漏检率,误检率相对低,具有一定的可操作性

进一步修改，补充后提交 指导教师 意 见 指导教师签名： 年 月 日