本文的应用背景是正面人脸的检测，所以我们只对在平面上有偏转角度的人脸进行讨论，而对有扭转和仰俯角度的非正面人脸不予考虑。实际生活中最具应用价值的也是正面人脸的检测和分析，而且生活经验告诉我们，人脸相对垂直方向的偏转角度一般不会超过士45“，当然经过特殊处理的图像除外。试验表明我们训练的级联分类器可以检测到相对于垂直方向偏转士15“左右的正面人脸。所以，我们试图采用将原图像分别进行左右30“旋转的方法，将偏转角度较大的人脸转换为直立的或者偏转角度在分类器可以检测范围内的人脸。
美国的Voila博士在2001年提出的基于Haar一l议e特征的级联分类器人脸检测算法，具有检测率高、实时性好等优点，是被当今学术界普遍看好的检测方法。本文在Vfola所提出方法的基础上进一步提出改进措施，设计了一个对偏转人脸鲁棒性好、适用于复杂场景下静态图像处理的正面人脸检测系统。改进措施之一是将待检原图像和进行左右旋转30。后的图像分别输入正面直立人脸样本训练的级联分类器中进检测，以提高系统对于有旋转角度的正面人脸的鲁棒性;改进措施之二是在保证级联分类器有高检测率的情况下，利用彩色图像中的肤色信息来降低级联分类器的误检率、提高检测速度。检测结果表明我们的尝试是成功的:本文提出的检测系统在CMU的标准人脸测试集的rotated子集上中达到了84.7%的率，而单纯采用级联分类器在此测试集上只有18.5%的检测率。另外，作者从实际生活和网上收集了32张彩色图片，图片中大部分人脸为正面，各个图片中人脸数目不等且背景复杂。检测系统在这个检测集上的检测速率和误检率也呈现出明显的优势。
关键词:人脸检测;级联分类器;H~like特征;肤色提取;偏转人脸AbstraCt
第1章绪论
本章主要介绍了人脸检测技术的研究背景、研究现状、技术难点以及本文的系统框架。
Ll研究背景和意义
复杂背景下的进行人脸检测是目前学术界和工业界最具挑战性的课题。尽管如此，由于它具有重大的应用价值和广泛的应用前景而受到社会和研究者的普遍重视，己经发展成为一个独立的、十分活跃的研究领域。人脸检测起源于人脸识别，它是人脸识别中的基础和关键技术。但是早期人脸识别系统对于应用环境的约束条件过于严格，往往假定图像中人脸的数目确定且背景简单，甚至假设人脸的位置已知或者很容易获得，所以人脸检测一直没有受到重视。近年来随着安全监控等领域的需要，人脸识别发展成为公认的最具潜力的身份认证手段，这就迫切需要提高人脸检测系统对环境的适应能力，要求有不受环境制约的人脸识别系统的出台。人脸检测这才开始作为一个独立的研究领域受到了学术界和工业上的普遍重视。
今天，人脸检测技术的应用背景己经远远超出了人脸识别系统的范畴，它在智能监控、虚拟现实、人脸检索、人机交互、人脸跟踪、表情分析等领域也表现出重要的应用价值。人脸检测在这些领域中的基础性和关键性作用如图1.1所示。另外，由于人脸检测的研究涉及到图像处理、模式识别、计算机视觉、人工智能、机器学习等多门学科，是这些学科的交叉应用，因此人脸检测的研究也必将对这些学科产生促进作用。
综上，人脸检测技术是人脸信息处理中的关键技术，对于学术界其他领域的研究具有巨大的促进作用。因此，对于复杂背景下的高鲁棒性人脸检测系统的研究将具有重大的理论价值和现实意义。在当今社会对高性能人脸检测系统的要求日益迫切的形式下，我们应现实需要设计了一个对偏转人脸鲁棒性好，适用于复杂背景下静态图像处理的正面人脸检测系统。
1.2人脸检测的技术难点
人脸检测是从视频或者静态图像中检测出是否有人脸的存在，进而确定人脸的位置、大小、姿态的过程。对于人类甚至某些动物来讲，判断面前是否有人脸是一件很容易的事情，甚至可以说是本能，但是对于机器来讲，却是一个相当困难的事情。尽管有些人脸检测方法在严格限定条件的情况下，己经达到了接近100%的检测效果，但现实中的检测环境却并不是我们设定的那么简单，人脸的视觉特征受着诸多因素的影响，
主要有:
1.人脸整体特征:人脸的形状，大小、肤色等存在着很大的差异;
2.人脸姿势:人脸可能会出现各种姿态，如正面、侧面、仰视、俯视、偏转等;
3.人脸表情:人脸是非刚性物体，人的表情，如喜怒哀乐，会影响到面部形状;
4.遮挡物:眼镜、头发、胡须会对面部特征产生干扰，其他物体的遮挡、以及人与人之间的相互遮挡会影响人脸信息的完整性;
5.成像条件:成像时的光照、噪声的影响，以及成像工具(相机、摄像头、感应器等)的特质对图像质量的影响;
6.人脸数目的不可预知性:除了某些特殊场合，图像中的人脸数目是不可预知的。
7.复杂背景的干扰:自然背景中存在大量与人脸相似的图像，如斑驳的树叶，建筑物的外表面等等，极易和人脸产生混淆。人脸及其所处环境的复杂性决定了人脸检测技术的研究的复杂性和艰巨性。暨南大学硕士学位论文复杂背景下的正面人脸检测
L3人脸检测的评测参数
评价任何技术的优劣都需要有一个评测标准，以便对其性能进行评估，并为今后的研究提供目标和方向。人脸检测的评价标准主要有:检测率 (deteetionrate)，漏检率(几 lsenegativerate)，误检率(false训 sitiverate)，检测速度(deteetion印eed)，鲁棒性(robustness)。
各个参数的具体含义如下:
1.检测率:被正确检测到的人脸数与原图像内包含的人脸数的比值。检测率越高说明检测系统对人脸的接受能力越强。
2.漏检率:图像中没有被检测到的人脸数与图像中包含的人脸总数的比值。根据定义，若检测率为d，则误检率为1一d。
3.误检率:又称为虚警率或误报率。被检测为人脸的非人脸窗口数目，同图像中被检测的所有子窗口数目的比值。检测率不能反映系统对非人脸窗口的排除能力，有可能出现这种情况:所有的人脸都被检测到，同时很多非人脸窗口也被误认为是人脸。因此引入误检率来衡量系统对非人脸样本的排除能力。误检率越低，说明检测系统对非人脸的排除能力越强。
4.检测速度:单位时间内处理的图片数量或者处理一张图片所需要的时间。有很多领域需要对人脸进行实时检测，如人脸跟踪，智能监控等。在检测率和误检率达到要求的前提下，检测速度越快越好。