使得这种算法的在实际中的实现受到限制。
近几年，关于正面非直立人脸检测的研究很多[27，28]，但是一直没有实质性的进展。同时，还出现了一些关于多姿态人脸检测算129一321，但检测性能并不理想，目前还停留在理论研究阶段。
1.5本文采用的方法及创新点
美国麻省理工学院的 PaulVoila博士于2001年在ICCV(国际机器视觉)和CVPR(计算机视觉和模式识别)会议发表文章，提出了一种快速检测人脸的方法[8，9]。这种方法采用简单Haar一1议e特征(也称作矩形特征)来表征人脸，运用Adaboost算法(自举算法的变种)在正负样本上训练级联分类器。Viola提出的这种方法的最大优点是速度快而准确，在 Pm700MHZ笔记本上对384X288大小的动态图像进行人脸检测，可以达到每秒15帧的检测速度，准确率超过90%。 RainerLienh翻rt等利用扩展的H别汀.1淞特征(共14个)构造了一个快速人脸检测系统(图1.3)，误检率暨南大学硕士学位论文复杂背景下的正面人脸检测比Viola提出的方法(4个Haar-1议e特征，图 1.2)平均降低了12.5%[l5，l61，但是由于选取特征的复杂性，使得检测速度也有所降低，在 P4ZGHZ计算机上检测速度为5帧每秒。我们根据以上两组Haar~1议e特征的表达特性，采用了比较折衷的策略，只选用了5种特征原形，如图1.4所示。在实际应用中，正面人脸检测的应用最广泛，Viola和 RainerLienhart等在他们的文章中都是以训练正面人脸为例的，本文也将应用背景放在了正面人脸上。即使仅将应用限制在正面人脸的检测上，Viola等的方法仍然存在严重的不足，主要表现在:
1.对有旋转角度人脸的鲁棒性不好。实际情况是，即使是正面人脸，人的头部也不可能都是直立的，会存在不同程度的偏转，如图1.5所示。Viola和RainerLienhart等提出的方法只能检测到与训练样本相比偏转角度不超过士15。的人脸，对于较人脸训练样本有较大偏转角度的人脸则会漏检。2.由于基于H~l溉特征的级联分类器是基于人脸灰度分布信息来检测人脸的，因此和人脸具有相似灰度分布的区域也往往会被检测成为人脸，误检较多。
固匹困巴图 1.2voi一a提出的Haa卜一ike特征原型‘”]
本文基于以上两点不足，对前人提出的方法进行改进，改进点主要有:
1.对同一幅图像进行三重检测，即对原始图像，在平面内左偏转30。①和右偏转30“的图像分别进行检测。由于用正面直立样本训练的分类器可以检测到偏转范围在士15。内的正面人脸，利用三重检测的方法就可以检测到相对垂直方向偏转角度在士45。①之间的正面人脸，在一定程度上克服了第1点不足。2.利用肤色模型和图像处理技术对图像进行预处理后再进行检测。具体的说是将图像中非肤色区域涂黑。这样做一方面可以排除灰度分布接近人脸的非肤色区域对误检率的影响，另一方面可以加快级联分类器的检测速度，尤其是采用了第1步的方法而影响了检测速度后，这一步的工作就显得尤为重要。3.对于每幅图像，在检测完一个角度，进行旋转前，先把前一次检测到的人脸区域涂黑，再让图像进入下一轮检测。这样做可以避免人脸重检，并加快下一步的检测速度。①本文所涉及的偏转角度如果没有特别声明，均是指人脸两眼连线的垂线和垂直方向的夹角。暨南大学硕士学位论文复杂背景下的正面人脸检测
作者将正面人脸的对称性引入系统，减少了特征池内的特征数目，可以加快级联分类器的训练时间。通过本章的分析我们还了解到基于Haar~like的级联分类器方法与其他分类器检测算法方法相比，主要不同在于:采用Haar一hke特征值而非直接采用象素作为分类器的输入;采用多个强分类器的级联形式而非单一的强分类器进行分类。采取H~hke特征是因为H出汀.like特征本身就包含了一定的区域知识，对这些知识，基于象素的分类器需要一定量的学习才能得到。采取级联的分类器，不需要把每个强分类器训练到十分精确，却可以得到很高的检测率和较低的误检率。暨南大学硕士学位论文复杂背景下的正面人脸检测
第3章人脸偏转问题的解决
基于Haar~1议e特征的级联分类器采用的是基于区域块的特征，因此对于人脸偏转不是十分敏感，但是通过实验我们看到，它并不能检测到与训练样本相比偏转角度较大(比如30“)的人脸。当然我们可以采纳Viola在文献[25]中的方法，训练针对不同偏转角度的级联分类器。但是从第2章的训练过程我们可以看到训练级联分类器是一个相当复杂的过程，工作量巨大，因此训练多个级联分类器并不现实。在本文中，我们采用旋转待检图像而非训练多个级联分类器的方法来解决偏转人脸问题。
系统在测试集一上的检测速度。由于faees95文件夹中的图片背景为红色，红色在色度上和肤色很接近，所以肤色模型对背景的消除较少，算法11在第，2组测试集上的检测速度较算法I要慢。第3组测试集中的样本虽然复杂，但是背景与肤色相差较大，肤色预处理对速度提高很明显。在整个测试集一上，算法I的平均检测速度为6张/秒，算法n为 1.7张/秒。系统的检测速度与Viola的公布的检测速度相比要慢，原因是本文算法采用的最小检测窗口和窗口缩放系数比Voila采用的要小，这两个参数越小检测速度越慢。对于这两个参数，本文选择为 20x20、暨南大学硕士学位论文复杂背景下的正面人脸检测2，Voila算法为 24X24， 1.25。另一个影响速度的重要原因是:在时间仓促的情况下，系统中实现检测部分的代码不够优化，这将是我们将来要解决的首要问题。
本文采用了CMU正面人脸测试集中的rotated子集进行了测试，目的是测试本文采取的旋转策略对级联分类器检测性能的提高程度。尽管最能发挥本系统行性能的应用场合是有旋转人脸存在的彩色图像的检测，但为了提高系统的鲁棒性，仍然考虑到了灰度图像的兼容(对于灰度图像，检测时省去了肤色预处理)。而且为了使其他检测系统和本系统在进行性能比较时有标准可寻，我们仍有必要用标准人脸测试集对系统进行测试。表6一2显示了系统的测试结果。由于rotated文件夹内的图片全部为有偏转角度的人脸，所以仅采用了级联分类器进行检测的算法I，只有18.5%的检测率，算法n则达到了84.7%的检测率。系统在这个测试集上检测性能的提高是十分明显的。前面介绍过我们的系统设计是面向日常生活的，这种应用背景下的人脸相对于垂直方向的偏转一般不超过士45“，而rotated文件夹中的大量的人脸偏转角度都超过了这个范围，甚至含有倒立的人脸(如图6.2所示的例子)，测试系统并不能将旋转角度如此之大的人脸检测出来。从我们的应用背景出发，本系统的检测效果是理想的，与算法I相比，检测性能有了实质性的提高。