在个人收集的图像集进行上的测试结果这组测试样本是来自个人拍摄和网上搜集的彩色图片，共32张，含144个人脸，图片较大，背景复杂多变，用于测试本文所作的所有改进措施对系统性能的改善程度。由于基于H~1水e特征的级联分类器对人脸的检测是基于人脸灰度分布的统计规律的，背景复杂的大图片中含有的与人脸灰度分布相似的区域很多，因此误检的窗口数较前面的两个测试集也相应增加。从表6一3所示的结果我们看到:算法I的人脸误检数较多，为30个;算法n采用了肤色预处理，误检数与算法I相比明显降低。算法n的检测速度也明显高于算法I。综合起来，算法11在个人搜集的测试样本上检测率和误检数都要优于算法I。本系统最适用的应用场合是检测类似测试集三的图片。表卜3在个人收集图像上的测试结果图片数正面人脸数算法检测率误检数
126/144=87.5%
138/144=95.8%
30
13
6.4本章小结
本章具体给出检测结果，并对测试系统改进前后的性能做了比较分析。各组测试集的选择都有不同的测试目的，多组测试集测试了多种改进措施在系统性能提高所起的作用。从检测结果可以看到，与单纯采用级联分类器的算法相比，本文提出的检测系统具有更高的检测率，更好的鲁棒性，更少的人脸误检数。为了使读者对本系统(算法11)的检测结果有更直观的感受，在附录给出了系统在测试集二和测试集三上的部分检测结果。暨南大学硕士学位论文复杂背景下的正面人脸检测
第7章总结与展望
复杂背景下的人脸检测是一个十分复杂的课题，到目前为止还不存在一个通用的人脸检测算法可以适用于各种复杂的应用背景。基于Haar.like特征的级联分类器检测方法存在两个难以克服的问题，首先是误检率和检测率之间相互制约，难以两全。其次，分类器对于样本的依赖性大，针对于哪种姿态的人脸训练的分类器只能检测该种姿态的人脸。
本文试图通过采用基于肤色模型的肤色提取，以及多种图像处理技术来改进Voila博士提出的级联分类器检测算法，以克服算法存在的不足，提高级联分类器在人检测问题上的鲁棒性。我们所做的工作重要有:
1.通过采用恰当的肤色模型，充分利用彩色图像中的肤色信息来降低检测系统的误检率。
2.通过采用两次旋转并将图像在级联分类器上进行三轮检测的方法，来提高级联分类器对于具有较大偏转的正面人脸的检测率。通过第6章的检测结果，我们可以看到本文提出的检测系统具有较好的检测性育旨:
1.对于光照、表情变化有较好的鲁棒性，对于带有眼镜和长有胡须的人脸也有较好接纳能力。
2.有效的降低了级联分类器在检测过程中的人脸误检数。
3.系统对于平面上有偏转角度的人脸的鲁棒性大大提高。虽然测试结果显示了本系统具有理想的检测性能，但是和其他检测方法一样，本系统仍然不是一个适用于任何应用背景的通用检测系统，仍然存在着众多的不足。首先，如果要将系统应用的实时性要求特别高的场合，检测速度还需要进一步提高。因为本系统设计的出发点是复杂背景下静态图像中的正面人脸检测，对实时性要求不高，所以级联分类器检测参数的选择更侧重于检测率的提高，再加上编程代码不够优化使检测速度受到影响;其次，本系统虽然表现出良好的检测性能，但是仍需要向更高鲁棒性的检测系统方向努力，以便使系统可以检测各种姿态的人脸，最终实现通用人脸检测系统的暨南大学硕士学位论文复杂背景下的正面人脸检测目标。