（计算机应用技术专业论文）主动形状模型的研究与改进.pdf

摘要 摘要 主动形状模型是一种较为成熟的人脸特征点定位方法。它用局部纹理模型在特征点 周围进行局部搜索，用全局统计模型约束特征点集组成的形状，二者反复迭代，最终收 敛至最优形状。主动形状模型在速度方面具有较大优势，一般应用于实时性要求较高的 场合。 但是，主动形状模型也具有以下三个显著缺点：( 1 ) 主动形状模型的收敛速度和收 敛到局部极值的可能性均依赖于初始形状。初始形状距离真实形状较远时，迭代次数会 大幅增加，收敛到局部极小值的可能性也会变大；( 2 ) 主动形状模型的1 d 纹理模型仅 对法线方向上的像素值采样。该法线模型可较好描述处于人脸轮廓和人脸特征轮廓上的 特征点，但对处于人脸内部或人脸特征内部的特征点来说，该模型无法充分描述其局部 纹理；( 3 ) 主动形状模型的局部搜索策略相当于在法线方向上穷举搜索，遍历法线方向 上的所有点并计算它们的模板匹配函数值，然后找到其中匹配值最小的点。这种搜索策 略极为简单，没有用到任何优化搜索策略，因此算法效率较低。 针对以上三个缺点，本论文对主动形状模型进行了三方面改进：( 1 ) 改进主动形状 模型的初始形状定位方法以便更加快速精确地确定初始形状；( 2 ) 把主动形状模型的局 部搜索与均值漂移算法的搜索过程结合起来，并引入快速高斯变换改善均值漂移算法的 计算复杂度，可同时改进主动形状模型中描述能力不强的局部纹理模型和效率低下的局 部搜索策略；( 3 ) 扩展主动形状模型的1 d 纹理模型，研究其中存在的难点以及找到解 决办法。 关键词：人脸特征点定位，主动形状模型，均值漂移 a b s t r a c t a b s t r a c t a c t i v es h a p em o d e li saf a c i a lf e a t u r ep o i n tl o c a t i n gm e t h o d w h i c hu s e s1 0 c a lt e x t u r e m o d e lt os e a r c hl o c a l l ya r o u n das i n g l ef e a t u r ep o i n ta n dg l o b a ls t a t i s t i c a lm o d e lt ol i m i tt h e s h a p ec o m p o s e do fa l lt h ef e a t u r ep o i n t s ；t h et w os t e p sr e p e a ti t e r a t i v e l ya n dc o n v e r g et ot h e o p t i m a ls h a p ef i n a l l y a c t i v es h a p em o d e li s af a s ta l g o r i t h m ，g e n e r a l l y a p p l i e dt ot h e o c c a s i o nr e q u i r i n gh i g hr e a l t i m e h o w e v e r , a c t i v es h a p em o d e lh a st h ef o l l o w i n gt h r e es i g n i f i c a n ts h o r t c o m i n g s ：( 1 ) a c t i v es h a p em o d e lo fc o n v e r g e n c es p e e da n dt h ep r o b a b i l i t yo ff a l l i n gi n t ol o c a lm a x i m aa r e d e p e n d e n to nt h ei n i t i a ls h a p e w h e nt h ei n i t i a ls h a p es t a r t sf a ra w a yf r o mt h er e a ls h a p e ，t h e n u m b e ro fi t e r a t i o n sw i l li n c r e a s eb yal a r g em a r g i n ，t h ep r o b a b i l i t yo ff a l l i n gi n t ol o c a l m a x i m aw i l lr i s e ( 2 ) 1dt e x t u r em o d e lo fa c t i v es h a p em o d e lo n l ys a m p l e st h ep i x e l sa l o n g t h en o r m a ll i n e ；i tc a nb eu s e dt od e s c r i b et h ef e a t u r ep o i n t so nt h ee d g eo ff a c ea n df a c i a l f e a t u r e s ，b u tn o tf o rn o n - e d g eo ri n n e rp o i n t ( 3 ) l o c a ls e a r c hs t r a t e g yo fa c t i v es h a p em o d e l i se q u i v a l e n tt ot h ee x h a u s t i v es e a r c ho nt h en o r m a ll i n e ，t r a v e r s i n gt h ep o i n t so nt h en o r m a l l i n et of i n dt h ep o i n th a v i n gm i n i m u mt e m p l a t em a t c h i n gf u n c t i o nv a l u e t h i ss e a r c hs t r a t e g y i se x t r e m e l ys i m p l ea n dn o tu s e sa n yo p t i m i z i n gs e a r c hs t r a t e g y , t h e r e f o r el e s se f f i c i e n t f o rt h e s et h r e es h o r t c o m i n g s ，t h i sp a p e rc o n t r i b u t e st oi m p r o v ea c t i v es h a p em o d e li nt h e f o l l o w i n gt h r e ea s p e c t s ：( 1 ) i m p r o v i n gt h em e t h o d so fl o c a t i n gt h ei n i t i a ls h a p eo fa c t i v e s h a p em o d e lt og e tt h ei n i t i a ls h a p em o r ea c c u r a t e l ya n dq u i c k l y ( 2 ) c o m b i n i n ga c t i v es h a p e m o d e ll o c a ls e a r c ha n dm e a n s h i f ts e a r c hp r o c e s st oi m p r o v et h ea b i l i t yt od e s c r i b et h el o c a l t e x t u r em o d e la n dt h ee f f i c i e n c yo ft h el o c a ls e a r c hs t r a t e g y ( 3 ) e x t e n d i n gt h e1dt e x t u r e m o d e lo fa c t i v es h a p em o d e l ，s t u d y i n gt h ed i f f i c u l t i e st h a te x i s ti ni ta n df i n d i n gs o m e s o l u t i o n s k e y w o r d s ：f a c i a lf e a t u r ep o i n t s ，a c t i v es h a p em o d e l ，m e a ns h i f t i i 独创性声明 本人声明所呈交的学位论文是泰人在导师指导下进行的研究工作及取 得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含本人为获得江南 大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志 对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 签名一：盈聋 日舭2 0 0 ，9 0 8 1 4 关于论文使用授权的说明 本学位论文作者完全了解江南大学有关保留、使用学位论文的规定： 江南大学有权保留并向国家有关部门或机构送交论文的复印件扣磁盘，允 许论文被查阅和借阅，可以将学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文， 并且本人电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 签名：亟聋 导师始 日 期： 2 0 0 9 0 8 1 4 第镕论 第一章绪论 主动形状模型( a c t i v es h a p em o d e l ，a s m ) 是一种应用广泛且发展成熟的人脸特征 点定位疔法。人脸特征点定位是人脸识别中的核心问题之一，它指的是在图像或图像序 列的给定区域内搜索部分或所有人脸特征( 如眼、鼻、嘴、耳等) 的位置、关键点或轮 廓线。在定位凰像中的人脸特征点之前，人脸图像对计算机而言只是像素值的集合： 只有定位特征点之后，计算机才能够进一步解释人脸图像。实际上，人脸特征点定位完 成了从像素级别的低层语义向特征级别的高层语义的转化。 图1 - 1 和图l - 2 是人工标注的人脸特征点，特征点之间的连线为表示特征点之问关 系而添加。对于人脸识别来说，用人工方式定位每幅图像上人腧区域内的特征点是费时 费力的，而且每个人的定位方式不易统一，这也可能在人r 定位时造成无法预料的错误。 因此，迫切需要找到可自动定位人脸特征点的算法。 图1 - 1b i o l d 人脸库中的样本，人工标注72 0 个特征置 江南人学埘学位论立 图1 - 2 m m 人脸库中的样本，人工标注75 8 个特征点 人脸特征点定位是人脸识别领域中最重要、也是最难解决的问题之一，造成定位困 难的不少问题同时也是计算机视觉尤其是物体和人脸识别领域中常见的难点。下面列举 了一些人脸特征点定位中难以解决的问题： 身份变化：这可以说是人脸识别领域中最基本的问题。人与人之间脸部特征的 差别可能非常大，因此找到适用于每个人的通用人脸特征点定位算法是困难的； 表| 青变化：不仅人与人之间的脸部特征变化会很大，同一张人脸在不同表情下 的变化也可能很大，比如各种表情下眼睛的睁闭或嘴的开合等。这些变化都为 人脸特征点定位增加了难度； 光照变化：即使人脸图像的身份和表情等保持不变，不断变化的外部光照条件 也会对人脸特征点定位造成较大影响。脸部的光照变化会使图像像素值产生复 杂的非线性变化。如何消除光照变化的影响一直是人脸识别中的关键问题： 遮挡：头发、胡子、眼镜、围巾和口罩等遮挡物会遮挡住一部分脸部特征，这 使得定位这些被遮挡特征上的特征点变得困难。人眼在识别人脸时能够自动对 被遮挡的特征进行补偿，但计算机视觉仍然无法很自然地做到这一点； 尺度变化：图像中的人脸由于成像距离的远近可能在尺度上会有较大变化，需 要预先计算尺度并归一化以消除该变化影响； 头部旋转：头部的平面内旋转和平面外旋转均会改变脸部特征的外观。平面内 旋转可通过简单的旋转变换来消除外观差异。但是甲面外旋转包括上下旋 转和深度旋转由于2 d 图像的性质所限，很难消除其影响： 误检：由于现实图像中非人脸物体和背景要远远多于人脸，因此在训练阶段可 能无法充分训练非人脸物体和背景，从而导致与人脸相似的物体和背景在识别 时也被当作人脸。这也可能成为特征点定位错误的原因： 实时性要求：人脸特征点定位作为诸多人脸识别应用中的关键环节，其定位结 果需要在后续步骤中进一步处理，因此需要具有高实时性。那些具有较好定位 第一章绪论 效果但实时性较差的方法是不可接受的。 这些问题中的任何一个都可能造成包括人脸特征点定位在内的人脸识别算法失败。 一般来说，人脸识别算法还依赖于人脸数据集。某个算法可能在特定的人脸数据集上表 现良好，而在另外一些具有不同变化的数据集上却表现得大相径庭。 人脸特征点定位对现实应用有着重大意义，它对于国民经济建设和社会发展的实用 价值不可估量，在智能监控、安全检测、身份认证识别、自动化艺术创作等领域均有广 泛应用。此外，对其各方面的深入研究还能够在其它领域如物体识别、医学图像处理等 领域起到启发、借鉴和促进的作用。因此，无论应用还是学术，它都具有非常重要的理 论意义。 人脸特征点定位是人脸识别中的一个关键环节，很多人脸识别应用都依赖于准确的 特征点定位。下面列举了一些和人脸特征点定位相关的应用： 人脸提取：定位人脸特征点后，可方便地把人脸甚至各个脸部特征从图像中提 取出来； 人脸配准或对齐：可相对于定位后的人脸特征点进行人脸图像映射以消除人脸 中各种与识别无关的纹理变化。对齐后的脸部纹理可作为人脸识别应用的特征， 也可作为社会学、心理学等领域中人脸统计分析的数据来源； 人脸压缩：在各人脸特征上分别对齐再进行压缩，要比直接对人脸图像整体压 缩自然、合理，且压缩比高； 人脸重构：可在特征点所表示的高层语义上理解人脸图像的结构，使得从特征 级别重构人脸成为可能。由一幅人脸图像的特征点经过变换之后重新映射纹理， 可产生不同表情和姿态的人脸； 人脸艺术：和人脸重构类似，但不是对特征点作变换，而是对所映射的纹理作 变换。既可把原来的真实感纹理变换为具有不同艺术风格，比如水墨画或油画 等风格的纹理，也可把人脸纹理无缝变换为其它生物或物体的纹理； 人脸动漫：可在其中一帧动画的基础上通过控制特征点来完成后续各帧的绘制。 也可用类似于人脸重构的方法从真实感人脸图像产生具有漫画效果的图像，且 该图像可作为动画中的一帧； 用人脸特征点作为判别特征：可用特征点坐标组成的形状向量以及特征之间的 关系等直接作为人脸表情和姿态识别等应用的判别特征。 在人脸特征点定位的研究中，有一类研究方法最为活跃一一可变形模型 ( d e f o r m a b l em o d e l s ) 。这类方法中，主动轮廓模型 2 】( a c t i v ec o n t o u rm o d e l ) 通过迭代 过程求得“外部能量”与“内部能量”之和最小时的形状，其中外部能量在形状紧密贴 合特征边缘时最小，而内部能量减少时可限制形状的曲率和光滑程度等，这一思想在很 大程度上影响了后来的主动形状模型和主动外观模型等方法；另一种使用有限元方法描 述形状原型的方法 3 由p e n t l a n d 和s c l a r o f f 提出，他们把形状看成一个弹性材料制成的 物体，用有限元方法对形状中存在的变化建模；此外，s t a i b 和d u n c a n 提出用傅立叶系 数描述形状【4 】，但该方法不容易描述曲率较大的形状，且选取傅立叶系数也需要技巧。 江南人学硕f ：学位论义 主动形状模型 5 和主动外观模型 6 ( a c t i v ea p p e a r a n c em o d e l ，a a m ) 是可变形模 型中实用效果显著且经过广泛研究的两种方法， 7 】和 8 中的第三章对这两种方法进行 了详细介绍。这两种方法中，主动形状模型用局部纹理模型搜索特征点，用全局统计模 型约束特征点集组成的形状，二者反复迭代最终收敛到最优形状；主动外观模型利用形 状和外观之间的相关性，把二者组合成为一个向量，从而在搜索最优外观的同时找到最 优形状。它们前者速度较快而后者较为准确，可分别应用于实时性和精度要求较高的场 合。但是，它们有一个共同的缺点：收敛性无论速度还是精度均依赖于初始形 状。若初始形状距离真实形状较远，则不仅迭代次数会大幅增加，而且增大了收敛到局 部极小值的可能性。 本论文所做的工作是对用主动形状模型定位人脸特征点的过程进行改进，主要研究 了三方面改进：( 1 ) 主动形状模型的初始形状的确定；( 2 ) 主动形状模型的局部搜索与 均值漂移算法的结合；( 3 ) 对主动形状模型中的局部纹理模型进行扩展时存在的难点和 解决办法。此外，本论文也介绍了与人脸特征点定位方法联系紧密的人脸特征检测方法。 本论文不包括以下内容，尽管这些内容也在一定程度上与主动形状模型相关： 1 对图像中除人脸之外的物体进行特征点定位。本论文只考虑人脸特征点定位； 2 消除人脸中的所有变化。本论文仅涉及有限的存在于特定数据集上的表情、姿 态和光照等变化； 3 识别人脸的身份信息，也就是通过人脸图像告诉我们该人脸属于何人。本论文 不涉及人脸身份识别； 4 识别人脸表情。虽然主动形状模型可以用于表情识别，但本论文只关注用主动 形状模型定位特征点； 5 3 d 人脸特征点定位。本论文的特征点定位对象限定为2 d 图像； 6 利用色彩信息在图像中搜索特征点。本论文仅用到灰度图像； 7 人脸跟踪或在多幅图像中预测人脸的运动轨迹。本论文仅研究单幅人脸图像中 的特征点定位； 8 用主动外观模型定位特征点。主动外观模型的思想源于主动形状模型，虽然本 论文中会提到该模型，但不会涉及具体内容。 本论文章节结构组织如下： 第二章人脸特征检测：本章首先概述人脸特征检测的发展历史，然后重点介绍其 中的两种代表性算法，分别是o l a 等人提出的基于积分图、h a a r 1 i k e 特征、a d a b o o s t 和级联结构的人脸特征检测方法【9 和f r o b a 等人提出的基于边缘方向图匹配 ( e d g e o r i e n t a t i o nm a t c h i n g ，e o m ) 的人脸特征检测方法 1 0 ； 第三章主动形状模型：本章从形状的定义开始，介绍了主动形状模型的工作原理、 主动形状模型的两个子模型全局统计模型和局部纹理模型、主动形状模型的局部搜 索策略以及前人对主动形状模型所做的主要改进等内容； 第四章主动形状模型的改进：本章主要介绍从初始形状定位、局部搜索与均值漂 移算法的结合以及扩展局部纹理模型三方面改进主动形状模型的工作。在主动形状模型 第一章绪论 的初始形状定位中，我主要研究了三种方法，分别是全局平均形状法、局部平均形状法 和最小二乘形状法，从全局一局部和统计模型两个角度研究了初始形状的确定方法；局 部搜索与均值漂移算法的结合中，我主要研究了采用类似于均值漂移跟踪的方法改进主 动形状模型的局部纹理模型和局部搜索策略；对局部纹理模型的扩展中，我主要研究了 把主动形状模型的局部纹理模型从原始的法线模型扩展到2 d 模型之后，可能会遇到哪 些困难，并提出一些具有针对性的解决办法。本章对以上改进均进行了详细的实验验证、 给出了实验结果并对实验结果进行了全面分析； 第五章结论：总结全文内容。简单回顾人脸特征检测和主动形状模型的内容，重 点总结对主动形状模型所做的三方面改进，展望未来可能进一步改进的方向。 第一人胜特许齄日 第二章人脸特征检测 人脸特征检测与人脸特征点定位有若密不可分的联系。人脸特征检测在人脸特征点 定位之前进行，它采用实时性很强的算法检测出人脸或人脸上的各个局部特征，并给出 人脸或局部特征的大概位置与大小。图2 - l 是人脸特征检测的示意图，可以看到该检 测能够较准确地给出各个特征的位置和大小。一般来说，人脸检测和双跟瞳孔检测最为 关键r 若能检测到较为准确的人脸和双眼瞳孔位置和大小，则其它各局部特征也能够较 准确地定位。对于人脸特征点定位来说，人脸特征检测所得到的人脸和各局部特征的位 置和大小可以约束特征点的位置，这是一个由粗到精的过程，也就是从关键特征检测( 人 脸和x 叹1 j e 瞳孔) 得到的信息约束其它特征检测( 鼻、嘴等，甚至可以对鼻孔、鼻尖、嘴 角、上下唇等检测) ，再从各特征检测得到的信息约束所有特征点的定位，逐步细化目 标。但是这一由粗到精的过程非常依赖人脸特征检测的准确性。如果检测不准确，那么 显然从检测结果推断出的特征点位置也不可能准确。人脸检测不准确的情况如图2 2 和 图2 - 3 所示。此外，人脸特征检测给出的仅是人脸特征点定位中的初始条件，因此其速 度需要进一步提高，才能够满足实际应用的要求。能甭在人脸特征点定位中成功应用人 脸特征检测，检测的速度和精度成为关键因素。本章后续各节对人脸特征检测做了详细 全面的介绍。 圈2 - i 人腔特征检测的正确结果示意图，对人脸、双眼 鼻子，嘴检剥 圈 r1 困2 - 3 人脸特征辁科的* 正确结果示毒田鼻干的位置 不准确，可能由于姿态变化导致检测走魄 2 a 人脸特征检测概迷 人脸榆测指的是对于任意幅给定图像，采用一定的策略对其进行搜索以确定其中 是古含有人腧如果是则返回人脸的位置、太小和姿卷【li 】。人脸局部特征检测，则是 在柃测到人脸的情况下，进一步榆测脸部各局部特征的位置、大小和姿态。这两个任务 是有联系的。一方面用作人脸检测的算法一般也可用来对检测脸部的各局部特征；另 一方而，局部特征的检测可咀在人脸检测得到的人脸范围内进行，甚至可以利用牡r 知 识的规则限定各局部特征可能出现的区域，但是某衅关键特，仕比自l 双眼脯孔等，可以和 第二章人脸特征检测 人脸检测同步进行。因此，本论文中并不严格区分人脸检测和人脸局部特征检测，而是 把它们共同称为人脸特征检测。 人脸特征检测方面较为全面的综述文章见 1 6 ，3 9 ，4 3 ，4 4 】，它们着重介绍了各方法所 采用的特征和模型。本节从历史角度介绍了人脸特征检测发展过程中的一些重要方法， 然后在本章后面两节中介绍两种具有代表性且实时性较强的人脸特征检测算法。 人脸特征检测发展的早期，各种研究主要关注的是检测精度，其算法以示范意义和 基础性建设为主，在速度上并不具有实用性。这一时期的代表性工作有：m i t 的s u n g 等人提出基于样本学习的方法见 1 2 】，文中用k m e a n s 聚类在特征空间中建立6 个人脸 类别和6 个非人脸类别，然后用训练样本到各类中心的距离训练多层感知器进行分类。 用k m e a n s 聚类是为了找到人脸类别和非人脸类别中的非线性边界；y a n g 提出了一种 基于s n o w ( s p a r s en e t w o r ko f w i n n o w s ) 的学习人脸类别的方法 1 3 】，用于检测具有不 同表情、姿态、光照等条件变化下的人脸。s n o w 是采用w i n n o w 算法进行权值更新的 稀疏神经元网络，该方法对先验概率未知的大量特征( 文中采用了1 0 2 ，4 0 0 种特征) 进 行裁减，经过实验验证表明该方法与同时期其它方法相比效果较好；s c h n e i d e r m a n 等人 1 4 提出了一种基于后验概率估计来检测三维物体的方法。该方法用贝叶斯原理将后验 概率转化为类条件概率密度，用一个比例参数代替难以计算的先验概率以作为调节检测 子的参量。它们首先用小波变换在训练样本上提取出1 7 个特征，再通过对这1 7 个特征 的统计计算出训练样本的直方图，求得人脸和非人脸的概率分布，然后用这两类概率分 布估计得到的概率检测人脸。 经过早期发展之后，人脸特征检测逐渐转向实际应用，开始关注检测速度。加快人 脸特征检测速度的主要途径有采用计算量较小的特征以及检测时采用分层处理的结构。 肤色特征和边缘特征的计算量相对较小，因此它们经常用在实时人脸特征检测中，可明 显提高检测速度。但是仅使用肤色特征或边缘特征往往造成检测精度不够高，误检率一 般也会比较高，因此肤色特征和边缘特征更多是用于分层检测中的第一层中，对图像中 的人脸进行初始定位，再用其它描述性更强的特征精确检测，这种分层处理的思想也可 在保证检测精度的前提下提高检测速度。基于肤色特征检测的研究中，j o n e s 用统计方 法分析了肤色检测问题，比较了直方图模型和混合高斯模型进行肤色检测的情况 1 5 】； m a r t i n k a u p p i 分析了不同光照条件下的肤色分布问题 1 6 ，指出可以用两个二次或多次 的多项式来完全描述各种光照条件下的肤色分布；t e r r i l l o n 等人分别使用高斯模型和混 合高斯模型在不同颜色空间中建立肤色模型来进行人脸特征检测 1 7 】，并对比了二者的 实验结果；h a d i d 等人基于s k i nl o c u s 模型建立肤色模型实现人脸特征检测 18 】h s u 等 人提出针对不同光照进行补偿，然后再检测图像中的肤色区域 1 9 】，这样对图像中人脸 的光照变化具有不敏感性。基于边缘特征检测的研究中，k i m 等提取边缘特征，利用建 立的椭圆模板进行椭圆匹配检测人脸 2 0 ；w a n g 等人对椭圆模板进行了改进，采用椭圆 环模型代替椭圆，并加入边缘的方向特征，实现了简单背景下的人脸特征检测 2 1 ；f r o b a 等人采用了基于e o m ( e d g e o r i e n t a i o nm a t c h i n g ) 的方法 1 0 ，利用边缘信息建立一个 e o m 模板，在检测时进行模板匹配。检测时采用分层处理结构的算法，除了刚才提到 9 江南人学倾i j 学位论文 过的首先用肤色特征或边缘特征预处理外，还有f r o b a 等人使用的由粗到精的搜索策略 f 2 2 1 署nr o w l e y 等人提出的多级神经网络结构的分层检测 2 3 ，其中前者利用金字塔结构， 在每一层r f l 搜索可能的候选区域，不断加大搜索的分辨率直至单个像素；后者先用一级 神经网络检测人脸平面内旋转的角度，然后对图像反方向旋转后，再送到正面人脸检测 器中进行检测，正面人脸检测器由多个神经网络组成的前端检测器和综合前端检测器的 决策模型组成。 v i o l a 等人的文章 9 的发表，可看作是人脸特征检测发展历史中的里程碑。它采用 h a a r - l i k e 特征、积分图和级联结构保证检测算法的计算速度大大提高，而a d a b o o s t 则 保证由多个弱分类器可以组成一强分类器，检测精度也大大提高，人脸特征检测自此真 正走向了实用。在此基础上，l i e n h a r t 等人提出了一些新的旋转h a a r l i k e 特征 2 4 1 ，通 过这些特征学习得到的系统能够用于旋转人脸的快速检测，可使误检率降低；f r o b a 等 人在利用a d a b o o s t 的基础上提出了一种在灰度图像中进行正面和平面内旋转人脸的实 时检测系统 2 2 ，它是在基于e o m 的正面人脸特征检测算法 1 0 的基础上进行了扩展， 并在其中引入s n o w 算法进行校验；l i 等人提出一种基于f l o a t b o o s t 的多视角人脸特征 检测算法 2 5 1 ，通过f l o a t b o o s t 把学习到的弱分类器组合为一个强分类器。为了检测具 有各种深度旋转的人脸特征，他们把各种角度的人脸进行了分类，并且它是第一个实时 的多角度人脸特征检测系统；l i u 等人提出了一种基于k u l l b a c k l e i b l e rb o o s t i n g ( k t b ) 算法构造的紧致分类器 2 6 1 ，该分类器可通过迭代调整各弱分类器的系数最小化人脸特 征检测的错误率。它可以保证在特征递增的情况下检测的错误率非递增，另外它还可以 寻找k l 特征使得人脸和非人脸之间的k l 散度的对称性最人化，通过最优特征构造最 优分类器；v i o l a 本人也对a d a b o o s t 做了进一步改进 2 7 】，由于现实中人脸和非人脸图 像的不对称性，提出了不对称的a d a b o o s t 算法；此外，s a h b i 等人提出用分级处理s v m 的方式进行人脸特征检测的系统 2 8 。 c m u 测试集是验证人脸特征检测算法时常用的测试集，表2 1 列出了7 种代表性 人脸特征检测算法在该数据集上的实验参数和结果统计， 1 0 第二章人脸特征榆测 表2 - 1 各人脸特征检测方法的实验结果 检出虚警 参考值 方法速度( 帧秒)图像大发表年 率数 电脑配置 小 份 h r o w l e y 2 3 18 6 03 1 3 2 0 2 4 0 1 9 9 8 h s c h n e i d e r m a n 1 4 】 o 2