人脸检测与识别文献汇总——byqianwu解读.doc

1、一、类别人脸检测(Face Detction) ：从场景中检测并分割。人脸识别(Face Recognition) ：识别、匹配人脸。1.人脸检测基于知识的人脸检测方法? 模板匹配? 人脸特征? 形状与边缘? 纹理特性? 颜色特征? 镶嵌图利用人脸的轮廓、 对称性等少量特征的方法适用于较强约束条件下的人脸检测，法可以达到较高的检测速度。利用人脸五官分布特征的知识模型方法能够在一定程度上适用于复杂背景图像中的人脸检测，同时达到较高的检测速度。该算基于统计的人脸检测方法? 主成分分析与特征脸? 因子分解方法 (Factor Analysis, FA)? Fisher 准则方法 (Fisher Li

2、near Discriminant, FLD)? 神经网络方法? 支持向量机? 隐马尔可夫模型? Adaboost 算法2. 人脸识别基于几何特征 (Geometric Feature-based)的方法：首先检测出嘴巴、鼻子、眉毛、眼睛等脸部主要部件的位置和大小， 然后利用这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸。基于模板匹配 (Template Matching-based) 的方法：利用模板和整个人脸图像的像素值之间的子相关性进行识别。基于模型的方法： 1. 隐马尔科夫模型 (Hidden Markov Model, HMM) 是一种常用的模型。首先采用两维离散余弦变化

3、 (Discrete Cosine Transform, DCT) 抽取人脸特征，得到观察向量， 构建 HMM 人脸模型， 然后用 EM(Expectation Maximization) 算法训练。2. 主动形状模型 (Active Shape Model, ASM) 方法，对形状和局部灰度表象建模，用建立的 ASM 在新的图像中定位易变的物体。 3. 主动表象模型 (Active AppearanceModel, AAM) ，一种通用的非线性图像编码模式。基于统计的方法：1. 特征脸 (Eigenface)方法， 将图像从上倒下、从左到右的顺序串成一个高维向量，然后通过主成分分析(Prin

4、cipal Component Analysis, PCA)将高维向量降低维数。 2. Fisher 脸方法 (线性判别分析 (Linear Discriminate Analysis, LDA)。3. 贝叶斯人脸识别方法， 基于概率的图像相似度度量方法。 4. 奇异值分解 (Singular Value Decomposition, SVD) ，具有良好的稳定性、转置不变性、旋转不变性、位移不变性以及镜像变换不变性等性质。 5. 独立成分分析 (Independent Component Analysis, ICA) 。基于神经网络的方法。 自组织映射网络 (Self-Organizing

5、Map, SOM) ，动态链接结构 (Dynamic Link Architecture, DLA) ， SOM 与卷积神经网络相结合的方法，基于概率决策的神经网络 (Probabilistic Decision-Based Neural Network, PDBNN) 的方法。多分类器集成方法人脸识别面临的挑战：光照和姿态变化资料：【 10】人脸检测研究综述【 11】人脸识别研究综述二、人脸检测与识别相关特征肤色特征、 轮廓特征、 直方图特征、 梯度直方图特征、 镶嵌图特征、 结构特征、 特征脸、小波特征 (包括 Gabor 小波特征 )、Haar-like 特征资料：【 10】人脸检测研究

6、综述三、人脸检测评价指标检测率：正确检测的人脸图像数目与所有包含人脸的图像数目的比值。TPR误检率：不存在人脸的图像被检测为人脸图像的数目与所有不包含人脸图像数目的比值。FPR检测速度鲁棒性四、人脸检测相关文献1. Viola-Jones 方法（ Adaboost 算法） Proposed by Paul Viola and Michael JonesHaar 分类器 = Haar-like 特征 + 积分图方法+ AdaBoost + 级联；Haar-like 特征：sum(white)-sum(black)Integral Image:AdaBoost 算法：确定 week classif

7、ier 的阈值（阈值型弱分类器）：1. 按照特征值大小排列样本；2. 计算总正样本个数 T+, 总负样本个数 T-, 在当前样本下的正样本个数 S+, 在当前样本下的负样本个数 S-.每个阈值下的误差为：级联结构(Cascade of classifier) ：资料：【 1】Rapid Object Detection using a Boosted Cascade of Simple Features【 2】Robust Real-Time Face Detection 【 7】浅析人脸检测之 Haar 分类器方法【 8】基于 AdaBoost 的人脸检测方法及眼睛定位算法研究【 9】Ada

8、Boost 中利用 Haar 特征进行人脸识别算法分析与总结【 12】基于 AdaBoost 算法的人脸检测2. Real AdaBoost 算法 for Multi-View Face Detection Proposed by Bo Wu, Haizhou Ai, Chang Huang, Shihong LaoMulti-viewfacedetection(MVFD):90 rotation-out-of-planerotation-in-plane (RIP)(ROP),360 Look-up-table (LUT) weak classifier（查找表型弱分类器）普通 AdaBoo

9、st 方法： Discrete thresholdReal AdaBoost 方法： real LUTReal AdaBoost 算法Nesting-structured cascade：两类弱分类器：Haar-feature-based weak classifier ， nested weak classifier姿态估计与人脸检测同步。用瀑布型检测器的前m 层的置信度作为判断姿态的依据。资料：【 6】 Fast Rotation Invariant Multi-View Face Detection Based on Real Adaboost【 7】.基于连续Adaboost 算法的多

10、视角人脸检测3.Vector Boosting (WFS Tree) 算法 for Multi-View Face Detection Proposed by Chang Huang, Haizhou Ai, Yuan Li, Shihong LaoMVFD 问题的两个目标： 1. 区别人脸和非人脸； 2. 区别人脸的姿态。第一个目标倾向于不同姿态下人脸的共性，第二个目标倾向于不同姿态下人脸的差异性。(Coarse to fine 粗到精的过程 )MVFD 种类： parallel cascade, pyramid-structured, decision-tree methodParalle

11、l cascade: 为每一个视角设计Cascade 分类器。Pyramid cascade：注重不同视角下人脸的共同特征。Tree cascade：注重不同视角的差别。Width-First-Search 过程Vector Boosting类似 Real AdaBoost 方法资料：【 4】Vector Boosting for Rotation Invariant Multi-View Face Detection4.Sparse features in granular space ( 粒度空间中的稀疏特征 ) for Multi-View Face DetectionProposed

12、by Chang Huang, Haizhou Ai, Yuan Li, Shihong Lao克服 Haar-like 特征的缺陷： 1. 扩展 Haar-like 特征。2. 利用复杂的特征： KL feature ，RNDA 方法。 3. 利用简单特征：pair-wise point, control points 。方法： Sparse features + piece-wise function/weak classifier + Real Adaboost/ Strong classifier + cascade structure for detector and view-ba

13、sed MVFDSparse feature:Heuristic search for sparse feature selection ：用 Haar-like feature 进行初始化Similarity between two sparse features ：Fitness evaluation: 考虑 complexity, age, discriminabilityComplexity: the number of granules adopted in the sparse featureAge: 参与循环过程的次数Discriminability:Expansion oper

14、ator: add, remove, refineMulti-scaled search资料：【5】 Learning Sparse Features in Granular Space for Multi-View Face Detection5. (3+4) High-performance rotation invariant multi-view face detection Proposed by Chang Huang, Haizhou Ai, Yuan Li, Shihong Lao Two distinct tasks: face detection and pose esti

15、mation基于 Viola-Jones 方法的改进：分类器结构： Pyramid model, Decision tree, Width-first-search tree, boosting chain, nesting cascade - loose cascade model强分类器学习 : Real AdaBoost, Gentle Boost - AdaBoost binary-output predictor 弱分类器： histogram method, piece-wise function, joint binarization of Haar-likefeature -

16、stump function特征空间： extended Haar-like feature set, Kullback-Leibler features, pair-wise points, RNDA algorithm, control point - Haar-like feature分类器结构：Stump function VS piece-wise function本文方法：WFS tree + Vector Boosting + sparse feature in granular space + heuristic search method based weak learner资料：【 6】High-Performance Rotation Invariant High-Performance Rotation Invariant6. 主成分分析与特征脸7. 神经网络方法多视角人脸检测方法中引入姿态估计器资料：【 10】人脸检测研究综述8. 支持向量机9. 隐马尔科夫模型五、工具箱读书的好处1、行万里路，读万卷书。2、书山有路勤为径，学海无涯苦作舟。3、读书破万卷，下笔如有神。4、我所学到的任何有价值的知识都是由自学中得来的。 达尔文5、少壮不努力，老大徒悲伤。6、黑发不知勤学早，白首方悔读书迟。 颜真卿7、宝剑锋从磨砺出，梅花香自苦寒来。8、读书要三到：