1、隨著數(shù)字技術(shù)和因特網(wǎng)的發(fā)展，人臉檢測(cè)和識(shí)別廣泛地應(yīng)用于身份識(shí)別、人機(jī)交互等領(lǐng)域中。目前對(duì)于人臉檢測(cè)算法的研究已經(jīng)相當(dāng)深入，但對(duì)于復(fù)雜背景下的人臉檢測(cè)仍難以取得較好的效果。此外，人們將研究的重心從灰度圖像轉(zhuǎn)向彩色圖像中的人臉檢測(cè)。在人臉檢測(cè)中，精度和速度是一個(gè)人臉檢測(cè)系統(tǒng)的兩個(gè)重要方面，一般都希望一個(gè)系統(tǒng)既能有很高的精度又能達(dá)到實(shí)時(shí)的速度。但是實(shí)際研究中這兩方面又常常存在矛盾。一般是在精度不能滿足的條件下，犧牲速度來(lái)滿足精度。如何能在保證

2、精度的前提下，有效地提高系統(tǒng)的速度，對(duì)人臉檢測(cè)的研究有很重要的意義。 針對(duì)以上關(guān)鍵性問(wèn)題，本文在以下幾個(gè)方面進(jìn)行了創(chuàng)新性的探索： 1)對(duì)傳統(tǒng)的SVM檢測(cè)算法進(jìn)行改進(jìn)，即在學(xué)習(xí)和檢測(cè)過(guò)程中，對(duì)人臉和非人臉進(jìn)行預(yù)處理之后，先需經(jīng)過(guò)ICA特征提取得到對(duì)應(yīng)模式的特征向量(即新的分類依據(jù))，再采用SMO算法訓(xùn)練支持向量機(jī)。這里創(chuàng)造性地采用核獨(dú)立分量分析算法，并在算法中運(yùn)用不完全Cholesky分解來(lái)降低時(shí)間復(fù)雜度。對(duì)求得的特征采用

3、遺傳算法再進(jìn)行了一次特征選取以便有效地減少特征空間的維數(shù)，得到獨(dú)立基的一個(gè)最優(yōu)子集。實(shí)驗(yàn)表明，和傳統(tǒng)的SVM方法相比，檢測(cè)率提高了將近15％，檢測(cè)速度也有明顯的提高。 2)對(duì)鏈?zhǔn)紹oosting方法進(jìn)行了一些研究工作。首先介紹了鏈?zhǔn)紹oosting的結(jié)構(gòu)、訓(xùn)練算法以及對(duì)算法的一些優(yōu)化。然后將鏈?zhǔn)紹oosting運(yùn)用到人臉檢測(cè)中。在該檢測(cè)方法中，先利用核獨(dú)立分量分析算法構(gòu)造重建圖像信噪比閾值函數(shù)，再使用Boosting算法構(gòu)造一個(gè)

4、基于信噪比閾值的檢測(cè)函數(shù)序列，然后將它們組合成一個(gè)總檢測(cè)函數(shù)，形成一個(gè)Boosting分類器，再使用鏈?zhǔn)紹oosting算法用相同的方法構(gòu)造一個(gè)個(gè)Boosting分類器(結(jié)點(diǎn))，并將它們串起來(lái)形成鏈?zhǔn)紹oosting結(jié)構(gòu)，據(jù)此可以判別一幅圖像是否為人臉圖像。實(shí)驗(yàn)表明，鏈?zhǔn)紹oosting方法檢測(cè)率比1)方法要有所提高，檢測(cè)速度也比1)方法快；但是虛警數(shù)隨著檢測(cè)率的提高也迅速增加，同時(shí)它需要較長(zhǎng)的訓(xùn)練時(shí)間。 3)提出了一種新的基于

5、膚色模型和模板匹配的人臉檢測(cè)算法。在模板匹配中，提出了一種基于邊緣檢測(cè)的人臉平均模板。該模板相對(duì)于一般的灰度平均臉模板，人臉特征更加突出(五官都以白色突出顯示)。對(duì)于遮擋和重疊的人臉區(qū)域，將基于邊緣檢測(cè)的人臉平均模板匹配之后已檢測(cè)到的人臉區(qū)域置黑，用該模板的一半再次進(jìn)行模板匹配。通過(guò)求得候選區(qū)域的傾斜角，把模板按照這個(gè)角度進(jìn)行旋轉(zhuǎn)后再進(jìn)行檢測(cè)，一定程度上解決了平面內(nèi)旋轉(zhuǎn)人臉的檢測(cè)問(wèn)題。在使用基于邊緣檢測(cè)的平均臉模板進(jìn)行模板匹配后所得的人