监控摄像机常规的人脸检测方法

45
发表时间:2018-08-02 17:07

人脸检测技术一直是计算机视觉的热点研究内容之一。由于光线、视角、装饰物及肤色等的影响,都会对分类结果产生重要影响。人脸检测技术在人机交互、公共安全等方面有着极其重要的应用价值。常用的人脸检测技术主要分为以下三类:

1、基于肤色特征的方法

肤色模型是指在一定色彩空间描述肤色分布规律的数学模型,以 YCrCb和改进的YCrCb颜色空间作为肤色模型空间。常用的肤色模型有高斯模型、混合高斯模型、三维投影模型、贝叶斯模型和直方图模型等。这类特征适用于构建快速人脸检测算法,但该方法基于人的肤色颜色空间分布统计受光照、肤色(如黑人肤色)影响较大,因而其实用价值不高。

2、基于灰度特征方法

该类特征考虑了人脸区别于非人脸的本质的特征,如脸部轮廓特征、直方图特征、模板特征等。通过深入研究,开发了适用于人脸检测的Har特征、HOG特征、LBP特征、SURF特征。这类特征能较好地区分人脸与非人脸,为人脸检测技术的实际应用提供了有力技术支持。

3、基于统计理论的方法

此类方法将人脸检测任务看作为二分类问题,使用大量的“人脸”与“非人脸”样本做训练、构造分类器。如常用的有主成分分析(PCA, Principal Component Analysis),该方法将人脸图像的统计特征正交化产生正交基,减少特征维度并消除各分量间相关性。其中较大特征值所对应的基称为特征脸( Eigenface),利用这些基的线性组合可以描述表达逼近人脸

图像。另外一种是用神经网络(ANN)方法,该方法能减少预处理工作,将人脸的统计特性映射到网络的结构和参数中。特别是 Lecun等应用卷积神经网络(CNN)在手写体文字识别方面有了令人瞩目的效果?;谏疃染砘绲娜肆臣觳夥椒ㄒ云涑交谄渌卣?/span>的准确率和召回率,在最近的几年吸引了众多研究人员的关注。

小米公司使用基于 Hard negative mining方法来选代 Faster r-cnn网络,在FDDB测试集上跑出了第一的结果。 Faster R-CNN包括两个???第一个是RPN( Region ProposalNetwork)网络,该网络用卷积神经网络产生可能的区域;第二个是 Fast R-cNN,用来对RPN产生的区域做分析并进一步确定位置和尺度。

website qrcode
关注我们: