人脸及特征点检测方法综述

关键词： 人脸检 测； 特征点检 测； 计算机 视觉
１ 人 脸 检 测
息， 然后 进一步检测 出能够反映人脸 主要特征 的信息来进 通 过一个人的人脸可 以获取该人的种族 、 性别、 年龄等 行人脸 验证、 表 情识别等 ， 是 目前计算机 视觉领域 的研 究 丰 富信息， 在 人与人之 间的视 觉交流方面有着 不可忽视 的 热点之一。 在人 脸 特征 点的研 究方面 ， 国外 的研 究起步 比 作用。 除此之外， 由于计算机技术 日新月异 ， 计算 机安全技 国内早很 多， 到 目前为 止 ， 剑桥大 学 、 曼彻斯 特大学 等
高度大 致相 同。 在 块形 状 自适 应后， 之前的分割会 出现 些 变化 ， 但保 持 同一行和 同一列 的高度 和宽度相 同。 这种 方 法对于一些圆圆的脸型具 有一定的适用性 。
（ ａ ）
（ ｂ ）
人 脸特征点检测是指在待测 图像中检 测出人 脸位 置信
图１人脸马赛克三分 图模 型
作者简介： 胡健 （ １ ９ ６ ７ 一 ） ， 男， 安徽歙县， 硕士， 副教授 ， 教师； 研究方向： 人 工智能， 计算机 网络技 术， 分布式数据库。
— —
１ ０ ２— —
Βιβλιοθήκη Baidu
第６ 期 ２ ０ １ ７ 年３
ＮＯ． ６
无线 互联 科 技 ・ 实 验 研 究
Ｍａｒｃｈ，２０１ ７
术在安检、 门禁 、 公 安、 保 险、 军事等各 个领域 都发挥 着不 国外知名大学在人 脸特征 点检测方面 取得 了 一定的成 果。 可 替代 的作用， 人 脸及特征 点检 测也 日趋成 为最热 门的生 国内对于人脸 特 征点 的检 测可 以追溯 到１ ９ 世 纪８ ０ 年代 ， 物特征身份识别技术之＿． 川。 但是 ， 对于如何处理不 同人的 经过研 究人 员的努力， 在人脸 特征检测方面也 取得 了显著 。 … 。 伴随着国内外研 究人员不断地研 究深入 ， 人脸 面部差异达 到识 别检测 目的， 仍 然是可视化分析和 目标 识 的成 果 别中最具有挑战性的关键课题之一【 ２ ］ 。 特征点定位技术也是 日臻完善。 １ ． １ 人 脸 检 测 现 状 ２ 人脸 检测方面几种主流 方法 人 脸 检测 最早是 由人脸 识 别衍 变而 来 ， 早在２ ０ 世 纪 ２ ． １基于马赛克图像 法的人 脸检 测 Ｙ ａ ｎ ｇ 等［ １ 提 出的 一种 方 法 是 利 用 马赛 克子 块不 同 区域 六七十年 代 ， 人 脸识 别技术 就 已诞 生 ， 但是 由于 当时 计算 机技 术 的滞后 ， 并未取得应 有的成 果， 这种状况一直持续 的作用关系检测人 脸。 对４ Ｘ４ 和８ Ｘ８ － ＇ ｉ ＂ 马赛克 区域 块， 利用 到２ ０ 世纪 ９ ０ 年代 后期 ， 超大规 模集成 电路的诞生 ， 极 大地 特定规则进行验 证 ， 然后用边缘 特征来 进一步检验。 这种 卢春 雨等 ＿ ｌ 针对 提 升了计算机 的运算速 度 ， 人 脸检测研 究也取得 了较多可 方法对人脸 的检测结果并不是特 别准确 ，
该 方 法 的 一 些 不足 进 行 了改 进 ， 将 人 脸 区域 根 据 特 征 分布 喜的成果。 Ｙ ａ ｎ ｇ ￣ Ｕ Ｈ ｕ ａ ｎ ｇ ［ ３ １ 提 出了一种人脸检测方法 ， 该方法基于 分为３ Ｘ３ 个马赛克区域块。 如图１ （ ａ ） 和图１ （ ｂ ） 为人脸马赛
知 识分 级检 测， 也就 是通常所说 的马赛克 图像法 （ Ｍｏ ｓ ａ ｉ ｃ Ｉ ｍａ ｇ ｅ ） 。 此外， Ｓ ｕ ｎ ｇ ￣Ｐ ｏ ｇ ｇ ｉ ｏ 等Ｈ 提 出了基于人脸 训练集 的检测思想 ， 将人 脸检测 问题归为从 已训练好 的样本 中识 别 出人 脸 区域 的研究思想 。 在此基 础上 ， Ｐ ｏ ｗｌ ｅ ｙ 等 创造 性 地提 出了 一种使 用多个神经 网络检测 图像 中具有不同偏 移角度的人脸检测 改进 方法 ， 该方法可 以直接作用在原 图 像， 与Ｓ ｕ ｎ ｇ ＠将待检测 图像与人脸训练集对 比匹配有着 明 显的区别， 能够直接判断待检测 窗口中是否包含人脸 ， 更简 单便捷。 ２ ０ ０ １ 年， Ｖ ｉ ｏ ｌ ａ ． Ｐ 基于Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 的人脸检测算法 是人 脸检测方 向的转 折点， 该算法不仅提高 了检测 的准确率 ， 并且使人脸检 测开始正式走 进实际的应用领域 中， 是人脸 检测 研 究的一次 跳跃 性 发展 。 人脸 检测 所具有 的潜 在应 用前景和经济 价值激发了一代又一代研 究人员的探索探索 兴趣。
第６ 期 ２ ０ １ ７ 年３ 月
无 线 互 联 科 技
Ｎ Ｏ ． ６
ＭａｒＣ ｈ，２０１ ７
人脸及特征点检测方法综述
胡 健， 左 艳超
（ 北方工业大学， 北京 １ ０ ０ １ ４ ４ ）
摘 要 ： 人 脸及特征点检 测计算机视 觉领域有着非同寻常的地位， 同时还 在人工智能交互、 视 频会议 、 鉴别身份、 汽车安全 行驶等 方面有着非常广阔的研 究价值 。 由于在计算机 视觉下， 动态图像 中 存在人脸 的大小不确定、 面部表情变化多样、 背景复 杂、 光照多变等影响因素， 人脸 特征点检测的准确性 变得至关重要。 文章介绍了 几种人脸及特征点常用方法。
１ ． ２ 人 脸 特征 点 定位 研 究现 状
克三分 图模型 。 子块０ 与子块２ 分别对应 于左 眼区域 （ 含 眼 眉） 和右 眼区域 （ 含眼眉）， 子块４ 与子块７ 分别对应于鼻子 与嘴 巴区域 ， 子块 （ ３ ， ６ ， ５ ， ８ ） 对应于两侧 区域 。 我们假 定 子块 （ ０ ， ３ ， ６ ） 与子块 （ ２ ， ５ ， ８ ） 宽度大致 一样 ， 所有 的块
级分类器 的人脸 检测算法可 以使误差 函数 的上界尽可能变 它是一种迭代算法， 核心思想是针对 同一个训练集训练 该方法 的核心思想是收集大量 的人脸 图片利用神经网 小， 然后把这些 弱分类器整合 起来构造一个 强 络等方 法 训练一个分类器来检测 人脸。 该方 法不需要对 多个弱分类器， 目标 图像 进行复 杂处理 ， 只需要将待测 图像与训练集 中的 分类器。 在人脸检测过程中， 先使用最简单的分类器， 如果 待检 测图像在某一组 分类 器 中就 被认定为 非人脸 图像 ， 那 人脸图像进行匹配对 比， 从而对待测图像的人 脸部分进行 将可能存 在 检测。 训练的样本数越 多， 检测 的精度越大， 但 是相应 的会 么后面的分类器就无 需对 该图像再进行检测， 人 脸的待测图像 送 到下一级分类 器进行检测 ， 以此类推 ， 对运算速度产生一定影响 。 尽可能早 的排除非人脸子窗口， 提升了检测精准度 ， 降低运 ２ ． ３基于Ｈ ａ ａ ｒ 小波的Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 算法的人脸检 测 算 的复杂度。 图２ 为级联 分类器 的结构。 Ｆ ｒ ｅ ｕ ｎ ｄ 和ｓ ｃ ｈ ａ Ｄ ｉ ｒ ｅ ［ １ ４ ＿ 提 出的基于Ａｄ ａ ｂ ｏ ｏ ｓ ｔ 算法 和层