人脸检测、原理、技术和方法

人脸检测，原理，技术和方法
第一章 绪论
1.生物特征：系统主要由特征样本，预处理，特征提取和特征匹配四个处理过程；
2.光学传感器：CCD（charge couple device）电荷耦合器件图像传感器，CMOS（complementary metal-oxide semiconductor）互补金属氧化物半导体；形成图像信号。特征匹配计算两个生物特征的相似度，方法有基于距离匹配方法，基于神经网络和基于向量机的方法。
3.指纹识别，人脸识别，虹膜识别，视网膜识别，掌形识别，DNA识别，语音识别，步态识别；

第二章 国内和国外人脸识别技术，公司
国外人脸数据库：FERET，MIT人脸数据库，YALE耶鲁大学计算机视觉控制中心，PIE卡梅隆大学，ORL剑桥大学，PF01韩国浦项科技大学，AR人脸库，BANCA人脸库，KFDB韩国人脸，MPI，XM2VTS;
国内：CAS-PEAL ；

第三章 人脸识别的基本理论
1.特征形成-特征提取（用低维空间来表示样本过程称为特征提取，Y表示测量空间，X表示特征空间，变换A：Y->X叫做特征提取器）—特征选择（选择最有效的特征从而达到降低特征空间为维数）
2.特征提取方法（高维测量空间编程低维的特征空间）：
基于欧式距离度量的特征提取；
基于概率距离判据的而在提取；
基于判别熵最小化的特征提取；
3.特征选择方法（达到降低特征空间维数的目的）：
最优搜索方法：穷尽搜索法，分支界算法
次优算法：遗传算法，Tabu算法，
4.线性判别函数：线性分类器设计步骤，Fisher线性判别；
5.贝叶斯决策：贝叶斯决策是在不完全情况下，对部分位置状态进行主观估计，然后用贝叶斯公示对概率进行修正，在利用期望值和修正概率做出最优决策的一种研究方法。
包括基于最小错误率的贝叶斯决策，基于最小风险的贝叶斯决策，限定错误的两类决策，最小最大决策，序贯分类法和分类器设计；
6.人工神经网络（artificial neural network），是对人脑或者自然神经网络若干基本特性的抽象和模拟；
7.统计学习理论和支持向量机；
8.模糊聚类分析。

第四章 人脸图像的获取
人脸图像获取分类：二维人脸图像获取，三维人脸图像获取：基于物理装置的数据获取（激光扫描法，结构光测距）；基于多幅图像的数据获取；基于立体视觉的数据获取。

第五章 人脸图像预处理
2.人脸图像预处理：灰度变换，二值化，几何校正（几何图像归一化），直方图修正，图像滤波（全局处理：wiener滤波，kalman滤波，他们都需要知道信号和噪声的统计模型）局部算子（中值滤波，梯度倒数加权滤波），均值滤波器（像素邻域各点灰度值的平均值），高斯平滑滤波，中值滤波，边缘保持滤波器。
3.图像锐化：图像模糊的实质是图像受到平均或者积分运算造成的，因此可以对图像进行逆运算如微分运算来使图像清晰化。这一类消减图像模糊的图像增强方法称之为锐化；
4.像素平均法：选定邻域内像素的灰度值均值来代替每个像素的灰度值；

第六章 人脸表征
1.两种方法：基于知识的表征方法，基于代数特征或统计学习的表征方法；
基于知识人脸表征包括基于几何特征的方法和模板匹配的方法；
基于代数人脸表征一般有基于线性投影的方法（基于主成分分析的方法PCA principal component analysis）；基于独立成分分析方法（ICA）；基于Fisher线性判别分析方法（CLDA classic fisher linear discriminant analysis）
基于非线性投影的方法：基于核的特征提取技术和以流形学习为主导的特征提取；
其中支持向量机方法的出现，基于核的主成分分析方法（KPCA）和基于核的Fisher判别分析（KFDA）是PCA和LDA的核推广。
基于流形学习方法有等距特征映射法，局部线性嵌入法，拉普拉斯特征图法。
2.二维人脸表示方法：
3.三维人脸表示方法：

第七章 人脸检测
灰度图像：基于表象方法，基于特征方法，基于模板方法；
彩色图像：颜色特征，变换域特征，模板特征，轮廓特征，结构特征，镶嵌图特征，启发式特征，直方图特征；
人脸特征：简单组合（加权平均）；
概率分布（贝叶斯推理，隐马尔科夫模型，支持向量机等）；
统计推断（假设检验等）；
模糊决策（模糊推理等）；
机器学习（人工神经网络，支持向量机）；
启发式综合（知识规则推理等）。
静态图像的人脸检测：
基于肤色人脸检测，发现肤色提取关键不在于颜色，而是在于亮度。为了消除光照因素的影响，可以将彩色RGB空间转化到YCbCr空间下，YCBCR颜色模型具有将亮度分离的优点，聚类特性比较好。肤色人脸检测对于人脸位姿不敏感，在单调背景下检测率高，但是在光照和复杂背景下效果不理想，故经常只能作为一种辅助手段，借以缩小搜索空间，可以提高检测速度。
基于特征的人脸检测方法：基于低层特征的方法（灰度特征，肤色提取，纹理特征）；
基于模型的方法：固定模板，弹性模板，点分布模型PDM，活动轮廓模型；
基于图像的人脸检测方法：基于线性子空间方法（主成分分析PCA，线性判别分析LDA，因子分析FA，）基于人工神经网络的方法（ANN，首先要建立一个非人脸和人脸样本集）；
基于统计的方法：此方法不是针对人脸的某一特征进行的，而是从整个人脸角度出发，利用统计学原理，将人脸图像视为一个高维向量，将人脸检测问题转化为高维空间中分布信号的检测问题，从成千上万人脸图像中提取出人脸共有的一些规律，利用这些规律来进行人脸检测。此类方法主要有隐马尔科夫模型HMM，支持向量机SVM，贝叶斯决策和基于AdaBoost的方法。
动态图像人脸检测：
图像差分法：当前图像与固定背景图像之间的差分，当前连续两幅图像之间的差分又称为相邻帧差法；
光流法：光流法是运动图像分析的重要方法，光流是图像中亮度模式的显式速度分布，是由于目标与观察者之间的相对运动引起的。在理想情况下，光流对应于运动场，光流场的分析广泛应用于估计观察着的自主运动，运动目标的检测与分割，图像稳定和深度重建等。

第八章 人脸分割
经典方法有：
基于数据驱动：直接对当前图像数据进行操作，不依赖于先验知识，包括基于边缘检测的分割方法，基于阈值的分割方法，基于区域增长的分割方法；
基于模型驱动分割方法：直接建立在先验知识的基础上，包括基于轮廓模型，活动形状模型，活动表象模型，组合优化模型，目标几何与统计模型的分割，基于连接模型等。
基于区域分割方法：区域生长算法，分裂合并算法，阈值法（灰度值大于阈值的分一类，小于的分一类），分水岭算法；
基于边界的分割方法：用于边缘检测的算子有微分算子，梯度算子，拉普拉斯算子和Canny算子等。
活动轮廓模型，基于几何与统计模型的分割方法；
常见的动态人脸分割方法：
运动分割法：基于聚类的方法，贝叶斯分割方法，光流法；
基于变换检测分割法：帧差法；
基于时空对象分割法：时域分割法，空间分割法，时空联合分割法；
基于压缩域对象分割法：

第九章 人脸判定（人脸识别）
应用：第一类是检测到的脸是谁的脸，要与数据库中的人脸匹配辨识；第二类问题是检测到的人脸是不是数据库中的那张脸，即检测到的人脸与数据库人脸对比。
总的来说，人脸判定过程主要分为两个阶段：训练阶段和测试阶段。在训练阶段，首先从样本图像中提取特征，然后存储特征形成特征库；在测试阶段，首先提取待判定人脸样本图像的特征，然后用训练好的分类器对待判定人脸图像特征和特征库中的特征进行匹配，最后判定结果。
人脸判别常用方法：面部几何特征法，模板匹配法，神经网络法，隐马尔科夫模型法，支持向量机法，特征脸法，奇异值分解法，贝叶斯分类法和等灰度线法等。
几何特征法是提取人脸面部具有代表性的部位，如眉毛，鼻子眼睛，嘴巴等相对位置，特征点形状，分布几何参数作为特征。
基于模板匹配的方法：通用模板匹配，可变性模板匹配；
基于代数特征的方法：主成分分析，线性判别分析，独立成分分析
人脸识别高级方法
第十章 光照处理
第十一章 表情识别
第十二章 人脸姿态
第十三章 三维人脸建模
第十四章 人脸追踪