9、面部检测技术解析与应用探讨

面部检测技术解析与应用探讨

1. 面部检测概述

在动态场景中进行面部检测是一个具有挑战性的任务，因为它需要在时间限制内完成计算，并且分类速度要足够快。为了在可能的面部区域内检测到面部，通常需要进行多尺度搜索，这也是主要的计算开销之一。为了实现高效的面部检测，设计一个紧凑的分类器结构是很有必要的。例如，考虑到时间限制，可以设计一个仅包含八个隐藏单元的多层感知器（MLP），它能在动态场景中实现速度和准确性的良好平衡。

2. 数据预处理：归一化

• 数据收集 ：从各种公开的面部数据库中收集不同人的正面面部图像，其中大部分来自Usenix面部数据库。非面部模式可以从无面部的关注区域图像或其他场景图像中提取，例如使用包含70张室内和室外场景的数据库来生成这些模式。
• 图像对齐 ：为了进行有效的学习，训练面部图像应尽可能彼此对齐。这可以通过归一化平移、方向和尺度来实现。一种常见但繁琐的方法是手动标记面部特征的位置，并根据这些特征对训练图像进行变换。例如，连接眼睛的线可用于归一化旋转，而其中心点与上唇之间的距离可通过子采样或插值来归一化尺度。
• 数据扩展 ：训练集还可以通过将面部旋转一定角度并缩放到90%和110%来扩展，这样分类器就能捕捉到图像平面中少量缩放和旋转的容差。
• 噪声去除 ：为了去除头发和背景噪声的影响，可以对图像应用椭圆形二进制掩码。在一个示例中，处理后的图像有300个像素，分类器的目标是学习一个决策函数，以便在300维空间中区分面部和非面部。 </