内容发布更新时间 : 2025/1/1 6:17:55星期一 下面是文章的全部内容请认真阅读。

北京大学本科生毕业论文

图 2 人脸的遮挡、不同表情、图像的质量、旋转等等都会影响人脸检测

虽然人脸检测技术有了很大的发展，但是由于各种变化因素的影响，还有很多需要解决的问题：

1. 由于人脸模式的多样性，人脸图像的空间分布非常复杂，有限的样本集难以覆盖全部人脸图像子空间，在高维空间中建立准确的分布模型又很困难。因此，如何有效地描述人脸在子空间的分布值得研究。非线性变换和混合模型将是描述人脸特征分布的一个有效方法，也需要研究新的人脸描述方法以获得准确的人脸描述和与非人脸的区别信息。人脸局部和整体信息的相互结合能较好地描述人脸特征，有效地提取和组合局部与整体信息也是提高系统性能的一个途径。

2. 对于复杂背景的图像，如何有效地区分类似人脸的区域和真正的人脸区

基于 AdaBoost 算法的人脸检测 赵楠

4

北京大学本科生毕业论文 域很重要。神经网络、SVM、贝叶斯分类器等通常能获得好的分类结果，研究新的分类方法是提高检测性能的另一个重要途径。也可以借鉴字符、语音、指纹等

识别中比较成功的分类方法。

3. 目前的人脸检测算法还不能较好地处理任意姿态、光照和遮挡等变化条件，开发高性能的人脸检测方法仍是主要的研究方向。由于不同的人脸描述方式有不同的特点，不同的分类器产生的分类结果也不一样，多个特征融合和分类器融合的方法可以有效提高检测性能。

4. 由于大多数应用都是面向实时性处理，这要求人脸检测算法简单、快速。 5. 在压缩域，由于不需要完全解码，且可直接利用压缩域系数，因此大大提高了检测速度。对于视频，还能直接利用运动矢量等特征。因此，压缩域的人脸检测是面向对象的图像和视频检索技术的一个重要研究主题。 随着图像处理、模式识别、人工智能以及生物心理学的研究进展，人脸检测技术将会获得更大的发展。

1.3 人脸检测方法的性能评测

1.3.1 人脸图像数据库

人脸图像数据库可用于人脸检测的训练和测试。大部分的人脸检测方法都需要人脸训练图像数据，原先用于人脸识别实验的数据库现在都可以用来进行人

基于 AdaBoost 算法的人脸检测 赵楠 5

北京大学本科生毕业论文 脸．．．．．．．．．．．．．．．．．．．．．．．．．检测的训练．．．．．。通常人脸识别实验所采用的人脸库不大，一般仅包括 100 幅左右

数据库 描述 共有 16 个人的脸，每个人有 27 幅在不位置 MIT 同光线、不同尺度、不同头部角度情况下的图像 收集了大量的男性、女性人脸，每张图像包含了一张特定表情的人脸 分为 20 个主题，共 564 张图像，每个主题包括从侧面到正面的不同人脸姿态 30 个人的 300 张正面人脸（每人 10 张）和 150 张侧面人脸（每人 5 张） ftp://whitechapel.media.mit.edu/pub/images FERET http://www.nist.gov/humanid/feret UMIST http://images.ee.umist.ac.uk/danny/database.html Univ. of Bern Yale AT&T (Olivetti) Harvard M2VTS Purdue AR ftp://ianftp.unibe.ch/pub/images/faceimages/ 在不同光照条件下，戴眼镜的表情人脸 http://cvc.yale.edu 40 个主题，每个主题 10 张图像 http://www.uk.research.att.com 在不同光照条件下的剪裁好的人脸图像 ftp://ftp.hrl.harvard.edu/pub/faces 一个包含不同图像序列的多态数据库 3276 张在不同光照条件下的表情和有遮挡的人脸图像 http://poseidon.csd.auth.gr/m2vts/index.html http://rvl1.ecn.purdue.edu/~aleix/aleix_face_db.html 的人脸图像，如 MIT 库、Yale 库、CMU 库等都是小型库。

下表列出了常见的一些人脸识别图像数据库：

表 1 常用的人脸图像数据库

基于 AdaBoost 算法的人脸检测 赵楠 6

北京大学本科生毕业论文

图 3 典型的正面人脸图像数据库中的人脸图像

如图 3，就是 MIT 的一个典型的正面人脸数据库中的图像，图像的尺寸都为20 ×20 。本论文的检测算法所用的训练图像即为这个数据库中的。由于不同研究任务的需要，必要时可以设计和建立具有特色的专用数据库。

1.3.2 性能评测

由于不同人脸库所取得的图像条件和质量不同，因此不同的识别．．程序之间很难进行比较。为促进人脸识别．．．．算法的深入研究和实用化，美国国防部发起了人脸识别技术(Face Recognition Technology，FERET)工程，它包括一个

基于 AdaBoost 算法的人脸检测 赵楠 7

北京大学本科生毕业论文 通用人脸库和一套通用测试标准，用于定期对各种人脸识别算法进行性能测试，其分析测试结果对未来的工作起到了一定的指导作用。

图 4 左侧为测试图像，右侧为检测结果。不同的标准会导致不同的检测结果。

对于人脸检测来说，一般关注两个指标：

1. 人脸检测率（Detection Rate）：在给定图像中，检测出来的人脸和人脸总数的比率。但是，“ 人脸” 的定义并没有统一标准，例如，如果一个人脸被遮挡，那么究竟遮挡了多大部分后，就能判定剩余部分不再是一个“ 人脸” ？；

2. 错误检测数（False Detection）：有多少的非人脸被当成是人脸检测出来了。这个指标非常重要，有些检测算法可以给出甚至 100%的检测率，但是其错误检测的数量可能非常巨大。

基于 AdaBoost 算法的人脸检测 赵楠 8