![](https://csdnimg.cn/release/download_crawler_static/88192768/bgb.jpg)
关于人脸的不依赖于外在条件的属性或者特征。有许多方法就是按照这个潜在假设,
首先去寻找这种脸部特征(通过大量样本学习的方法),然后用寻找到的特征去
检测人脸。对比基于知识的自上而下的方法,这种基于特征的方法是自下而上的。
Sirohey提出了用椭圆拟合人脸区域的方法。Graf等人提出了利用某些形态学
的方法进行人脸的检测方法。Leung等人提出一种利用人脸五个特征来定义和检
测人脸的方法。Han等人提出了一种通过形态学眼部分割的方法来进行人脸检测
的方法。
与基于知识规则的方法相比,该类方法主要是企图寻找人脸不变化的特征来
对人脸进行检测,特征不变量方法的根本假设是:在所有的人脸检测过程中存在
着图像空域或者频域不变量,而且这种不变量是唯一的。于是人脸检测过程就是
在图像中全局搜索这种不变量。该类方法中所采用的特征不变量主要有:面部特
征、纹理。皮肤颜色和多种特征的融合。该类方法中所采用的一个主要问题是:
图像特征极大的收到光照、遮挡和其它噪声的影响,当阴影存在时,面部的特征
辩解将被减弱,而阴影的边界将被增强,此时导致边缘感知分组无效。
Sirohey 提出了一种从复杂背景中分割定位人脸的方法,该方法使用人脸边
缘图信息和椭圆拟合方法检测人脸。Augusterjn 提出了一种通过面部相似性纹理
信息的人脸检测方法,通过在
大小的子图像上计算二阶统计特征纹理信息。
在许多的人脸检测应用中,肤色被认为是人脸检测中一种有效的特征,因为颜色
信息和运动信息是一种有效减少搜索空间的特征。最近,人脸检测最常采用的主
要方法是联合几种不同的特征方法检测。它们首先利用全局特征,如肤色和形状
大小等信息寻找人脸候选区域,再根据局部特征,如眼睛、鼻子和头发等信息来
确认候选区域是人脸区域。
在实际的检测情况下,由于噪声和遮挡等问题的存在,人脸的某些特征可能
被破坏,这将严重影响此算法的检测效果。
2.3 模板匹配方法
该方法大多是用归一化去互相关,在图像灰度层次上直接比较目标模板和候
选图像区域之间的相似性,得到表示相似程度的值,然后与相应阈值比较判断候
选图像区域是否为人脸区域。其中较为典型的例子就是 Yullietlo 等提出的基于弹
性模板匹配的人脸检测方法。由于模板本身比较粗略,所以模板匹配的人脸检测
方法往往精度不是很高,而且计算量较大,速度较慢。
模板匹配通常被用于人脸检测的验证,这样可以更进一步提高人脸检测系统
的准确率,它的主要思想是利用模板与待检测图像之间的相关程度来对图像中的
入脸 进 行 判 断 。 可变 形 模 板 和 预 先定 义的 模 板 是 人 脸 检测 常用 的 模 板 。
Venkatraman 和 GovindarajuI 使 用 小 波 延 伸 的 方 法 用 于 图 像 的 边 缘 提 取 。
Tsukamoto 等提出一个人脸模式的定性模型(QMF)。QMF 方法将每一个样本图像
分割成一些块,再对各个块估算其定性特征。