进行了比较,表明效果很好。
H. Schneiderman 等 [1,19] 提出了一种基于后验概率估计的方法来对三维的物体进行检
测。该方法利用贝叶斯原理将后验概率转化为一个计算类条件概率密度的问题,将难以估计
的先验概率用一个比率参数代替,作为调节检测器敏感度的参量。他们先对样本进行小波变
换,提取出 17 个特征,再对这 17 个特征分别进行统计,通过统计计算训练样本的直方图求
得人脸和非人脸两种模式的概率分布。然后用估计到的概率来检测正面人脸和侧面人脸。检
测的相关结果可以参见表 2。
3. 发展期
所有划分为发展期的研究都对人脸检测中的速度问题进行了较多的考虑,使系统向实际
应用要求的速度逐步靠拢。这个时期中的人脸检测算法从对系统加速的不同角度方面来看,
可以分为以下几类:
3.1 选择计算量小的特征
由于肤色和边缘特征计算量相对较少,因此它们经常用于提高检测速度,或者直接使用
或者是作为系统的预处理部分。只使用单一的肤色或者边缘特征,一般情况下误检率比较高,
检测精度也有限。因此它们更多是用在一个检测系统的初始阶段,对图像中的人脸位置进行
初定位,然后再用其它的特征进行判断,去除初检结果中的假脸,这样可以既提高检测的速
度又保证了检测的精度。
3.1.1. 基于肤色特征
对于肤色检测问题的研究有很多,它们为人脸检测中使用肤色特征打下了基础。如
Michael J. Jones 等人基于大量的样本图像对肤色检测问题进行了统计分析,比较了用直方图
模型和混合高斯模型进行肤色检测的情况[21];B. Martinkauppi 对 Skin locus 的理论和方法
在不同光照条件下的肤色分布问题作了细致的分析 [22] ,他指出在特定的摄像机条件下,
各种光照条件下的肤色分布可以用两个二次或者多次的多项式来完全描述,这为解决肤色检
测的光照问题提供了一些依据。
Fig. 2. Skin detection: (a) a yellow-based face image; (b) skin regions of (a) shown in white; (c) a lighting
compensated image of (a); (d). Skin regions of (c) [27]( Courtesy of R. L. Hsu)
图 2. 肤色检测:(a)黄色光照条件下的人脸图像; (b) 从图(a)中检测到的肤色区域(白色部分);
(c)光照补偿后的图像;(d) 从图(c)中检测到的肤色区域.。
肤色用于人脸检测时,可以采用不同的建模方法,主要有高斯模型、高斯混合模型以及
非参数估计等。在[23]中,作者分别使用了高斯模型和混合高斯模型在不同颜色空间中建立
肤色模型来进行人脸检测,并将其结果进行了对比。在[24]中,文章基于 skin locus 建立肤
色模型,提取彩色图像中的人脸面部区域实现人脸检测。该方法能够处理多种光照的情况,
但是算法需要在固定摄像机参数前提下才有效。在 Dorin Comaniciu 的文章中[25, 26],他使
用非参数的核函数概率密度估计法来建立肤色模型,并使用 mean shift 方法进行局部搜索实