3.2 人脸检测与定位基本方法

近年来，大量国内外研究机构在人脸检测和人脸识别方面展开了深入的研究，提出了许多新的研究方法和处理技术。对于简单背景下（简单背景正面人脸）的人脸检测算法和实践已经比较成熟了；而对于复杂背景下的人脸检测算法，在处理时效和准确率上还有着很大的研究空间，这也是当前人脸检测研究仍然是研究热点的原因之一。人脸图像包含丰富的特征信息，其中最典型的有颜色特征（肤色、发色）、轮廓特征（椭圆轮廓等）、启发式特征（头发、下颚）、结构特征（对称性、投影特征等），在序列图像中还包含运动信息等。基于这些特征信息，研究者设计了许多人脸检测方法，按照这些方法的思想策略大致可将人脸检测方法分为4类：基于知识的方法、基于模板匹配的方法、基于外观形状的方法和基于特征的方法。

3.2.1 基于知识的方法

基于知识的方法就是基于人脸的先验知识，使用一定的规则来描述人脸特征和它们的相互关系。比如有这样的规则：在一幅图像中出现的人脸，通常具有互相对称的两只眼睛、一个鼻子和一张嘴。这类方法存在的问题是很难将知识转换为明确定义的规则。如果规则是详细严格的，由于不能通过所有的规则检测可能失败；如果规则太概括及通用性强，可能会有较高的错误接收率。并且，在不同的位姿下进行人脸检测，则很难用同一规则进行描述，因此基于知识的方法一般应用于固定位姿下的人脸检测，主要针对简单背景下的正面人脸的检测。

3.2.2 基于模板匹配的方法

基于模板匹配的方法首先建立并存储一些人脸模板作为标准，这些模板可以是人脸或是单独的眼睛、鼻子、嘴，或者是具有弹性的模板，然后利用一些算法来计算各待测区域与标准模板的相似程度或称相关性，以此来判断某一区域是否为人脸或相应特征。基于模板匹配的算法在针对正面单人脸的运用中取得了较好的效果。对于复杂背景的人脸检测，建立一个能很好的区分背景干扰同时又代表各种差异人脸的模板是问题的关键点。而事实上与基于知识的方法一样，有着很好区分背景干扰的模板，难以代表各种人脸模板，而能代表各种人脸的模板又不能很好的区分背景，即对于基于模板匹配的方法，准确率与漏检率始终是一对矛盾。

3.2.3 基于外观形状的方法

基于外观形状的思想是依靠统计分析和机器学习技术，从大量的人脸与非人脸样本中找到相应的人脸和非人脸图像的特征，以此训练出分类器。这种方法不对输入图像进行复杂的处理，而是利用大量的人脸整体外观来训练分类器，是解决复杂的人脸检测问题的一种有效途径。主要有人工神经元网络、支持向量机（SVM）及AdaBoost算法等方法。由于需要对所有可能的检测窗口进行穷举搜索，计算复杂度很高，因此检测速度有待提高。另外，非人脸样本的选取仍然是一个较为困难的问题。

3.2.4 基于特征的方法

基于特征的方法与基于知识的方法相反，它寻找人脸的不变特征用于人脸检测，总体思路是先检测人脸面部特征，再判断人脸是否存在。常用来进行判断的特征主要有肤色、唇色、眉毛、眼睛、鼻子、嘴和发髻等。这种方法采用人脸的不变特征，广泛应用于复杂背景中的人脸检测，一些检测算法取得了较好的检测效果。通常来说，这种方法处理速度较快。存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征被弱化，可能使算法难以使用。虽然基于特征的方法有一定的局限性，但是其优点也非常突出。选用具有不变性的特征，可以在复杂背景下进行人脸检测，这种方法对人脸的方向大小等没有过多的限制，处理速度相对较快，适用于实时系统人脸检测定位。