本文用途仅仅是在前人经验下,自我总结,以供以后学习使用,若有错误,敬请您批评指正。
【导读】人脸检测在实际中主要用于人脸识别的预处理,即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来,并利用这些特征实现人脸检测。
人脸检测的目标是找出图像中的所有人脸存在的位置,各类方法的输出是人脸矩阵在图像中的坐标位置。虽然人脸的结构是固定的,但是由于人脸表情、姿态等变化,光照以及遮挡等影响,想要准确检测处于各类条件下的人脸不是一件容易的事情。
评价人脸检测算法的指标:检测率、误报率。性能好的表现是:检测率高,误报率低
从大方向来说,人脸检测可以分为三种方向:
- 基于特征的人脸检测技术:通过采用颜色、轮廓、纹理、结构或者直方图特征等进行人脸检测。
- 基于模板匹配人脸检测技术:从数据库当中提取人脸模板,接着采取一定模板匹配策略,使抓取人脸图像与从模板库提取图片相匹配,由相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。
- 基于统计的人脸检测技术:通过对于“人脸”和“非人脸”的图像大量搜集构成的人脸正、负样本库,采用统计方法强化训练该系统,从而实现对人脸和非人脸的模式进行检测和分类。
下文参考来源:一文综述人脸检测算法(附资源)_数据派THU-CSDN博客_候选框 ensemble 置信度 剔除
- 早期方法
模板匹配技术:用一个人脸模板图像与被检测的图像的各个位置进行匹配,确定此位置是否存在人脸。
- Adaboost学习框架
boost算法是基于PAC学习理论(probably approximately correct)而建立的一套集成学习算法(ensemble learning)。
- 主流的人脸检测方法基于以上直方图特征、颜色特征、模板特征、结构特征及Haar特征等特征采用Adaboost学习算法,Adaboost算法是一种用来分类的方法,它把一些比较弱的分类方法合在一起,组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器),按照加权投票的方式将弱分类器构造为一个强分类器,再将训练得到