人脸识别算法_人脸识别系统之人脸检测算法

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)。

1. 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