基于传统方法的人脸检测：人脸检测与识别研究成果

1.2.2.1　基于特征提取的人脸识别算法

特征提取算法，是人脸识别算法当中非常重要的方法之一，它对于各种特征的分析辨别能力以及鲁棒性对其能否发挥作用起着决定性的影响。

1）基于全局特征提取的人脸识别算法

M.Turk 和A.pentland 进行了大量研究，在PCA（principal component analysis）的基础上不断创新，并于1991 年提出了新的人脸识别算法，研究者将之命名为Eigenface[14]。这种方法的原理是通过构建人脸矩阵来取得所需要的人脸识别特征。这是出现最早的能够有效进行人脸识别的算法，后人在此基础上不断深入研究，出现了ICA[15]等新的算法。

2）基于局部特征提取的人脸识别算法

与基于全局特征提取法不同的是，基于局部特征提取的人脸识别检测算法关注的是如何分析人脸的局部特征，并对这些特定特征进行分析，以识别人脸的差异，它被称为局部特征分析技术（LFA，local feature analysis）[16]。这种方法既保留了全局的特征，又在此基础上对局部特征进行了详细的分析，能够更好地识别人脸的特征。其中 LBP[17]算法是最典型的代表。

3）基于弹性图匹配的人脸识别算法(www.xing528.com)

弹性图匹配技术（EGM，elastic graph matchiny technology）[18-19]也是人脸识别中一项非常重要的基础技术。比如，Gabor 变换特征算法就是利用该技术将人脸的各种特征分为重要性不同的点，其中，最重要的特征赋予最大值，并使其处于属性图的最高点，再对着这些重要特征提取多种分辨率和多个角度的图像，以提高人脸识别的准确率。

4）基于3D 特征提取的人脸检测算法

3D 人脸识别在现代人脸识别技术中正越来越受到重视，已成为该领域的热点[20-21]。利用该技术能够使识别出的信息更加立体，能够更好地识别出不同姿势和不同表情的人脸特征。

1.2.2.2　基于分类算法的人脸识别算法

人脸识别技术其实就是将识别到的人脸的信息转变为不同的特征信息，并对这些信息进行分类管理。因此，分类算法同样适用于该技术领域，也能够在很大程度上提高人脸的识别率。其中，K 最邻近算法（K-nearest neighbor，KNN）是最常用的方法，也是其中的典型代表；KNN 通过分析各信息间的欧氏距离将其分为不同的类别。除此以外，还有一些效果不错的算法，比如，贝叶斯分类算法、LDA（linear discriminant analysis）分类算法[22-23]、支持向量机算法（support vector machines，SVM）[24-25]等。

包括支持向量机、AdaBoost 等在内的机器学习算法已应用到人脸检测研究中，这些算法通过对待检测图像中的某个目标区域进行分类，来实现人脸检测。简言之，这类方法是利用机器学习算法，对每个候选区域进行人脸-背景分类。2001 年，两位研究人员提出了VJ 框架[26]，VJ 框架用多个级联的AdaBoost 分类器组成Pipeline，以便逐级对候选框进行人脸-背景分类，进而确定它是否包含人脸。在这些级联的AdaBoost 分类器中，位于前面的集成分类器较简单，而且集成的弱分类器较少，可以快速过滤掉大部分背景候选框；假若候选窗口被上一级AdaBoost 分类为人脸，则将之继续输入至下一级AdaBoost 中以便继续进行分类。一个候选窗口只有被所有的AdaBoost 分类为人脸，该区域最终才会被分类为人脸区域，否则被分类为背景区域。VJ 框架相对于之前的算法检测速度有了很大提升，并保持了较高的检测精度，这是人脸检测历史上第一个最具里程碑意义的模型。该算法对正面人脸的检测精度较高，但对于复杂背景下的人脸检测召回率很低；这种算法同样也需要手动设计特征。之后，研究人员改进了这种方法，比如，使用新的特征包括扩展的Haar 特征[27]、ACF 特征[28-29]等。2008 年，研究人员提出了DPM 模型，DPM 方法使用改进的HOG 即FHOG 进行特征提取[30]，使得基于DPM 的检测效果较VJ 框架有了很大提高，但是由于该算法比VJ 框架复杂得多，因此其检测速度很慢；其次，人工特征对于图像中发生变形的物体的检测效果差，因此，该算法在工程应用中很少使用。2014 年，Li H 等人提出了Cascade CNN 模型[31]。该模型和VJ 人脸检测框架一样，只是Cascade CNN 是由多个级联CNN 模型组成Pipeline对候选框来进行人脸-背景分类[32]。Cascade CNN 算法提高了复杂场景中目标的检测精度，但是该算法仍然是通过密集采样的方式进行候选区域提取，因此，其检测速度较慢。