人脸检测与识别的研究成果简介

现代人脸识别研究中，各种算法层出不穷，而其中因为计算相对简单，涉及变量较少，又能够达到非常好的识别效果的算法则是基于统计学习的子空间法，它也因为上述优点而逐渐成为应用最广泛的算法。线性判别分析法（linear discriminant analysis，LDA）是一种最为经典的方法，本书详细介绍了这一方法，以及其在实际中的应用分析，并针对问题提出了一种改进算法。

线性判别分析法的应用主要存在的问题是：

（1）在处理较为复杂的方差矩阵时，大部分情况下不能得出结果。

（2）无论处理哪个样本数据都忽略了样本本身的特性，而是采取同样的方法进行处理，这就导致某些样本会出现覆盖现象。

对这两个问题，本书提出了改进的PSO-LDA 算法，它能够通过多次迭代的方法来解决。随后，将其在ORL 数据库上进行了实验验证，发现提出的改进PSO-LDA 算法比以前的LDA、PCA+LDA 等都有明显的改善效果，是一种更加具有优势的算法。(www.xing528.com)

在上述研究的基础上，还对其他几种算法进行了较为深入的研究，主要研究了基于深度卷积神经网络的人脸识别算法、LBP 算法和基于SVM 的LBP 人脸识别算法，并针对这些算法做了一系列的对比验证。分析结果发现，在运用这个分类器以后，人脸识别的正确率得到进一步提升，能够起到较为明显的改善作用。

另外，本书介绍了卷积神经网络兴起之前的一些具有代表性的人脸检测算法，并分析比较了各个算法的优缺点；介绍了基于卷积神经网络的一阶段人脸检测算法SSD，并基于该算法设计和训练了人脸检测器；进一步对SSD 的诸多缺点进行优化改进，设计了MDSSD 算法以及其量化模型MDSSD Lite；基于WiderFace 数据集训练了SSD、MDSSD和MDSSD Lite 模型，分析比较了各个模型在多个评估指标上的效果。

本书设计了两种检测模块来替代SSD 算法的低层检测层，以提高小脸检测的精度；改进了损失函数，解决了样本不平衡以及难样本学习问题；使用聚类算法代替经验方法对数据进行了分析，以寻找最佳的模型配置参数，使最终模型在检测效果上得到极大的提升。

本书提出了一种基于肤色分割和模板匹配的人脸检测与识别方法，即根据人脸肤色在YCbCr 颜色空间的聚类特性，利用人脸肤色混合高斯模型对人脸进行分割，把接近于人脸肤色的区域从图像中分离出来，并在分割区域内实现中心点的定位，从而实现迅速检测人脸外脸的目的，克服了传统形态学处理和边界跟踪不足的问题；利用光照补偿技术来克服亮度对人脸检测和识别的影响；构建眼睛提取模型来提取眼睛区域，利用自适应模板匹配来克服类肤色背景对人脸检测和识别的影响，并采用二次匹配算法来减少匹配过程中的计算量，提高了检测速度；利用提取人脸图像中的多尺度奇异值特征向量，并将它应用于基于模版匹配的人脸识别算法来识别人脸，达到了降低人脸特征提取过程中特征值矩阵维数的目的。这样，提取到的人脸图像在多种尺度下的局部特征能够更好地反映图像之间的差异，从而更全面地反映了图像的鉴别特征，而且采用的具有较好分类能力的基于模版的匹配算法，更有利于模式识别。实验表明，该方法能够检测出偏转角度较大的人脸，且对不同的光照条件、姿态以及干扰背景具有较强的适应性，使人脸检测与识别率大大提高。该方法操作简单，速度较快，能满足实时处理的要求。