基于半边脸的人脸检测-----外文翻译.doc

译文二 基于半边脸的人脸检测 概要：图像中的人脸检测是人脸识别研究中一项非常重要的研究分支。为了更有效地检测图像中的人脸，此次研究设计提出了基于半边脸的人脸检测方法。根据图像中人半边脸的容貌或者器官的密度特征，比如眼睛，耳朵，嘴巴，部分脸颊，正面的平均全脸模板就可以被构建出来。被模拟出来的半张脸是基于人脸的对称性的特点而构建的。图像中人脸检测的实验运用了模板匹配法和相似性从而确定人脸在图像中的位置。此原理分析显示了平均全脸模型法能够有效地减少模板的局部密度的不确定性。基于半边脸的人脸检测能降低人脸模型密度的过度对称性，从而提高人脸检测的速度。实验结果表明此方法还适用于在大角度拍下的侧脸图像，这大大增加了侧脸检测的准确性。 关键词：人脸模板， 半边人脸模板，模板匹配法，相似性，侧脸。 介绍 近几年，在图像处理和识别以及计算机视觉的研究领域中，人脸识别是一个很热门的话题。作为人脸识别中一个重要的环节，人脸检测也拥有一个延伸的研究领域。人脸检测的主要目的是为了确定图像中的信息，比如，图像总是否存在人脸，它的位置，旋转角度以及人脸的姿势。根据人脸的不同特征，人脸检测的方法也有所变化[1-4]。而且，根据人脸器官的密度或颜色的固定布局，我们可以判定是否存在人脸。因此，这种基于肤色模型和模板匹配的方法对于人脸检测具有重要的研究意义[5-7]。 这种基于模板匹配的人脸检测法是选择正面脸部的特征作为匹配的模板，导致人脸搜索的计算量相对较大。然而，绝大多数的人脸都是对称的。所以我们可以选择半边正面人脸模板，也就是说，选择左半边脸或者有半边脸作为人脸匹配的模板，这样，大大减少了人脸搜索的计算。 人脸模板构建的方法 人脸模板的质量直接影响匹配识别的效果。为了减少模板局部密度的不确定性，构建人脸模板是基于大众脸的信息，例如，平均的眼睛模板，平均的脸型模板。这种方法很简单。 在模板的仿射变换的实例中，人脸检测的有效性可以被确保。构建人脸模板的过程如下[8]： 步骤一：选择正面人脸图像； 步骤二：决定人脸区域的大小和选择人脸区域； 步骤三：将选出来的人脸区域格式化成同一种尺寸大小； 步骤四：计算人脸区域相对应像素的平均值 。 在构建模板之前，挑选些有正面人脸的图片。首先，决定人脸区域的尺寸大小。然后，在图像中手动挑选人脸区域。我们设选定的人脸区域的数量为n。因为人脸区域的矩阵向量都是被独立分布的，所以在那些人脸图像相同位置的像素值也是独立分布的。 我们设在人脸区域第k(k=1,2,?,n)位置的像素值是fk(i,j) (k=1,2,…,n)，那些人脸图像的是标准比例系数wk (k=1,2,…,n)，由此得出正面人脸模板的表达式： 根据统计学，如果在人脸区域第k个位置，有些像素值fk(i,j)趋于正态分布, 其中u是像素fk(i,j) 的平均值，是方差，T(i,j)是正态分布。所以模板局部密度的不确定性大大降低了。 如果抽样的人脸图像都是在同一间距下拍摄的，相对应的人脸尺寸是一致的，标准的比例像素wk 就等于1. 那么，大众人脸模板T(i,j)也就变成了 正面的平均全脸模板的构建 在人脸与相机间距相同，鸟瞰图的拍摄角度是15°的情况下，120张人脸图像被取样，包含正面的，左侧倾斜30°和左侧倾斜45°。每种角度的图像都是40张。其中20张中的人戴帽子，2张没有戴帽子。被抽样的图像如图1所示。 正面 左侧倾斜30° 左侧倾斜45° 图1 ：各个角度的人脸图像 在图像中，正面人脸包括特征器管像眼睛，耳朵，鼻子，部分脸颊等等，如图2（a）所示。这些图像的分布特征可以作为检测人脸存在的根据。所以人的眼睛，耳朵，鼻子，嘴巴和部分脸颊都被选作可以构建整张正面人脸模板的主要区域，如图2（b）所示。这种方法可以排除异常区域和非人类特有物的影响，比如帽子，胡须等。 图2：人脸特有器官的模型 手动取样16张人脸图像。每张图像都是22 × 26像素。做为一个比较性的实验，模板不仅要匹配正面图像，还要匹配侧面图像。所以模板不能太宽。构建整张正面人脸模板如图3所示。通过16张正面人脸模板，正面的平均全脸模板就可以被构建出来。 图3：正面全脸的平均模板的构建 IV.平均的半脸模板的构建 正面的平均全脸模板可以被看做大径相同的左脸模板和有脸模板的结合体。所以正面的全脸模板可以被中心对称轴分成左脸模板和右脸模板。所以，半边脸模板的构建如图4所示。此外，平均半脸模板可以根据平均全脸模板的原理来构建。 这样可以减低在全脸模板中密集度的对称冗余 图4：构建半脸模板的模型 图5：半脸平均模板的构建 在一张完美的人脸模板中，左脸和右脸的密集度是对称的，也就是说，两半边脸是相似的一对。事实上，在一张人脸图像中左脸和右脸存在一些差异，两半边