开题报告--人脸检测研究.docx

基于边缘方向匹配的人脸检测研究开题报告
课题来源、目的、意义和国内外基本研究概况
课题来源
课题由指导老师自行拟定。
目的
学****了解图像处理和分析的基本原理,分析一个边缘方向匹配算法,实现用于人脸的检测。通过本课题的训练,使学生掌握图像处理和分析的基本原理与方法,强化软件的基本设计与实现技术的训练。
意义
在日常生活中,人的脸部特征提供了大量丰富的信息。对于人脸的研究因其在身份验证、档案管理和可视化通信等方面的巨大应用前景,备受研究者的关注。但在人脸检测中存在许多难点:图像中是否存在人脸、人脸数目的不确定;人脸在图像的中的位置、大小、旋转角度和尺度不固定;人脸由于外貌、表情、肤色等不同,具有模式可变性;人脸上可能存在眼镜、胡须等附属物;无约束背景下不可预知的成像条件;图像只能够的多张人脸有可能互相遮挡;图像中存在噪声等。所有这些未知因素都使得实际人脸检测相当困难。如果能找到人脸检测问题的解决办法,成功构造出一个使用系统,也将为解决其他类似复杂模式的检测问题提供重要的启示。
另外由于人脸是自然界中构成和细节变化最复杂的模式之一,如果能研究出一个成功的人脸检测系统,那么就能对其他的模式检测问题提供有价值的参考。比如对人脸检测这一问题的深入研究会附带解决很多诸如汽车、动物等其他物体的检测,而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。
国内外基本研究概况
由于人脸检测是自动人脸识别系统中的一个关键环节,故其研究发展与人脸识别息息相关,依据研究内容、技术方法等方面的特点大体划分为三个阶段。
第一阶段
这一阶段的人脸识别通常只是作为一个一般性的模式识别问题,采用的主要方案是基于人脸几何特征的方法。这集中体现在人们对剪影(profile)的研究上,对面部剪影曲线的结构特征进行提取与分析。人工神经网络也一度被应用其中。
第二阶段
这一阶段为人脸识别研究的高潮期,不但出现了若干代表性的人脸识别算法,而且出现了若干商业化的运作的人脸识别系统,如Identix的FaceIt系统。
麻省理工学院(MIT)媒体实验室的Turk和Pentland提出的“特征脸(Eigenface)”方法无疑最负盛名,其后很多方法都或多或少与其有关,现在Eigenface已经与归一化的协相关向量(normalized correlation)方法一道成为人脸识别的性能测试基准算法。
另外MIT智能实验室的Brunelli和Poggio对比了基于结构特征的方法与基于模
板匹配的方法得出:模板匹配的方法优于基于特征的方法。这一结论与Eigenface共同作用,基本终止了纯粹基于结构特征的人脸研究,并促进了基于表观(appearance-
based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展。
Belhumeur等提出Fisherface人脸识别方法。该方法首先采用主成分分析(princi-
ponent analysis,PCA)亦即Eigenface,对图像的表观特征进行降维,在此基础上,采用线性判别分析(linear discriminant analysis,LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。
MIT的Moghaddam在Eigenface的基础上,提出了基于双子空