汪漪

摘 要：人脸检测是指对于给定的图像对其进行查找，判断图中有没有人脸存在，倘若检测到了人脸，那么就返回該脸的位置、大小和姿态。随着社会公共安全的必要性进一步凸显，智能监控在传统的运动目标检测、行为分析、智能报警等方面的应用越来越多，对人脸进行识别已逐渐成为公共场所的紧要功能，受到了越来越多的关注。本文首先分析了人脸识别的应用及其发展历史。接着，分析了有关人脸检测的算法，并对他们进行了细致地分析，给出了相应的评价。最后总结了人脸识别目前面对的困难，并提出了展望。

关键词：人脸检测；模式识别；算法

中图分类号：TP391.41 文献标识码：A 文章编号：1671-2064（2018）23-0037-02

1 引言

人通过感觉来感知外部环境，视觉是感觉的一个重要组成部分。然而在科技发展史上的很长一段时间内，计算机就像是一个“盲人”，只能被动的接受键盘输入、文件读取的信息，并不能像人类的大脑一样通过眼睛自动从外部世界获取所需要的信息并进行信息处理。

随着社会进步和科技发展，机器劳动将在一定程度上取代人类劳动，这就要求机器具备能够像人类的感觉器官一样感知外界的能力。计算机如果能够将这些“客观事物的个别属性”记录并分辨清楚，那么，就可以实现类似感觉的功能。其中，计算机视觉在科学家们的不断努力下取得了相当大的发展。而人脸检测是计算机视觉、模式识别等领域的重要组成部分，也是人脸识别的第一个环节，其在安全监控等方面的作用不可替代。

人脸检测[1]是指对于给定的图像对其进行查找，判断图中有没有人脸存在，倘若检测到了人脸，那么就返回该脸的位置、大小和姿态。人脸相较于别的生物特征而言，更加的形象、具体、直观。因此人脸检测、识别等技术在越来越多的领域得以运用。例如：

（1）智能监控：用于机场、火车站等交通部门，银行、大型商场、政府涉密机关、国家情报部门等机构，监控可疑人物行踪和可疑事件过程。感知接口：模拟人眼功能，代替传统的键盘、鼠标输入和文件读取，使得机器能够更加容易地进行交流。（2）虚拟现实：游戏中人物形象模型、行为、关节、运动机制的建立；视频会议、虚拟聊天室等虚拟现实情境。（3）视频搜索：随着媒体技术的成熟与发展，视频内容占网络内容的比重越来越高，基于人脸的搜索比基于文本的搜索更加的直观、便捷。（4）电子商务：随着例如支付宝、微信支付等电子快捷支付应用的迅速发展，电子商务领域急需高效的自动身份认证技术，人脸识别技术加上密码保护技术可以保证电子商务的安全性。

2 人脸检测的发展

人脸检测的发展大致分为三个阶段。

（1）第一阶段：1964年到1990年。

这是人脸检测技术发展的初级和起步阶段，采用的主要方法是将人脸的几何结构作为特征，并且结合了人工神经网络算法的应用。

（2）第二阶段：1991年到1997年。

在这一阶段短短的七年时间之内，人脸检测步入了黄金时代，各个科研机构、实验室的研究人员通过不懈努力研究出了大量的人脸检测算法。具体成果如：

1）Eigenface算法：Turk和Pentland，两位来自麻省理工学院媒体实验室的研究员提出了该算法。2）FERET人脸检测算法测试：由美国军方组织进行测试。3）对比模板匹配和结构特征的人脸检测算法的实验：由Poggio和Brunelli，两位来自麻省理工学院人工智能实验室的研究员于1992年执行。该对比实验证明了模板匹配的人脸检测算法的优越性，为后续研究提出了方向。4）Fisherface算法：由Belhumeur提出。利用主成分分析（Principal Component Analysis，PCA）和线性判别分析（Linear Discriminant Analysis，LDA）两大方法。该算法目前仍在使用，并且是主流算法之一。

（3）第三阶段：1998年至今。

统计学习理论如支持向量机（Support Vector Machine，SVM）被运用到人脸检测当中来，并且人脸检测技术的实际应用得到了进一步的发展。例如：法国将人脸检测技术应用于ATM上；德国DOS公司研发了多重模板识别技术；美国在各大机场率先将人脸监控技术用于人群监控等。

中国的人脸检测技术起步比较晚，国内的清华大学、北京工业大学、微软亚洲研究院、中国科学院自动化研究所、中国科学院计算机技术研究所等机构从事人脸检测方面的研究。《人脸识别系统》作为清华大学主持的国家“十五”项目于2005年1月18日通过了专家鉴定。此外，在人脸检测技术方面，中国研究人员越来越多在IEEE中的FG＼ICIP＼ CVPR上发表优秀论文，这标志着中国人脸检测技术研究的逐步深入。

3 人脸检测算法

3.1 基于先验知识的人脸检测

这是一种在实际使用过程中基于先验知识的算法。其对有关人脸的一些知识进行编码。比如一个人脸通常具有一些通用规则，这些检测规则包括：人有两个对称的眼睛、两个对称的耳朵、一个鼻子、一个嘴巴，这些人体器官之间的位置、相对距离等。这些规则可以运用来进行检测，判断图片中是否含有人脸。这种方法实现比较困难。如果规则比较完善，则可能由于光线、噪声和遮挡等不利因素的影响检测不出完全符合这些规则的人脸。如果规则过于简单，则可能造成非人脸区域误检。[2-3]

3.2 基于肤色的人脸检测

一幅彩色图像，肤色是人脸的一个最为显著的特征。并且面部肤色在彩色空间里的分布相对而言比较集中。该算法将肤色在颜色空间中聚类成单独的一类以用于人脸和背景的分割。可以使用的颜色空间有：RGB、HSV、HSI、GLHS等。该算法实现手段简单，但受光照、摄像头色偏、背景颜色等因素影响较大。

在用肤色进行人脸检测时，我们可以采用高斯模型、高斯混合模型或是非参数估计等方法进行建模。其中，非参数估计模型方法可以有效地提高了人脸检测的速度，并且针对面部遮挡和光照影响等问题，可以有效提高其检测率，具有一定的鲁棒性。

3.3 基于特征的人脸检测

基于特征的方法，是寻找人脸的不变特性用于人脸检测。人脸具有一些对不同姿势而言具有鲁棒性的特征。基于对这些特征的提取，创建可以描述特征之间关系的统计模型，用以验证人脸的存在[3]。特征检测法是把人脸的图像特征空间看做众多的一维向量，并且把它们再次变换到相对简单的特征空间。对于给定的图像，我们计算其特征值和特征向量，判定是否为人脸。最常见的特征就是Haar-like特征。

人脸具有一些特点，比如：人的眼睛和眉毛比面颊颜色深，嘴唇比四周颜色深，鼻梁比两侧颜色浅等。所以我们可以根据人脸颜色深浅的不同，选择一些矩形，来表示人脸的这些特征。如图1中所显示的这些特征，我们称之为Haar-like特征。

该算法适应性能好，是一种常见的检测算法。但是，基于特征的算法存在的问题是，由于人脸遮挡或是图片拍摄仪器存在噪声，人脸图像的某些特征被严重破坏，人脸的特征边界被弱化。或是由于光照产生阴影，这些阴影可能引起很强的边缘，使得该算法的准确度降低。

3.4 基于模板匹配的人脸检测

模板匹配的方法是根据计算出的标准人脸模板和输入图片的相关性，来判断图片中是否含有人脸。在这些方法当中，不同姿态的人脸图样被存储在模板库中，这些标准模板和输入图片的相关性被当做了检测标准。对于给定的输入图像，我们分别计算面部轮廓、鼻子、眼睛、嘴等部位与标准模板之间的相关性。目前，已经提出了多尺度、多分辨率和可变形的模板。

3.5 基于人工神经网络的人脸检测

人工神经网络算法是训练一个网络结构，该神经网络的结构、参数里包含了模式的统计特性。该方法被广泛地运用。目前得到广泛应用的该类方法包括Boltzmann机（1985年提出）、多层反馈神经网络（BP算法，1986年提出）和径向基网络（RBF网络方法，1988年提出）。人工神经网络算法的一个缺点是对于训练样本数量要求比较高，否则识别效果比较差。

4 人臉检测中存在的难点

人脸检测存在很多不确定性因素，影响了人脸检测的检出率，并存在误检几率。人脸检测当中存在的难点主要有以下几点：

（1）个体差异性。人脸有很多细节，不同的人面部细节不同。比如不同的人种肤色不同，不同人的发型不同，眼睛睁开和闭合等个体差异。（2）人脸的遮挡：实际运用中，眼镜、头发以及各种小饰品会对人脸造成遮挡。同时外部环境如树阴、路标等等也会对人脸造成一定的遮挡。（3）人脸角度：实际当中拍摄到的人脸有一定程度的倾斜，侧面或是旋转的人脸和正面人脸的特征有所不同。（4）背景：一些背景与人脸的肤色、形状相似，难以分辨，造成了一定程度的误检。（5）成像条件：光照条件、成像设备等的影响。

5 总结与展望

本文归纳总结了人脸检测的应用领域，并回顾了人脸检测的初级和起步阶段、黄金阶段以及现在相较成熟的阶段，总结了人脸检测的发展历史。接着，将人脸检测算法按照：基于先验知识的人脸检测、基于肤色的人脸检测、基于特征的人脸检测、基于模板匹配的人脸检测、基于人工神经网络的人脸检测六个方面进行分类，详细分析了各类算法的优缺点。最后总结了人脸检测目前仍然存在的问题。

目前，随着科技日益发展，用户对识别的速度和精度有了越来越高的要求，这就要求人脸检测系统能够在相当短的时间之内迅速进行大量的数据运算。如今虽然进行人脸检测研究的机构和和人比较多，但人脸检测的速度和精度一直是研究人脸检测算法的问题所在。如何在保证的精度的前提下，有效提高人脸检测的速度，是大家研究的关键目标。由此，对人脸检测的研究仍然迫在眉睫。

参考文献

[1]M.Yang， D.J. Kriegman. Detecting faces in images[J]. Pattern Analysis and Machine Intelligence，2002：617-620.

[2]T.K.Leung， M.C.Burl，P.Perona. Finding faces in cluttered scenes using random labeled graph matching. Proc[C]. IEEE International Conference on Computer Vision. IEEE，1995：637-644.

[3]K.C.Yow， R. Cipolla. A probabilistic framework for perceptual grouping of features for human face detection[C]. IEEE International Conference on Automatic Face and Gesture Recognition.IEEE，1996：16-21.

[4]C.Han，M.Liao，K. Yu，L.Chen.Fast face detection via morphology-based pre-processing[C]. IEEE International Conference on Image Analysis and Processing.IEEE，1998：1701-171.