智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
直播推薦
回放
回放
人臉檢測方法分類:
機器視覺人臉圖像的檢測， 將人臉區域從背景中分割出來。不同論文對檢測方法的分類不一致。
描述一： 機器視覺常見人臉區域檢測技術有基于VJ 算法， DPM 模型， 深度學習框架。
VJ算法：VIola-Jones 是傳統人臉檢測算法。OpenCV 中的人臉檢測也是用的這種算法。有三個步驟： Harr-like特征， Adaboost分類和級聯分類。以下是算法的關鍵點：運用Harr-like輸入特征： 閾值化矩形圖像的和或差； 圖像4 5 度旋轉運用了積分圖像技術， 加速計算類Harr； 運用Adaboost 創建分類器， 區分人臉與非人臉。篩選式級聯分類器節點。組性能， 第二組次之， 以此類推。但是Harr-like特征只能創建簡單的特征， 面對難樣本穩定性低； 弱分類器采用的簡單決策樹，造成過擬合問題。分類器以VJ-cascade 為基礎， 在進入下一個步驟前，信息全部被丟棄， 魯棒性較弱。
DMP模型：運用FHOG進行特征選取， 依據PCA的結果選擇維特征?；贒MP 的人臉檢測方法在隨機采集的圖片上獲得比V J 算法更好的效果。但是模型太過復雜，不能達到實時性的要求。后續有加入級聯分類器， 使用積分圖法進行特征計算，但是沒有VJ效率高。
深度學習框架：經典人臉檢測方法絡并不能達到穩定性要求， 容易受到光照， 遮擋， 調度的影響， 在復雜場景下保證人臉檢測的識別率就很困難， 因此使用場景受限。在醫人臉檢測方法可大致分為基于外部特征、模板匹配和統計型 。院手術室這種場景中也無法施用。后續很多的人臉檢測方法幾乎都是根據深度神經網絡進行優化的算法。精度上超越了之前的Adaboost框架。目前， 使用卷積神經網絡進行的人臉檢測方法能夠解決運用滑動選框進行的人臉檢測很難達到實時性要求這個問題。
描述二：
機器視覺人臉檢測方法可大致分為基于外部特征、模板匹配和統計型 的人臉檢測。
基于外觀不變特征的人臉檢測：人臉的一些特征比如幾何、膚色等不受姿態表情變化影響，所以可以通過特定的算法提取相應臉部征， 并對這些特征進行建模。
基于模板匹配的人臉檢測：將事先準備好的一個人臉模板作為描述子，在視頻流或圖片輸入時從左上方開始逐像素的進行掃描、匹配。
基于統計模型的人臉檢測：基于統計模型的人臉檢測不需要對圖片進行相關的預處理，并且不需要準備人臉模板。此方法是利用某種算法或者多種算法的融合對大量的樣本圖片(包含人臉和非人臉)進行學習，緊接著訓練出一個人臉分類器，利用此分類器可以快速在輸入視頻的每一幀中檢測出人臉并標記?；诮y計模型的人臉檢測需要在訓練階段采用大量的樣本圖片對該訓練器進行訓練，雖然算法過程較復雜，但是其檢測效果速度快，檢測率高，是目前的人臉檢測主流方法，基于統計模型的人臉檢測方法有主成分分析[37]。
描述三： 現有的人臉撿測方法大致可分為四種：基于知識的方法、特征不變方法、模板匹配方法、基于外觀的方法。
基于知識的方法： 基于規則的人臉檢測方法，如人臉膚色、幾何結構、人臉輪廓等特征。
特征不變方法：根據提取到的面部特征，構建統計模型描述特征之間的相互關系并確定存在的人臉。
模板匹配方法：預先存儲幾種標準的人臉模式描述整個人臉和面特征。計算輸入
圖像和存儲模式之間的相互關系， 根據計算得到的相互關系用于人臉檢測。
基于外觀的方法：利用機器學習和統計分析找到人臉和非人臉的特征。
國內外研究現狀機器視覺：
南加利福尼亞大學研究團隊介紹了一種檢測醫生是否在手術室中使用的系統?？傮w目標是在不丟失面罩檢測的情況下盡可能少地進行假陽性面部檢測，以便僅為不戴手術面罩的醫護人員觸發警報。這個檢測運用了兩個面部檢測器進行檢測， 其中一個用于面部檢測， 另一個用于檢測。兩個檢測同時進行， 以便于提高效率且減少錯誤。兩個檢測器都運行顏色處理，以提高真陽性與假陽性的比率。該系統的召回率在95%以上，假陽性率在5%以下。該系統提供實時圖像處理，在處理整個圖像時，VGA分辨率達到10fps。在VGA圖像中，高斯混合技術使得性能可以高達20fps 。采集圖像允許人臉或者口罩佩戴者距離攝像機5 米。
周泉辰實現的基于人臉識別技術的醫院手術室人員確認系統，利用了基于卷積神經網絡進行人臉檢測，選擇抗干擾性強、適用于在醫生有口罩遮擋這種情況下的 的FACVENET 算法進行人臉識別，由腕帶碼進行的“ 碼， 人”進行一致性檢測。
邵向陽實現的基于深度學習的人臉識別智能系統，選用深度卷積神經網絡實現人臉識別，采用 Caffe 框架來訓練人臉模型，采用 MFC搭配 OpenCV庫編寫系統的功能界面。
張偉峰, 朱明研究的基于小車的人臉遮擋異常事件實時檢測中，采用固定區域的膚色檢測以的減少誤檢的概率， 采用基于組件的方法,通過檢測眼睛、鼻子、嘴巴等面部組件, 來實驗面部遮擋的檢測. 即通過檢測眼睛來判斷是否存在上遮擋, 通過檢測嘴巴來判斷是否存在下遮擋.步驟為 前景提取——人頭區域定位——肩部定位——人臉區域判斷——異常人臉遮擋判斷。通過載入OpenCV haarcascades 文件下的訓練文件haarcascade_mcs_mouth.xml 來識別嘴巴, 通過載入 haarcascade_eye_tree_eyeglasses.xml 來識別眼睛.
袁寶華研究的異常人臉的定位與識別，在歸一化處理后通過對眉毛的定位, 將圖像粗略地分割成眼部區域和嘴巴區域圖像,針對眼部區域，采用了兩種檢測算法，基于人臉中心線檢測，和基于區域灰度分布特征的墨鏡檢測；針對嘴巴區域，在第四章中采用基于直線檢測方法檢測口罩, 即利用水平投影和變換來檢測水平長直線。
王文龍應用于ATM監控的異常人臉檢測方法研究中，在人的頭部定位的基礎上，通過檢測是否存在五官缺失來判斷是否是異常人臉。通過分析人臉器官的幾何分布圖，可以通過定位眉毛的方法來確定人臉圖像的中心線。然后根據中心線的位置將人臉圖像分為嘴部區域和眼部區域兩部分。在第四章中，在眼部區域采用基于haar特征的人眼分類器進行搜索。而在嘴部區域采用基于hough變換的水平直線檢測結合基于haar特征的嘴器官分類器進行檢測搜索。根據檢測的結果判斷該人臉是否是異常的人臉 。
關鍵詞：機器視覺
上一篇：VT-便攜現場動平衡測量儀的使用
下一篇：供應ADOS氣體監測報警器
全年征稿/資訊合作
聯系郵箱：1271141964@qq.com
免責聲明
- 凡本網注明"來源：智能制造網"的所有作品，版權均屬于智能制造網，轉載請必須注明智能制造網，http://www.xashilian.com。違反者本網將追究相關法律責任。
- 企業發布的公司新聞、技術文章、資料下載等內容，如涉及侵權、違規遭投訴的，一律由發布企業自行承擔責任，本網有權刪除內容并追溯責任。
- 本網轉載并注明自其它來源的作品，目的在于傳遞更多信息，并不代表本網贊同其觀點或證實其內容的真實性，不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網站或個人從本網轉載時，必須保留本網注明的作品來源，并自負版權等法律責任。
- 如涉及作品內容、版權等問題，請在作品發表之日起一周內與本網聯系，否則視為放棄相關權利。
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
2025長三角國際智能儀表/線纜產業博覽會
展會城市：滁州市展會時間：2025-11-11