人臉檢測方法分類:

　　機器視覺人臉圖像的檢測， 將人臉區(qū)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(qū)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(tǒng)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(lián)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(chuàng)建分類器， 區(qū)分人臉與非人臉。篩選式級聯(lián)分類器節(jié)點。組性能， 第二組次之， 以此類推。但是Harr-like特征只能創(chuàng)建簡單的特征， 面對難樣本穩(wěn)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(jù)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(xù)有加入級聯(lián)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(wěn)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(yī)人臉檢測方法可大致分為基于外部特征、模板匹配和統(tǒng)計型 。院手術室這種場景中也無法施用。后續(xù)很多的人臉檢測方法幾乎都是根據(jù)深度神經網絡進行優(yōu)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(tǒng)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(tài)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(tǒng)計模型的人臉檢測：基于統(tǒng)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(tǒng)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(tǒng)計模型的人臉檢測方法有主成分分析[37]。

　　描述三： 現(xiàn)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(guī)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(jù)提取到的面部特征，構建統(tǒng)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(jù)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(tǒng)計分析找到人臉和非人臉的特征。

　　國內外研究現(xiàn)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(yī)生是否在手術室中使用的系統(tǒng)。總體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(yī)護人員觸發(fā)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(tǒng)的召回率在95%以上，假陽性率在5%以下。該系統(tǒng)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(xiàn)的基于人臉識別技術的醫(yī)院手術室人員確認系統(tǒng)，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(yī)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(xiàn)的基于深度學習的人臉識別智能系統(tǒng)，選用深度卷積神經網絡實現(xiàn)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(tǒng)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(qū)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(qū)域定位——肩部定位——人臉區(qū)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(qū)域和嘴巴區(qū)域圖像,針對眼部區(qū)域，采用了兩種檢測算法，基于人臉中心線檢測，和基于區(qū)域灰度分布特征的墨鏡檢測；針對嘴巴區(qū)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(jiān)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(jù)中心線的位置將人臉圖像分為嘴部區(qū)域和眼部區(qū)域兩部分。在第四章中，在眼部區(qū)域采用基于haar特征的人眼分類器進行搜索。而在嘴部區(qū)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(jù)檢測的結果判斷該人臉是否是異常的人臉 。