人脸检测算法（转）
200903012306人脸检测是一个开放性的，比较活跃的研究课题。在人脸检测算法中，依照时间顺序的发展有模板匹配模型，肤色模型，ANN模型，SVM模型，Adaboost模型等。其中Adaboost模型在速度与精度的综合性能上表现最好。前段时间，把各个模型的算法都实现了一次，并比较了一下：模板匹配模型：不需要训练，但是精度比较差，速度较慢；基本的思想就是通过一个人脸模板与待检测图象匹配，寻找匹配的位置。肤色模型：通过统计学习的方法，估计出人脸肤色在YCrCb颜色空间中的概率模型，然后对检测点的肤色通过训练的概率模型的估计判断该点是否属于人脸区域，然后再进一步判断。下面是结合肤色模型与模板匹配的效果图：可见该方法的精确度不是很高，有很多漏检与误检的地方。ANN与SVM方法：该方法是基于机器学习的方法，以人脸像素作为分类器的输入，然后判断区域是否是人脸。由于训练图象的尺度是固定的，但是检测做不到尺度不变，所以需要对多个尺度的图象进行检测，造成检测速度比较慢。另外ANN的训练速度也很慢，同样数据量的情况下，ANN训练大约要17小时，但是SVM算法训练2分钟就可以得到一个较好的分类模型了。但是两者的检测速度都比较慢。下面是SVM算法的检测效果图：Adaboost算法：是目前人脸检测最为成功的算法之一，该算法的特点就是训练慢，检测快。实验中采用的弱分类器是一种双阀值分类的方法，与ope
cv中的cart算法不一样，同时与Voila的原始算法也不同。另外在训练过程中采用了动态调整阀值的方法，使得分类器需要的弱分类器大大的减少了。下面是用Adaboost算法的效果图，注意该检测算法的速度是最快的。只要1秒的时间。试验代码：httpdow
loadcsd
etsource585029与httpdow
loadcsd
etsource616511人脸检测算法2人脸检测不仅是全自动人脸识别系统的基本步骤，而且本身也可以独立的应用于视频监控、图像检索等领域，因而具有重要的研究价值。尽管Viola等人于2001年提出的基于AdaBoost的人脸检测算法以其卓越的性能而得到了大家的青睐，并已基本解决了大多数情况下的人脸检测问题，但在实际应用中，尤其是智能监控应用中，仍然存在较多挑战性问题。人脸检测领域的主要工作包括：人脸检测样本重采样技术问题：分类器设计固然是最重要的，但分类系统的性能也在很大程度上依赖于训练数据的分布。一般而言，训练集合越大则可以有更好的推广能力，但是样本收集和整理过程是非常耗时费力的任务。前人主要采用Bootstrapr