是可以简便的构造出神经网络系统作为分类器使用人脸和非人脸样本对该系统进行训练。Rowley等人在1996年提出了针对正面垂直人脸检测的神经网络人脸检测方法2该方法将检测分为两个阶段。第一个阶段为基于神经网络的分类器该分类器的输入是规定尺寸的检测区域输出为1到1的数由此来判断检测区域是否为人脸。第二个阶段是合并重复区域并且检测判别。由于训练样本以及分类器等因素图像中的一定区域会产生重复检测。此阶段使用单层的神经网络对重复检测进行合并并使用一个多层的神经网络对检测结果进行判决。随后Rowley又提出了改进算法3使得该系统可以检测图像中按任意角度旋转的人脸。改进算法首先检测输入图像的偏转角度输出是一个角度值。接着按照这个角度值对输入图像进行反转把图像调整为正面的垂直人脸图像然后利用针对正面垂直人脸检测的神经网络检测方法进行检测。在2004年Bakry等人提出了一种利用对称形式来提高神经网络人脸检测速度的快速神经网络检测方法。该方法将检测数据进行上下左右的对称翻转后构成一个新的检测图像。利用新图像在频率域内的互相关特性可以在减少训练样本及隐层神经元数目的情况下达到与传统神经网络相当的检测结果。因此达到了提高速度的目的。
112支持向量机方法
支持向量机可被看作是多项式函数神经网络径向基函数等分类器的新发展它最早是由Vap
ki等提出的基于结构风险最小化原理的统计学习理论基础上发展而来的。支持向量机分类器是一个基于超平面的分类器它的分离超平面能减小未知的测试数据的期望误差。通过训练得到的最佳超平面最终由训练向量中的一小部分子集加权组成叫支持向量。最先将支持向量机应用于人脸检测的是osu
a等人。按照其文献结论他们采用这个方法的检测效果和Su
g4等人的方法相似然而速度却提高了30倍。
f龙源期刊网httpwwwqika
comc
Heiselet等人采用两级SVM的方法来检测人脸。根据一些预定义的特征点从训练集中提取人脸和非人脸图像最有区别的多个局部区域。检测时根据多个简单的线性SVM分别检测各个人脸特征区域。并用一个简单的线性SVM检测各个可能的人脸部分的几何组合是否符合人脸结构。相比于将整个人脸作为特征该方法获得了更高的检测率。
113隐马尔可夫模型方法
隐马尔可夫模型Hidde
MarkovModelHMM前提假设是模型可被定义为一个参数化的进程。该进程的参数可通过精确的方法估计出来。首先决定隐态并形成一个HMM模型然后通过学习来自样本集的各个状态间的转移r