人脸检测与识别文献汇总byqianwu

一、类别人脸检测(FaceDetction)：从场景中检测并分割。人脸识别(FaceRecognition)：识别、匹配人脸。1.人脸检测基于知识的人脸检测方法Ø模板匹配Ø人脸特征Ø形状与边缘Ø纹理特性Ø颜色特征Ø镶嵌图利用人脸的轮廓、对称性等少量特征的方法适用于较强约束条件下的人脸检测，该算法可以达到较高的检测速度。利用人脸五官分布特征的知识模型方法能够在一定程度上适用于复杂背景图像中的人脸检测，同时达到较高的检测速度。基于统计的人脸检测方法Ø主成分分析与特征脸Ø因子分解方法(FactorAnalysis,FA)ØFisher准则方法(FisherLinearDiscriminant,FLD)Ø神经网络方法Ø支持向量机Ø隐马尔可夫模型ØAdaboost算法2.人脸识别基于几何特征(GeometricFeature-based)的方法：首先检测出嘴巴、鼻子、眉毛、眼睛等脸部主要部件的位置和大小，然后利用这些部件的总体几何分布关系以及相互之间的参数比例来识别人脸。基于模板匹配(TemplateMatching-based)的方法：利用模板和整个人脸图像的像素值之间的子相关性进行识别。基于模型的方法：1.隐马尔科夫模型(HiddenMarkovModel,HMM)是一种常用的模型。首先采用两维离散余弦变化(DiscreteCosineTransform,DCT)抽取人脸特征，得到观察向量，构建HMM人脸模型，然后用EM(ExpectationMaximization)算法训练。2.主动形状模型(ActiveShapeModel,ASM)方法，对形状和局部灰度表象建模，用建立的ASM在新的图像中定位易变的物体。3.主动表象模型(ActiveAppearanceModel,AAM)，一种通用的非线性图像编码模式。基于统计的方法：1.特征脸(Eigenface)方法，将图像从上倒下、从左到右的顺序串成一个高维向量，然后通过主成分分析(PrincipalComponentAnalysis,PCA)将高维向量降低维数。2.Fisher脸方法(线性判别分析(LinearDiscriminateAnalysis,LDA))。3.贝叶斯人脸识别方法，基于概率的图像相似度度量方法。4.奇异值分解(SingularValueDecomposition,SVD)，具有良好的稳定性、转置不变性、旋转不变性、位移不变性以及镜像变换不变性等性质。5.独立成分分析(IndependentComponentAnalysis,ICA)。基于神经网络的方法。自组织映射网络(Self-OrganizingMap,SOM)，动态链接结构(DynamicLinkArchitecture,DLA)，SOM与卷积神经网络相结合的方法，基于概率决策的神经网络(ProbabilisticDecision-BasedNeuralNetwork,PDBNN)的方法。多分类器集成方法人脸识别面临的挑战：光照和姿态变化资料：【10】《人脸检测研究综述》【11】《人脸识别研究综述》二、人脸检测与识别相关特征肤色特征、轮廓特征、直方图特征、梯度直方图特征、镶嵌图特征、结构特征、特征脸、小波特征(包括Gabor小波特征)、Haar-like特征资料：【10】《人脸检测研究综述》三、人脸检测评价指标检测率：正确检测的人脸图像数目与所有包含人脸的图像数目的比值。TPR误检率：不存在人脸的图像被检测为人脸图像的数目与所有不包含人脸图像数目的比值。FPR检测速度鲁棒性四、人脸检测相关文献1.Viola-Jones方法（Adaboost算法）ProposedbyPaulViolaandMichaelJonesHaar分类器=Haar-like特征+积分图方法+AdaBoost+级联；Haar-like特征：sum(white)-sum(black)IntegralImage:AdaBoost算法：确定weekclassifier的阈值（阈值型弱分类器）：1.按照特征值大小排列样本；2.计算总正样本个数T+,总负样本个数T-,在当前样本下的正样本个数S+,在当前样本下的负样本个数S-.每个阈值下的误差为：级联结构(Cascadeofclassifier)：资料：【1】《RapidObjectDetectionusingaBoostedCascadeofSimpleFeatures》【2】《RobustReal-TimeFaceDetection》【7】《浅析人脸检测之Haar分类器方法》【8】《基于AdaBoost的人脸检测方法及眼睛定位算法研究》【9】《AdaBoost中利用Haar特征进行人脸识别算法分析与总结》【12】《基于AdaBoost算法的人脸检测》2.RealAdaBoost算法forMulti-ViewFaceDetectionProposedbyBoWu,HaizhouAi,ChangHuang,ShihongLaoMulti-viewfacedetection(MVFD):±90°rotation-out-of-plane(ROP),360°rotation-in-plane(RIP)Look-up-table(LUT)weakclassifier（查找表型弱分类器）普通AdaBoost方法：DiscretethresholdRealAdaBoost方法：realLUTRealAdaBoost算法Nesting-structuredcascade：两类弱分类器：Haar-feature-basedweakclassifier，nestedweakclassifier姿态估计与人脸检测同步。用瀑布型检测器的前m层的置信度作为判断姿态的依据。资料：【6】《FastRotationInvariantMulti-ViewFaceDetectionBasedonRealAdaboost》【7】《.基于连续Adaboost算法的多视角人脸检测》3.VectorBoosting(WFSTree)算法forMulti-ViewFaceDetectionProposedbyChangHuang,HaizhouAi,YuanLi,ShihongLaoMVFD问题的两个目标：1.区别人脸和非人脸；2.区别人脸的姿态。第一个目标倾向于不同姿态下人脸的共性，第二个目标倾向于不同姿态下人脸的差异性。(Coarsetofine粗到精的过程)MVFD种类：parallelcascade,pyramid-structured,decision-treemethodParallelcascade:为每一个视角设计Cascade分类器。Pyramidcascade：注重不同视角下人脸的共同特征。Treecascade：注重不同视角的差别。Width-First-Search过程VectorBoosting类似RealAdaBoost方法资料：【4】《VectorBoostingforRotationInvariantMulti-ViewFaceDetection》4.Sparsefeaturesingranularspace(粒度空间中的稀疏特征)forMulti-ViewFaceDetectionProposedbyChangHuang,HaizhouAi,YuanLi,ShihongLao克服Haar-like特征的缺陷：1.扩展Haar-like特征。2.利用复杂的特征：KLfeature，RNDA方法。3.利用简单特征：pair-wisepoint,controlpoints。方法：Sparsefeatures+piece-wisefunction/weakclassifier+RealAdaboost/Strongclassifier+cascadestructurefordetectorandview-basedMVFDSparsefeature:Heuristicsearchforsparsefeatureselection：用Haar-likefeature进行初始化Similaritybetweentwosparsefeatures：Fitnessevaluation:考虑complexity,age,discriminabilityComplexity:thenumberofgranulesadoptedinthesparsefeatureAge:参与循环过程的次数Discriminability:Expansionoperator:add,remove,refineMulti-scaledsearch资料：【5】《LearningSparseFeaturesinGranularSpaceforMulti-ViewFaceDetection》5.(3+4)High-performancerotationinvariantmulti-viewfacedetectionProposedbyChangHuang,HaizhouAi,YuanLi,ShihongLaoTwodistincttasks:facedetectionandposeestimation基于Viola-Jones方法的改进：分类器结构：Pyramidmodel,Decisiontree,Width-first-searchtree,boostingchain,nestingcascade-loosecascademodel强分类器学习:RealAdaBoost,GentleBoost-AdaBoostbinary-outputpredictor弱分类器：histogrammethod,piece-wisefunction,jointbinarizationofHaar-likefeature-stumpfunction特征空间：extendedHaar-likefeatureset,Kullback-Leiblerfeatures,pair-wisepoints,RNDAalgorithm,controlpoint-Haar-likefeature分类器结构：StumpfunctionVSpiece-wisefunction本文方法：WFStree+VectorBoosting+sparsefeatureingranularspace+heuristicsearchmethodbasedweaklearner资料：【6】《High-PerformanceRotationInvariantHigh-PerformanceRotationInvariant》6.主成分分析与特征脸7.神经网络方法多视角人脸检测方法中引入姿态估计器资料：【10】《人脸检测研究综述》8.支持向量机9.隐马尔科夫模型五、工具箱