摘要：人脸检测是检测被测图像中是否有人脸。 如果它包含人脸，它还会提供一种信息，例如脸部的位置和大小。 技能是面部跟踪和身份识别等应用功能的基础。 本文简要介绍了人脸检测技术的发展现状和功能特点，并详细介绍了人脸检测的过程。 它包括几个程序，如收集样品，特征提取，设置模具和测试，并提出面部检测过程。 有一些范围，如人脸的相似性，角度和图像质量，并对这些领域进行了一些改进，如样品处理，模型的构建，最后是人脸检测的增长。 该应用程序做了预测。
关键词：人脸检测; 样品采集; 特征提取; 随机丛林
中图分类号：TP391.4文献标识码：A文章编号：1671-2064（2018 22-0040-02）
人脸识别技术已广泛应用于安全，金融 ，社会保障，测试，考勤等领域，特别是从iPhone X手机的解锁，许多带摄像头的智能手机增加了解锁面部功能，大大提高了使用的便利性。 人们的生活水平和应用类别的进一步扩大，人们对人脸识别技能的速度，准确性和安全性提出了更高的要求。人脸识别是将静止图像或视频图像中检测到的人脸图像与人脸图像进行比较的过程。 在数据库中找到匹配的面部，达到识别和识别的目的[1]。人脸检测是整个人脸识别系统的初始阶段和关键枢纽。只有当人脸被清晰准确地检测到时，才能 进一步追查和确定。 因此，了解人脸检测的过程和特点，提高检测率和准确率，对人脸识别系统的发展和应用具有非常重要的意义。
1人脸检测的增长和特点
1.1人脸检测的发展
国外人脸检测技术发展较早，现在有很多机构参与 在这方面，麻省理工学院，CMU等在该领域是众所周知的; 清华大学，中国科学院和制度化研究所等一些大学和研究机构也继续进行面子测试。 随着人脸检测的深入，国际上发布的相关论文数量也大幅增加。 例如，在IEEE的FG，ICIP，CVPR和其他严肃的国际会议上，每年都有大量关于人脸检测的论文。 超过三分之一的论文可以在世界上倡导人脸检测技术中看到[2]。
1.2人脸检测的特点
（1）非强制性：要检测的对象不需要人脸检测，可以主动收集和分析人脸图像。 （2）并发：人脸检测可以同时包含在一个图像中我的脸的大小被分析和区分。 （3）非接触：在从获取面部图像到完成检测的整个过程中，面部检测不需要与检测到的对象接触。 随着硬件设备的进步，可以在更远的距离完成面部检测。
2人脸检测的赎回过程
人脸检测一般分为以下四个程序：采集样本，提取特征，设置模具和测试模具。 人脸检测是图像的主要预处理。 首先是运用中值滤波，直方图平衡等方法来处理人脸图像的对比度，光照强度，噪声，偏差，距离等，以获得大尺寸和高质量的人。 面部图像。
2.1样本采集
人脸检测对于研究大量的人脸图像正负样本是必要的，并总结了摘要中给出的正负样本 过度。 阳性样本同时删除所有阴性样本的标准，以便赎回系统对面部图像的准确区分和进一步分析，如图1所示。
在人脸检测的训练过程中， 收集正面和负面样本同样严重。 收集阳性样本，即图像包含不同的性别，年龄，情绪，角度，光照等。收集的阳性样本数量保证为10,000张，筛选收集的阳性样本以消除不一致的样本，如混乱 和面部不完整。 阴性样本的收集仅仅是收集不包含人脸的图像，并且收集的阴性样本以具有阳性样本的统一顺序保存。 此外，为了提高培训效果，负面样本的采用应与指标方案相关。 例如，如果要对诸如火车候车室的特定场景执行面部识别，则负样本应该是与等候室相关联的火车时刻表，椅子，检票口，柜台等的场景图片。
2.2提取特征
特征提取是确定人脸检测胜利率的一个重要程序。 特征提取算法良好，可以提高模具的检测率，正确性和泛化效率。 在选择特征的过程中，应该消除不相关特征与幸存特征之间的相互依赖性。 提取面部特征是对人脸的几何和代数特征进行建模的过程。 基于面部器官提取特征的方法基于诸如面部器官的形状和面部之间的距离的数据作为用于检测人脸的特征。 基于模板的特征提取方法，首先定义一个或多个比例面模板，然后将收集的数据样本与比例面模型匹配，并使用阈值确定是否存在面[3]， 如图1所示。 2显示。
2.3设置模具
将上面收集的样本集和特征输入到分辨率计划树中，并包括自然分辨率计划树的参数，包括每个分辨率的深度 计划树，以及解决方案中的树木数量等。解决样本的多次重采样模式，我们将获得构成随机丛林的多个（n）分辨率计划树，并参与预投票 在随机丛林中的每个决议计划树，其次是基于少数符合大多数原则的自然随机丛林。 办事处，这也是该局的最终分类。
2.4检测
拍摄本地未知属性的图片，将其输入上述训练模型，并对获得的板进行分类。 分析了样本的遗漏样本和负样本的假样本的图像，分析了采集的样本和特征以及模具的参数，并进行了优化，直到准确的检测率达到设定值。 。
3不适当和改进的人脸检测
3.1人脸检测技术的范围
人脸检测技术已经大大增加，但也有一些影响范围的范围 准确度和检测率。 首先是：
（1）面部的相似性和渐变性：两个人彼此接近或遵循年龄来改善面部特征并影响面部识别的正确性。 （2）图像质量和障碍：图像分辨率低或人脸上的眼镜，化妆等导致识别率低。 （3）面部的角度和光的变化：面部的不同角度的特征是不同的，包括光强度的变化和城市面部检测的效率。 （4）隐私问题：由于人脸检测的非强制性和非接触性，检测到的人的面部特征和个人信息是由第三方在不知情的环境中收集和行使的。
3.2更改人脸检测技术的范围
3.2.1样品处理
在样品采集之前，应用场景各不相同，图像 对样本进行人工筛选，确保所选择的正负样本数基本平衡，减少某样本的错误率，同时选择公平性，提高训练效率。
3.2.2建立模型
人脸是三维空间布局，该算法用于将不同角度的人脸图像合成为三维模型 布局。 三维布局的比较可以在很大程度上提高精度。 如今，许多用于提取面部特征的新算法比以前的算法更加优化。 最科学的是加倍，最突出的是联合三维人脸信息的特征点提取技术。 基于代数特征的识别方法是实际应用中最常用的方法之一。 主要原因是代数特征向量（即，特征空间中人脸图像的投影）对于角度和情绪是不可避免的。 不变性[4]。
3.2.3排列
如果对人脸图像的每一帧进行详细的数据处理可以提高检测的准确性，则会大大延长检测时间并降低检测效果 它会对检测率产生影响。 因此，检测数据应该以单独的方式处理，从种族，性别，年龄等的一般限制开始，然后具体到五种感官的特征，最后是分析的具体细节，所以 那两个全脸检测的速度和正确性。
3.2.4与根无关的因素
面对
转载请注明来源。原文地址：https://www.7428.cn/page/2019/0426/87213/