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(shù)有基于VJ 算法， DPM 模型， 深度學(xué)習(xí)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(guān)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(zhuǎn)運用了積分圖像技術(shù)， 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(chǔ)， 在進(jìn)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(jìn)行特征選取， 依據(jù)PCA的結(jié)果選擇維特征。基于DMP 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(fù)雜，不能達(dá)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(jìn)行特征計算，但是沒有VJ效率高。
深度學(xué)習(xí)框架：經(jīng)典人臉檢測方法絡(luò)并不能達(dá)到穩(wěn)定性要求， 容易受到光照， 遮擋， 調(diào)度的影響， 在復(fù)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(shù)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(jīng)網(wǎng)絡(luò)進(jìn)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(jīng)網(wǎng)絡(luò)進(jìn)行的人臉檢測方法能夠解決運用滑動選框進(jìn)行的人臉檢測很難達(dá)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(yīng)臉部征， 并對這些特征進(jìn)行建模。
基于模板匹配的人臉檢測：將事先準(zhǔn)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(jìn)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(jìn)行相關(guān)的預(yù)處理，并且不需要準(zhǔn)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(jìn)行學(xué)習(xí)，緊接著訓(xùn)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(biāo)記。基于統(tǒng)計模型的人臉檢測需要在訓(xùn)練階段采用大量的樣本圖片對該訓(xùn)練器進(jìn)行訓(xùn)練，雖然算法過程較復(fù)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(jié)構(gòu)、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(gòu)建統(tǒng)計模型描述特征之間的相互關(guān)系并確定存在的人臉。
模板匹配方法：預(yù)先存儲幾種標(biāo)準(zhǔn)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(guān)系， 根據(jù)計算得到的相互關(guān)系用于人臉檢測。
基于外觀的方法：利用機器學(xué)習(xí)和統(tǒng)計分析找到人臉和非人臉的特征。
國內(nèi)外研究現(xiàn)狀機器視覺：
南加利福尼亞大學(xué)研究團(tuán)隊介紹了一種檢測醫(yī)生是否在手術(shù)室中使用的系統(tǒng)。總體目標(biāo)是在不丟失面罩檢測的情況下盡可能少地進(jìn)行假陽性面部檢測，以便僅為不戴手術(shù)面罩的醫(yī)護(hù)人員觸發(fā)警報。這個檢測運用了兩個面部檢測器進(jìn)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(jìn)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(dá)到10fps。在VGA圖像中，高斯混合技術(shù)使得性能可以高達(dá)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(shù)的醫(yī)院手術(shù)室人員確認(rèn)系統(tǒng)，利用了基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)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(jìn)行人臉識別，由腕帶碼進(jìn)行的“ 碼， 人”進(jìn)行一致性檢測。
邵向陽實現(xiàn)的基于深度學(xué)習(xí)的人臉識別智能系統(tǒng)，選用深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)人臉識別，采用 Caffe 框架來訓(xùn)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(xùn)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(yīng)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(chǔ)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(jìn)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(jié)合基于haar特征的嘴器官分類器進(jìn)行檢測搜索。根據(jù)檢測的結(jié)果判斷該人臉是否是異常的人臉 。
