人脸检测是计算机视觉和模式识别领域中的一个研究热点和难点,它研究的主要问题是判断静态图像或动态影像中是否存在人脸,如果存在则对人脸进行定位。人脸检测是实现机器智能化的首要步骤,具有广泛的应用前景。 人工神经网络类似于生物神经系统,是以神经细胞为基本运算单元(即人工神经元)组成的一种非线性自适应动力学系统。通过利用合理的学习算法进行训练,神经网络对事物和环境具有很强的自学习、自适应和自组织能力。将神经网络应用于人脸检测的优点是可以通过对系统进行训练来捕获人脸模式的复杂分类条件,而缺点在于网络必须经过广泛的结构调整(如层数,节点数,学习率)和样本训练才能获得好的效果。 本文介绍了神经网络的基本原理和主要特征;针对人脸检测领域的特殊性,通过理论分析和大量实验获得了一个较为有效的神经网络结构;对待测图像进行预处理,减少光照等因素带来的影响,提高检测率;引入学习率来加快BP神经网络的训练速度。最终,提出了一个经过改进的基于神经网络的人脸检测系统。 为了改善整个检测系统的检测性能,本文根据人脸肤色的色彩特征,构建了一个基于YCbcr的肤色模型。经过非线性变换,使得该模型中色度值不再线性依赖于亮度值,提高了肤色检测的准确率。利用该模型可以简单快速的对待测图像进行划分,减少了待检测图像的大小,加快了下一步的分类速度。 实验结果表明,本文系统能够对静态图像进行有效的人脸检测,并取得了较高的检测率和可接受的误检数。同时,该系统对多人脸、不同大小、不同位置、不同方向、不同面部表情和不同光照条件等情况也表现出较好的适应性,通过适当地增加训练样本的数量和类型,还可以进一步提高检测性能。