人脸识别系统本科学位论文.doc

广西大学毕业设计论文 人脸识别系统

摘 要
生物认证技术是依靠人类自身所固有的生理或行为特征进行身份验证的一种手段。而生物认证中的人脸特征又是人与人之间互相辨识的最重要和最直观的生物特征。由于人脸识别的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。但由于人脸在成像过程中受到诸如光照、表情、姿态等各种因素的影响，使得人脸识别是当前最富挑战性的研究课题之一。
本文对人体生物认证在现实生活中的重要作用、人脸检测和人脸识别技术研究的意义、系统要完成的任务、系统的评价标准、人脸检测和人脸识别技术的发展的主要特点、实现方法等进行了介绍，并指出了当前人脸检测与人脸识别领域的研究重点与难点,着重介绍和推导了人脸检测和识别的相关算法，比如：AdaBoost算法、具有局部互联结构的 BP神经网络反向传播算法数学，以及在分析了传统的弹性图匹配的基础上提出了人脸识别的基于局部特征分析(LFA)与最优化匹配的人脸识别算法，该算法首先利用神经网络的方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、眼角、眉心、眉角、嘴角等)，之后利用 Gabor小波的局部多尺度分析特性提取特征点的多尺度特征。这样人脸的每一个特征点就被一系列的 Gabor小波系数所表示，最后对待识人脸与人脸库中人脸的相应特征点多尺度特征进行最优化匹配找出需要的人脸。
最后，介绍了CMOS图像传感器、ARM9微处理器，设计了一个基于ARM9的人脸识别系统。
关 键 字：生物认证、人脸识别、神经网络、ARM

Human face recognition system
Abstract
Biometric recognition realizes personal identification based on the inherent physical or behavioral characteristics of human being, among which facial features are the most important and intuitional ones. Face recognition has become the most acceptable biometric recognition method because of its no violation of privacy and intuition. Face recognition is challenging in the pattern recognition due to the influence of illumination|, expression and pose.
In this paper, we present a comprehensive review of face detection and recognition, which includes the face detection, face recognition and the current development in the literature. We also give a presentation of the major points and challenges in the face detection and recognition research. On the base of our research, introduced and transmit algorithm bout face detection and face recognition, such as: AdaBoost algorithm, the proof for BP Neural network algorithm. And traditional elastic graph matching is analyzed and a face recognition algorithm based on local feature analysis and optimization matching is put forward. Firstly, some important face features (such as pupil, canthus, center of eyebrow, corners of eyebrow, corners of mouth) are located using neutral network. Secondly, the multiscale features of the feature points are extracted using the local mutiscale analysis feature of the Gabor wavelet. In this way, every face feature point is represented by a series of Gabor wavelet coefficients. Finally, in order to find the face wanted, the test face is compared with the multiscale features of the corresponding feature points in the face database using the optimization matching.
Finally, this article introduces basic functions of CMOS and ARM, designed a simple human face recognition system on the base of ARM.
Key words: Biometric recognition, Face recognition, Neural network, ARM

目录
第一章 绪论.................................................................................................1
1.1人体生物认证技术.........................................................................1
1.2人脸识别原理.................................................................................4
1.2.1. 人脸检测与人脸识别的研究内容........................................4
1.2.2. 人脸检测与人脸识别的评价标准........................................4
1.2.3. 人脸检测与人脸识别的技术挑战........................................5
1.2.4. 人脸检测与人脸识别的实用价值........................................6
1.3论文的主要研究内容.....................................................................7
第二章 人脸检测方法..................................................................................8
2.1基于知识的方法..............................................................................8
2.2基于模板匹配的方法.....................................................................11
2.3基于学习的方法.............................................................................12
第三章 人脸检测算法 ……………...........................................................19
3.1AdaBoost算法:..................................................................................19
3.1.1Boost算法的一个直观解释.......................................................24
3.1.2算法3.1的分类误差估计.........................................................25
3.1.3 具有局部互联结构的BP神经网络反向传播算法数学推 导……………………………………………………………………………..….27
3.2人脸检测算法.....................................................................................27
3.2.1 图像预处理.................................................................................28
3.2.2 从局部到整体的人脸检测.........................................................29
3.3实验结果……………………………………………………………..29
第四章 人脸识别方法.................................................................................33
4.1基于KL 变换的特征脸识别方法...............................................................33
4.2.基于几何特征的方法.....................................................................35
4.3相关性匹配方法.............................................................................36
第五章 基于局部特征分析与最优化匹配的人脸识别算法.....................40
5.1图像预处理.....................................................................................40
5.1.1人脸图像特征点定位................................................................40
5.1.2 利用Gabor小波提取人脸局部的多尺度特征........................40
5.1.3 局部特征的最优化匹配...........................................................42
5.2人脸匹配识别................................................................................45
5.3实验结果…………………………………… ….………….….…46
第六章 基于ARM的人脸识别系统设计……….…………………....…46
6.1 CMOS图像传感器简介…………………………..……….........46
6.2 ARM介绍……………………………...…………….……..…....47
6.3 人脸识别系统的硬件设计……………………………………...51
6.4 人脸识别系统的软件设计…………………………….……......57
第七章 总结与展望....................................................................................58
参考文献……………………………………………………………….….59
致谢……………………………………………………………………......61
附录一：人脸检测主程序………………………………………………..63
附录二：人脸识别主程序………………………………………………..65

73

第一章 绪论
1.1人体生物认证技术
在人们的日常生活中，经常会遇到这样一些情况：丢失钥匙而进不了门；忘记密码而无法在ATM机上取钱；电脑中的重要资料被非法复制；手机被他人盗用；银行存款被人冒提取。这些都会对生活带来不便，甚至会造成巨大损失。先进的身份认证技术就可以避免这些现象的发生。
目前，身份认证所采用的方法主要基于身份标示物品(如钥匙、证件、卡等)和身份标示知识(如用户名和密码等)来确定其身份。但两者都存在着一些缺陷：标示物品容易丢失或被伪造，标示知识容易遗忘或被记错。更为严重的是这些传统的身份识别方法往往无法区分标识物品的真正拥有者和取得标示物品的冒充者，一旦他人获得了这些标示物品，就可以拥有相同的权利。因此，我们急需一种更加方便、有效、安全的身份认证技术来保障我们的生活，这种技术就是生物认证技术—我们自己的人体就是最安全、最有效的密码和钥匙。
生物认证(Biometric)所依据的不是传统的标识物品或标示知识，而是依靠人类自身所固有的生理或行为特征进行身份验证的一种解决方案。生理特征与生俱来多为先天性的，如指纹、掌纹、掌形、虹膜、视网膜、静脉、手形、人脸、DNA、骨架、耳型等人体的生理特征，以及说话者的声音、签名的动作、行走的步态、击打键盘的力度等个人的行为特征。生物认证的技术核心在于如何获取这些生物特征，并将其转换为数字信息，存储于计算机中，利用可靠的匹配算法来完成验证与识别个人身份的过程[1]。
与传统的身份认证手段相比，基于生物认证的身份验证技术具有以下特点：不易遗忘或丢失；防伪性能好，不易伪造或被盗；“随身携带"，随时随地可用。但并不是所有的生物特征都能够用来进行生物认证，能够用于生物认证的生物特征应该具有以下的特点：广泛性：每个人都应该具有这种特征；唯一性：每个人拥有的特征应该各不相同；稳定性：所选择的特征应该不随时间发生变化；可采集性：所选择的特征应该便于测量；同时实际的应用还给基于生物特征的身份鉴别系统提出了更多的要求，如：
1）性能的要求：所选择的生物统计特征能够达到多高的识别率，对于资源的要求如何，识别的效率如何；
2）可接受性：使用者在多大程度上愿意接受基于所选择的生物统计特征的系统；
3）安全性能：系统是否能够防止被攻击；
4）是否具有相关的、可信的研究背景作为技术支持；
5）提取的特征容量、特征模板是否占有较小的存储空间；
6）价格：是否达到用户所接受的价格；
7）速度：是否具有较高的注册和识别速度；
8）是否具有非侵犯性。
人体生物的生物特征包括生理特征和行为特征两大类。人体的生理特征主要包括人脸、指纹、掌纹、掌形、虹膜、视网膜、静脉、DNA、颅骨等，这些特征是与生俱来的，是先天形成的；而行为特征包括声纹、签名、步态、耳形、按键节奏、身体气味等，这些特征是由后天的生活环境和生活习惯决定的。这些生物特征本身固有的特点决定了其在生物认证中所起的作用是不同的。表1对各种生物认证技术作了一个简单的比较。
表 1 各种生物认证技术的比较[2]
生物特征
普遍性
唯一性
稳定性
可采集性
准确性
可接受性
安全性
设备成本
指纹
中
高
高
中
高
中
中
中
掌纹
高
高
高
高
极高
高
高
高
掌形
中
中
中
高
中
中
中
中
虹膜
极高
极高
极高
高
极高
高
高
高
视网膜
极高
极高
极高
低
极高
低
高
高
静脉
高
高
高
高
高
高
高
高
DNA
极高
极高
极高
低
极高
低
低
高
声纹
高
低
低
高
低
高
低
低
签名
中
低
低
高
低
高
低
低
步态
中
低
低
高
低
高
中
低
人脸
高
低
中
高
低
高
低
低
气味
高
高
高
低
低
中
低
高
耳形
中
中
高
中
中
高
中
低
“9.11”事件是生物特征认证技术在全球发展的一个转折点。“9.11”以后，生物识别技术的重要性被全球各国政府更加清楚地认识到。传统的身份鉴别技术在面临反恐任务时所表现出来的缺陷，使得各国政府在研究与应用上对生物特征识别技术开始了大规模的投资。在美国：三个相关的法案（爱国者法案、边境签证法案、航空安全法案）都要求必须采用生物识别技术作为法律实施保证。总体上来说，在国外生物认证技术的应用已经进入了以政府应用为主的阶段。
普通公众对生物识别技术的了解也是“9.11”的曝光后而大幅度提高，种种因素，促成了“9.11”以后全球生物特征认证市场的加速增长。在国际生物认证组织最新的市场预测报告中，即使考虑到全球的经济发展的不景气，调低了2005年的市场预测值，即使这样到2005年为止，全球生物特征技术市场规模将仍将达到22亿美元规模,到2007年整体市场容量被调高到了40亿美元。这充分说明了业界对生物特征识别技术发展的信心。

图 1-1 由国际生物认证组织（IBG）提供 1999 年—2005 年生物识别技术产值增长趋势
2003年，联合国的国际民用航空组织（ICAO）近期对188个成员国发布了航空领域使用生物特征认证技术的规划，提出将在个人护照中加入生物特征（包括指纹识别、虹膜识别、人脸识别），并在进入各个国家的边境时进行个人身份的确认。目前，此规划已经在美国、欧盟、澳大利亚、日本、韩国、南非等国家和地区通过，计划在2004年底左右开始实施。遗憾的是其中不包括中国。在我国，生物认证技术除了能够繁荣一个新兴的产业，更重要的是其提供的身份鉴别能力对国家安全的重要意义：首先，中国作为最耀眼的社会主义国家，国家安全问题仍然需要警惕；其次，中国人口多、流动性大，需要有更为先进的身份鉴别技术来保证社会秩序；再次，生物认证技术将有效解决国内的假冒伪劣证件、证书问题；最后也是最实际的、需要迫切面对的问题，那就是2008年奥运会和2010年世博会，如果能将生物认证技术用于大型集会的身份鉴别无疑能够更加确保大会的安全。幸庆的是由清华大学电子工程系苏光大教授主持人脸综合识别系统研制成功，经过近一年的试运行，已通过了由公安部主持专家鉴定，并将用于2008年北京奥运
会的。
1.2人脸识别原理[2]
人脸识别可以说是人们日常中最常用的身份确认手段，也是当前一个活跃的研究领域，极富有挑战性。人脸识别就是通过与计算机相连的摄像头动态捕捉人的面部，同时把捕捉到的人脸与预先录入的人员库存中的人脸进行相比较识别，原理如图1-2所示。由图可以看出，人脸检测是人脸识别的前提，而人脸检测和人脸识别是人脸识别系统的关键。

图1-2人脸识别系统原理框图
1.2.1人脸检测与人脸识别的研究内容
(1)人脸检测（Face Detection）
人脸检测（Face Detection）是指在输入图像中确定所有人脸（如果存在）的位置、大小、位姿的过程。Yang等将人脸检测定义为：任意给定一幅图像或者一组图像序列，人脸检测的目的就在于判定该图像或者图像序列中是否存在人脸。如果存在，则返回其位置和空间分布[1]。
(2)人脸识别
人脸识别细分为两类，一类是回答我是谁的问题，即辨认（Identification），另一类是回答这个人是我吗？即确认（Verification）。显然，用于Identification模式的识别系统对算法的运算速度的要求要高于Verification模式的识别系统[1]。从人脸自动识别技术所依据的理论来讲，人脸检测与人脸识别都是模式识别问题。人脸检测是把所有的人脸作为一个模式，而非人脸作为另一个模式，人脸检测的过程就是将人脸模式与非人脸模式区别开来。人脸识别是把每一个人的人脸作为一个模式来对待，不同人的脸属于不同的模式类，人脸识别的过程是将属于不同人的脸归于各自的模式。换句话说，人脸检测强调的是人脸之间的共性，而人脸识别则要区分不同人脸之间的差异，二者同属于模式分类问题。
1.2.2人脸识别系统的评价标准
人脸识别系统的最后重要一步，即进行性能评价。和其他识别系统一样人脸识别系统的性能时很难进行评价的，在评价时必须注意以下几点：（1）必须有足够用于评价的大量测试样本；（2）样本图像应与实际应用中出现的图像尽可能相似而且要有代表性；（3）除了讨论系统的错误接受率外，还应该考虑系统的错误拒绝率。评价一个人脸识别系统主要有如下标准：
(1)系统识别率：即要求系统的识别率高，主要用错误的接受率和错误拒绝率这两个性能指标评价，识别率与其之间的关系为：识别率=100%- 错误接受率-错误拒绝率。
(2)对样本的约束：在不影响识别性能的情况下，要求训练样本数尽可能少，测试样本应比实际应用的更复杂，同时要考虑系统的鲁棒广义化问题。
(3)速度和硬件要求：希望训练速度和识别响应速度尽可能快，而且对硬件设备要求不是很高。
(4)人机界面：希望人机界面友好，并且不影响系统在实际中的应用。
1.2.3人脸检测与人脸识别的技术挑战
进入90年代，随着各种相关研究的深入，人脸检测开始作为一个独立的课题受到研究者的重视。同时人脸检测的应用背景也已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、媒体资产管理、视觉监测等方面有着重要的应用价值。人脸检测研究本身也具有重要的学术价值。人脸是一类具有相当复杂的细节变化的三维非刚体自然结构目标，此类目标的检测问题极具挑战性，主要表现在：
(1)人脸由于外貌、表情、肤色等不同，具有模式的可变性；
(2)一般意义下的人脸上，可能存在眼镜、胡须等附属物；
(3)作为三维物体的人脸的影像不可避免地受到光照条件（光源的分布、强度、方向等）的影响；
(4)人脸和摄像机的相对角度；
(5)人脸有时会不可避免地会被部分遮挡等等；
(6)人脸所处背景的复杂程度直接影响人脸的检测。
因此，如果能够找到解决这些问题的方法，成功构造出人脸检测与跟踪系统，将为解决其它类似的复杂模式检测问题提供重要的启示。
人类的人脸识别能力很强，能够记住并辨别上千个不同人脸，可是计算机则困难多了。其表现在：人脸表情丰富；人脸随年龄增长而变化；人脸所成图像受光照、成像角度及成像距离等影响；而且从二维图像重建三维人脸是病态（ill-posed）过程，目前尚没有很好的描述人脸的三维模型。
1.2.4人脸识别系统的实用价值
人脸自动识别系统作为一种重要的个人身份鉴别方法，最早用于罪犯照片管理和刑侦破案，现在这种技术在安全系统和商贸系统中都有很多的应用，与其他身份鉴别方法相比，人脸识别具有直接、友好、方便和鲁棒性强等特点。其应用领域主要有以下几类：
刑侦破案：在获得罪犯照片后，可以通过人脸识别技术，在存储的罪犯照片数据库中找出最为相象的几个人列为嫌疑犯。罪犯数据通常非常大，如果由人工完成搜索，不仅效率低，而且容易出错，因为人在看过上百幅人脸图像后，记忆力就会急剧下降。所以这项工作必须使用计算机完成。人脸识别用于刑侦破案始于七十年代初期，通常采用基于局部几何特征方法。
入口控制：入口控制的范围比较广，它可能是设在楼宇、单位或私人住宅入口处的安全检查，也可能是计算机系统或情报系统等的入口控制。在楼宇或者某些安全部门的入口处，比较常用的手段是核查证件，当人员频繁出入时，请保安人员再三检查证件非常麻烦，而且安全系数也不高。人脸识别技术还能用于设计新颖的私人住宅门锁，人脸是最为安全可靠的“钥匙”。2001 年美国“9·11”事件的发生，使得人脸识别技术的应用得到了极大的重视，现在，美国多个机场都增加了人脸识别安检系统，以防范恐怖分子再次实施恐怖活动。
视频监视：在许多公司、银行、公共场所都设有24小时的视频监视，另外侦察破案时也要用摄像机对罪犯进行跟踪。证件验证：身份证、驾驶执照以及其他证件上都有照片，采用人脸识别技术，证件的验证工作就可交给机器完成，从而实现自动化智能管理。
军队安全系统：目前，全军军事重地有相当一部分是靠传统的铁门加警卫 24 小时站岗，存在着容易被找到规律、利用管理人员的疏忽以及钥匙、密码可能被复制盗取的隐患，而且由于地形隐蔽分散，不利于管理和监控。基于人脸识别的门禁系统通过初始化人脸库，可以限定开门人员数量，免除了钥匙密码被盗的后顾之忧，而且可以全天候自动监控并记录，便于追查。银行系统我国银行金融系统对安全控制有着极高的要求。由于近年来金融诈骗、抢劫的发生率有所增加，对传统安全措施提出了新的挑战。人脸识别技术不需要任何电子或机械的“钥匙”，可以杜绝丢失钥匙、密码的现象，如果配合 IC卡、指纹识别等技术可以使安全系数成倍增长，具有很高的性能价格比。目前银行系统正在开展保险柜出租、托管业务，使用人脸识别系统不但可以提升银行的安全系数，还能大大提高银行在客户中的可信度。总之，人脸识别可以用于入口控制、视频监视、证件验证和刑侦破案等领域一方面明显的提高了工作效率；另一方面，也具有极高的安全性和可靠性。同时人脸识别还可以应用于电信会议、机器人智能化等领域，前景非常广阔。
1.3论文的主要研究内容
本论文首先说明人体生物认证在现实生活中的重要作用,传述了人脸识别系统的原理及构成，着重论述了人脸检测和人脸识别技术研究的意义以及人脸识别系统要完成的任务、系统的评价标准、实现方法等，并应用先进ARM9微处理器设计了一套较为完整的人脸识别系统。着重在以下三个方面进行了较为细致的探讨。
(1)介绍了对人脸进行的检测和识别的方法及相应算法，并对相关算法数学推导和证明,利用VC++软件编程实现相关算法，进行人脸检测实验，取得较好的效果。
(2)在分析了传统的弹性图匹配的基础上，提出了一种基于局部特征分析（LFA）与最优化匹配的人脸识别算法,并用MATLAB软件编程实现相关算法，对Yale大学的人脸库和ORL人脸库进行实验。
(3)设计了基于ARM9微处理器的人脸识别系统。

第二章 人脸检测方法

人脸检测（Face Detection）是指在输入图像中确定所有人脸（如果存在）的位置、大小、位姿的过程。人脸检测方法主要分为以下三类：1.基于知识的方法；2.基于模板匹配的方法；3.基于学习的方法。这种分类并不十分严格，某些分类之间可能存在明显的交叉。
1.基于知识的方法
基于知识的方法首先抽取几何形状、灰度、纹理等特征并形成一定的规则，然后检验这些规则是否符合人脸的先验知识。这类方法一般检测速度都很快，但精度较差，主要用来人脸的粗检测。
2.基于模板匹配的方法
这类基于模板匹配的方法利用人脸的部分或全部的标准特征模板和输入图像中所有的区域执行匹配操作，利用模板和区域之间所得的匹配度量来检测人脸。这类方法的速度一般要慢于方法 1，但精度一般稍好于方法 1（这取决于图像预处理的水平）。这类方法一般使用快速傅利叶变换或快速数论变换来加快匹配速度。
3.基于学习的方法
这类基于学习的方法一般依靠统计分析和机器学习技术来学习人脸样本和非人脸样本，从而达到区分人脸和非人脸的目的。这类方法如果学习样本比较充分，分类器选择得当一般来说精度要好于上述二种方法。但这类方法大多需要很大的计算开销，所以一般结合上述二种方法中的一种或二种来使用。
2.1基于知识的方法：
这种方法来源于研究人员对人脸信息的认识，研究人员很容易总结一些规则描述人脸的特征和它们之间的相互关系。例如人脸的几何形状满足一般性的约束，人脸面部器官的分布大致符合三庭五眼的规则。正视时，人脸可近似为椭圆形或长方形，是一个左右对称的物体（正常人正常情况下），人的面部是由比较平坦的面部皮肤和按一定规则分布在其上的器官（眉毛、眼睛、鼻子、嘴巴）来构成的，皮肤区域的颜色较亮，各器官的颜色较暗，这些知识是人眼认知人脸的基本依据。对于人脸检测来说，人们利用这些知识，发展了众多的基于知识规则的人脸检测算法。随着这种基于知识规则的人脸检测算法的应用也带来了一个问题，就是定义一个对所有脸都适用的规则是非常困难的（甚至是不可能的）。如果规则定义的过于严格，环境稍有变化（例如光照条件的变化、表情的变化等）就有许多正常的人脸不能通过所有的规则而不能被检测。如果规则定义的过于宽泛，就会出现许多不是人脸的区域被当作人脸区域而检测到。此外，很难把这种方法推广到检测不同姿态人脸的问题中去。下面介绍典型的几种：
1.利用人脸图像空间分布规律的知识利用人脸模式的图像不变性，即人脸共有的独特空间图像分布的相互关系，人脸上的亮度分布有一定的顺序结构，图像中灰度分布最符合这种不变性的部分就是人脸部分。

图2-1 马赛克法三层结构示意
2.利用人脸器官分布规律的知识
人脸器官分布比较规律，适用于证件照片上头部位置比较固定的情况，最常见的是眼睛定位，常用的方法是对于边缘图像作垂直和水平方向的“积分投影”并结合五官分布的先验知识。利用眼睛部位水平边缘线丰富的特点定位出眼睛在垂直方向上的大致位置[4]。用垂直方向边缘图像的积分投影检测脸的两侧和鼻子，水平方向边缘积分投影用于定位眼睛、嘴巴和鼻子。人脸具有一定的轴对称性，器官也具有一定的对称性，比如人的左右眼睛是对称的等[5]。

图2-2马赛克法第一层四分块
利用广义对称变换理论和边缘图像确定人脸对称轴，然后根据人脸五官分布的约束条件及在对称轴上对称值最大的地方定位眼睛和嘴巴[6]。提出连续对称性检测方法，检测一个圆形区域的对称性，利用人脸的五官特性，从而确定是否为人脸[7]。
3.马赛克图像法（mosaic image method）
马赛克是一种简单的图像多分辨率表示方法，建立了一个基于知识的三层检测系统[8]。

图2-3马赛克法第二层方框图
第一层针对 4×4 的马赛克图像块（quartet），根据相应的知识规则寻找人脸候选区域；第二层针对 8×8 的马赛克图像块（octet），也是根据知识规则从各候选区域中确定人脸区域；第三层在人脸区域内采用改进的边缘检测算法进一步确定眼、嘴等器官的位置。图2-1为其总体方框图，图2-2为第一层 4×4 的马赛克图像块（quartet），图 2-3为第二层的方框图，图 2-4 为第三层的方框图。

图2-4 马赛克法第三层方框图
2.2 基于模板匹配的方法
模板匹配法就是计算出固定目标模板和候选图像区域之间的相关性或差异性，作为匹配准则来搜索人脸，这种方法具有简单、直观的特点。当人脸的模式过于复杂而不能用单一模板建模时，可以使用几个相关模板检测那些相对稳定的人脸局部特征。
1.可变形模板法（Deformable templates method）
这是哈佛大学以A. Yuille为首的研究小组提出的一种器官精确定位方法[12]、[13]、[14]。所谓可变形模板，是对眼睛、嘴巴等面部器官形状的一种参数化描述，如2-5 眼睛可以用一个圆外加两条抛物线段来表示。同时，与模板的性质相对应，定义一个与图像中边缘（edges）、峰值（peak）、谷值（valleys）等相关的能量函数。将模板动态地作用于图像，通过修改其参数使能量函数值达到最小，也就是通过模板的变形在图像中找到其最佳匹配。由于可变形模板法利用了全局性信息，因而提高了人脸检测的可靠性，但同时也暴露出初始位置难于确定、权值选取依赖经验、可能陷入局部极小、计算量大等不足。

眼模型 嘴模型
图2-5两种可变形模板
对于可变形模板法的改进可分为以下几类：
1、对于能量函数的修正；
2、对于可变形模板的补充。例如：头部轮廓、面额和下巴的可变形模板；
3、对于模板初始位置的估计算法。例如：角点检测（corner detection）、数学形态滤波器（morphological filter）等；
4、对于匹配方式的改进。例如：基于区域的策略（region-based strategy）、自适应哈夫变换(AHT，Adaptive Hough Transform)等。
2.活跃轮廓模型法（active contour model method）
活跃轮廓模型法亦称蛇形法（snakes method）。活跃轮廓是一条在外部约束力作用下的能量最小化样条曲线。它通过迭代的方法可以不断修正，逐步趋近图像中的线条或边缘。采用这个方法完成了头部轮廓、眉毛及鼻孔的检测[15]。类似地，也用它进行头部轮廓检测[16]。
2.3 基于学习的方法
1.特征脸方法（eigenface method）
美国 MIT 的 M.Turk 和 A.Pentland 在人脸识别领域中提出了著名的特征脸方法[17]，同时也将它用于人脸检测。特征脸的基本思想是任意输入图像都可以表示为“特征脸”的线性组合，线性组合的系数反应了该人脸的特性。特征脸方法的实质是通过 K-L 变换获得人脸模式在整个图像空间中的降维子空间（称为“脸空间”），并根据待识别样本到脸空间的距离确定它是否属于人脸模式。如果对人脸轮廓或面部器官进行同样的计算，便可将特征脸方法用于人脸轮廓检测或面部器官检测。
一幅大小的人脸图像[]按列相连而构成一个维矢量：

它可被视为维空间中的一个点，由于人脸结构的相似性，当把许多这样的人脸图像归一化之后，这些图像在这一高维空间中不是随机散乱地分布的，而是存在某种规律，这样，可以通过 K-L 变换用一个低维子空间描述人脸图像。
由于K-L变换方法在本质上依赖于图像灰度在空间分布上的相关性，在进行 K-L 变换之前，对待检测的人脸图像需要进行一系列的预处理，以达到位置校准和灰度归一的目的。
以归一化后的标准图像作为训练样本集，以该样本集的总体散布矩阵，计算总体散布矩阵的特征值