Adaboost+Opencv复杂背景下人脸检测技术研究(4)
2.4 基于表象的方法
这是一种利用判决函数分析基于机器学习和统计获得的特征参数从而实现检测的方法。
鉴于人脸图像的复杂度，以上那些基于图像中人脸特征和基本规则的算法已经很难有效地完成对人脸图像的检测，因此基于统计分析和计算机学习的方法引起了人们的重视。该类方法主要包括：线性子空间法、神经网络、隐马尔可夫模型、支持向量机、基于AdaBoost算法等方法。
前面四个仅仅是基本方法，这么多年国内外研究者创新出的几个经典方法至今仍发挥着它们的作用。
2.5 特征脸
特征脸以人脸训练样本为固有，构造主元子空间，检测时，将待测的人脸图像投影到该空间上,把得到的投影系数同已知的人脸比较，得出检测结果。特征脸方法是一种基于变换系数特征的算法，具有简单性，快速实用性的特点，但依赖于测试集图像的灰度相关性是它最大的局限性。Kohonen[14]在曾神经网络基础上用图像的自相关矩阵得出了特征向量，后来就演变成了特征脸的方法。
2.6 神经网络
神经网络可看做是一个类似大脑神经的模型，它通过类似这样的突触结构来进行信息处理。多个单位联接成网络，像云技术一般共同处理信息。神经网络几乎可以完成复杂的非线性关系，采用是并行分布的处理办法，可以进行神速般的大量运算。它的学习功能就像幼儿一般，把样本和对应的检测结果输送给它，它就熟悉了这种对应关系，可以慢慢处理这种图像了。它的优点是使检测人脸变的容易，但其本身结构的相互嵌套，使得局部的调整变得困难。
这个方法使用最杰出的工作者就是Rowley[15]，此人把每个区域分成多个子区域，通过一个单层的神经网络对检测出现的重复区域进行合并，再用多个分层上的输出对结果进行审核评判，这样就降低了误检率。
2.7 隐马尔科夫模型（HMM）
HMM用于描述信号统计。它使用马尔科夫链模拟信号特征的变化，在HMM中，节点代表状态，状态之间的状态用有向边表示，一个状态表示任意的特征，而对应同一特征，可以对应很多状态，这种非函数关系对于状态序列是隐的，所以称为隐科尔马夫模型。
Nefian[16]等人通过使用Baum-Welch算法和Vterbi分割算法获得隐马尔科夫的模型参数，从观察序列的输出概率来检测人脸。
2.8 支持矢量机（SVM）
最先使用此方法的是Osuna[17]，矢量机是一种基于统计学习的检测方法，它以结构风险最小化优势为两个截然不同的样本找出一种最优分类面。他们的这种方法和Sung等人相似，但速度提升巨大。Heiselet[18]等人用两层支持矢量机的方法来检测人脸，先用几个线性支持矢量机检测人脸的几何位置，再用一个线性支持矢量机分析前面得出的几何结构是否符合人脸特征。
3 AdaBoost 算法
AdaBoost,是英文“Adaptive Boosting”（自适应增强）的缩写，是一种机器学习方法，由Yoav Freund 和Robert Schapire提出。