【人脸检测——基于机器学习1】基础知识（未完待续）
一、引言
为什么要研究人脸识别
人脸是一个非常重要的生物特征
研究难点
人脸具有相当复杂的细节变化，对于机器学习算法的泛化能力非常具有挑战性
概念区分
- 人脸检测（Face Detection）：给定一张图片，判断图像中是否存在人脸，若存在返回图像中每一张人脸的位置
- 人脸识别（Face Location）：辨识人脸所代表用户身份
常见的人脸检测主要方法概述
- 基于特征提取的人脸检测
基于特征提取的人脸检测通过提取人脸面部区域的特征点，并利用提取到的特征点构建统计学模型，然后采用该模型对待检测区域进行判定来定位人脸所在的区域。由于人脸的某些特征是固定不变的如：尺度特征、文理特征、肤色特征等，因此可以用来做人脸检测。
首先通过计算待检测图像中的SIFT特征与训练样本集中各参考图像的SIFT特征之间的欧式距离筛选出有用特性，然后判断所选SIFT特征所在区域是否为人脸。该方法最大优势是采用迭代的方式，将检测出的正确人脸提取出来，并将其作为参考样本加入参考数据集，用于接下来的检测，因此最初只需选择一张人脸样本做参考，并计算一对SIFT特征即可进行人脸检测，而且整个检测过程基本无需人工参与。
基于特征的人脸检测方法虽然对复杂背景、人脸大小不一、旋转人脸等变化具有较强的鲁棒性，但是当所选用的特征缺失或被噪声干扰时，检测效果将会受到很大影响。
- 基于机器学习的人脸检测
通过机器学习大量的人脸和非人脸样本，计算求出人脸和非人脸样本的统计特征，再利用该特征构建对应的分类器进行人脸检测。
基于SVM的人脸检测：该方法选取最小泛化误差处定义最优分类超平面，然后利用该超平面实现模式分类，通过将SVM分类器引入到人脸检测领域，并对于大规模的训练数据集训练提出了改进方法，这使得基于SVM的人脸检测速度得到有效的提高
基于神经网络的人脸检测方法……
基于AdaBoost算法的人脸检测…….
基于机器学习的人脸检测方法，在计算机处理性能有限以及训练样本数目有限的情况下，如果设计方式较为简单训练样本数较少的情况下，算法的检测率不理想。反之，如果设计方法较复杂训练样本较多，则训练时间就会越长，同时算法的检测率也提高。
二、参考与致谢
李晶惠《基于AdaBoost的视频人脸检测》
