文献综述
一 引言
人脸检测技术是一门交叉学科，涉及到图像处理、模式识别等知识，吸引了许多专家和学者研究。在多种生物特征方法中，人脸检测技术之所以倍受关注，是因为在很多生物检测当中，人脸检测是最通用的、非接触式的识别方法。
二 传统人脸检测算法的研究现状
随着技术水平的不断提高，人脸检测技术取得了极大的进展。一些传统的检测算法已可做到准确、快速地从视频监控中检测人脸并比对。传统的人脸检测算法主要包括：几何特性方法、特征脸法，模板匹配法，支持向量机方法，是嵌入式平台的人脸检测的首选。
几何特征的方法是一种最直观的方法。该方法先对面部不同器官进行定位并提取主要器官的特征点，然后根据不同的特征之间的距离，角度，面积等值来作为某个人的特征信息，以区分不同的人。最早是由 Bledsoe[1]于 1966 年提出，后来 Kande[2]做出了一些改进，然而识别率也仅有 5%~75%。基于几何特征的方法易于理解，但是对表情变化比较敏感，识别正确率并不是很高。
特征脸的方法主要基于 PCA（主成分分析法），也可以叫做 KL 变换，通过这种方法可以对高维的人脸图像信息进行降维，用较少的信息来表示人脸图像。最后用这些少量的数据来识别人脸，大大的减少了计算量。该方法由Turk 和 Pentland 最早提出，一种新的人脸识别思路由此开始，后来在此基础上有一系列的改进[3][4]，基于频域的方法 Gabor[5]小波变换也应用于人脸识别。
模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题，是图像处理中最基本、最常用的匹配方法。模板匹配（Template Matching）是图像识别中最具代表性的方法之一。它从待识别图像中提取若干特征向量与模板对应的特征向量进行比较，计算图像与模板特征向量之间的距离，用最小距离法判定所属类别。模板匹配通常事先建立好标准模板库。
在 20 世纪 70 年代，Vapnike 等人开始对统计学习理论进行研究。SVM（Support Vector Machine）是一种基于统计学习理论的机器学习方法，它通过寻求结构化风险最小化，以达到提高学习及泛化的能力，实现置信范围以及经验风险最小化。支持向量机与其他方法相比有很强的理论基础，而且支持向量机在小样本的分类问题也有很好的表现。 甘俊英等人[6][7]将 SVM 跟 2DLP（二维线性鉴别算法）结合起来，使用小波变换，依靠低频的分量最终在 ORL 和 Yale 等不同的人脸库上实现了人脸识别，识别率较高。
三 人脸检测算法的发展趋势
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
