人臉檢測，原理，技術和方法
第一章 緒論
1.生物特徵：系統主要由特徵樣本，預處理，特徵提取和特徵匹配四個處理過程；
2.光學感測器：CCD（charge couple device）電荷耦合器件影象感測器，CMOS（complementary metal-oxide semiconductor）互補金氧半導體；形成影象訊號。特徵匹配計算兩個生物特徵的相似度，方法有基於距離匹配方法，基於神經網路和基於向量機的方法。
3.指紋識別，人臉識別，虹膜識別，視網膜識別，掌形識別，DNA識別，語音識別，步態識別；

第二章 國內和國外人臉識別技術，公司
國外人臉資料庫：FERET，MIT人臉資料庫，YALE耶魯大學計算機視覺控制中心，PIE卡梅隆大學，ORL劍橋大學，PF01韓國浦項科技大學，AR人臉庫，BANCA人臉庫，KFDB韓國人臉，MPI，XM2VTS;
國內：CAS-PEAL ；

第三章 人臉識別的基本理論
1.特徵形成-特徵提取（用低維空間來表示樣本過程稱為特徵提取，Y表示測量空間，X表示特徵空間，變換A：Y->X叫做特徵提取器）—特徵選擇（選擇最有效的特徵從而達到降低特徵空間為維數）
2.特徵提取方法（高維測量空間程式設計低維的特徵空間）：
基於歐式距離度量的特徵提取；
基於概率距離判據的而在提取；
基於判別熵最小化的特徵提取；
3.特徵選擇方法（達到降低特徵空間維數的目的）：
最優搜尋方法：窮盡搜尋法，分支界演算法
次優演算法：遺傳演算法，Tabu演算法，
4.線性判別函式：線性分類器設計步驟，Fisher線性判別；
5.貝葉斯決策：貝葉斯決策是在不完全情況下，對部分位置狀態進行主觀估計，然後用貝葉斯公示對概率進行修正，在利用期望值和修正概率做出最優決策的一種研究方法。
包括基於最小錯誤率的貝葉斯決策，基於最小風險的貝葉斯決策，限定錯誤的兩類決策，最小最大決策，序貫分類法和分類器設計；
6.人工神經網路（artificial neural network），是對人腦或者自然神經網路若干基本特性的抽象和模擬；
7.統計學習理論和支援向量機；
8.模糊聚類分析。

第四章 人臉影象的獲取
人臉影象獲取分類：二維人臉影象獲取，三維人臉影象獲取：基於物理裝置的資料獲取（鐳射掃描法，結構光測距）；基於多幅影象的資料獲取；基於立體視覺的資料獲取。

第五章 人臉影象預處理
2.人臉影象預處理：灰度變換，二值化，幾何校正（幾何影象歸一化），直方圖修正，影象濾波（全域性處理：wiener濾波，kalman濾波，他們都需要知道訊號和噪聲的統計模型）區域性運算元（中值濾波，梯度倒數加權濾波），均值濾波器（畫素鄰域各點灰度值的平均值），高斯平滑濾波，中值濾波，邊緣保持濾波器。
3.影象銳化：影象模糊的實質是影象受到平均或者積分運算造成的，因此可以對影象進行逆運算如微分運算來使影象清晰化。這一類消減影象模糊的影象增強方法稱之為銳化；
4.畫素平均法：選定鄰域內畫素的灰度值均值來代替每個畫素的灰度值；

第六章 人臉表徵
1.兩種方法：基於知識的表徵方法，基於代數特徵或統計學習的表徵方法；
基於知識人臉表徵包括基於幾何特徵的方法和模板匹配的方法；
基於代數人臉表徵一般有基於線性投影的方法（基於主成分分析的方法PCA principal component analysis）；基於獨立成分分析方法（ICA）；基於Fisher線性判別分析方法（CLDA classic fisher linear discriminant analysis）
基於非線性投影的方法：基於核的特徵提取技術和以流形學習為主導的特徵提取；
其中支援向量機方法的出現，基於核的主成分分析方法（KPCA）和基於核的Fisher判別分析（KFDA）是PCA和LDA的核推廣。
基於流形學習方法有等距特徵對映法，區域性線性嵌入法，拉普拉斯特徵圖法。
2.二維人臉表示方法：
3.三維人臉表示方法：

第七章 人臉檢測
灰度影象：基於表象方法，基於特徵方法，基於模板方法；
彩色影象：顏色特徵，變換域特徵，模板特徵，輪廓特徵，結構特徵，鑲嵌圖特徵，啟發式特徵，直方圖特徵；
人臉特徵：簡單組合（加權平均）；
概率分佈（貝葉斯推理，隱馬爾科夫模型，支援向量機等）；
統計推斷（假設檢驗等）；
模糊決策（模糊推理等）；
機器學習（人工神經網路，支援向量機）；
啟發式綜合（知識規則推理等）。
靜態影象的人臉檢測：
基於膚色人臉檢測，發現膚色提取關鍵不在於顏色，而是在於亮度。為了消除光照因素的影響，可以將彩色RGB空間轉化到YCbCr空間下，YCBCR顏色模型具有將亮度分離的優點，聚類特性比較好。膚色人臉檢測對於人臉位姿不敏感，在單調背景下檢測率高，但是在光照和複雜背景下效果不理想，故經常只能作為一種輔助手段，藉以縮小搜尋空間，可以提高檢測速度。
基於特徵的人臉檢測方法：基於低層特徵的方法（灰度特徵，膚色提取，紋理特徵）；
基於模型的方法：固定模板，彈性模板，點分佈模型PDM，活動輪廓模型；
基於影象的人臉檢測方法：基於線性子空間方法（主成分分析PCA，線性判別分析LDA，因子分析FA，）基於人工神經網路的方法（ANN，首先要建立一個非人臉和人臉樣本集）；
基於統計的方法：此方法不是針對人臉的某一特徵進行的，而是從整個人臉角度出發，利用統計學原理，將人臉影象視為一個高維向量，將人臉檢測問題轉化為高維空間中分佈訊號的檢測問題，從成千上萬人臉影象中提取出人臉共有的一些規律，利用這些規律來進行人臉檢測。此類方法主要有隱馬爾科夫模型HMM，支援向量機SVM，貝葉斯決策和基於AdaBoost的方法。
動態影象人臉檢測：
影象差分法：當前影象與固定背景影象之間的差分，當前連續兩幅影象之間的差分又稱為相鄰幀差法；
光流法：光流法是運動影象分析的重要方法，光流是影象中亮度模式的顯式速度分佈，是由於目標與觀察者之間的相對運動引起的。在理想情況下，光流對應於運動場，光流場的分析廣泛應用於估計觀察著的自主運動，運動目標的檢測與分割，影象穩定和深度重建等。

第八章 人臉分割
經典方法有：
基於資料驅動：直接對當前影象資料進行操作，不依賴於先驗知識，包括基於邊緣檢測的分割方法，基於閾值的分割方法，基於區域增長的分割方法；
基於模型驅動分割方法：直接建立在先驗知識的基礎上，包括基於輪廓模型，活動形狀模型，活動表象模型，組合優化模型，目標幾何與統計模型的分割，基於連線模型等。
基於區域分割方法：區域生長演算法，分裂合併演算法，閾值法（灰度值大於閾值的分一類，小於的分一類），分水嶺演算法；
基於邊界的分割方法：用於邊緣檢測的運算元有微分運算元，梯度運算元，拉普拉斯運算元和Canny運算元等。
活動輪廓模型，基於幾何與統計模型的分割方法；
常見的動態人臉分割方法：
運動分割法：基於聚類的方法，貝葉斯分割方法，光流法；
基於變換檢測分割法：幀差法；
基於時空物件分割法：時域分割法，空間分割法，時空聯合分割法；
基於壓縮域物件分割法：

第九章 人臉判定（人臉識別）
應用：第一類是檢測到的臉是誰的臉，要與資料庫中的人臉匹配辨識；第二類問題是檢測到的人臉是不是資料庫中的那張臉，即檢測到的人臉與資料庫人臉對比。
總的來說，人臉判定過程主要分為兩個階段：訓練階段和測試階段。在訓練階段，首先從樣本影象中提取特徵，然後儲存特徵形成特徵庫；在測試階段，首先提取待判定人臉樣本影象的特徵，然後用訓練好的分類器對待判定人臉影象特徵和特徵庫中的特徵進行匹配，最後判定結果。
人臉判別常用方法：面部幾何特徵法，模板匹配法，神經網路法，隱馬爾科夫模型法，支援向量機法，特徵臉法，奇異值分解法，貝葉斯分類法和等灰度線法等。
幾何特徵法是提取人臉面部具有代表性的部位，如眉毛，鼻子眼睛，嘴巴等相對位置，特徵點形狀，分佈幾何引數作為特徵。
基於模板匹配的方法：通用模板匹配，可變性模板匹配；
基於代數特徵的方法：主成分分析，線性判別分析，獨立成分分析
人臉識別高階方法
第十章 光照處理
第十一章 表情識別
第十二章 人臉姿態
第十三章 三維人臉建模
第十四章 人臉追蹤