人脸的遮挡、不同表情、图像的质量、旋转灯等都会影响人脸检测源:自~优尔-·论`文'网·www.youerw.com/

这些困难都为解决人脸问题造成了难度。如果能找到一些相关的算法并能在应用过程中达到实时，将为成功构造出具有实际应用价值的人脸检测与跟踪系统提供保证。

1.1.4侧面人脸检测难点

侧面人脸检测的研究具有重要的学术价值，图片中侧面人脸往往不易被检测出来。对此类目标的挑战性在于：

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. 作为三维物体的侧面人脸影像不可避免地受由光照产生的阴影的影响。

4. 人脸左右侧的角度和人脸上下俯仰的角度。

    这些困难都造成了侧面人脸比正面人脸难检测。图像中有侧面人脸和正面人脸时，正面人脸比较好检出。但是侧面人脸就很难检出，所以造成人脸检出不全。

1．2研究现状与方法概述

1.2.1 人脸检测现状

1.2.2 人脸检测方法概述

1．3待解决的问题

    虽然人脸检测技术有了很大的发展，但是由于各种变化因素的影响，还有很

多需要解决的问题：

   1. 由于人脸模式的多样性，人脸图像的空间分布非常复杂，有限的样本集难以覆盖全部人脸图像子空间，在高维空间中建立准确的分布模型又很困难。因此，如何有效地描述人脸在子空间的分布值得研究。非线性变换和混合模型将是描述人脸特征分布的一个有效方法，也需要研究新的人脸描述方法以获得准确的人脸描述和与非人脸的区别信息。人脸局部和整体信息的相互结合能较好地描述人脸特征，有效地提取和组合局部与整体信息也是提高系统性能的一个途径。

2. 对于复杂背景的图像，如何有效地区分类似人脸的区域和真正的人脸区域很重要。神经网络、SVM、贝叶斯分类器等通常能获得好的分类结果，研究新的分类方法是提高检测性能的另一个重要途径。也可以借鉴字符、语音、指纹等识别中比较成功的分类方法。

3. 目前的人脸检测算法还不能较好地处理任意姿态、光照和遮挡等变化条件，开发高性能的人脸检测方法仍是主要的研究方向。由于不同的人脸描述方式有不同的特点，不同的分类器产生的分类结果也不一样，多个特征融合和分类器融合的方法可以有效提高检测性能文献综述

4. 由于大多数应用都是面向实时性处理，这要求人脸检测算法简单、快速

5. 在压缩域，由于不需要完全解码，且可直接利用压缩域系数，因此大大提高了检测速度。对于视频，还能直接利用运动矢量等特征。因此，压缩域的人脸检测是面向对象的图像和视频检索技术的一个重要研究主题。[3]

2  LBP算法

2.1  LBP算子及其改进

2.1.1基本的LBP算子

最初的LBP(Local Binary Pattern)算子是由芬兰科学家Timoojaja等提出，它是一种描述纹理特征的强有力的方法。原始的LBP算子为图像的每个像素定义了一个以该像素为中心的3 *3的窗口(纹理单元)，然后以该中心像素的灰度值为阈值，对该窗口的其余8个像素进行二值化，然后根据像素的位置以及二值化的结果进行加权求和得到该像素的LBP值。[1]