图像处理中人脸检测的发展现状人脸检测（face detection）最初来源于人脸识别技术，人脸识别技术的研究最早可以追溯 到 20 世纪六七十年代，发展至今，技术已经比较成熟。人脸检测即在一张图片中检测出存在 的人脸，而不检测出非人脸，因此在检测中，会存在检测率，误检率等参数，其中，检测率 计算公式为：78514

检测率=检测出的人脸数量/图片中所有的人脸数量 (1) 其中，误检率计算公式为：

误检率=非人脸却检测为人脸的数量/总共检测出人脸的数量 (2) 人眼检测有类同的公式，在此不再赘述。

在人脸检测方面，如今已经有的技术包括：人脸模型对比法，基于神经网络的方法，SVM

（支持向量机）的方法，以及 boosting 算法。

2 图像处理中人眼检测的发展现状

人眼检测（eye detection）是检测并定位到图像中人眼的过程，是一项自动人眼捕捉的计 算机视觉技术。现今，人眼检测应用于许多方面，例如人脸登记，人脸检测，视线跟踪，脸 部表情分析以及基于人眼的人机交互问题，基于人眼检测的手机应用等。这些应用，在很大 程度上，都依赖于人眼检测的鲁棒性和精确性。尽管近些年来人眼检测已经发展较为成熟， 但是由于眼部图案的变化较大，人的肤色，长发，眼镜等干扰因素，导致准确无误的人眼检 测具有了不小的难度。

人眼检测领域有两个不同的分类，一种是红外线照度模型，但是这个方法需要特殊的设 备，一般也只应用于特殊的场合，因此不具有普适性。另外一种是基于图像的模型，现今大 多数方法是属于这种方法。这种方法大概也可以分为两类，一种是全局特征法，一种是局部 特征法。论文网

全局特征法经常由特征向量，投影，颜色，亮度，对比度分布等特征代表眼睛，在整体 中由一系列的特征组成代表眼睛的部位斑块，将斑块组合，检测出人眼。其中，基于形态学 的人眼检测就属于这一类。

局部特征法相对于全局特征法来说，在人眼检测方面具有更好的判别能力。还有研究人 员结合局部特征法与全局特征法的特点，对人眼进行建模，实现人眼检测。我们在本文中提 到的基于视觉环境的 boosting 算法是一种改进的 boosting 算法，对人眼的检测率比较 boosting 算法会有所提高，在下文中我们会详细介绍。在实际操作中，由于训练级联分类器需要大量 时间以及数据，我们没有完备的资源，因此直接采用了 opencv 自带的基于类 Harr 的 boosting 算法的分类器。

3 图像处理中图像融合的发展现状

图像融合是指将从源图像中提取前景区域融合在目标图像中，生成新的图像[1]。计算机图 像融合是一种基于像素的图像融合。归纳起来，合成技术可以分为四类方法：拉普拉斯金字 塔合成，基于 alpha 抠像的 alpha 混合，基于梯度域的融合方法以及基于坐标的融合方法[1]。 现今，已经存在许多中不同的图像融合方法，但是由于环境背景的不同，融合的敏感区域不 同，导致不同的融合方法在不同的情况下产生效果各异的效果。对于本文中采用的方法为泊 松融合，是一种基于梯度的融合方法。详细内容在下文介绍。