均半边脸模板检测侧脸时，准确率会相对高点。

主要是因为脸向左侧倾斜时，左脸并没有丢失很多信息，以至于她们可以很好地与平均半脸模板匹配。

然而，人脸偏离角度过大，检测准确度也会大大下降，这主要是因为在人脸图像取样过程中，正脸成像从三维空间变成了二维空间，这样不仅损失了人脸图像位置深度信息，而且严重地改变了脸上器官位置。

所以相似度也随之降低了。

总结平均人脸模板是根据脸部特有特征这原理构建。

人脸位置是根据人脸模板与不同角度人脸相似度来判断。

下面是理论分析和实验结果眼睛，耳朵，鼻子，嘴巴和部分脸颊是构建人脸模板必要部分，它们密集分布特征是作为人脸检测依据。

平均人脸模板大大减少了局部特征器官密集信息不确定性。

在平均全脸模板基础上，平均半脸模板能够通过脸上器官位置对称性构建出来，然后后半边脸就可以直接被检测出来。

人脸模板密集冗余就大大减少了。

通过基于模板匹配法人脸检测时间复杂性分析，半脸模板相对于全脸模板价值更适用于实际。

半脸模板能够节省半时间，所以检测数独就可以提高。

平均半脸模板可以适用于较大角度侧斜人脸图像，人脸检测准确率也有显著地提高。

参考文献，判别函数在实验中，图像中半边脸被检测出来是运用了模板匹配方法。

此方法基本原理解释如下。

被选择平均半脸模板在被检测图像上到处搜索。

接着，计算模板与被检测到半边脸相似度。

如果在些位置，相似度方程值大于阈值，那么我们就认为这班别脸图像相似于平均半脸模板。

相似度是指图像上局部区域统计值。

些不同子块影像图像相似度值也许与其他样，尽管如此，它们还是属于不同字块图像。

在实验中，与半脸模板匹配子块图像所在位置相似度值应该被保留，而那些未匹配值应该被剔除。

此方法具体可以描述如下假设半脸模板长度是，宽是，如图四所示。

那么全脸模板长度就是，宽是。

假设被检测图像长度是，宽是，当模板为放在，时，子块图像在图像中相对应位置为。

于是模板与子块图像，相似度公式可以表达为上述公式中，判定图像中是否存在半边脸规则是，给定个阈值，如果那么此半边脸相似于子译文二基于半边脸人脸检测概要图像中人脸检测是人脸识别研究中项非常重要研究分支。

为了更有效地检测图像中人脸，此次研究设计提出了基于半边脸人脸检测方法。

根据图像中人半边脸容貌或者器官密度特征，比如眼睛，耳朵，嘴巴，部分脸颊，正面平均全脸模板就可以被构建出来。

被模拟出来半张脸是基于人脸对称性特点而构建。

图像中人脸检测实验运用了模板匹配法和相似性从而确定人脸在图像中位置。

此原理分析显示了平均全脸模型法能够有效地减少模板局部密度不确定性。

基于半边脸人脸检测能降低人脸模型密度过度对称性，从而提高人脸检测速度。

实验结果表明此方法还适用于在大角度拍下侧脸图像，这大大增加了侧脸检测准确性。

关键词人脸模板，半边人脸模板，模板匹配法，相似性，侧脸。

介绍近几年，在图像处理和识别以及计算机视觉研究领域中，人脸识别是个很热门话题。

作为人脸识别中个重要环节，人脸检测也拥有个延伸研究领域。

人脸检测主要目是为了确定图像中信息，比如，图像总是否存在人脸，它位置，旋转角度以及人脸姿势。

根据人脸不同特征，人脸检测方法也有所变化。

而且，根据人脸器官密度或颜色固定布局，我们可以判定是否存在人脸。

因此，这种基于肤色模型和模板匹配方法对于人脸检测具有重要研究意义。

这种基于模板匹配人脸检测法是选择正面脸部特征作为匹配模板，导致人脸搜索计算量相对较大。

然而，绝大多数人脸都是对称。

所以我们可以选择半边正面人脸模板，也就是说，选择左半边脸或者有半边脸作为人脸匹配模板，这样，大大减少了人脸搜索计算。

人脸模板构建方法人脸模板质量直接影响匹配识别效果。

为了减少模板局部密度不确定性，构建人脸模板是基于大众脸信息，例如，平均眼睛模板，平均脸型模板。

这种方法很简单。

在模板仿射变换实例中，人脸检测有效性可以被确保。

构建人脸模板过程如下步骤选择正面人脸图像步骤二决定人脸区域大小和选择人脸区域步骤三将选出来人脸区域格式化成同种尺寸大小步骤四计算人脸区域相对应像素平均值。

在构建模板之前，挑选些有正面人脸图片。

首先，决定人脸区域尺寸大小。

然后，在图像中手动挑选人脸区域。

我们设选定人脸区域数量为。

因为人脸区域矩阵向量都是被独立分布，所以在那些人脸图像相同位置像素值也是独立分布。

我们设在人脸区域第Ă，位置像素值是，那些人脸图像是标准比例系数由此得出正面人脸模板表达式根据统计学，如果在人脸区域第个位置，有些像素值，趋于正态分布，其中是像素，平均值，是方差是正态分布。

所以模板局部密度不确定性大大降低了。

如果抽样人脸图像都是在同间距下拍摄，相对应人脸尺寸是致，标准比例像素就等于那么，大众人脸模板，也就变成了正面平均全脸模板构建在人脸与相机间距相同，鸟瞰图拍摄角度是情况下，张人脸图像被取样，包含正面，左侧倾斜和左侧倾斜。

每种角度图像都是张。

其中张中人戴帽子，张没有戴帽子。

被抽样图像如图所示。

正面左侧倾斜左侧倾斜图各个角度人脸图像在图像中，正面人脸包括特征器管像眼睛，耳朵，鼻子，部分脸颊等等，如图所示。

这些图像分布特征可以作为检测人脸存在根据。

所以人眼睛，耳朵，鼻子，嘴巴和部分脸颊都被选作可以构建整张正面人脸模板主要区域，如图所示。

这种方法可以排除异常区域和非人类特有物影响，比如帽子，胡须等。

图人脸特有器官模型手动取样张人脸图像。

每张图像都是像素。

做为个比较性实验，模板不仅要匹配正面图像，还要匹配侧面图像。

所以模板不能太宽。

构建整张正面人脸模板如图所示。

通过张正面人脸模板，正面平均全脸模板就可以被构建出来。

图正面全脸平均模板构建平均半脸模板构建正面平均全脸模板可以被看做大径相同左脸模板和有脸模板结合体。

所以正面全脸模板可以被中心对称轴分成左脸模板和右脸模板。

所以，半边脸模板构建如图所示。

此外，平均半脸模板可以根据平均全脸模板原理来构建。

这样可以减低在全脸模板中密集度对称冗余问题。

方法如图所示。

图构建半脸模板模型图半脸平均模板构建在张完美人脸模板中，左脸和右脸密集度是对称，也就是说，两半边脸是相似对。

事实上，在张人脸图像中左脸和右脸存在些差异，两半边脸器官密集度分布也不是完全对称，所以相似性就降低了。

就拿左半边脸为例，当利用平均半脸模板搜索人脸图像时，左半边脸会先被识别出来，如图所示。

图中实线框内是被检测出左脸，接着根据左脸模板来检测右半边脸位置。

被检测到可能是右半边脸位置如图所示，这些位置由虚线框标记出来。

图被检测出来可能是半边脸位置判别函数在实验中，图像中半边脸被检测出来是运用了模板匹配方法。

此方法基本原理解释如下。

被选择平均半脸模板在被检测图像上到处搜索。

接着，计算模板与被检测到半边脸相似度。

如果在些位置，相似度方程值大于阈值，那么我们就认为这班别脸图像相似于平均半脸模板。

相似度是指图像上局部区域统计值。

些不同子块影像图像相似度值也许与其他样，尽管如此，它们还是属于不同字块图像。

在实验中，与半脸模板匹配子块图像所在位置相似度值应该被保留，而那些未匹配值应该被剔除。

此方法具体可以描述如下假设半脸模板长度是，宽是，如图四所示。

那么全脸模板长度就是，宽是。

假设被检测图像长度是，宽是，当模板为放在，时，子块图像在图像中相对应位置为。

于是模板与子块图像，相似度公式可以表达为上述公式中，判定图像中是否存在半边脸规则是，给定个阈值，如果那么此半边脸相似于子块图像如果那么此半边脸完全与子块图像致。

把公式展开后，得到其中，是子块能，被位于图像，位置半脸模板所覆盖。

在到处搜索图像时候，它值变化很慢。

，表示模板与子块图像相关系数。

当模板与子块图像完全匹配时，相关系数达到最大值。

，是半脸模板能，当半脸模板被构建完后，它值就被确定了。

它与子块位置没有任何关系。

所以，模板与子块图像关联系数和子块能值比率就是相似度值，如下简化式子，得到式子其中是相似度，。

判定半边脸存在规则如下给定阈值，如果那么总结为此半脸模板相似于子块图像如果那么半脸入班完全与子块图像匹配。

假设代表基于半边脸模板检测人脸时间花费，代表基于全脸模板检测人脸时间花费。

计算方法如下与比值如下当值大大超过值时，方式值接近，也就是说，基于半边脸模板检测人脸时间花费是全脸模板方法。

所以，半边脸模板检测方法可以省半时间。

实验结果正如图五显示平均半脸模板，左脸与左脸，右脸与右脸，左脸与右脸相似度都是通过式子计算得出。

计算结果分别是，和。

实验结果是相同半边脸相似度值很高，不同半边脸是相似对。

所以左脸对于右脸密集度冗余很大。

人脸检测实验中，利用左半脸模板来检测正面人脸图像，左偏和图像。

准确检测结果如图显示。

此外，作为对比，同时做了基于平均全脸模板检测实验，结果如图所示。

图基于半边脸模板人脸检测实验结果图基于平均全脸模板人脸检测实验结果在人脸检测实验中，准确人脸检测比率是非常总要估算准则，描述如下张正面人脸图像，张左侧偏离人脸图像，张左侧偏离人脸图像。

表格中是被准确检测人脸数目和检测比率。

表格中结果可以总结如下正面图像人脸检测准确率很高，因为平均全脸模板是根据系列正面人脸图像而构建，平均半边脸模板是根据平均全脸模板原理而都建，这两者都表现了人脸特征。

当利用平均全脸模板在图像中检测人脸倾斜，比如左倾斜或者，检测准确率就很快地下降了，因为当左脸倾斜