基于人脸识别的学生宿舍出入监测系统研发及应用示范项目的主要目的是智能化宿舍管理,了解高校学生回寝状况,缓解辅导员查寝压力。该系统利用摄像头抓拍进出学生图像,利用人脸检测获得人脸样本,并通过人脸识别获得人脸匹配结果,从而获得该学生的回寝状况,实现进出宿舍的智能化监测。在该系统中,人脸检测意在寻求满足需求的复杂场景下的人脸检测算法,从包含人脸的图像中提取人脸区域,并以此作为识别过程的输入样本。本文针对复杂场景下,传统级联结构的人脸检测方法存在特征表述不完备,鲁棒性差,以及分类性能弱等问题,重点研究基于关键点的鲁棒特征与级联结构结合的人脸检测算法中候选框选取和人脸检测特征提取过程,主要完成工作如下:(1)考虑到视角不统一将造成特征提取过程的全局分布差异,利用相似变换保证特征提取点同分布,减少视角变化影响。之后比较光照补偿对图像质量的影响,选择伽马校正进行光照归一化。(2)对于候选框提取,考虑到人脸肤色特征的特异性,对BING(Binarized Normed Gradients,BING)方法改进,获得结合肤色策略的二值化梯度幅值(skin-color-combined BING,SCBING)方法。基于先定位后优化的思想,首先利用YCbCr空间初略获取肤色区域,并在CbCr空间获得肤色差,在原始图像的Y分量上获得梯度幅值。其次,利用等比融合获得加权特征并基于BING框架获得训练模板以及各尺度学习系数和偏移量。然后,在高得分的候选框中利用多空间肤色分割优化窗口边界,以提高候选框平均最佳重叠率,获得最终输出候选框。针对人脸特定对象,结合肤色策略的二值化梯度幅值算法较BING算法,拥有更高的查全率和平均最佳重叠率。(3)对于人脸检测特征提取过程,考虑到人脸五官各部件的独特性,基于关键点的特征提取方式,构建了形状索引邻值加权二值模式特征(Shape index adjacent weighted center symmetric local binary pattern,SI-AWCS-LBP)。首先,利用关键点作为特征提取基准点,引入相对固定的形状索引特征表述。其次,考虑到中心对称局部二值模式忽略了邻近像素的贡献度,引入邻值加权局部二值编码方式。然后针对单一尺度的局限性,利用原始尺度、1/2尺度、以及1/4尺度下两尺度的组合,以尺度融合形式构成直方图统计特征向量,提高对人脸局部纹理的描述。(4)本文借鉴联合级联结构模型,在树结构中实现输入样本二分类以及基于关键点的特征优化过程:利用多棵分类回归树构造强分类器,并通过多阶段的强分类器级联获得最终分类检测器,实现人脸检测。实验结果表明与经典Adaboost级联结构算法相比,基于关键点和级联结构的人脸检测方法具备更高的召回率和更低误检率。