2023年8月2日发(作者：)

第２５卷第４期　西南科技大学学报　Ｖ０１．２５　Ｎｏ．４　２０１０年１２月　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｔｈｗｅｓｔ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｄｅｃ．２０１０　综合肤色模型和多模板匹配增强Ａｄａｂｏｏｓｔ人耳检测　刘德凯刘恒　（西南科技大学信息工程学院四川绵阳６２１０１０）　摘要：为克服传统的Ａｄａｂｏｏｓｔ算法出现的样本训练时间过长、过于依赖样本质量等问题，在训练不足及初始人耳定　位不好的情况下，引入ＹＣｂＣｒ肤色模型和多模板匹配技术策略对人耳进行精确定位。实验表明，改进后的人耳检　测性能得到较大的提高，对动、静态人耳均能达到准确定位和检测的效果，算法的鲁棒性较好。　关键词：Ａｄａｂｏｏｓｔ算法肤色多模板匹配　中图分类号：ＴＰ３９１　文献标志码：Ａ　文章编号：１６７１—８７５５（２０１０）０４—００９１一ｏ５　Ｃｏｍｂｉｎｉｎｇ　Ｓｋｉｎ　Ｃｏｌｏｒ　Ｍｏｄｅｌ　ａｎｄ　Ｍｌｌｌｔｉ－ｔｅｍｐｌａｔｅ　Ｍａｔｃｈｉｎｇ　ｆｏｒ　Ｅｎｈａｎｃｉｎｇ　Ａｄａｂｏｏｓｔ　Ｅａｒ　Ｄｅｔｅｃｔｉｏｎ　ＬＩＵ　Ｄｅ—ｋａｉ．ＬＩＵ　Ｈｅｎｇ　（Ｓｃｈｏｏｌ　ｏｆＩｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈｗｅｓｔ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＳｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，　Ｍｉａｎｙａｎｇ　６２１０１０，Ｓｉｃｈｕａｎ，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｍａｎｙ　ｐｒｏｂｌｅｍｓ　ｃａｕｓｅｄ　ｂｙ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ａｌｇｏｒｉｔｈｍ　ｏｆ　Ａｄａｂｏｏｓｔ，ｓｕｃｈ　ａｓ　ｈｔｅ　ｌｏｎｇ　ｔｒａｉｎｉｎｇ　ｔｉｍｅ，ａｎｄ　ｅｘｃｅｓｓｉｖｅ　ｄｅｐｅｎｄｅｎｃｅ　ｏｎ　ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｓａｍｐｌｅｓ，ｗｅ　ｉｎｔｒｏｄｕｃｅｄ　ｔｈｅ　ｍｏｄｅｌ　ｏｆ　ＹＣｂＣｒ　ａｎｄ　ｔｈｅ　ｓｔｒａｔｅｇｉｅｓ　ｏｆ　ｍｕｌｔｉ－－ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ　ｔｏ　ｐｅｒｆｏｒｍ　ｅａｒ　ｌｏｃａｔｉｏｎ　ａｃｃｕｒａｔｅｌｙ　ｕｎｄｅｒ　ｔｈｅ　ｃｏｎｄｉ・－　ｔｉｏｎｓ　ｏｆ　ｉｎｓｕｆｉｆｃｉｅｎｔ　ｔｒａｉｎｉｎｇ　ｗｉｔｈ　Ａｄａｂｏｏｓｔ　ａｎｄ　ｔｈｅ　ｂａｄ　ｐｏｓｉｔｉｏｎｉｎｇ　ｏｆ　ｒａｗ　ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔｓ　ｏｆ　ｐｒａｃｔｉｃａｌ　ｄｅｔｅｃｔｉｏｎ　ｓｈｏｗ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｓ　ｋｅｐｔ　ｗｅｌｌ　ａｎｄ　ｓｕｆｆｉｃｉｅｎｔｌｙ　ｗｈｅｔｈｅｒ　ｕｎ—　ｄｅｒ　ｔｈｅ　ｓｔａｔｉｃ　ｏｒ　ｔｈｅ　ｄｙｎａｍｉｃ　ｅｎｖｉｒｏｎｍｅｎｔｓ　ｆｏｒ　ｅａｒ　ｄｅｔｅｃｔｉｏｎ．Ａｎｄ　ｔｈｅ　ｒｏｂｕｓｔｎｅｓｓ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｂｅｔｔｅｒ．　Ｋｅｙ　ｗｏｒｄｓ：Ａｄａｂｏｏｓｔ　ａｌｇｏｒｉｔｈｍ；Ｓｋｉｎ　ｃｏｌｏｒ；Ｍｕｌｔｉ—ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ　人耳识别技术是２Ｏ世纪９Ｏ年代末开始兴起的一种新颖的生物特征识别技术。研究表明，人耳具有唯　一性、普遍性和稳定性　－２Ｊ，可用来进行人体生物特征识别。与其他生物特征相比，人耳识别具有一些优势：　与人脸识别相比，人耳数据量小，不受表情变化的影响，其结构不随年龄的增长而改变；与虹膜、指纹识别相　比，人耳图像的获取不需要专门传感器或高分辨率相机，采用非接触数据采集方式，简单易行。此外，人耳识　别也是以非干涉式方式工作。因此，人耳识别具有较好的理论研究价值和实际应用前景。　人耳检测（ｅａｒ　ｄｅｔｅｃｔｉｏｎ）作为人耳识别的首要环节，其好坏直接影响着人耳识别的效果。同时，由于人　耳是一个复杂的３Ｄ形体器官，对人耳检测技术的研究具有较普遍的理论共性，其研究成果同样可以应用于　其他生物特征的检测和识别。　当前，国内外已经出现利用传统的Ａｄａｂｏｏｓｔ算法进行人耳检测的工作　】。但这种传统做法过于依赖　训练样本的数量和质量。若训练样本较多，则其训练的速度将非常缓慢；若训练样本过少则又会大大降低最　后依据其进行检测的性能。本文为弥补传统Ａｄａｂｏｏｓｔ算法应用人耳检测时遇到的不足，在分类训练时，先　对样本进行预处理以提高样本质量；再在初步检测人耳后，引进肤色模型和多模板匹配策略，以避免因样本　收稿日期：２０１０—０６—２２　基金项目：２００９四川省教育厅重点项目（０８ｚｄｌ１０９）资助。　作者简介：刘德凯（１９８４一），男，硕士研究生，控制理论与控制工程专业。Ｅ—ｍａｉｌ：ｌｉｕｄｅｋｍ一１２４＠ｓ０ｈｕ．ｃｏｍ。　９２　西南科技大学学报　第２５卷　数目少而造成的肤色误检并消除人耳检测过程中出现的多框及框选不全的现象，从而实现人耳的精确检测。　本文提出的综合肤色模型和多模板匹配技术增强Ａｄａｂｏｏｓｔ人耳检测方法框图如图１所示。　夏鲴　夏圈　系统的基本流程为：首先选取一定数量的人耳正负样本（本　文选择的样本数量较少，以节省训练所需时间），利用Ｈａａｒ—Ｌｉｋｅ　特征进行特征的提取，然后利用Ａｄａｂｏｏｓｔ算法进行分类器的选择　并将大量弱分类器级联成强分类器，在分类器检测输出位置（此　处的分类器性能较差），加入本文所用的肤色模型（选择肤色区　域，排除非肤色区域的干扰）及多模板技术（进一步定位人耳位　ｎ　焉　由矩形特征形成弱分类器　挑选最优弱分类器　利用Ａｄａｂｏｏｓｔ算法训练强分类　级联分类器　二＝二＝Ｅ＝二　视频或图片读入　置）。在检测过程中，若未能应用到以上所加肤色模型及多模板　技术，则在检测输出中输出蓝色框选择的目标，若以上方法都应　ｌ拯　堇鱼挺由至　用到人耳检测过程中，则输出绿色框选择的目标（之所以选择不　［　蓟蒌亘＝　同颜色的输出框，是为了验证所加方法是否有效）。　Ｎ　１．１矩形特征（Ｈａａｒ—Ｌｉｋｅ特征）　匹配　矩形特征即Ｈａａｒ—ｌｉｋｅ特征。‘。　，因类似于ｈａａｒ小波而得名。　输出绿色框　由于人耳沟壑起伏，形体特征丰富，可运用Ｈａｒｒ—Ｌｉｋｅ特征（见图　２）来提取人耳局部灰度特性（如图３）。一个Ｈａａｒ—Ｌｉｋｅ特征在　ｕｍａｎ　ｅａｒ　ｄｅｔｅｃｉｔｏｎ　ｆｏｒ　Ｓｔｒｅ“ｇｔｈｅｎ　２４×２４像素图的子检测窗口中的矩形特征数量总计为１６１９３６　个，由于训练样本通常比较大，并且矩形特征的数量非常庞大，如果每次计算特征值都要统计矩形内所有像　素之和，将会大大降低训练和检测的速度。实际处理时，使用积分图像法　计算矩形特征值。　闩　嗣圃　。。飞　图２部分Ｈａａｒ－Ｌｉｋｅ特征　图３应用矩形特征提取人耳图像局部特性　Ｆｉｇ．２　Ｔｈｅ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｆｏｒ　Ｈａａｒ—Ｌｉｋｅ　Ｆｉｇ．３　Ｅｘｔｒａｅｔｉｉｎｇ　ｔｈｅ　ｌｏｃａｌ　ｃｈａｒａｃｔｅｒ　ｏｆ　ｅａｒ　ｉｍａｇｅ　ｕｓｉｎｇ　ｔｈｅ　ｒｅｃｔａｎｇｕｌａｒ　ｆｅａｔｕｒｅ　１．２　Ａｄａｂｏｏｓｔ算法训练分类器　ＡｄａＢｏｏｓｔ算法的核心是通过调整样本分布和弱分类器权值，自动地从弱分类器空间中筛选出若干关键　的弱分类器，并通过某种方式整合为一个强分类器。传统的Ａｄａｂｏｏｓｔ算法描述如下：　（１）设　表示样本空间，ｌ，表示类别标识集合，设样本集Ｓ＝｛（　１，Ｙ１），…，（　，Ｙ　）｝，　∈　，Ｙ　∈Ｙ＝　｛一１，＋１｝，ｉ＝１，…，ｍ。　（２）初始化每个样本的权值：对每一个（　，Ｙ　）∈Ｓ，Ｄ　（　，Ｙｉ）：１／ｍ。　（３）在迭代次数　以内，反复执行以下过程　１）训练样本的概率分布下，训练弱分类器。　２）获得基本分类规则ｈ　：Ｘ—Ｙ，记ｈ　的分类错误率为　占　＝，，　，Ｄ　（　ｉ，Ｙｉ）　（１）　３）选择　Ｅ　Ｒ，令　＝ｌｏｇ［（１一　）／占　］／２　（２）　４）更新样本的权重　Ｄｔ＋ｌ（　ｙ　）：　（３）　厶￡　此处ｚ　是标准化常量，使得　…（　；，　）＝。迭代结束，最终形成的级联分类器为　第４期　刘德凯，等：综合肤色模型和多模板匹配增强Ａｄａｂｏｏｓｔ入耳检测　９３　Ⅳ（　）＝ｓｉｇｎ（　ｈ　（　））　（４）　ｒ＝１　ＡｄａＢｏｏｓｔ算法训练过程就是挑选最优弱分类器，并赋予权重且级联成分类器的过程。关于Ａｄａｂｏｏｓｔ算　法训练的原理参见文献［８］。　１．３训练样本预处理　训练前需要采集得到人耳样本图片并搜集非人耳图片作为负样本。采集得到原始人耳图片大小为　１２８０　Ｘ　９６０。人耳负样本是指不包含人耳图像的图片。　训练集中部分人耳正样本图像和负样本图像如图４所示。　为了提高训练样本的质量，以提高分类器训练的速度和分类器的性能，对人耳正样本图片进行了图像预　处理：灰度图像转换、灰度均衡化、中值滤波去噪等。如图５所示。　圈豳　原始冈像灰度化　均衡化中伉滤波　图４正负人耳样本图像　图５人耳样本图像预处理　Ｆｉｇ－４　Ｔｈｅ　ｈｕｍａｎ　ｅａｒ　ｓａｍｐｌｅ　ｉｍａｇｅ　ｆｏｒ　ｐｌｕｓ　ａｎｄ　ｍｉｎｕｓ　Ｆｉｇ．５　Ｔｈｅ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｈｕｍａｎ　ｅａｒ　ｓａｍｐｌｅ　ｉｍａｇｅ　２　综合肤色及多模板匹配的人耳检测　２．１　肤色模型　大量实验研究表明，人的肤色色度的变化范围与非肤色（如头发，周围物体）有着较为明显的区别。常　用可表达肤色的颜色空间有多种，如ＲＧＢ、ＹＣｂＣｒ、ＨＳＶ、ＹＵＶ等，本文选用了ＹＣｂＣｒ颜色空间【９　来检测肤　色。ＹＣｂＣｒ空间具有色度与亮度分离的特点，即将Ｙ（亮度）Ｃｂ（蓝色色度）和Ｃｒ（红色色度）分离。并且在　ＹＣｂＣｒ色彩空间中肤色的聚类特性比较好，受亮度变化的影响较小，能较好地限制肤色分布区域。ＲＧＢ与　ＹＣｂＣｒ之问相互转换的坐标对应关系如下：　Ｙ＝０．２９９Ｒ＋０．５８７Ｇ＋０．１１４Ｂ　Ｃｂ＝一０．１６８７Ｒ一０．３３１３Ｇ＋０．５Ｂ　Ｃｒ＝０．５Ｒ一０．４１８７Ｇ一０．０８１３Ｂ　（５）　对于人耳肤色而言　］，其亮度、色度分别在一个固定的范围之内，Ｙ∈（３０，２３８）蓝色色度范围和红色色　度范围分别为：Ｃｂ∈（９４，１２０），Ｃｒ∈（１３８，１６４）。　本文就是根据肤色与非肤色的色度差异性将肤色模型引入到人耳检测上来。对输入的图像像素点首先　进行颜色空间转换，得到Ｙ、Ｃｂ和ｃｒ值，然后根据值的范围进行肤色判断。属于肤色范围的像素点，则视　为肤色区域，反之则为非肤色区域。提取效果如图６所示。　（ａ）肤色提取前ｔ＇Ｊ｛ＪＩｑ片　－（ｈ）肤色提取后的效果　图６肤色提取效果　Ｆｉｇ．６　Ｔｈｅ　ｅｆｆｅｃｔ　ｏｆ　Ｃｏｌｏｒ　ｅｘｔｒａｃｔｉｏｎ　２．２　多模板匹配技术应用与人耳检测　模版匹配ｎ　“　的目的就是从一幅图像（待匹配图像）中找到已知的物体（模板图像）。人耳检测就是要　从侧面人脸图像中找到人耳的具体位置。　一般而言，可以将模板匹配技术分为两类：（Ｉ）基于灰度值的方法；（２）基于特征提取的方法。基于灰度　值的模板匹配方法具有计算简单易行，其数学统计模型以及收敛速度、定位精度、误差估计等均有定量的分　析和研究结果等优点。本文在利用模板匹配方法上正是采取此种方法，鉴于归一化互相关算法（ＮＣＣ）的鲁　西南科技大学学报　第２５卷　棒性相对较高的优点，对于人耳的多模板匹配正是采用这种ＮＣＣ算法。　设待匹配图像为Ｓ，模板为　，则归一化自相关系数定义为　＝＝　兰兰兰　Ｊ＿＝二＝＝＝＝＝＝＝二＝＝＝＝＝＝＝二＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ｒ－＝＝＝＝ｕ一１Ｖ一１　Ｉｖ－１　一１　乏　Ｍ（　，　）一ｃ（ｍ）］［ｓ（戈＋ｕ，ｙ＋　）一ｃ（　）］　　（６）　磊［　（Ⅱ，　）一ｃ（　）］　√　［ｓ（　＋Ⅱ，，，＋　一ｃ（　）］　式中，ｃ（　）为模板图像的均值，ｃ（　）为在以（　，Ｙ）为起点大小为Ｕ×Ｖ区域的均值，模板尺寸为Ｕ　Ｘ　Ｖｏ归　化互相关算法就是利用模板图像和待匹配图像对应区域的灰度互相关性的大小来检测匹配与否或寻找目　一标区域。相关系数越大代表越接近所寻找的目标，反之则非目标区域。为了克服人耳检测过程中单一模板　对图像尺寸敏感的缺点，本文引入了多个尺寸（相邻尺寸比为０．６１８）人耳模板（模板内容来自于人耳训练样　本平均）进行人耳检测（见图７），以克服直接Ａｄａｂｏｏｓｔ人耳定位时的多框现象和框选不足情况造成的困难，　实现人耳的精准定位。每一个尺寸的耳朵模板都用至少３Ｏ个不同的人耳表示进行求取，可形式化如下：　）＝　Ｓ　√）　（７）　其中，　为用来构建模板的样本个数，ｓ　为第ｋ个耳朵图像。　３实验结果分析　由于样本的多少直接影响着分类器训练的时间。为了减少样本　训练所需时间，本文在原有大量样本的情况下随机选取具有一定代　表特征（不同姿态、不同光照）的训练样本进行分类器的训练。采用　ＧＡＢ类型Ａｄａｂｏｏｓｔ算法在ＡＭＤ一６４Ｐｒｏｃｅｓｓｒ，２．０ＧＨｚ，ｉ．２Ｇ内存的　Ｆｉｇ．７　Ｔｈｅ　ｅｘａｍｐｌ图７多模板匹配示例　ｅｓ　ｆｏｒ　Ｍｕｌｔｉ－ｔｅｍｐｌａｔｅ　ＭａｔｅＭｎｇ　ＰＣ机上进行训练。训练预设图片尺寸为２４×２４。不同样本数量下的数据对比如表Ｉ和表２所示。　表１　大量样本下Ａｄａｂｏｏｓｔ算法训练数据　Ｔａｂｌｅｌ　Ｄａｔａ　ｆｏｒ　ｌａｒｇｅ　ｎｕｍｂｅｒ　ｏｆ　ｓａｍｐｌｅｓ　ｕｎｄｅｒ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｆ　Ａｄａｂｏｏｓｔ　表２　随机减少样本下Ａｄａｂｏｏｓｔ算法训练数据　Ｔａｂｌｅ２　Ｄａｔａ　ｆｏｒ　ｒｅｄｕｃｅｄ　ｓａｍｐｌｅ　ｕｎｄｅｒ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｆ　Ａｄａｂｏｏｓｔ　３．１动态人耳的检测　本文直接应用传统Ａｄａｂｏｏｓｔ算法的训练结果进行动态视频人耳的检测，由图８可知效果不理想，容易出　现非人耳的误检（ａ）、多框（ｂ）或者人耳框选不全（ｃ）的情况。　针对上述出现的问题，应用本文提出的综合肤色模型和多模板匹配技术用于增强Ａｄａｂｏｏｓｔ人耳检测。　改进后的检测方法提高了人耳检测的训练时间和检测效果。消除了非肤色的干扰以及多框的产生，输出的　绿框表明模板应用比较理想。检测的时间性能良好，在人耳运动不是特别快的情况下能够满足实时有效的　检测，检测效果如图９所示。　３．２静态人耳图像的检测　本文同时进行了静态图片的人耳检测。从所采集的最初侧面人脸中随机抽取５Ｏ张图片进行检测，检测　到４６张，未被检测到４张，检测正确率达到９６％，部分检测到的人耳图片如图ｌ０所示。本文也从网上搜集　部分人脸侧面图片进行人耳的检测，检测效果如图１１所示。　第４期　刘德凯，等：综合肤色模型和多模板匹配增强Ａｄａｂｏｏｓｔ人耳检测　］］］］９５　］　▲●●　■霸　图１０人耳检测效果　图ｌ１人耳检测效果　Ｆｉｇ．１０　Ｔｈｅ　ｅｆｆｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ｔｏ　ｈｕｍａｎ　ｅａｒ　Ｆｉｇ．１　１　Ｔｈｅ　ｅｆｆｅｃｔ　ｄｅｔｅｃｔｉｏｎ　ｔｏ　ｈｕｍａｎ　ｅａｌ＂　一般而言，对于可见人耳内容的多姿态或者亮度变化较小情况下的侧面人脸图片或视频，应用本文提出　的方法都能达到较精确定位人耳的效果。而对于个别情况（姿态变化过大以致人耳内容不可见、图片过亮）　下的检测效果仍需进一步提高。　４　结束语　本文针对传统Ａｄａｂｏｏｓｔ算法应用于人耳检测过程中出现的肤色误检以及多框和框选不全等人耳检测　不准确的问题，提出了综合肤色模型和多模板匹配策略的改进方法。在分类器训练阶段，可减少人耳样本总　数但需增加多姿态人耳样本的比例，并且需对人耳正样本进行灰度均衡、中值滤波等预处理工作。实验结果　表明，训练样本的减少可以显著缩短分类器训练的时间，而肤色模型及多模板匹配技术的引进消除了传统　Ａｄａｂｏｏｓｔ算法在样本过少及训练不足时易出现的人耳检测错误。　在进行动态人耳检测过程时，本文提出方法的检测速度有较小幅度的降低，主要原因在于多模板匹配较　为耗时。因此，如何在动态环境下进～步提高检测速度和精度将是未来工作的研究重点。　参考文献　［１］　Ｉａｒｍａｒｅｌｌｉ　Ａ．Ｅａｒ　Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ．Ｆｏｒｅｎｓｉｃ　Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ　Ｓｅｒｉｅｓ［Ｍ］．Ｐａｒａｍｏｕｎｔ　Ｐｕｂｌｉｓｈｉｎｇ　Ｃｏｍｐａｎｙ，Ｆｒｅｍｏｎｔ，Ｃａｌｆｉｏｒｎｉａ，　１９８９．　刘恒，张大鹏．３Ｄ及多视人耳识别关键技术研究［Ｄ］．上海交通大学工学博士学位论文，２００８．　崔潇潇，姚安邦．基于级联Ａｄａｂｏｏｓｔ的目标检测融合算法［Ｊ］．自动化学报，２００９，３５（４）：４１７—４２４．　张惟，穆志纯，袁立．基于改进ＡｄａＢｏｏｓｔ算法的人耳检测与跟踪［Ｊ］．中国图像图形学报，２００７，（２）：２２２—２２７．　Ｌｉｅｎｈａｒｔ　Ｒ，Ｍａｙｄｔ　Ｊ．Ａｎ　Ｅｘｔｅｎｄｅｄ　Ｓｅｔ　ｏｆ　Ｈａａｒ—Ｌｉｋｅ　Ｆｅａｔｕｒｅｓ　ｆｏｒ　Ｒａｐｉｄ　Ｏｂｊｅｃｔ　Ｄｅｔｅｃｔｉｏｎ［Ｃ］．ＩＣＩＰ０２，２００２，Ｉ：９００—９０３．　Ｍｅｓｓｏｍ　Ｃ　Ｈ，Ｂａｒｃｚａｋ　Ａ　Ｌ　Ｃ．Ｆａｓｔ　ａｎｄ　Ｅｆｉｆｃｉｅｎｔ　Ｒｏｔａｔｅｄ　Ｈａａｒ－ｌｉｋｅ　Ｆｅａｔｕｒｅｓ　Ｕｓｉｎｇ　Ｒｏｔａｔｅｄ　Ｉｎｔｅｇｒａｌ　Ｉｍａｇｅｓ［Ｃ］．Ａｕｓｔｒａｌｉａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ（ＡＣＲＡ２００６），２００６：１—６．　Ｓｃｈａｐｉｒｅ　Ｒ，Ｓｉｎｇｅｒ　Ｙ．Ｉｍｐｒｏｖｅｄ　Ｂｏｏｓｔｉｎｇ　Ａｌｇｏｒｉｔｈｍｓ　Ｕｓｉｎｇ　Ｃｏｎｆｉｄｅｎｃｅ—ｒａｔｅｄ　Ｐｒｅｄｉｃｔｉｏｎｓ［Ｊ］．Ｍａｃｈ．Ｌｅａｒｎ．，１９９９，３７（３）：　２９７—３３６．　韩鸿哲，王志良，刘冀伟，等．基于自适应背景模型的实时人体检测［Ｊ］．北京科技大学学报，２００３，２５（４）：３８４—３８６．　王敏，穆志纯，徐正光，等．基于肤色模型的人耳检测系统［Ｊ］．微计算机信息：测控自动化，２００５，２１（８—１）：５１—５３．　丁险峰，吴洪，马颂德．形状匹配综述［Ｊ］．自动化学报，２００１，２７（５）：６７８—６９４．　Ｒａｊ　ｐａｌ　Ｎａｖｙ．Ｃａｄｂｕｒｙ　Ｓｔａｎｔｏｎ，Ｂａｎｎｅｒｅｄ　Ｓｕｎｈａｔｓ，Ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　Ｐａｒｔｉａｌｌｙ　Ｏｃｃｌｕｄｅｄ　Ｏｂｊｅｃｔｓ　Ｓｉｇｎ　Ｅｕｒｙａｌｅ　Ｗｏｒｋ　Ｂａｓｅｄ　Ｉｎｄｅ—　ｘｉｎｇ［Ｊ］．Ｐａ￣ｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９９，３２：１７３７—１７４９．　；