在场景中自动寻找人脸是一个困难但重要的问题,本论文研究了人脸特征的验证与提取方法,用了四种方案来定位人脸。本文还对基于模式聚类的图象恢复和虚拟驾驶系统规则的Petri 网实现作了一些工作。定位人脸的第一种方案是提出一个改进的基于知识的层级式方法来定位复杂背景中的人脸。该方法包括自上而下的三个级别。在最高级提出多尺度下4×4或5×5 镶嵌二值图的人脸候选方法;在第二级,用基于规则的8×8 镶嵌图分析结果确定人脸候选区域;在最低一级,提出一个新的方法,通过提升滤波、投影分析和眼角检测来验证人脸的各个部件。第二种方案是提出改进的视网膜抽样SOFM 视觉滤波器的来探测人脸及其特征。首先,提出一个新的双眼探测方法,通过处理多分辨率下的5×3 镶嵌二值图,把对称块标记为双眼,并以它作为人脸位置的基本参照部件来确定人脸候选区域;其次,匹配人脸候选区来探测全脸,其方法是用基于生物激励的径向非线性抽样网格表示人脸,网格中的每个抽样节点的输入来自视场的同一部分,节点的输出送至一个SOFM 模块,通过增强SOFM 方法实现人脸最优集的选择。第三种方案是提出了一个新的滤波器来参与图象特征惯性平面的计算,先采用改进的方法来产生结构曲线,利用它求取近似的物体定位边界,再验证它是否人脸。在此方案中,处理分为三个阶段。首先,用高斯差分滤波器(DOG)和高斯偏移差分滤波器(DOOG)和新的滤波器组合来计算特征惯性表面。图象通过多个滤波器组合后,在滤波器响应轮廓内执行一个局部的非线性抑制,用门限化方法把较强响应附近的弱响应抑制掉,经过平滑和梯度合成后得到特征惯性平面。然后,用特征惯性平面作为输入来定位和提取结构曲线。定义8 个方向的参考线,对每一方向的参考线执行下列操作:对图象分配斜率与该参考线相同的平行处理线,线的密度由特征惯性平面决定,再根据平行线之间的距离联合和合并平行线;组合8 个方向的处理线的合并结果来形成封闭的结构曲线。最后,验证结构曲线所封闭的区域是否人脸。第四种方案是运用协同学的概念和人脸变形模板来定位人脸的方案。根据协