基于肤色的人脸检测算法研究毕业论文.docx

基于肤色的人脸检测算法研究毕业论文目录摘要错误!未定义书签。第一章人脸检测综述41.1 人脸检测的研究背景及意义41.2 人脸检测技术的国内外研究现状51.3 人脸检测算法的总体框架61.4 人脸检测的一般方法71.4.1 基于灰度特征的人脸检测71.4.2 基于肤色特征的人脸检测91.5 论文的结构安排9第二章 算法理论与实现原理102.1 颜色空间102.1.1 RGB颜色空间102.1.2 YCbCr 颜色空间112.1.3 HSV颜色空间122.2 常见的肤色模型142.2.1 区域模型14222高斯分布模型152.2.3 直方图模型162.3 区域分割理论162.3.1 区域分割162.3.2 定位人脸区域17第三章 基于统计的肤色建模183.1 基于RGB空间的肤色模型表示方法183.2 基于YCbCr空间的肤色模型标示方法183.3 基于HSV空间的肤色模型标示方法20第四章 人脸检测的实验仿真及结果214.1 MATLAB 简介214.2 人脸检测实验仿真及结果224.2.1 RGB颜色空间下的图像及仿真实验结果224.2.2 YCbCr颜色空间下的图像及仿真实验结果224.2.3 HSV颜色空间下的图像及仿真实验结果234.3 小名吉24第五章结论及展望245.12吉论245.2展望25参考文献27一致谢错误!未定义书签。第一章人脸检测综述1.1 人脸检测的研究背景及意义人脸检测是指使用计算机在输入图像中确定所有人脸（如果存在）的位置与大小的过程。人脸检测系统的输入是可能包含人脸的图像，输出是关于图像中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述（1）。人脸检测问题的提出最初来源于人脸识别研究中对人脸定位的需求。人脸自动识别系统鉴于其友好性、方便性，已成为一种很有潜力的身份验证途径。一个完整的人脸自动识别系统至少应包含两个主要的技术环节：人脸的检测和人脸的特征提取与识别。要完成自动人脸识别，首要条件是找出人脸，即人脸检测是完成人脸自动识别任务的第一步，它是自动人脸识别技术的基础，对自动人脸识别系统的速度、精度都起重要作用。人脸识别的研究可以追溯到20世纪60年代，早期的人脸识别研究主要针对具有较强约束条件的人脸图像，往往假设人脸位置已知或很容易获得,致使人脸检测问题并未受到重视。但20世纪90年代初以来，随着电子商务等网络资源的利用，使得人脸识别成为最具有潜力的生物身份验证手段，在这种应用背景下，要求人脸自动识别系统对一般的环境图像有一定的适应能力，由此所面临的一系列问题使得人脸检测作为一个单独的课题受到研究者的重视（2）。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴。随着网路技术和桌上视频的广泛应用，图像扑捉设备正在成为个人计算机的标准外设，为视频会议等服务所急需的技术一一基于内容的压缩与检索成为一个研究热点。并且近年来随着数码相机的广泛使用和数码相册的出现，以人脸为对象的索引和检索也引起了人们的浓厚的兴趣（3）。人脸检测是进行人脸压缩的的前提条件，同时人脸也是基于内容检索的重要对象，因而人脸检测在这个领域中占有重要的地位。此外，人脸检测在友好人机界面、视频监测、数字视频处理等方面也有着重要的应用价值，所有这些使得人脸检测的研究备受关注。人脸检测技术之所以能在当今计算机视觉领域的研究中占有重要的地位并成为研究焦点，主要在于以下两个方面：一方面，将人脸作为基本对象来考虑，自动检测与定位人脸是实现人脸识别、人脸跟踪、表情识别、人脸合成与人脸编码、唇读等技术的必要前提；另一方面，人脸检测技术有着从智能安全监控、电子商务、视频会议和远程教育、基于内容检索等诸多领域的广泛应用价值。从学术的观点来看，人脸检测的研究受到重视是因为人脸检测是物体检测中的一个典型问题。人脸是一类具有相当复杂的细节变化的自然结构目标，对于这类目标的检测是一个极富挑战性的课题。人脸检测问题的难度在于：（1）人脸是一个非刚性模式，有各种姿态、表情的变化，不同人脸在细节如形状、大小、颜色上都有差异，即人脸本身是不规则的复杂模式，具有模式的可变性；（2）背景与光照的不确定性，如在复杂的背景中，不同的采集条件下的光源方向、明暗、色彩都会影响输入图像的质量：（3）人脸可能有的装饰物会增加检测的难度，如戴眼镜、口罩，化妆，脸上长有的胡须、黑斑等。因此，如果能找到解决这些问题的方法，成功构造出人脸检测系统，将为其他具有类此特征和模式的检测问题提供重要的启示。但从客观而言，以上一些难点致使完全不加条件限制的人脸检测无法具有健壮性，目前大多数人脸检测技术只针对正面端正人脸的检测，且有很多方法运算量特别大，时间复杂度高，虽然对于一定的应用来说，他们也是可以接受的，但为进一步提高实用价值，人脸检测系统需尽量弱化对待检图像的条件限制，并且最好能实时检测出人脸。人脸检测研究重点将越来越趋向于复杂背景下、多姿态人脸的检测。为向此目标靠近，我从人脸的显著特征之肤色入手，研究肤色特征的表达方式，即研究了各种不同色彩空间下的肤色模型，使之具有一定的实用价值且成为将来基于肤色人脸检测研究的一块基石。1.2 人脸检测技术的国内外研究现状人脸检测问题是计算机视觉领域中的重要问题，最初作为人脸自动识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的重视。人脸检测问题在近十年中得到了深入的研究并取得了长足的发展，国内外的很多学者提出了许多不同的方法，在不同的领域都取得了不同的成果，但是要寻找一种准确率很高的、能普遍适用于各种复杂情况的人脸检测算法，还有一定的距离。国外的主要研究单位有美国的麻省理工媒体实验室(MIT Media lab)、卡耐基梅隆大学的人机交互学院(Humancomputer interface institute )、微软研究院的视觉技术研究组 (VisionTechnology Group)、英国剑桥大学工程系(Department of Engineering)等，国内的微软亚洲研究院、中科院自动化研究所、清华大学、北京工业大学等都有专业人员从事人脸检测的相关研究。而且，MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。此外，随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的FG、ICIP、CVPR等重要的国际会议上每年都有大量的关于人脸检测的论文，占有关人脸研究论文的1/3之多。整体来看，人脸检测研究涉及计算机视觉、数字图像处理、人工智能等多个学科领域，同时这项研究还满足了现代计算机网络和通信系统高速发展的需求，无论从实用性还是从学术性来看，均具有很高的研究价值。随着计算机网络的普及，图像、视频等多媒体信息在计算机信息中比重的加大，这一研究必然会得到更快、更长远的发展。1.3 人脸检测算法的总体框架通常来说人脸检测一般按照“分割一检测”的模式，将基于肤色模型的区域分割与基于模板匹配的人脸检测综合起来。1、基于肤色模型的区域分割区域是一个彼此互相连通的具有一致意义属性的像素集合，是一种方便的图像中层符号描述，是目标模型化以及高层理解的基础。区域分割是图像分析和理解的一项基本内容，其过程可以概括为按照选定的一致性属性准则，将图像划分为互补交叠的区域集的过程。目前国内外很多专家学者对肤色分割做了大量的研究，基于肤色模型的分割方法大多采用RGB颜色空间、YCbCr颜色空间、HSV颜色空间等。在不同颜色空间中的肤色分割各有其优缺点：BGB颜色空间得到的结果将非肤色区域(尤其是偏红的部分)分割出来了，但是一般没有漏检；在HSV颜色空间结果非肤色区域分割的较准确，但是肤色区域分割效果不完全；YCbCr颜色空间的结果将亮度分量与色度分量分离，较好地去掉了肤色发红的部分。2、基于模板匹配的人脸检测在分割出的肤色区域中，使用平均双眼和平均人脸模板匹配加人工神经网验证的方法，在一定尺度范围内进行穷举搜索，精确定位出人脸，其中为了减少错误报警，使用了双神经网仲裁方法。算法以大量样本为统计数据，分别建立肤色模型、构造平均人脸模板和训练人工神经网。具体而言，首先建立了训练用的图像库，手工的方法裁剪出人脸的肤色区域，用于研究肤色的分布；其次用手工标定的方法切割出人脸的五官区域，转换为灰度图像后进行尺度和灰度分布标准化，其中一小部分用于构早平均人脸模板，其他作为训练人工神经网的人脸样本。通常采用改进的自举方法，用模板匹配加神经网的再训练。概括地说，我们的方法是基于样本的机器学习方法，具有较强的鲁棒性，而且通过适当地增加样本容量可以进一步提高检测性能，具有较好的可扩展性。人脸图像所包含的模式特征十分丰富，这些特征中哪些是最有用的、如何利用这些特征，是人脸检测要研究的一个关键问题。人脸模式具有复杂而细致的变化，因此需要采用多种模式相结合的方法。归纳起来，根据利用特征的色彩属性可以将人脸检测方法分为基于灰度特征的方法和基于肤色特征的方法两类，前者利用了人脸区别于其他物体的更为本质的特征，是人脸检测领域研究的重点，后者适用于构造快速的人脸检测和人脸跟踪算法，也是本文将要研究的内容。1.4 人脸检测的一般方法1.4.1 基于灰度特征的人脸检测1 .基于特征的人脸检测方法基于特征的人脸检测方法是通过检测出不同的人脸面部特征的位置，然后根据他们之间的空间几何关系来定位人脸。这种方法又可进一步分为基于知识和基于局部特征的检测策略。基于知识的方法首先定位候选人脸区域，然后再通过人脸的先验知识来检验人脸是否存在。与之相对应的基于局部特征的方法中，人脸的局部特征如眼睛、鼻子和嘴唇等首先被检测出来，然后由这些局部特征组合成人脸。基于知识的方法是利用对人脸的先验知识导出的规则来进行人脸检测的。人脸局部特征的分布存在着一定规律，例如，人的两个眼睛总是对称分布在人脸的上半部分，鼻子和嘴唇中心点的连线基本与两眼之间的连线垂直等，于是我们可以利用一组描述人脸的局部特征分布的规则来进行人脸检测。基于知识的方法中所用到的规则可以表述为人脸局部特征之间的相对距离和位置关系等，当满足这些规则的图像区域被找到后，则认为一副人脸已被检测出来，然后可以对候选的人脸区域进行进一步的验证，以确定候选区域中是否包含人脸。Yang和Huang4提出的分层次基于知识的方法检测人脸是采用这种方法的例子。基于局部特征的方法首先在整个图像中搜索一组人脸局部特征，然后通过它们之间的几何关系组合成候选的人脸区域。由于人脸局部特征的不变性，通过组合人脸的局部特征，可以把应用于检测不同位置、不同角度、不同位姿的人脸。Chin.chuanHan等提出的先获取眼睛再搜索人脸区域的人脸检测，是该方法的一个实例。2 .基于表象的人脸检测方法基于表象的人脸检测方法遵循一种统一的模式，即首先通过学习，在大量训练样本的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像是否包含人脸，若有，则给出人脸的位置。采用这种检测模式的理论依据是：人脸具有统一的结构模式（都是由眉毛、眼睛、鼻子和嘴唇等人脸器官构成），如果把所有的图像集看