【正文】 消耗。不同膚色模型的建立基于不同的顏色空間 ,且為顏色空間的一個子空間。這種色 彩空間是以演播室質(zhì)量標準為目標的CCIR601 編碼方案中采用的彩色表示模型，被廣泛地應(yīng)用在電視的色彩顯示等領(lǐng)域中。最終，我們得到的膚色范圍是： Cb∈ [90， 125]， Cr∈ [135， 165]。 為了抵消這種整個圖像中存在著的色彩偏差 ,我們將整個圖像中所有像素的亮度 (是經(jīng)過了非線性 Y校正后的亮度 )從高到低進行排列，取前 5％ 的像素，如果這些像素的數(shù)目足夠多 (例如，大于 100)，我們就將它們的亮度作為“參考白” (Reference White)，也即將它們的色彩的 R、 G、 B 分量值都調(diào)整為最大的 255。 在 YCbCr 色彩空間中，膚色聚類事兩頭尖的紡錘形狀，也就是在 Y 值較大和較小的部分，膚色聚類區(qū)域也隨之縮減。 基于膚色相似度的人臉檢測與定位 6 人臉 膚色 相似度 的 計算 該文設(shè)計的是基于人臉膚色模型 , 利用相似度方法 , 對人臉區(qū)域進行了檢測和定位。通常，在已有的樣本訓練集基礎(chǔ)上確定某個判定規(guī)則，使得按此規(guī)則對被識別對象進行分類所造成的錯誤識別率最小或者結(jié)果期望最大。 然后根據(jù)所考察的像素離中心遠近得到膚色的相似度，得到與原圖相似的分布圖，均值 M 和方差 C 如下： M=E(x),C=E((xM)(xM)T)，其中 x=[r,b]T 相似度計算公式為： P(r,b)=exp[(xm)TC1(xm)] （ 22） 關(guān)于相似度軟件的實現(xiàn)純粹是公式的 實現(xiàn)，在這就不做說明了。 總體流程如下： 圖 31 人臉檢測與定位的總體流程 下面將介紹人臉標記和眼睛、鼻子、嘴巴定位的算法及其流程。 據(jù)前面對膚色模型的分析，無論什么樣的膚色模型都存在判斷失誤，所以算法輸出的一系列矩形應(yīng)該盡量包含所有的人臉區(qū)域。之間，因此旋轉(zhuǎn)角度小于 45176。 在包含人臉的圖像中，臉部比較明顯而易辨別的特征主要是面部器官：眼睛、嘴、鼻子和眉毛。因此圖像分割可以利用的特征是 ： 灰度比周圍區(qū)域暗的區(qū)域。對于利用人臉各器官之間幾何關(guān)系的人臉定位方法來說，分割算法是十分重要的?；谶吔绶椒ㄊ翘崛∵吘?，利用邊緣進行分割，該方法處理的像素數(shù)量比較少，各像素點間的相鄰關(guān)系比較簡單，處理速度比較快，但是，基于邊界的方法是從局部特性來求圖像整體的分割，因此在全局宏觀性質(zhì)上不如基于區(qū)域的方法。接下來就要對人臉區(qū)域進行檢測，標記 人臉的過程實際上是對得到的二值化圖像進行人臉邊界估計的過程。從而，可以確定人臉區(qū)域為 rect(left, top, right, bottom ) 。標記人臉區(qū)域以后， 就可以進行邊緣提取，接著標記眼睛，由人臉各特征的位置關(guān)系，就可以從上到下區(qū)分出眼睛、鼻子、嘴等特征。所以還要進一步修正上面的結(jié)果。尋找最佳分割閾值使人眼從復雜圖像背景和人臉中分離出來是人眼定位的第一步。 經(jīng)對多幅在復雜背景及不同光照條件下人臉圖像的直方圖分析與統(tǒng)計發(fā)現(xiàn)，只要臉部光照適中，雙眼部位較清晰，絕大多數(shù)情況下最佳分割閾值位于歸一化灰 度值 與 之間。人眼位置的判定是根據(jù)眼睛在二值化人臉圖像中的幾何位置確定的，主要有以下幾條準則： 1) 雙眼中心距應(yīng)在某個范圍內(nèi)：考慮到人臉在圖像中大小的變化，雙眼中心距變化大約在 一定 像素距離范圍內(nèi)； 2) 雙眼下方一定距 離內(nèi)不能有其它黑塊：雙眼下方一定距離內(nèi)沒有其它器官，因此在二值化圖像中不能有其它黑塊，這一特點也是區(qū)分眉毛與眼睛的重要判據(jù)； 3) 雙眼中心位置上下相差不超過一定距離：由于人臉在圖像中可能向兩側(cè)傾斜，雙眼中心位置常常不在水平線上。隨著閾值的不斷增加，可以看到二值化人臉圖像中新黑塊在不斷地出現(xiàn)，已有的黑塊面積在擴展并不斷地與別的黑塊相重合。邊緣廣泛存在于物體與背景之間、物體與物體之間、圖像基元與基元之間。通過對處理后的圖像進行研究對比發(fā)現(xiàn)：拉普拉斯高斯算子既具備了高斯算子的優(yōu)點又具備了拉普拉斯算子的優(yōu)點 在邊緣檢測中不但對灰度漸變和噪聲較多的圖像處理最好，而且是各向同性的，得到的處理后的圖像具有連貫性和高清晰度。這里雖然有眉毛的影響，但是由于眉毛正好位于眼睛的上方，因此不影響水平區(qū)域的確定，如圖示： 圖 39 眼睛的定位 然后在 I 和 II 的上方區(qū)域的豎直方向投影，得到的第一個峰值附近的區(qū)域 A、 B。這樣就把眼睛區(qū)域劃分為很多的小區(qū)域，在把 這些區(qū)域中寬度小于人臉寬度的 1/20 刪除掉，然后在合并相鄰的閉合區(qū)域（小于人臉寬度的 1/40），這樣就可確定人眼的水平區(qū)域。以兩眼的瞳距為 1 來計算，鼻子到兩眼中心的距離為 到 1，在附近尋找顏色較深的區(qū)域，基本得到鼻孔的位置。 其結(jié)果如圖 314 示： 確定眼睛區(qū)域 可能的鼻子區(qū)域 找出鼻尖 確定鼻孔的位置 標記鼻孔 安徽工程科技學院畢業(yè)設(shè)計（論文） 19 圖 314 嘴巴標記 設(shè)計結(jié)果及分析 設(shè)計程序的主界面如 下： 圖 315 系統(tǒng)主界面 單擊打開圖像打開一幅人臉圖像，然后用上述界面進行 相似度計算，圖像二值化、垂直直方圖、水平直方圖、標記人臉區(qū)域，接著可以依次標記眼睛的位置和鼻子的位置的特征標注。之間 ) , 并具有各種背景，上面的算法能成功地檢測定位多張人臉圖 , 本設(shè)計結(jié)果的正確檢測率達到 90%以上。 安徽工程科技學院畢業(yè)設(shè)計（論文） 21 結(jié)論與 展望 通過基于膚色的人臉檢測、定位等操作，可以較好地定位人臉的識別區(qū)域?？偨Y(jié)下來，主要優(yōu)點如下： 1) 界面人性化，容易操作； 2) 對用戶的添加、錄入、刪除十分方便； 3) 在光照適當、人臉位姿恰當時，識別率可以達到 100%； 4) 模塊化編程，可擴充性好，以后可以添加進一 步的功能。目前的去光照處理的效果并不令人滿意，白平衡處理則只能對總體進行小幅度的修正，不能解決光照造成的左右不平衡的問題。如何使得計算機也能對側(cè)面臉進行檢測識別也是目前研究的一個熱點。不禁生起一絲悲涼之意。謝謝你們！ 致謝人： 20xx 年 6 月 17 日 安徽工程科技學院畢業(yè)設(shè)計（論文） 23 參考文獻 [1] 王天學，刑桂芬，江波 .基于區(qū)域分割的復雜背景中的人臉檢測與定位 [J] .計算機工程與設(shè)計 ， 20xx, 11(25)： 13 [2] 王學武 , 石躍祥 .基 于眼睛特征的人臉檢測方法 [J] .計算機應(yīng)用研究 ， 20xx 年 ,1(1)：13 [3] 王春紅，楊伯原，張洛平，張波 .B超圖像邊緣檢測算法分析及 C++實現(xiàn) [J] .河南科技大學學報（自然科學版）， 20xx, 2(27)： 13 [4] 王鄭耀 .數(shù)字圖像的邊緣檢測，西安交通大學本科畢業(yè)論文 [D]， 20xx年 6月 [5] 朱文佳，戚飛虎 .快速人臉檢測與特征定位 [J] .中國圖像圖形學報 ， 20xx, 11(10)：14 [6] 吳為 .人臉識別的軟件系統(tǒng)開發(fā)，復旦大學工學學士學位論文 [D]， 20xx年 6月 [7] 張宏林 .Visual C++數(shù)字圖像模式識別技術(shù)及工程實踐 [C] .北京： 人民郵電出版社，20xx [8] 張永梅 , 韓焱 , 商細云 .一種人臉的檢測與定位方法 [J] .中北大學學報（自然科學版）， 20xx, 3(27)： 15 [9] 張敏，陶亮 .人臉圖像中人眼的檢測與定位 [J].光電工程 ， 20xx, 8(33)： 16 [10] 郭瑞，張淑玲，汪小芬 .人臉識別特征提取方法和相似度匹配方法研究 [J] .計算機工程 ， 20xx, 11(32)： 12 [11] 黃翠榮 ,嚴佩敏 ,時鹿鳴 . 基于方差相似度計算的人臉識別技術(shù) [J] .上海大學學報 (自然科學版 )， 20xx， 12(4)： 14 [12] 梁路宏，艾海舟，徐光佑，張鈸 .人臉檢測研究綜述 [J] .電子學報 ， 20xx， 29（ 6）：744747 [13] 謝建新 .數(shù)字視頻采集與目標跟蹤 ， 華僑大學本科畢業(yè)論文 [D]， 20xx年 6月 [14] 蔡照 .利用 delphi6實現(xiàn)拉普拉斯高斯邊緣檢測算法 [J] .圖形圖像處理與游戲編程 ， 20xx, 7(11)： 12 [15] 裘偉 .一種基于相似度及復雜度人眼定位算法 [J] .蘇州大學學報（工科版） ， 20xx, 6(26)： 14 [16] , , Face detection and facial feature localization without considering the appearance of image context[J]. Image and Vision Computing 25(20xx) 741–753 基于膚色相似度的人臉檢測與定位 24 附錄 A 引用的外文文獻及翻譯 Face detection and facial feature localization without considering the appearance of image context 2. Our methodology In this Section, we introduce our method to process the frontalview face images for the extraction of head boundary, face boundary, and facial features including eyes with eyebrows, nostrils ,and mouth .Head boundary is the outer profile of head including , shoulders Face boundary is the face contour that excludes hair, shoulders, and neck. We use rectangular boxes to locate facial features. . Smoothing and thresholding The scheme diagram of the doublethreshold method is shown in Fig. 1. The first step is to reduce noise by using a 3 ? 3 median filter. After that, an edge operator is applied. We tested the edge detection technique by Wechsler and Kidode [13] and the result is shown in Fig. 2. The edge output appears too thin and the topface boundary is too weak to be detected in the later shareholding procedure. In order to obtain fat boundary, JianmingHu et al. [14] proposed four masks (horizontal (size 3 ? 7), vertical (7 ? 3), 45_ (9 ? 3), and 135_ (9 ? 3)) to detect image edges and select the maximum as the edge strength. Instead of using large sizes, we develop smaller sizes of masks as shown in Fig. 3 for edge results show that our method is as good as their method. Thresholding i