【正文】 ((HGLOBAL) m_hDIB)。 LPBYTE lpData。 int num =0。 i++) for (int j=。 } =0。 int eye1count=0。 i++) for (int j=。 +=i。 *(lpData + lOffset++) = 255。 東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 附錄 27 *(lpData + lOffset++) = 255。 /=eye1count。 *(lpData + lOffset++) = 0。 *(lpData + lOffset++) = 0。 } 。 *(lpData + lOffset++) = 0。 *(lpData + lOffset++) = 0。 /=eye2count。 *(lpData + lOffset++) = 255。 +=i。 *(lpData + lOffset++) = 255。 j++) { lOffset = i*wBytesPerLine + j*3。 for (i=。 =0。 j++) { lOffset = i*wBytesPerLine + j*3。 for(int i=。 lpData = (unsigned char*)::FindDIBBits(lpDIB)。 height= (int) ::DIBHeight(lpDIB)。 int width,height。eye2) { LPBITMAPINFOHEADER lpbi。 *(lpData + lOffset++) = 0。 jwidth。 lpData = (unsigned char*)::FindDIBBits(lpDIB)。 東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 附錄 25 height= (int) ::DIBHeight(lpDIB)。 int width,height。 } } } void CFaceDetectionDoc::DeleteFasleEye(CRect facelocation) { LPBITMAPINFOHEADER lpbi。 *(lpData + lOffset++) = 255。 if( emymapc[i][j] amp。 iheight。 LPBYTE lpData。 東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 參考文獻(xiàn) 23 參考文獻(xiàn) [1] 段錦，人臉自動(dòng)機(jī)器識(shí)別，科學(xué)出版社， 20xx 年 1月 [2] 著，景麗 譯， 基于子空間的人臉識(shí)別檢測， 清華大學(xué)出版社， 20xx 年 5月 [3] 任哲等， MFC Windows 應(yīng)用程序設(shè)計(jì)，清華大學(xué)出版社， 20xx 年 1月 [4] 陳葉飛，實(shí)用人臉識(shí)別算法研究，上海交通大學(xué)碩士學(xué)位論文， 20xx 年 12 月 [5] 李瑤，齊維毅，張浩華，高朋，“一種微孔圖像質(zhì)心坐標(biāo)的計(jì)算的方法 ” ,沈陽師范大學(xué)學(xué)報(bào)， 16735862（ 20xx）03031603 [6] 黃朝興，人臉識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)，西南交通大學(xué)碩士學(xué)位論文， 20xx 年 1 月 [7] 易從琴，梁靜，“基于灰度特征和模板匹配的人眼定位 ” ，貴州大學(xué) 電子科學(xué)與信息技術(shù)學(xué)院， 20xx 年 1月 [8] 黃雄，楊會(huì)成，王宏偉，“基于膚色模型和灰度投影的人眼定位算法” ,重慶理工大學(xué)學(xué)報(bào)， 16748425（ z） . [9] 鄭慶，基于膚色的人臉檢測與人眼定位，電子科技大學(xué)碩士學(xué)位論文， 20xx 年 4月 [10] 金燕，陶亮，“基于人眼定位的人臉檢測與歸一化算法”，計(jì)算機(jī)技術(shù)與發(fā)展報(bào)， 20xx 年 4月 [11] Hsu R L， Jain A K. Face model for recognition [C]. Proc. IEEE ICIP, 20xx,2(10):693~696 [12] Lai S,Zheng J. An integrated approach to 3D face model reconstruction from video [R].RATFGRTS 20xx,7 東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 附錄 24 附錄 LPSTR lpDIB = (LPSTR) ::GlobalLock((HGLOBAL) m_hDIB)。 感謝我的父母，使他們一直在背后給我最無私的幫助和鼓勵(lì)。 在這里首先要感謝我的導(dǎo)師 方江雄博士 。 （ 4） 由于本軟件只能對靜態(tài)的照片進(jìn)行識(shí)別和檢測，所以對動(dòng)態(tài)的人 臉很難檢測，可以在軟件中加入檢測動(dòng)態(tài)的人臉的算法。 （ 3） 關(guān)于人眼睛的定位是本文的主要研究對象 ，主要是根據(jù)人眼睛區(qū)域的灰度值相較于其他位置的較小，這樣就可以提取出疑似人眼區(qū)域，通過對人面部幾何特征的分析得到人眼睛部分在人面部上半個(gè)部分，進(jìn)而可以縮小檢測的范圍，縮小了搜索范圍，實(shí)現(xiàn)了快速定位 ， 然后根據(jù)質(zhì)心法，檢測每一個(gè)像素點(diǎn)的坐標(biāo)，最后定位人眼睛區(qū)域。 流程圖 （圖 43） 如下所示： 獲 得 人 面 部獲 取 面 部 的 C r 、C b 、 R 、 G 、 B 的 值是 否 滿 足 色度 條 件算 得 灰 度 值 是 否滿 足 灰 度 條 件掃 描 人 臉 ， 該 像 素 點(diǎn) 是否 大 于 人 臉 高 度 一 般設(shè) 置 該 像 素 點(diǎn)為 白 色運(yùn) 用 質(zhì) 心 法 定 位 人眼 并 設(shè) 置 為 綠 色結(jié) 束設(shè) 置 該 像 素 點(diǎn) 為黑 色NYNNYY 圖 43 眼睛定位整體 流程東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 總結(jié)與展望 21 第五章 總結(jié)與展望 全文工作總結(jié) 本文解決了用 VC 平臺(tái) 來檢測并定位人眼睛位置等一系列技術(shù)問題，并實(shí)現(xiàn)了綜合測試系統(tǒng)，驗(yàn)證了多種人臉識(shí)別和眼睛定位的多種方法 。 步驟 2 將像素點(diǎn)的灰度值置為 1，像素點(diǎn)的橫坐標(biāo)和橫坐標(biāo)相加，縱坐標(biāo)與縱坐標(biāo)相加，得到相應(yīng)的橫、縱坐標(biāo)的和坐標(biāo)。本文的處理的圖像就是8 位 BMP 格式的圖像，對圖像的掃描采用從上到下，從左到右的方式，所以對于普通的一個(gè)像素點(diǎn)只需要掃描自己和已經(jīng)確定的像素點(diǎn)就可以確定自己的連通性了，當(dāng)然對于特殊的像素還是特殊的考慮。 是 二值化的連 通域標(biāo)記處理操作， 從白像素和黑像素組成一幅點(diǎn)陣圖像中， 把其中的 相鄰的具有“ 255” 像素集合提取出來， 然后在圖像中不同的連通域 填入不同的數(shù)字標(biāo)記， 用以區(qū)分， 同時(shí) 統(tǒng)計(jì)連通域的數(shù)目。 如下圖（圖 37）所示： 圖 37 三庭五眼效果圖 利用人眼的這種位置結(jié)構(gòu)特點(diǎn)，我們可以取人臉一半?yún)^(qū)域進(jìn)行處理，就可以減少大量的數(shù)據(jù)處理量，提高了運(yùn)算的速度，然后對于下半部分的非人眼部分，全部置以黑色的像素，這樣就縮小了檢測的范圍。首先對像素點(diǎn)矩陣 emymapc[i][j]和 emymapl[i][j]進(jìn)行清零處理，然后指出只有當(dāng)亮度和色度同時(shí)出現(xiàn)設(shè)置為白色的像素點(diǎn)在此時(shí)才可以設(shè)置為白色，否則設(shè)置為黑色，并且把 8位圖轉(zhuǎn)換成 24 位圖，這樣做的目的提高了眼睛識(shí)別的精度和準(zhǔn)確度。我們可以通過對眼睛亮度 的檢測，然后亮度可以轉(zhuǎn)換成灰度，對眼睛部分的灰度進(jìn)行處理和比較并確定眼睛所在的位置的范圍。 依據(jù)“人眼區(qū)域 Cb分量普遍比 Cr 分量值要高 ” 的結(jié)論，將人眼區(qū)域范圍進(jìn)一步縮小，先要獲取圖像的 RGB 顏色空間對應(yīng)的值，轉(zhuǎn)化成 YCbCr 顏色空間的值， 然后對區(qū)域每一個(gè)像素進(jìn)行掃描， 在一定區(qū)域內(nèi) Cb、 Cr 滿足相應(yīng)的條件就是人眼 可能存 在的 區(qū)域 ，根據(jù)標(biāo)志滿足不同條件像素設(shè)定黑色或者白色 ，并填充保存顏色 。這里面的 前面部分的字節(jié) 就是所謂的 BMP 數(shù)據(jù)偏移量。這種格式的特點(diǎn)是包含的 圖像信息 相對比較 豐富，幾乎不進(jìn)行 任何 壓縮 ，但是這個(gè)特點(diǎn)也給他帶來了與生俱來的缺點(diǎn) 。 一幅圖像包括目標(biāo)物體、背景以及噪聲，要想從多值的數(shù)字圖像中直接提取目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值 T，用 T 將圖像的數(shù)據(jù)分成兩部分；大于 T 的像素群和小于 T的像素群， 當(dāng)像素值小于設(shè)定的閾值時(shí)，置黑色，即 0；當(dāng)像素值大于設(shè)定的閾值時(shí)，置白色，即 1。又因?yàn)槿四樀纳戎辉谝粋€(gè)較小的區(qū)域里面變化，所以就要選擇一個(gè)能將顏色信息與亮度信息分開的色度空間來描述顏色，而 YCbCr 色度空間就滿足這個(gè)要求。若全為最小則顯示黑色，若相等則顯示圖片的灰度。 （ 2）對圖片作歸一化處理 后， PCA 的 識(shí)別 方法 性能較好，但是若由于遮擋等因素給東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 人眼檢測定位的基本算法和理論 11 圖片帶來的影響時(shí)，基于 ICA 的識(shí)別的方法性能會(huì)更好 （ 3） PCA 的識(shí)別速率相對于 ICA 的較快， ICA 運(yùn)用了更多維數(shù)的處理方法，使得速度較低。 然后 就是此種幾何算法的核心部分，根據(jù)人的眼睛的為近似圓形的方法，且圓形的半徑大小約為 9— 13 個(gè)像素點(diǎn)的規(guī)律，采用循環(huán)程序，以每個(gè)點(diǎn)為圓心，不同半徑的圓掃描 ，在圓上最多的邊緣點(diǎn)就是眼睛的中心位置，然后用 imshow 函數(shù)來用指定的灰度值顯 示圖像，并用 plot 函數(shù)標(biāo)注出所定位的區(qū)域，繼而實(shí)現(xiàn)了人眼的定位，流程圖 （圖 23） 如下： 真 彩 圖 像 轉(zhuǎn) 換成 灰 度 圖求 取 每 個(gè) 像 素點(diǎn) 的 梯 度調(diào) 節(jié) 灰 度 圖 像的 亮 度以 每 個(gè) 像 素 點(diǎn) 為 圓 心 ， 不 同 半徑 的 圓 掃 描 圖 片 ， 并 收 集 邊 緣點(diǎn) 的 個(gè) 數(shù)每 個(gè) 像 素 偶 點(diǎn)是 否 都 掃 描N得 到 邊 緣 點(diǎn) 個(gè) 數(shù) 最多 的 坐 標(biāo) （ i , j）Y描 繪 出 圖 像 并 用 藍(lán) 色星 型 圖 標(biāo) 標(biāo) 注 出 來使 用 閾 值 變 換 法 把灰 度 圖 像 二 值 化 圖 23 此種幾何特征算法的流程 東華理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 人眼檢測定位的基本算法和理論 10 下面為此種 幾何方法的人眼定位的效果圖 （圖 24） ： 原始圖片 定位后 原始照片 處理后 圖 24 幾何特征算法處理前后的效果圖 由上兩次的試驗(yàn)可以發(fā)現(xiàn)， 該 算法實(shí)現(xiàn)的人眼定位 有 時(shí)候并不能定位人眼的準(zhǔn)確位置 ，還需要進(jìn)一步的修改。 （ a1， a2， …， ak） =FT*（ U+） (11) 其中，（ U+）表示 U 矩陣的偽逆，（ U+） =(UUT)?1。 圖 22 ICA 抽取特征臉模型 上圖 （圖 22） 就是運(yùn)用 ICA 方法抽取人臉特征的模型。 所以選擇合適的特征向量，他不但可以減小計(jì)算量還能夠增強(qiáng)對不同人臉圖片的分類能力。簡單的描述如下： 已知的觀測數(shù)據(jù)為 X=（ x1， x2， …， xm） , Si是未知分量，可以表示為S=（ S1， S2， …， Sn） T,X和 S的關(guān)系為 X=AS 其中，分量 Si均值為零且相互間統(tǒng)計(jì)獨(dú)立； A 是未知的特征矩陣。 獨(dú)立分量分析（ ICA） 獨(dú)立分量分析是一種對多變 量 數(shù)據(jù)進(jìn)行 非正交線性坐標(biāo)變換的方法，坐標(biāo)軸的方向由可觀察到的混合數(shù)據(jù)的二階和高階統(tǒng)計(jì)信息確定，變換的目的是使變換后的變量間相互獨(dú)立。將特征值從大到小的排列 ： λ1≥ λ2≥ ?? ≥ λm≥ ??≥ λM；對于某一 λm，若其過小，則可以忽略其影響，這樣主成分構(gòu)成的變換矩陣為 W=[e1， e2， …， em]， mM (6) 也就是說任何的人臉圖像都可以投影到上式上， W 的維數(shù)為 m*M，而這是一個(gè)基底，任何的人臉圖像向其作投影時(shí)都會(huì)產(chǎn)生一組坐標(biāo)系數(shù)，稱之為 KL分解系數(shù)。 設(shè)有 N 個(gè)訓(xùn)練樣本，每個(gè)樣本根據(jù)其像素灰度組成一個(gè)向量 xi的維數(shù)的樣本圖像M=Width*Height(行像素?cái)?shù) *列像素 數(shù) )，由向量構(gòu)成的樣本集為 [x1， x2，?， xN]，這樣本的平均向量為 ?x 1N∑ xiNi=1 (1) 平均向量又叫做平均臉，則每個(gè)訓(xùn)練樣本與平均臉的偏差為 yi = xi ? x