【正文】 膚色掩碼的計算方法如下： θ = arccos( (2R ? G? B)√(R ? G)2 +(R ?B)(G ?B)) BinaryF = {255 θ 其他 膚色掩碼加上嘴巴的位置約束就可以進行人臉嘴部定位了。 鼻子識別與定位算法 對鼻子的定位一般需要經過以下幾個步驟： (1) 對鼻子進行膚色鑒定； (2) 根據二值化圖像的參數和眼睛的位置，計算出雙目斜角、雙目距離及雙目平均高度； (3) 根據雙目距離和雙目平均高度，可定位出鼻子的上下邊界和鼻子在水平方向上的中點； (4) 根據雙目斜角和雙目距離以及鼻子在水平方向上的中點，可定位出鼻子的左右邊界； (5) 在彩色圖像上標記出邊界的位置。可以認為，位于區(qū)域 A 最上方的最大連通區(qū) H 即為頭發(fā)區(qū)域。若每一類像素的個數均大于 2，則模版中心像素灰度值置為 0，生成所要提取的內輪廓及人臉內輪廓。若依靠膚色檢測人臉下邊界，脖子區(qū)域也會被誤當成人臉檢測出來，影響人臉定位效果。 人臉定位模塊總體構架 人臉定位系統(tǒng)由以下 4 個模塊構成。人臉檢測系統(tǒng)總體框架如圖 46 所示。對于其他的兩種方法，我們可以簡單的分析一下它們各自的優(yōu)缺點。所以對于這些矩陣的要求如下： (1) 這一系列矩形應該盡可能的包含待檢測圖像中的所有人臉 對于距離較近或者是有接觸的多個人臉，分割后得到的膚色區(qū)域自然距離較近或者是連在一起，這是可以用一個矩陣區(qū)域覆蓋它們。 對于二維圖像 ，偏導數可以用差分來近似，如式 433 所示 {???(??,??)??? ≈ ??(?? + 1,??) ???(??,??)???(??,??)??? ≈ ??(??,?? + 1) ???(??,??) 433 進行上述近似后，梯度的模如式 (434)所示。在圖像中，被標志區(qū)域默認用藍色標志。 Blob 分析適用場合主要有以下幾種： 1) 對象在尺寸、形狀或方向上差異很大 (訓練模型很難或者不可能 ) 2) 對象有背景中找不到的截然不同的灰度。在農業(yè)工程應用中，水果品質無損檢測過程中水果圖像與背景的分割。 最常用的方法就是設定一個全局閾值 T，用 T 將圖像的數據分成兩部分 ：大于 T 的 像素群 和小于 T 的像素群。 Cr_Mean=。 中值濾波 中值濾波是抑制噪聲的一種非線性平滑處理方法，由 首次提出并將其應用于時間序列的一維信號處理技術中，后來人們將其用于二維數字圖像處理中。 我們采用 Gary World 算法對 RGB 圖像進行快速顏色補償，即： SC = CstdCave， Cnew = C ? SC 331 式中， Cstd為標準亮度圖像 R、 G、 B 的平均值； Cave為輸入圖像 R、 G、 B 的平均值；C 為原圖像的像素值； Cnew為亮度補償后的像素值。式中 的參數 ecx=， ecy=， a=，b=， cx = ， cy = ， θ =。所謂膚色模型是指用一種代數的、解析的或查找表等形式來表示膚色的聚類特性，或者表征出某一像素的顏色與膚色的相似程度。由 YCbCr 到 YCb’Cr’如式 313 所示。 (2) YCbCr 色彩空間被廣泛地應用在電視顯示等領域中，也是許多視頻壓縮編碼，如MPEG 和 JPEG 等標準中普遍采用的顏色表示。如式（ 312） *rgb+ =[ 1R+G+B 0 00 1R+G+B 00 0 1R+G+B] [RGB] 312 由于 r+g+b=1，從未忽略了任何一個變量，經過上述變換其中二維都是獨立的，大大減少了亮度分量的影響，相當于將三位的 RGB 空間降低成二維的 rg 空間。 人臉的膚色不依 賴于面部的其他特征，對于人臉姿態(tài)和表情的變化不敏感，具有較好的穩(wěn)定性，而且明顯區(qū)別于大多數背景物體的顏色。產生的效果取決于結構元素的大小、內容及邏輯運算的性質。如果初始的分割不夠 令人滿意，對二值圖像的某些形式的處理通常能提高其質量。這樣跟你描述一個人的面貌：國字臉，濃眉，雙眼皮，直鼻梁，大而厚的嘴唇。 由于 BMP 文件格式是 Windows 環(huán)境中交換與圖有關的數據的一種標準， 在 Windows環(huán)境下運行的所有圖像處理軟件都支持這種格式。 。 基于統(tǒng)計理論的檢測方法 基于統(tǒng)計理論的人臉檢測是利用統(tǒng)計分析與機器學習的方法來尋找出人臉樣本與非臉樣本各自的統(tǒng)計特征，在使用各自的特征構建分類器并使用分類器完成人臉檢測。自頂向下的方法能夠較好地把握全局信息，但是缺點在于對初始位置的定位非常重要，一旦出現(xiàn)偏差，將導致整體跟蹤結果的偏移和變形。因此，設計構思出了很多新的算法，這些算法是將原先單一的算法結合起來，共同完成人臉的識別。系統(tǒng)假設圖像單一或無背景，人臉位置已知或很容易獲得，因此對現(xiàn)實場景產生的圖像處理效果很不佳。由于人臉檢測已經發(fā)展成為一個獨立課題，其具有特定的思想方法。由 美國國防部組織的 FERET 測試表明，當光照條件和人臉姿態(tài)發(fā)生變化后 (例如人臉在深度方向發(fā)生偏轉 )。人臉識別是圖像分析與理解的一種最成功的應用，其在商業(yè)、安全、身份認證、法律執(zhí)行等眾多方而的廣 泛應用，以及人們在人臉識別技術方面的多年研究，使其越來越得到重視，并逐漸成為一個充滿活力的研究領域。 可見人臉檢測有一定的難度和復雜性，但對這一問題的深入研究必 將推動模式識別、計算機視覺、人工智能等計算機科學分支的發(fā)展。摘要 人臉檢測是指在圖像或視頻中判斷人臉是否存在，若存在，確定人臉的大小、位置。本文介紹了一種基于特征提取技術的人臉檢測與定位系統(tǒng)，可分為人臉檢測與定位兩個模塊。 人臉識別按照人臉信息的來源可分為兩種：基于靜態(tài)人臉圖像的識別和基于包含人臉的動態(tài)視頻信息的識別 。人臉識別系統(tǒng)的識別率會出現(xiàn)明顯的下降。 作為生物特征識別的一個重要 組成 方面，人臉識別在檔案管理系統(tǒng)、安全驗證系統(tǒng)、信用卡驗證、公安系統(tǒng)的罪犯身份識別、銀行和海關的監(jiān)控、人機交互等領域 都具有廣闊的 前景 。 90 年代以來，隨著計算機軟硬件性能的迅速提高，以及對人臉識別技術的高要求，人臉識別技術越來越成熟?；叶群托螤罘蛛x的可變形模型方法就是其中之一。目前比較好的方法有鑲嵌圖人臉分塊方法、 3 3 的廣義三分圖方法、結合3 3 和 4 4 的分塊方法?；诮y(tǒng)計特征的人臉方法主要有：子空間方法、神經網絡方法、支持向量機方法、隱馬爾可夫模型方法以及 Boosting 方法。 。 Windows 以前的 BMP 位圖文件格式與顯示設備有關，因此把它稱為設備相關位圖（ Devicedependent Bitmap, DDB）文件格式。這些特征決定了這個人跟 同事、朋友、家人的相似程度 。 一個有效的二值圖像處理運算集是從數學形態(tài)學下的集合輪方法發(fā)展起來的。 圖像的二值化一般按下面公式進行： gb(x,y) = {255,g(x,y) = ??0,g(x,y) ?? 23 g(x,y)是原圖像中位于 (x,y)處像素的像素的灰度， gb(x,y)是二值化后該處的像素值，它只能取 1（白）或 0（黑）。大量實驗證明，不同膚色的人臉對應的色調是比較一致的，其區(qū)別主要在于灰度。 HSV 顏色空間 HSV 顏色空間在視覺上是均勻的，與人類的視覺特性有很好的一致性。 (3) YCbCr 的計算過程和空間坐標表示形式簡單，與 RGB 之間的轉換為線性，容易實現(xiàn)，避免了非線性的奇異性。 Ci′(Y){Ci(Y) ?Ci(Y)??????? ? WciWCi(Y) +Ci(Y)???????,if(Y Ki)or(Kh ??)Ci(Y) ,if(Y ∈ ,Ki,Kh) 331 其中， i 表示 b 或 r,WCb = ， WCr = ， Ki和 Kh為常量分別為 125 和 188， Ci(Y)為聚類兩頭尖的橢球形的中軸線處的值，實際上是 Cb、 Cr 兩個分量隨 Y 變化的聚類中心線處的值。常用的膚色模型、橢圓模型和高斯模型。 高斯模型 高斯模型主要是利用了統(tǒng)計學的原理。 膚色模型 不同種族、不同年齡、不同性別的人膚色看起來存在差異，但這個差異主要體現(xiàn)在亮度上。 中值濾波也是一種鄰域運算，但不是簡單的以待處理像素點 (i,j)的 8 個相鄰像素的灰度均值來取代該點的灰度，對于給定的 n 個像素（ n 為奇數）的灰度值 {a1， a2， …， an}，將其按大小進行排序，利用排在中間的灰度值來取代待處理像素點的原始灰度，其實質上是用與相鄰像素接近的灰度值來取代 與相鄰像素相差較大的灰度，按此操作辨理圖像，即可得到平滑后的圖像。 Cov00=。將大于 T 的像素群的像素值設定為白色 (或者黑色 )，小于 T 的像素群的像素值設定為黑色 (或者白色 )。在這些應用中，分割 是對圖像的進一步分析的前提，分割的準確性將直接影響后續(xù)操作的有效性。 3) 對象沒有重疊或者接觸。 邊緣提取技術 所謂邊緣就是圖像中灰度發(fā)生急劇變化的像素點的集合。 ??(??,??) = *,??(??,?? +1) ???(??,??)2 + ,??(?? + 1,??) ? ??(??,??)2+1 2? 434 一般為了計算方便，采用 式 (435)絕對值近似公式 ??(??,??) ≈ |??(??,?? +1)? ??(??,??)| +|??(?? + 1,??) ? ??(??,??)| 435 對于彩色圖像，可以分別 R、 G、 B 進行梯度計算。不漏檢、不降低正確率是整個膚色分割預處理的前提，也自然是人臉區(qū)域分割算法的首要前提?；谶吔绲姆椒ㄓ捎谔幚淼南袼財盗肯鄬^少，各像素點間的相鄰關系也相對簡單，所以處理起來的速度要比基于區(qū)域的方法快；但另一方面，由于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的考慮上不如基于區(qū)域的方法。 過程 建立膚色模型 RGB 顏色空間到 YCbCr 顏色空間的映射 亮度補償 相似度計算 二值化 方法 人臉圖像 膚色相似度計算 人臉識別與分割 否 初始化 獲取圖像參數 計算圖像灰度平均值 像素的灰度值是否大于平均值 ? 是 將該像素灰度值設為 0 將該像素灰度值設為 255 建立一個新視圖