【正文】 在這四年中我基本完成當時還是在遙遠的大一時定下的目標，可以這么說我能有今天的一切，跟母校 老師們是分離不開的！在這里我深 深說一句：親愛的老師們謝謝你！ 尤其是在最后的半學期里，得到了老師的熱情指導，對本文的算法、編撰和定稿不吝賜教，使我看到了一個搞科學研究的學者應有的作風，為以后的我真正的走上工作崗位 — 搞研發(fā)時應怎樣處理類似的工作奠定了基礎。當然也可以從其它角度解決這個問題，例如將攝像頭和燈光結合，使得每次識別的主光源都位于正前方。 文中給出了人臉分割、檢測算法、關鍵器官定位等主要算法。 基于膚色相似度的人臉檢測與定位 20 在 Microsoft Windows 平臺上 ,利用 Visual C+ + 6. 0實現了以上算法。以同樣的方法：去除掉小于人臉高度的 1/100 的區(qū)域，然后在合并區(qū)域（小于人臉 A B I II 左眼眉毛 右眼眉毛 左眼 右眼 安徽工程科技學院畢業(yè)設計（論文） 17 高度的 1/100），這樣就可以確定人眼的垂直區(qū)域。常用的 5X5LOG 算子如下圖： 2 4 4 4 2 4 0 8 0 4 4 8 24 8 4 4 0 8 0 4 2 4 4 4 2 圖 36 LOG 算子 LOG 算子首先用高斯函數對圖像進行低通濾波消除空間尺度遠小于高斯空間常數的圖像強度變化即去除噪聲 ， 然后用拉普拉斯算子進行高通濾波提取線特征在 一 個灰度均勻區(qū)域的邊緣處 LOG 算子有以下表現：邊緣以外灰度均勻處取零 ， 邊緣較暗一側取正 ， 邊緣較亮一側取負 ， 邊緣中某些點處取零。一旦在某個閾值下檢測到雙眼黑塊出現，此時的閾值即為最優(yōu)分割閾值， 檢測到的人眼黑塊的幾何中心也應接近于虹膜 (瞳孔 )中心 (這是因為分割閾值越大，眼塊可能由無到有，由小到大，此時最先出現的應是具有較低灰度值的瞳孔和虹膜所對應的黑塊 )。若 選擇固定的背景和光照條件，由統(tǒng)計的方法可估計出更小的最佳分割閾值可能所在的區(qū)間。對正面 的人臉來說，眼睛、鼻子等特征和整個人臉的尺寸大小之間存在先驗的約束關系，這就是人臉結構的恒常性，因此我們利用這些約束關系來確定特征區(qū)域的大小。 標定的人臉區(qū)域如圖 35 所示。基于區(qū)域的方法則是尋找互 相連接在一起、并有相同特征的像素所形成的區(qū)域，它是實現圖像分割的一種重要方法。 在設計中，為了減少圖像分割這一步的運算量，對圖像做了二值化處理?；虼笥?135176。 人臉檢測與定位算法 人臉區(qū)域分割算法 人臉區(qū)域分割的系統(tǒng)結構如圖 32 所示： 圖 32 人臉區(qū)域分割系統(tǒng) 在圖 32 中， 輸出的一系列矩形將取代原來的整幅圖像作為人臉檢測算法的輸入。開始訓練 命令，打開 bmp 格式的圖像后計算每幅圖像的像素數 CrList 和 CbList，然后查詢總的圖像數 count 用于將當前數據庫內的所有用戶圖片進行訓練， 最后對每幅圖像求訓練平均，得到可供識別比對的訓練基。由此可見，在值較大和較小的部分，膚色聚類區(qū)域也隨之縮減。將膚色范圍內的像素置 1， 其余置 0，得到分割后的二值圖像，實現人臉的初步定位。主要的彩色空間有以下幾種： RGB 格式（紅、綠、藍三基色模型）、 HIS 格式（色度、飽和度、亮度模型）和 YCbCr(YUV)格式。所以利用膚色這一線索可以排除掉在灰度圖像中很像人臉而對應到彩色圖像中根本不是膚色的區(qū)域，這在 人臉檢測中會起到積極的作用。而且， MPEG7標準組織已經建立了人臉識別草案小組，人臉檢測算法也是一項征集的內容。這一階段的人臉識別技術發(fā)展非常迅速，所提出的算法在較理想圖采集條件、對象配合、中小規(guī)模正面人臉數據庫上達到了非常好的性能，也因此出現了若干知名的人臉識別商業(yè)公司。 最早的研究論文見于 1965 年陳（ Chan）和 布萊索 （ Bledsoe）在 Panoramic Research ，至今已有四十多年的歷史。 人臉檢測研究具有重要的學術價值，受到學者越來越多的關注。 人臉識別的研究可以追溯到20 世紀 60—70 年代，經過幾十年的曲折發(fā)展已日趨成熟。所以采集條件特別是光照條件包括光源的方向、明暗、色彩等都會對圖的效果產生很大的影響，進而影響對人臉的檢測；另外，人臉上還可能長有胡須、戴有眼鏡等 , 這些也同樣是人臉檢測不可忽視的因素。 實驗結果表明 ， 該軟件對于一定尺寸范圍內清晰的正面人臉圖能夠正確檢測定位并提取特征，并且 在速度和準確 性方面具有良好的性能 。畢業(yè)設計（論文） I 基于膚色相似度的人臉檢測與定位 摘 要 本課題致力于完成 Visual C++ 平臺下的人臉檢測與定位系統(tǒng)，人臉檢測定位的算法限制于基于膚色相似度算法。 關鍵詞 ： 圖像分割 ； 人臉定位 ； 膚色 ； 人臉檢測 ； 特征提取 基于膚色相似度的人臉檢測與定位 II Detection and Localization of Person Face Based on Skin Color Similarity Abstract This topic devotes to pleting the detection and localization system of the person face under the Visual C++ platforms, and the detection localization algorithm of the person face limit to basing on the skin color similarity algorithm. The topic must plete similarity putation, binary image processing, vertical histogram, horizontal histogram and extracting person face characteristic (eye, mouth and nose). This topic emphasize application of skin color model similarity in the detection and the localization of person face, and has a significant instruction for research of increasing accuracy in detection and the localization of person face. In this paper, the authors have presented an algorithm and designed a system for face detection and location based on plexion. By strengthening the contrast between face features and by adopting binary image processing method, the system has improved the preprocessing effect。人臉檢測具有一定的難度和復雜性，對這一問題的深入研究必將推動模式識別等計算機科學的發(fā)展。人臉檢測是自動人臉識別系統(tǒng)中的一個關鍵 環(huán)節(jié)， 但是早期的人臉識別研究主要針對具有較強約束條件的人臉圖(如無背景的圖 )，往往假設人臉位置已知或很容易獲得， 因此人臉檢測問題并未受到重視。 人臉檢測雖然有誘人的應用前景，但是在現實中卻還沒有開始大規(guī)模的使用。近年來，人臉檢測研究得到了諸多研究人員的青睞，涌現出了諸多技術方法。 第三階段（ 1998 年 ~現在） FERET’96 人臉檢測識別算法評估表明：主流的人臉識別技術對光照、姿態(tài)等由于非理想采集條件或者 對象 不配合造成的變化魯棒性比較差。隨著人臉檢測研究的深入，國際上發(fā)表的有關論文數量也大幅度增長，如 IEEE的FG(IEEE International Conference on Automatic Face and Gesture Recognition) 、ICIP(International Conference on Image Processing)、 CVPR(Conference on Computer Vision and Pattern Recognition)等重要國際會議上每年都有大量關于人臉檢測的論文，占有關人臉研究論文的近 1/3之多。 目前人臉檢測方法主要可以分為以下 4 類： 1) 基于知識的方法： 利用人臉的幾何形狀以及臉部器官的比例對稱關系來定位人臉； 2) 基于特征的方法：直接利用人臉信息如膚色特征、輪廓特征、紋理特征等； 3) 基于模板的方法：使用模板在待測圖像中逐點掃描計算匹配度，根據匹配度來判斷有無人臉； 4) 基于外觀的方法：如神經網絡法、支持向量機法、特征臉法等。 對于彩色空間來說， RGB 是最常用的顏色表示系統(tǒng)，但是人臉膚色在這一系統(tǒng)中的分布非常廣泛，因此不適合表示人臉區(qū)域，往往需要轉換到其他的彩色空間。 膚色模型 膚色是人臉一個重要而明顯的特征，利用膚色模型可以快速排除非膚色區(qū)域，大大減小搜索空間，提高人臉檢測的效率。由此可見，在 Y 值不同的地方，我們 對 CbCr 子平面 進行 投影，得到的結果是不同的，由此得到結論，簡單地排除 Y 分類，按照傳統(tǒng)地做法在三維的 CbCr 子平面中尋求膚色的聚類區(qū)域是不可行的，我們必須考慮 Y 值不同造成的影響，從而對YCbCr 色彩格式進行非線性分段色彩變換。訓練的過程如圖所示： N Y N Y 圖 21 訓 練流程圖 這樣訓練以后，得到了 Cb 和 Cr 的均值為 和 ，落在膚色范圍內 ,驗證了理論的正確性。這些矩形應該滿足以下條件： 1) 矩形系列中應該盡可能地包含待檢測圖像中的全部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，這時可以用一個矩形區(qū)域覆蓋它們。的區(qū)域為非人臉區(qū)域。 分割的對象是黑白圖像，分割簡化為找出所有黑色的連通區(qū)域，它們都成為人臉器官的候選者。在本系統(tǒng)中， 基于邊界的方法主要用于前期矩形序列的產生，快速地得到包含人臉區(qū)域的外接矩形； 然后用基于區(qū)域的方法 ,， 全局考慮，對初始矩形序列進行區(qū)域歸并， 得到最終的輸出矩形。從圖可以看出 ,經過相似度計算和二值化操作 ,然后對人臉進行邊界估計 ,最后進行標定 ,基本上做到了。（因為先找眼睛，我們就以眼睛的大小為準，最后在調整嘴巴的大?。Ａ硗?，利用直方圖均衡方法也可使輸入圖像的最佳分割閾值可能所在的區(qū)間縮小。 安徽工程科技學院畢業(yè)設計（論文） 15 眼睛的標定 由于眼睛和膚色的差異較大， 在上一章人臉區(qū)域 二值化 的基礎上 ， 再 進行邊緣檢測。 用 LOG 算子提取邊緣流程為： N Y 圖 37 邊緣提取流程 這樣就可以將人臉的整個邊界的輪廓大致地提取出來了。在確定的人眼范圍內，標定出左右眼角和眼睛的位置。使用此算法對多幅人臉圖像進行了處理，所采用的圖像都是在正常光照以及室內條件下所攝取的正面人臉圖片 (其相對于水平方向的旋轉角度在 45176。經過改進二值化處理，對于全局閾值占有很大比重的情形，可以較好地解決圖像的二值化，為進一步的人臉識別奠定了基礎。 其次是增加對側面臉進行識別的功能。 在這還要感謝那些曾做過和我一樣課題的前輩們，正是看了關于你們人臉檢測與定位的專著和論文