【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?；趨^(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。或大于 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。有權將論文（設計）用于非贏利目的的少量復制并允許論文（設計）進入學校圖書館被查閱。 and by using boundarybased algorithm plus regionbased algorithm , the system has realized face location through the extraction of the features of eyes, nose and mouth. Taking advantages of Visual C++ , the authors have also developed corresponding software based on Microsoft Windows. Production of this paper have definite application results prove that the system is valid in detecting, locating and extracting frontal view face features in a certain it possess favorable performance in rapidity and accuracy. Key words: image segmentation。要完成的工作包括相似度的計算，圖像的二值化，垂直直方圖和水平直方圖的獲取，人臉特征（眼睛、嘴和鼻子）的提取。 本課題的成果具有一定的應用價值。據我所知， 除文中已經注明引用的內容外，本論文（設計）不包含其他個人已經發(fā)表或撰寫過的研究成果。 、圖表要求： 1）文字通順，語言流暢，書寫字跡工整，打印字體及大小符合要求，無錯別字，不準請他人代寫 2）工程設計類題目的圖紙，要求部分用尺規(guī)繪制，部分用計算機繪制，所有圖紙應符合國家技術標準規(guī)范。 基于膚色相似度的人臉檢測與定位 2 第 1 章 人臉檢測與定位概述 人臉檢測的定義、應用及難點 人臉檢測 (face detection)是指在輸入圖中確定所有人臉 (如果存在 )的位置與大小。 人臉檢測的一個最重要的應用是人臉識別技術。 因此，如果能夠找到解決這些問題的方法 ， 成功構造出人臉檢測，將為解決其它類似的復雜模式檢測問題提供重要的啟示。 人工神經網絡也一度曾經被研究人員用于人臉識別問題中 。目前非理想條件下（尤其是光照和姿態(tài)）、 對象 不配合、大規(guī)模人臉數據庫上的人臉識別問題逐漸成為研究的熱點問題。 基于膚色相似度的人臉檢測與定位 4 第 2 章 基于膚色模型的人臉檢測 人臉檢測方法 人臉檢測傳統(tǒng)的方法多是在亮度空間進行，僅有灰度信息的變化 ,沒有任何區(qū)域或比例的限制，所以 必須做多尺度空間的全搜索，計算量非常大，而利用色度信息則可大大降低搜索區(qū)域，其中膚色信息是最為直接有效的。下面就介紹這種方法。 通過下面的轉換公式，可以將像素由 RGB 空間轉換到 YCbCr空間。 這是構成我們實際利用膚色模型的主要部分。而在這個二維平面上，膚色區(qū)域服從高斯分布。 訓練開始 讀取用戶數量以及對應的圖像數 讀取下一個用戶的信息 讀取下一幅圖像 轉成灰階形式 全部圖 對每個人求 訓練平均 保存訓練基 全部用戶 安徽工程科技學院畢業(yè)設計（論文） 7 二值化流程如下： 圖 22 二值化流程圖 按這種方法就可以對輸入的 bmp 圖像 23 進行處理， 圖 23 原圖 其相似度計算結果如圖 24 示： N N Y 找到第一個像素的位置 其灰度值 閾 值 灰度值＝ ０ 灰度值＝ １ 查找下個像素 結束 基于膚色相似度的人臉檢測與定位 8 圖 24 相似度圖 可以給出二值化圖 25 示： 圖 25 二值化圖 以及垂直直方圖 26 示： 圖 26 垂直直方圖 水平直方圖 27 示： 安徽工程科技學院畢業(yè)設計（論文） 9 圖 27 水平直方圖 至此完成了相似度的計算和圖像的二值化，以及兩種直方圖的提取，那么下一章節(jié)將在此基礎之上進行人臉區(qū)域的標記和人臉特征（眼睛、鼻子、嘴巴）的提取。對于可能的人臉區(qū)域來說， 其相對于水平方向的旋轉角度在 45176。這幾個面部特征在灰度圖像中一般比周圍區(qū)域暗。成功的分割算法能夠有效地把人臉器官和臉的其他部分分離開來，并且保持器官的完整性。 首先估計人臉的左右邊界 ,具體算法如下： 1) 搜索垂直方向具有最多灰度值為 0 的點 (白點，即可能的人臉 ) 的 x 坐標 pos，并將白點數目計為 count； 2) 從 pos 開始往左邊搜索得到垂直方向第一次具有小于 count 個白點的 x 坐標作為人臉區(qū)域的左邊界 left ； 3) pos 開始往右邊搜索，得到垂直方向第一次具有小于 count 個白點的 x 坐標作為人臉區(qū)域的右邊界 right 。我們可以在低分辨率下提取水平邊緣，然后找到人臉區(qū)域內富含這些邊緣的連通區(qū)，作為人臉特征的候選區(qū)域。由于眼睛虹膜、瞳孔部位的灰度值明顯比其鄰近區(qū)域 (眼部周圍皮膚、眼白 )灰度值要低，因此能夠從適當光照條件 下拍照的圖像中分割眼睛虹膜、瞳孔部位的灰度值總是存在的，并且不是唯一的，而是有一定的小范圍。為了能從粗估計的分割閾值區(qū)間中找到最佳分割閾值，我們提出了結合找人眼位置過 程的自動調整法。經典的邊緣提取方法是考慮圖像的每個像素在某個領域灰度的變化，利用邊緣臨近的一階或二階方向導數變化規(guī)律，進行局部梯度運算。 具體算法是：在確定的人臉區(qū)域 ，把人臉部分劃分為左右、上下四等份，再把人臉寬度 12 等份 ， 每一份為 nSlidWinWidth 和人臉高度 30 等份 ， 每一份為 nSlidWinHeight。 其算法流程為： 確定人臉區(qū)域 邊緣檢測 確定人眼的水平區(qū)域 確定人眼的垂直區(qū)域 標記左右眼角和眼睛的位置 基于膚色相似度的人臉檢測與定位 18 圖 312 鼻子標記流程圖 標記的結果如圖示 ： 圖 313 鼻子標記 嘴的 標 定 嘴的確認考慮到唇色和位置兩重信息。該軟件與人臉的外界光照條件、人臉的拍攝角度以及是否帶眼鏡有關 , 易受人臉模式的多樣性 (如胡須、眼鏡等 )、圖像獲取過程中的不確定 性 (如光照的強度、光源方向等 ) 等因素的影響 。 基 于這些優(yōu)缺點，今后如果要進行改進，首先解決的問題必然是魯棒性的問題。