【正文】 10[ 則研究了利用形態(tài)學(xué)預(yù)處理方式實現(xiàn)人臉快速檢測的算法。 基于統(tǒng)計模型方法 由于精確描述人臉特征具有一定困難，因此另一類方法 —— 基于統(tǒng)計模型的方法越來越受到重視。 Osuna等將 SVM方法用于人臉檢測，取得了較好的實驗結(jié)果，該方法的基本思路是對每一個 1919? 像素的檢測窗口使用 SVM進行分類，以區(qū)別“人臉”和“非人臉”窗口。根據(jù)跟蹤的方法，人臉的跟蹤算法可以分為三類：一、基于特征檢測方法的人臉跟蹤；二、基于模型的人臉跟蹤；三、基于貝葉斯濾波方法的跟蹤。 2）基于 KLT算法的人臉特征點跟蹤 KLT(Kanade_Lucas_Tomasi)算法是一種以待跟蹤窗口在視頻圖像幀間的誤差二次方和作為度量的跟蹤算法?；谀w色模型的跟蹤方法就是利用合適的表色模型，把膚色作為實現(xiàn)人臉跟蹤的關(guān)鍵信息。該方法在復(fù)雜、動態(tài)變化背景的圖像序列中比較有效。此方法將目標(biāo)跟蹤問題巧妙的轉(zhuǎn)變?yōu)樵谪惾~斯濾波理論框架下的序貫濾波過程。在有限的狀態(tài)空間和離散的狀態(tài)空間的條件下，它可以給出最優(yōu)的序貫濾波概率密度。本章節(jié)就人臉檢測與跟蹤領(lǐng)域的主要方法進行概要性的分類和簡要介紹。因為，人眼看到的任何一種色彩光都是彩色三要素：亮度、色調(diào)、飽和度綜合而成的效果。對于黑白圖像有： R=G=B，則 Cb=0， Cr=0。雖然人臉的膚色看起來是變化的，但是人臉膚色的變化多數(shù)情況是因為膚色亮度值的差異造成的。 圖 淺 膚色 圖 中等膚色 圖 深膚色 以上三幅 CrCb圖所呈現(xiàn)的區(qū)域就是針對三種膚色類得到的最佳匹配（ bestfit）區(qū)域，由此可以觀察到，這三類膚色在 CrCb 圖中共享一個公共的連續(xù)區(qū)域，人臉膚色具有很好的聚類性，該區(qū)域形成的最后二維臉部膚色模型見圖（ ）所示。確定了下邊界以后，再往上掃描，每操作一行就記錄下該行的黑色像素的個數(shù)，一旦掃描完某一行后，該行的黑色像素個數(shù)值和該行的所有像素個數(shù)值（也就是圖像的寬度值）相同，那么就說明這行掃描線的前面一行是人臉的上邊界，記前面一行為 y2。 CvRect FindFaceArea(IplImage* pFrame)。 第 4 章基于膚色模型視頻中的人臉檢測 算法流程 由第三章我們可以知道膚色模型可以對單張圖片單人臉進行檢測定位。首先，選擇顏色空間建立膚色模型。通過對眼特征的辨認，確定人臉區(qū)域。 YCbCr與 RGB之間的變換關(guān)系為 : ???????????????????????????????BGRCrCbY0 .0 8 1 0 .4 1 9 0 .5 0 00 .5 0 0 0 .3 3 1 0 .1 6 90 .1 1 4 0 .5 8 7 （ ） 2）將已經(jīng)轉(zhuǎn)化的 Cb分量圖與 Cr 分量圖作差， 即得到初級圖像，如圖 所示。該法簡單，處理速度快，本文使用 Otsu 法選取閾值。 在此次課題設(shè)計中我們只做到了單張單人臉的檢測定位和視頻當(dāng)中的運動目標(biāo)提取，以后的工作有待完善。由于我們研究的時間有限和知識研究的還不透徹，我們只實現(xiàn)了單張單人臉的檢測定位和視頻當(dāng)中的運動目標(biāo)提取，所以我們希望在以后的學(xué)習(xí)中進一步深入研究視頻中人臉檢測與跟蹤。對于本文的人臉檢測與跟蹤的方法，利用 OpenCV計算機視覺庫進行了局部實現(xiàn)。在 matlab環(huán)境下算法最終檢測出的人臉如圖 。 Otsu 是一種使類間方差最大的自動閾值選擇法，其方法是 : 設(shè)圖像的像素為 n，共分 L 個灰度級，首先求出整幅圖的灰度均值 : ????10Li iT ip?。補償算法 : 255???? bgr rR （ ） 255???? bgr gG （ ） 255???? bgr bB （ ） 式中 r、 g、 b 為原圖紅、綠、藍分量， R、 G、 B 為補償?shù)募t、綠、藍分量。在對圖像進行處理時，一般要先變換到其他顏色空間，這是因為 RGB三分量密切相關(guān)，只要亮 度改變，這三個分量都會相應(yīng)改變；而且， RGB是一種不均勻的顏色空間，兩種顏色之間的色差不能表示為該空間兩點間的距離。當(dāng)場景環(huán)境復(fù)雜時，可以使用統(tǒng)計濾波完成背景的估計，但是如果場景中有個別部分做無規(guī)則運動時，就會引起場景中像素值的 不斷變化，從而引起估計誤差。因為我們在分割定位人臉的時候是采用人臉的整個區(qū)域來進行人臉區(qū)域識別定位的。 但是在圖像人臉定位的過程中，由于分割的效果有時候不理想，存在一些白色的像素不能很好的去除，此時我們采用上面的掃描方法定位人臉區(qū)域有時候效果不好，那么我采用一個區(qū)域檢測的方法，即：我們可以認為二值化后的人臉區(qū)域是比較集中的，且?guī)缀踉趫D像上占據(jù)最大集中區(qū)域，那么我們可以設(shè)定一個矩形區(qū)域，當(dāng)檢測到得區(qū)域若果小于這個設(shè)定的區(qū)域則拋棄，不認為是人臉，而大于這個設(shè)定的區(qū)域時我們則認為是人臉 區(qū)域，這樣從而可以避免一些局部小塊的白色像素的影響，提高了檢測的正確率。我們采用膨脹和腐蝕操作去掉單幀圖像中那些離散的非人臉區(qū)域以及一些孤立的噪聲。人臉膚色模型忽略了人臉膚色的亮度值，因此我們所進行的試驗都是在二維的 UV（ CrCb）圖中展開的。為了簡化起見，本文從 RGB彩色空間轉(zhuǎn)換到 YCrCb彩色空間的每個像素存放位數(shù)未做壓縮，變換公式如下： ???????????????????????????????BGRCrCbY0 . 0 8 1 0 . 4 1 9 0 . 5 0 00 . 5 0 0 0 . 3 3 1 0 . 1 6 90 . 1 1 4 0 . 5 8 7 () 轉(zhuǎn)換后的單幀圖像，仍以 24bit 表示一個像素值，其中第 1 個字節(jié)（前 8 位）表示 Y分量，第 2個字節(jié)（中間 8位）表示 Cr分量，第 3個字節(jié)（后 8位）表示 Cb分量?？梢?， RGB彩色空間并不適合人類的視覺特征。 人臉檢測與跟蹤的趨勢是利用多特征 (如輪廓、膚色、器官等 )，綜 合多種分類方法 (如概率模型、神經(jīng)網(wǎng)絡(luò)、 SVM 等 )提高特定約束條件下的人臉檢測的準(zhǔn)確率、人臉跟蹤的實時性，增強檢測系統(tǒng)的準(zhǔn)確性和魯棒性。粒子濾波在使用中會出現(xiàn)粒子“退化”的現(xiàn)象，即經(jīng)過幾次迭代濾波，很少有粒子可以到達高似然概率區(qū)域?？柭鼮V波利用目標(biāo)的動態(tài)信息，試圖去掉噪聲的影響，從而得到一個關(guān)于目標(biāo)位置的好的估計。 基于貝葉斯濾波的人臉跟蹤 貝葉斯濾波方法是對目標(biāo)狀態(tài)進行 估計，得到的一組觀測量來構(gòu)建后驗概率密度函數(shù)。該算法的思 想是用一個橢圓模板在人臉的候選區(qū)域內(nèi)進行搜索，使環(huán)內(nèi)盡量包含最多的人臉邊緣點，對人臉的跟蹤就是確定這個橢圓模板。這種方法不熟背景復(fù)雜程度、人臉運動強度和背景顏色等因素的影響，而只利用圖像的灰度信息，進行形態(tài)運算，運算效率較高，具有較強的魯棒性。 1)人臉特征點的跟蹤 Kouadio等提出了一種通過加標(biāo)識點來跟蹤視頻中人臉特征點的方法，這些特征點跟蹤方法的局限是要在被拍攝者臉部添加標(biāo)識點，而不能直接獲取面部某些特征點的位移。由于人臉運動的不規(guī)則性、場景的復(fù)雜性，使得人臉跟蹤的難度加大；另一個就是實時性。這類方法基本分為： (1)基于特征空間的方法 ]12[ ：將人臉區(qū)域圖像變換到某一特征空間，根據(jù)其在特征空間中的分布規(guī)律劃分人臉和非人臉兩類模式。將所有候選人臉區(qū)域正規(guī)化，輸入到一個訓(xùn)練過的 BP網(wǎng)絡(luò)用于鑒別人臉。 基于知識的方法所存在的 主要問題是： (1)識別率不高，如果圖像背景存在類人臉區(qū)域，則必然導(dǎo)致誤檢； (2)該方法沒有給出如何確定最恰當(dāng)?shù)娜四樜恢玫姆椒ǎ?(3)對于不同角度的人臉，由于某些特征不可見，所以不能用這種方法檢測； (4)用與描述人臉特征之間的關(guān)系規(guī)則不易設(shè)計，規(guī)則制定過高或者過低會造成識別失敗。但是想進一步提高知識模型的適應(yīng)能力，需要綜合更多的特征，實際上涉及到了圖像理解這一困難的問題，這是此類方法進一步發(fā)展遇到的主要障礙。若能將光度分量從色彩中提取出去，而只用反映色彩本質(zhì)特性的色度、飽和度來進行聚類分析，會獲得比較好的效果。研究表明：盡管不同種族、不同年齡、不同性別的人的膚色看上去不同，但這種不同主要集中在亮度上。每個色彩空間也都有其各自的產(chǎn)生背景、應(yīng)用領(lǐng)域等。 圖 ]7[ 目前，按照不同的分類角度，可以將人臉檢測問題分為多種類型，如表 ： 表 ]7[ 一般情況下，按照人臉檢測所處理圖像的不同將其分為兩類：基于灰度圖像的人臉檢測和基于彩色圖像的人臉檢測。人臉檢測的主要方法有基于膚色的檢測方法、基于啟發(fā)式模型的方法和基于統(tǒng)計模型的方法等。如何解決特定應(yīng)用場合、特定約束條件下的人臉檢測與跟蹤問題，仍將是該領(lǐng)域研究的主要方向。 新的人臉跟蹤算法不斷被提出使得人臉跟蹤技術(shù)得到一定的發(fā)展，但是由于運動場景的復(fù)雜性，人臉跟蹤算法要實現(xiàn)在不同的環(huán)境行下對多個目標(biāo)人臉實現(xiàn)實時準(zhǔn)確跟蹤還是比較困難的。在實際應(yīng)用中需要實時跟蹤、搜索人臉，這就要求算法對于人臉偏轉(zhuǎn)、遮擋具有較強的魯棒性，既要有較高的檢測速度，滿足實時性的要求；又要有較高的檢測精度，盡量減少誤檢、漏檢的情況。其中第二類方法是目前計算機視覺技術(shù)研究的趨向，目前已經(jīng)發(fā)展起一套獨立的計算理論與算法 ]2,1[ 。 enbinary 目錄 第 1章 緒論 ...................................................................................................................... 3 課題研究背景與意義 .......................................................................................... 3 國內(nèi)外研究狀況 ................................................................................................. 4 人臉檢測與跟蹤的難點 ....................................................................................... 4 主要研究內(nèi)容及章節(jié)安排 ................................................................................... 5 第 2章 人臉檢測和跟蹤的主要方法 ................................................................................... 6 人臉檢測的方法 ................................................................................................. 6 基于膚色的檢測方法 .......................................................................................... 7 RGB模型 .................................................................................................. 7 YCbCr(YUV)格式 ....................................................................................... 8 HSV（色調(diào) /飽和度 /強度）模型 .......................................