【正文】 their method. Thresholding is performed to transform the graylevel edge images into binary. The high threshold value is determined by choosing all the high intensity pixels that occupy 5% of the entire pixels. The low threshold value is decided by choosing all the high intensity pixels that occupy 25% of the entire pixels. The high thresholded image is used to obtain the head boundary and the low thresholded image is used to produce the face boundary. These thresholding percentages are determined based on our empirical data in order to achieve the best results. . Tracing head and face boundaries In order to trace the head boundary, we divide the highthre。 基于膚色相似度的人臉檢測與定位 22 致謝 大學四年的光陰如白駒過隙，轉(zhuǎn)瞬即逝。 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。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 。 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。 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。經(jīng)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?qū)?shù)變化規(guī)律，進行局部梯度運算。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(diào)整法。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。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(nèi)富含這些邊緣的連通區(qū)，作為人臉特征的候選區(qū)域。 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(shù)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 。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。這幾個面部特征在灰度圖像中一般比周圍區(qū)域暗。對于可能的人臉區(qū)域來說， 其相對于水平方向的旋轉(zhuǎn)角度在 45176。 訓練開始 讀取用戶數(shù)量以及對應的圖像數(shù) 讀取下一個用戶的信息 讀取下一幅圖像 轉(zhuǎn)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。而在這個二維平面上，膚色區(qū)域服從高斯分布。 這是構成我們實際利用膚色模型的主要部分。 通過下面的轉(zhuǎn)換公式，可以將像素由 RGB 空間轉(zhuǎn)換到 YCbCr空間。下面就介紹這種方法。 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。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(shù)據(jù)庫上的人臉識別問題逐漸成為研究的熱點問題。 人工神經(jīng)網(wǎng)絡也一度曾經(jīng)被研究人員用于人臉識別問題中 。 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。 人臉檢測的一個最重要的應用是人臉識別技術。 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。 face detection。 采用了臉部皮膚之間相似度的方法以及二值化方法 ， 使用了基于邊界 方法和基于區(qū)域方法相結合的算法 ， 提取了眼睛、嘴和鼻子等關鍵特征 ， 最終較好地實現(xiàn)了人臉定位 。 提出一種基于膚色的人臉檢測定位算法 ， 設計了基于膚色的人臉檢測和定位系統(tǒng) 。 plexion。本文利用 Visual C+ + 6. 0 開發(fā)了人臉定位和特征提取的軟件，該軟件對于一定尺寸范圍內(nèi)清晰的正面人臉圖能夠正確檢測定位并提取特征。人臉檢測是人臉身份識別的前期工作，同時人臉檢測作為完整的單獨功能模塊，在智能視頻監(jiān)控、視頻檢索和視頻內(nèi)容組織等方面都有直接的應用。 人臉是一類具有相當復雜的細節(jié)變化的自然結構目標 ， 此類目標的檢測問題的挑戰(zhàn)性在于： 1) 臉由于外貌、表情、膚色等不同，具有模式的可變性； 2) 一般意義上的人臉 ， 可能存在眼鏡、胡須等附屬物； 3) 作為三維物體的人臉的影不可避免地受由光照產(chǎn)生的陰影的影響。人臉檢測研究的發(fā)展主要分為以下幾個階段： 第一階段（ 1964 年 ~1990 年） 這一階段人臉檢測通常只是作為一個一般性的模式識別問題來研究，所采用的主要技術方案是基于人臉幾何結構特征（ Geometric feature based）的方法 。 為此，美國軍方在 FERET測試的基礎上分別于 20xx 年和 20xx 年組織了兩次商業(yè)系統(tǒng)評測。本課題著重于膚色模型相似度在人臉檢測與定位中的應用，對增加人臉檢測與定位的準確率的研究有一定的指導意義。 在本文的設計中提出了一種基于膚色相似度的人臉檢測與定位的方法， 采用了臉部皮膚之間相似度的方法以及二值化方法 ， 使用了基于邊界方法和基于區(qū)域方法相結合的算法 ， 提取了眼睛、嘴和鼻子等關鍵特征 ， 最終較好地實現(xiàn)了人臉的檢測與定位 。安徽工程科技學院畢業(yè)設計（論文） 5 其優(yōu)點將在下一節(jié)介紹。整幅圖像的其他像素點的色彩值也都按這一調(diào)整尺度進行變換。 我們定義 r=R/(R+G+B),b=B/(R+G+B),這樣把三維的 RGB 降為二維。 再按照一定的規(guī)則對該圖二值化， 通過設置合適的閾值（關于最佳閾值的設置將在下一章中介紹），可將圖像變成只有 0 和 1 的二值圖像，這樣做的目的是為了減小計算量，加快處理速度，同時，還可將目標從背景中分離出來，有效的突出了目標 。 2) 矩形系列應該少包含非膚色區(qū)域相對整幅圖像，經(jīng)過膚色分割預處理后的這一系列矩形的大小要明顯小于原來的整幅圖像，這是膚色分割預處理能夠提高人臉檢測算圖像中的膚色和非膚色象素點 包含人臉區(qū)域在內(nèi)的一系列矩形區(qū) 人臉區(qū)域分割算法 打開位圖 圖像灰度化 計算相似度 圖像二值化 標記人臉 眼睛定位 安徽工程科技學院畢業(yè)設計（論文） 11 法時間效率的主要原因， 也是膚色分割預處理能夠降低誤報率的關鍵。鼻子往往與臉的反差不大，因此通常用鼻孔代替。在這里，感興趣的部分是人臉的器官 (眼睛、嘴、眉毛、鼻子等等 )。估計人邊界臉算法利用了人臉的結構特征： 1) 人臉左右邊界膚色點個數(shù)約為人臉垂直方向最多膚色點個數(shù)的 ～ 倍； 2) 人臉上邊界膚色點個數(shù)應該約為人臉區(qū)域?qū)挾鹊? 倍； 3) 人臉區(qū)域高度約為人臉區(qū)域?qū)挾鹊? 倍。 假設人臉的姿勢比較正，那么人臉上的特征是水平邊緣集中的區(qū)域。所謂最佳分割閾值指的是能將眼睛虹膜、瞳孔、上眼框與眉毛以及其它人臉部 位、背景物明顯分離的灰度分割閾值。作為判據(jù)，允許人臉在一定程度上向兩側(cè)傾斜，雙眼中心位置在 垂直方向相差不超過一定距離 (如 15個像素距離 )； 4) 眼睛黑塊所包含的像素數(shù)應在某個范圍內(nèi)：二值化圖像中眼塊所包含的像素數(shù)應在某個范圍內(nèi) (如 5~50個像素 )，太大的黑塊不太可能是眼塊； 5) 眼睛黑塊的外接矩形應是一寬大于高的矩形或接近于正方形：由于眼睛的結構特點，二值化圖像中眼塊的外接矩形常常是一寬大于高的矩形或接近于正方形，眼塊的幾何中心位于圓形的眼睛虹膜 (含瞳孔 )位置，高遠大于寬的外接矩形對應的黑塊不可能是眼塊； 6) 與圖像四邊接壤或非常接近的黑塊不是眼塊：由于拍攝人臉圖像時，要求人臉在照片中應完整，且較靠近圖像中 心，因此在二值化圖像中與圖像四邊接壤或非常接近的黑塊不是眼塊。它是圖像分割所依賴的重要特征。然后在 A 與 I 以及 B 與 II 確定的兩個 矩形區(qū)域內(nèi)，對黑點進行區(qū)域膨脹，可以得到的眼睛的大致輪廓和左右眼角，然后黑點的坐標的平均值作為瞳孔的位置。然后在鼻孔上方一定范圍內(nèi)（鼻孔距離的 1/2 左右）找到亮度最高的點作為鼻尖。然而由于人臉拍攝的環(huán)境不同 , 也給系統(tǒng)帶來了 一些問題。 當然，系統(tǒng)也有它的缺點，主要是下面的兩點： 1) 訓練時間過長，不能動態(tài)的添加用戶； 2) 魯棒性較差，環(huán)境光照的改變會影響識別率?？尚械姆椒ㄖ皇鞘褂萌S的人臉模型，當模型足夠細膩的時候，就可以模擬出人臉各個角度的