【正文】 率最小或者結果期望最大。 總體流程如下： 圖 31 人臉檢測與定位的總體流程 下面將介紹人臉標記和眼睛、鼻子、嘴巴定位的算法及其流程。之間，因此旋轉角度小于 45176。因此圖像分割可以利用的特征是 ： 灰度比周圍區(qū)域暗的區(qū)域。基于邊界方法是提取邊緣，利用邊緣進行分割，該方法處理的像素數(shù)量比較少，各像素點間的相鄰關系比較簡單，處理速度比較快，但是，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(zhì)上不如基于區(qū)域的方法。從而，可以確定人臉區(qū)域為 rect(left, top, right, bottom ) 。所以還要進一步修正上面的結果。經(jīng)對多幅在復雜背景及不同光照條件下人臉圖像的直方圖分析與統(tǒng)計發(fā)現(xiàn)，只要臉部光照適中，雙眼部位較清晰，絕大多數(shù)情況下最佳分割閾值位于歸一化 灰 度值 與 之間。隨著閾值的不斷增加，可以看到二值化人臉圖像中新黑塊在不斷地出現(xiàn)，已有的黑塊面積在擴展并不斷地與別的黑塊相重合。通過對處理后的圖 像進行研究對比發(fā)現(xiàn)：拉普拉斯高斯算子既具備了高斯算子的優(yōu)點又具備了拉普拉斯算子的優(yōu)點 在邊緣檢測中不但對灰度漸變和噪聲較多的圖像處理最好，而且是各向同性的，得到的處理后的圖像具有連貫性和高清晰度。這樣就把眼睛區(qū)域劃分為很多的小區(qū)域，在把這些區(qū)域中寬度小于人臉寬度的 1/20 刪除掉，然后在合并相鄰的閉合區(qū)域（小于人臉寬度的 1/40），這樣就可確定人眼的水平區(qū)域。 其結果如圖 314 示： 確定眼睛區(qū)域 可能的鼻子區(qū)域 找出鼻尖 確定鼻 孔的位置 標記鼻孔 安徽工程科技學院畢業(yè)設計（論文） 19 圖 314 嘴巴標記 設計結果及分析 設計程序的主界面如 下： 圖 315 系統(tǒng)主界面 單擊打開圖像打開一幅人臉圖像，然后用上述界面進行相似度計算，圖像二值化、垂直直方圖、水平直方圖、標記人臉區(qū)域，接著可以依次標記眼睛的位置和鼻子的位置的特征標注。 安徽工程科技學院畢業(yè)設計（論文） 21 結論與 展望 通過基于膚色的人臉檢測、定位等操作，可以較好地定位人臉的識別區(qū)域。目前的去光照處理的效果并不令人滿意，白平衡處理則只能對總體進行小幅度的修正，不能解決光照造成的左右不平衡的問題。不禁生起一絲悲涼之意。 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?nèi)四槞z測與定位的專著和論文后才啟發(fā)了我怎樣進行人臉檢測、怎么樣的算法才是最合理的。 其次是增加對側面臉進行識別的功能。經(jīng)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。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(nèi)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。在確定的人眼范圍內(nèi)，標定出左右眼角和眼睛的位置。 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。 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。另外，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。（因為先找眼睛，我們就以眼睛的大小為準，最后在調(diào)整嘴巴的大?。?。從圖可以看出 ,經(jīng)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。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(chǎn)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。 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。的區(qū)域為非人臉區(qū)域。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。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(nèi) ,驗證了理論的正確性。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。 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。 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。 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(jù)匹配度來判斷有無人臉； 4) 基于外觀的方法：如神經(jīng)網(wǎng)絡法、支持向量機法、特征臉法等。隨著人臉檢測研究 的深入，國際上發(fā)表的有關論文數(shù)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。 第三階段（ 1998 年 ~現(xiàn)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。近年來，人臉檢測研究得到了諸多研究人員的青睞，涌現(xiàn)出了諸多技術方法。 人臉檢測雖然有誘人的應用前景，但是在現(xiàn)實中卻還沒有開始大規(guī)模的使用。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。學?？梢怨颊撐模ㄔO計）的全部或部分內(nèi)容。 face localization。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Microsoft Windows平臺上 ， 利用 Visual C+ + 6. 0 開發(fā)了軟件 。 feature ex traction 安徽工程科技學院畢業(yè)設計（論文） III 畢業(yè)論文（設計）原創(chuàng)性聲明 本人所呈交的畢業(yè)論文（設計） 是我在導師的指導下進行的研究工作及取得的研究成果。 ：任務書、開題報告、外文譯文、譯文原文（復印件）。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?的方法之一是使用三維的人臉模型，當模型足夠細膩的時候，就可以模擬出人臉各個角度的