【正文】 ........ 12 基于模型的人臉跟蹤 .............................................................................. 12 本章小結(jié) .......................................................................................................... 14 第 3章 基于膚色模型的單圖片人臉檢測 .......................................................................... 15 基于膚色的人臉定位 ........................................................................................ 15 RGB到 YCrCb色彩模型的轉(zhuǎn)換 ........................................................................... 15 人臉膚色模型和二值化 ..................................................................................... 16 后處理 ............................................................................................................. 19 人臉定位 .......................................................................................................... 19 本章小結(jié) .......................................................................................................... 20 第 4章基于膚色模型視頻中的人臉檢測 .......................................................................... 21 .......................................................................................................... 21 圖像差分 —— 運動目標提取 ............................................................................ 21 模型建立和光補償 ............................................................................................ 22 眼部特征檢測 ................................................................................................... 24 本章小結(jié) .......................................................................................................... 25 第 5章 總結(jié) .................................................................................................................. 25 參考文獻 ........................................................................................................................ 26 第 1 章 緒論 課題研究背景與意義 近年來，隨著計算機技術(shù)和數(shù)字信號處理技術(shù)的迅猛發(fā)展，人們用攝像機獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號，且利用計算機實現(xiàn)對視覺信息處理的全過程，這就是計算機視覺技術(shù)的起源。在實際應用中需要實時跟蹤、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。如何解決特定應用場合、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。 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。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。但是想進一步提高知識模型的適應能力，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。將所有候選人臉區(qū)域正規(guī)化，輸入到一個訓練過的 BP網(wǎng)絡用于鑒別人臉。由于人臉運動的不規(guī)則性、場景的復雜性，使得人臉跟蹤的難度加大；另一個就是實時性。這種方法不熟背景復雜程度、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。 基于貝葉斯濾波的人臉跟蹤 貝葉斯濾波方法是對目標狀態(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)。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。可見， RGB彩色空間并不適合人類的視覺特征。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。 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，那么我們可以設定一個矩形區(qū)域，當檢測到得區(qū)域若果小于這個設定的區(qū)域則拋棄，不認為是人臉，而大于這個設定的區(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。當場景環(huán)境復雜時，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。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 matlab環(huán)境下算法最終檢測出的人臉如圖 。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中的運動目標提取，所以我們希望在以后的學習中進一步深入研究視頻中人臉檢測與跟蹤。該法簡單，處理速度快，本文使用 Otsu 法選取閾值。通過對眼特征的辨認，確定人臉區(qū)域。 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。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。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。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。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。該方法在復雜、動態(tài)變化背景的圖像序列中比較有效。 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。 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。 ChinChuan Han等 ]10[ 則研究了利用形態(tài)學預處理方式實現(xiàn)人臉快速檢測的算法。如圖 ： 原始圖像 膚色似然圖像 二值化圖像 圖 膚色分割圖像 膚色分割后，得到一系列的膚色連通區(qū)域，本文采用橢圓準則來檢測每個膚色區(qū)域是否為人臉區(qū)域。而且多數(shù)的圖像設 備都是一電荷藕合器件 (CCD)技術(shù)為核心，直接感知色彩的 R、 G、 B三個分量，這也使得三基色模型成為圖像成像、顯示、打印等設備的基礎(chǔ)，具有十分重要的作用。 第 4章主要講了通過背景差分法對視頻中運動目標的檢測與追蹤，并基于膚色模型與人臉的眼部特征（啟發(fā)式特征人 臉檢測）相結(jié)合對視頻中運動目標的人臉進行檢測與跟蹤。對目標人臉狀態(tài)改變時 (偏轉(zhuǎn)、運動、附屬物等 )，精確分割跟蹤。近幾年隨著社會的發(fā)展，在經(jīng)濟、安全、犯罪和軍事領(lǐng)域需要對用戶身份進行核對，特別像銀行、海關(guān)等重要安全部門。實驗結(jié)果表明，該算法對于復雜背景下的彩色圖像中的人臉正面定位和人臉轉(zhuǎn)動一定角度后定位都有 較好效果。計算機視覺與研究人類或者動物的視覺是不同的：它借助于幾何、物理和學習技術(shù)來構(gòu)建模型，從而用統(tǒng)計的方法來處理數(shù)據(jù)。 人臉檢測與跟蹤的難 點 人臉是一類具有相當復雜的細節(jié)變化的自然結(jié)構(gòu)目標，由于外貌、表情、膚色等不同，具有模式的可變性而難以用統(tǒng)一的模式加以描述。在基本的人臉跟蹤的方法上，主要研究了基于膚色的人臉檢測方法檢測視頻圖像中的人臉以及通過背景差分法對視頻中運動目標的檢測與追蹤，并基于膚色模型與人臉的眼部特征（啟發(fā)式特征人臉檢測）相結(jié)合對視頻中運動目標的人臉進行檢測與跟蹤。 基于膚色的檢測方法 膚 色方法是最通常的的方法之一，也是最容易理解的。其中 V表示顏色的亮度， H表示色調(diào)，而 S則表示顏色的飽和度。于是，可以利用一組描述 人臉的局部特征分布的規(guī)則來進行人臉檢測 (人臉局部特征之間的相對距離和位置關(guān)系 )，如果圖像滿足這些規(guī)律，則存在人臉區(qū)域。此類方法將人臉區(qū)域看作一 類模型，即模板特征，使用大量的人臉與非人臉樣本訓練并構(gòu)造分類器，通過判別圖像中所有可能區(qū)域?qū)儆谀念惸０宓姆椒▽崿F(xiàn)人臉檢測。 基于特征檢測方法的人臉跟蹤 基于人臉局部特征的跟蹤方法主要思想是根據(jù)不同的人臉器官特征信息進行器官跟蹤，這類方法經(jīng)常利用眼睛、嘴和鼻子等器官特征信息進行跟蹤定位。由于膚色信息對放大、縮小以及微小變形不敏感，這種方法比較容易在前一幀圖像分析結(jié)果的基礎(chǔ)上跟蹤到下一幀圖像的人臉區(qū)域，具有速度快，姿勢不變性等特點。通常在貝葉斯濾波理論框架下采用狀態(tài)空間法 (State Space Approach)實現(xiàn)視覺跟蹤。人臉檢測問題的內(nèi)涵十分廣泛，由于人臉檢測與跟蹤問題的復雜特點，實現(xiàn)通用的人臉檢測與跟蹤方法還不現(xiàn)實。而對于彩色圖像， CrCb 決定了圖像的色調(diào)， 22 )()( CrCb ?代表圖像的飽和度。 圖 該圖中所描繪的區(qū)域可以用下列不等式組表達 ： 不等式組一： ?? tan1 ???????? )( )(VCrUCb? ? 且 43? 22 )()( CrCb ? ? 78 （ ） 不等式組二： ? ? tan1 ???????? )( )(VCrUCb? ? 且 0? 22 )()( CrCb ? ? 70 （ ） 但是在程序中我們并沒有這么來進行閾值化，而是通過 Cr和 Cb兩個分量來實現(xiàn)閾值化分割人臉區(qū)域的，經(jīng)過多次試驗，我們發(fā)現(xiàn) Cr和 Cb滿足下面的式子就可以很好的分割出人來區(qū)域了，式子 如下： Cr≤ 173且 Cb≤ 144