【文章內(nèi)容簡介】 檢測等等。大部分彩色圖像的人臉檢測，都利用了膚色特征和灰度特征的綜合，如基于膚色和模板的人臉檢測，基于膚色和主元分析的人臉檢測，基于顏色和形狀的人臉檢測等等。很多綜合模型在理論上是很完美的，但從某些實際應用而言，有些特征的綜合并不適合，不但算法過于復雜，計算時間過長，而且隨著使用多個特征而引起的條件的增加，漏檢率顯著上升，從而不能應用于多數(shù)場合。所以，選擇何種形式的檢測方法，在實際操作中要統(tǒng)籌兼顧。 論文的結(jié)構(gòu)安排本論文共分五章，具體安排如下：第一章，人臉檢測綜述，簡要介紹了人臉檢測技術產(chǎn)生的背景、意義以及國內(nèi)外發(fā)展現(xiàn)狀，系統(tǒng)分析了人臉檢測的基本框架和主要方法；第二章，算法理論與實現(xiàn)原理，詳細介紹了膚色檢測中最重要的理論基礎以及實現(xiàn)的原理；第三章，基于統(tǒng)計的膚色建模，通過對大量的樣本訓練，得到膚色在不同空間中的模型；第四章，人臉檢測實驗仿真及結(jié)果，不同的膚色模型下仿真出的實驗結(jié)果，并對每一種結(jié)果做了簡要分析；第五章，結(jié)論及展望，總結(jié)了全文的內(nèi)容并對需要進一步研究的問題進行了展望。第二章 算法理論與實現(xiàn)原理 對于有關彩色視覺系統(tǒng)的設計開發(fā)而言，研究顏色是相當重要的。圖像中的顏色不僅給我們的感覺更愉悅，而且能獲得更多的視覺信息。人的視覺對彩色性當敏感，人眼一般能區(qū)分的灰度等級只有二十多個，但是能區(qū)分有不同色度和亮度的幾千種顏色?？梢圆煊X的顏色屬性包括色調(diào)、飽和度和亮度：色調(diào)指紅色、綠色、藍色等顏色，對單色光源而言，色調(diào)的不同以波長的不同顯示；飽和度是可以察覺的白色光加入單色光的比；亮度反映了察覺的明視度。在數(shù)字圖像中利用彩色信息可以提高圖像的可鑒別性，使圖像更容易辨認，目標更容易識別。在進行數(shù)字圖像處理時，人們并不是對所有顏色一一處理，而是根據(jù)色度學理論建立顏色模型，基于顏色模型進行處理。色度學理論認為，任何顏色都可以由紅（R）、綠（G）、藍（B）三種基本顏色按不同的比例混合得到。 顏色空間 根據(jù)計算機色彩理論，對每一種顏色而言，在計算機中有不同的表達方式，這樣就形成了各種不同的色彩系統(tǒng)，即顏色空間。當然，各種顏色空間只不過是顏色在計算機中不同的表達而已，每一種顏色空間都有各自的產(chǎn)生背景、應用領域等。主要的顏色空間有RGB、YCbCr、 HSV等。其中，RGB顏色系統(tǒng)是最基本的顏色系統(tǒng)，其他的顏色系統(tǒng)都是基于該顏色系統(tǒng)的，只是用途各異，它們與RGB顏色系統(tǒng)可以按一定的關系相互轉(zhuǎn)換。 RGB顏色空間RGB顏色空間用R、G、B三種基本顏色分量來標示數(shù)字圖像像素的顏色值。我們非常熟悉的計算機屏幕的顯示通常采用RGB色彩系統(tǒng)，這是最常見的色彩系統(tǒng)。可以用三維的笛卡爾坐標系統(tǒng)來表示RGB顏色空間，如圖21所示，RGB顏色空間中三維空間的三個軸分別與紅、綠、藍三基色相對應，原點對應于黑色，離原點最遠的頂點對應于白色，其他顏色落在三維空間中由紅、綠、藍三基色組成的彩色立方體中。 圖21 RGB顏色空間模型將RGB顏色空間模型歸一化處理的計算公式為： r= g= b=。 YCbCr顏色空間 YCbCr彩色模型是一種彩色傳輸模型，主要用于彩色電視信號傳輸標準方面，被廣泛的應用在電視的色彩顯示等領域中。YCbCr其中Y是指亮度分量，Cb指藍色色度分量，而Cr指紅色色度分量。人的肉眼對視頻的Y分量更敏感，因此在通過對色度分量進行子采樣來減少色度分量后，肉眼將察覺不到的圖像質(zhì)量的變化。其中，Cr反映了RGB輸入信號紅色部分與RGB信號亮度值之間的差異，而Cb反映的是RGB輸入信號藍色部分與RGB信號亮度值之同的差異。它將亮度型號與色度信號分離，非常適用于膚色檢測。具體來說 YCbCr顏色空間模型具有如下的優(yōu)點：（1）YCbCr色彩格式具有與人類視覺感知過程相類似的構(gòu)成原理。（2）YCbCr色彩格式將色彩中色度分量Cb、Cr與亮度分量Y有效地分離。（3）Y，Cb，Cr，可以由R，G，B經(jīng)過線性變換得到，計算效率較高。（4）在YcbCr空間中膚色聚類特性比較好。它與RGB顏色空間的具體轉(zhuǎn)換關系如下：RGB顏色空間向 YCbCr顏色空間轉(zhuǎn)換的公式： 公式一 YCbCr顏色空間向 RGB顏色空間轉(zhuǎn)換的公式： 公式二 HSV顏色空間 在許多實用系統(tǒng)中，大量應用的是HSV模型，這個模型是由色調(diào)（H）、飽和度（S）和亮度（V）三個分量組成的，與人的視覺特性比較接近。HSV使用單六角錐的顏色模型，如圖22所示，　HSV模型的三維表示從RGB立方體演化而來。H參數(shù)表示色彩信息，即所處的光譜顏色的位置，該參數(shù)用角度量來表示，紅、綠、藍分別相隔120度，互補色分別相差180度。 純度S為比例值，它表示成所選顏色的純度和該顏色最大的純度之間的比率。 V表示色彩的明亮程度，它和光強度之間沒有直接的聯(lián)系。 該模型的重要性在于：一方面消除了亮度成分V在圖像中與顏色信息的聯(lián)系，另一方面色調(diào)H和飽和度S與人的視覺感受密切相關?；谌说囊曈X系統(tǒng)顏色特性使HSV模型成為一個研究圖像處理的重要工具。圖22 HSV顏色空間模型它與RGB顏色空間的具體轉(zhuǎn)換關系如下：RGB顏色空間向 HSV顏色空間轉(zhuǎn)換的公式： V=max(R,G,B) S= 公式三 H=h公式三中： mm=max(r,g,b)min(r,g,b), h=5+b 若r=max(r,g,b)和g=min(r,g,b)時， h=1g 若r=max(r,g,b)和gmin(r,g,b)時， h=1+r 若g=max(r,g,b)和b=min(r,g,b)時， h=3b 若g=max(r,g,b)和bmin(r,g,b)時， h=5r 若是其他情況時， （ ） HSV顏色空間向 RGB顏色空間轉(zhuǎn)換的公式： 公式四 膚色模型是關于膚色知識的計算機表示。通過訓練樣本集建立膚色模型是膚色檢測的關鍵，常用的膚色模型有單峰高斯模型、混合高斯模型和直方圖模型。Terrillion等考察了歸一化的rgb、CIElab、歸一化了的TSL、CIEDSH、HSV、YIQ、YES、CIEluv和DIExy九種色度空間，比較了單峰高斯模型和混合高斯模型在不同色度空間中的性能，發(fā)現(xiàn)除了少數(shù)情況外，一般需要使用混合高斯模型才能較好地描述膚色區(qū)域的分布。Terrillion等同時還指出，最終限值監(jiān)測性能的因素是不同色度空間中膚色與非膚色區(qū)域的重疊程度。Jones等研究了RGB空間中膚色與非膚色像素的分布，根據(jù)標定出膚色區(qū)域的近二萬副圖片（包含約二十億個像素）建立了三維直方圖，在此基礎上比較了直方圖模型和混合高斯模型，發(fā)現(xiàn)前者的性能略好于后者。除了上述三種膚色模型外，還有直接利用幾何參數(shù)描述膚色區(qū)域分布范圍的模型、三維投影模型、基于神經(jīng)網(wǎng)的膚色模型等。此外也有同事考慮膚色與非膚色像素分布的基于貝葉斯方法的模型。 區(qū)域模型該模型又稱簡單門限模型、IFTHEN模型，它主要是利用了膚色在顏色空間中的聚類性，用數(shù)學表達式明確規(guī)定膚色的范圍，在這個范圍內(nèi)的區(qū)域被標定為膚色區(qū)域，范圍之外的區(qū)域被標定位非膚色區(qū)域。利用這個模型來判段膚色主要需要兩個步驟:首先通過統(tǒng)計的方法確定模型，即歸確定膚色的具體范圍；其次利用這個模型來判段新的像素或區(qū)域是否為膚色。因此，對于一幅新的圖像，如果某個像素或區(qū)域滿足給定的條件就為膚色像素或區(qū)域，否則就是非膚色像素或區(qū)域。從它的判斷過程來看，這是一種較簡單的膚色模型。該模型的難點在于如何精確地確定閾值，閾值選擇不當可能會使膚色檢測率下降，誤檢率上升。此模型相對簡單，計算快捷，使用方便，速度快，但效果不是很好，只適用于特定條件下的膚色檢測。 高斯分布模型 高斯密度函數(shù)估計是一種參數(shù)化的建模方法，可以分為單峰高斯模型和混合高斯模型。單峰高斯模型這種方法的前提是假設膚色分布服從單峰高斯分布。主要通過統(tǒng)計分析，來預測單峰高斯分布中的參數(shù)，其中確定參數(shù)常用的方法有EM算法、MaximumLikelihood或通過統(tǒng)計直接求得色彩空間中每一個分量(一般利用該顏色空間中的色度分量)的均值與方差。這種方法也可分為兩個步驟:首先確定模型的參數(shù)，即確定均值和方差；其次利用該模型判段待檢像素或區(qū)域是否為膚色像素或區(qū)域。單峰高斯模型相對區(qū)域模型來說能更好的表示膚色的分布，因此它的膚色檢測率也較高，并且模型的參數(shù)也易于計算，但是速度較區(qū)域模型慢。單峰高斯模型是橢圓高斯聯(lián)合概率密度函數(shù)：,其中x是像素的顏色分量，是均值向量，是協(xié)方差矩陣。高斯分布參數(shù)和用最大似然法估算。x屬于膚色的可能性可以直接用P(x/skin)來衡量，也可以通過高斯分布參數(shù)來計算像素x與均值的馬氏距離距離大小表示該像素與膚色模型的接近程度?；旌细咚鼓Ｐ陀捎趩畏甯咚狗植季哂衅渚窒扌?，不同種族的膚色直方圖并不完全滿足單峰高斯分布，卻可以采用多峰的高斯分布來精確表示，因此提出了混合高斯模型?；旌细咚鼓Ｐ褪嵌鄠€高斯密度函數(shù)的加權和：其中x是像素的顏色向量，k是高斯密度函數(shù)的個數(shù)，分別用均值向量和協(xié)方差矩陣來定義，權值表示各個高斯密度函數(shù)對混合高斯模型貢獻的大小。該模型表明膚色的每個像素密度都屬于概率密度這個混合體。這個模型的主要難點是對混合高斯模型的參數(shù)估計，其參數(shù)的估計通常采用Dempster等人提出的基于極大似然值的算法。這種模型相對于前面兩種模型來說，膚色檢測率要高得多，誤檢率也小得多，但是模型的確定（模型的參數(shù)估計）較難，速度較慢，不適用于快速膚色檢測。高斯膚色模型常用二維色度平面來表示膚色的分布，色度平面中的膚色分布是否符合高斯分布決定此建模方法的好壞，研究表明這種分布形態(tài)與所選的顏色空間密切相關。Yang(15)驗證了在RGB顏色空間中，一定光照變化范圍內(nèi)的膚色符合高斯正態(tài)分布；Yang（33）證明了在Luv顏色空間中，膚色呈現(xiàn)正態(tài)分布。如果膚色在某個顏色空間中的分布非常不對稱，則會造成相同正檢率條件下誤檢率升高。 直方圖模型直方圖膚色模型是一種非參數(shù)化的模型，通過對膚色直方圖的統(tǒng)計，然后利用閾值來進行判別。膚色樣本的統(tǒng)計直方圖可以構(gòu)造膚色概率圖，即為離散化的顏色空間中的每個格子賦予一個概率值。利用膚色概率圖來檢測膚色像素主要有兩種方法：貝葉斯分類器和規(guī)則化查表法。對于三維直方圖，盡管效果很好，但是需要很多的訓練樣本而且訓練時間很長，比較復雜，本文不詳細討論這種方法。 區(qū)域分割理論利用膚色模型對膚色進行分割主要分為兩個階段:模型建立和模型運用。模型的建立主要是通過對樣本庫中的大量純膚色圖像進行膚色像素的聚類分析，然后確定模型中的參數(shù)。模型的運用，主要是通過已建立的膚色模型來判段所輸入的像素或區(qū)域是否屬于膚色像素或區(qū)域，或者給出其與膚色的相似度。 區(qū)域分割由于自然界中存在大量與人類皮膚顏色相似甚至相同的物體，因此膚色檢測的結(jié)果中可能包含大量的非皮膚區(qū)域，若直接按照膚色檢測的結(jié)果進行分割，則達到的區(qū)域?qū)⑦h遠大于真實的人臉，造成對于人臉尺度的估計錯誤，最終導致檢測失敗，進一步研究發(fā)現(xiàn)：在大多數(shù)圖片中，某些背景顏色的顏色雖然與其他圖片中的人臉顏色相同，但與這幅特定的圖片中的人臉顏色具有相對的差異性；對訓練樣本的統(tǒng)計表明，正常光照條件下的某個特定人臉的絕大部分區(qū)域的顏色具有較強的一致性。因此，我們在區(qū)域分割中引入了“顏色一致性”的判別準則。具體算法為：（1） 對原始圖像進行顏色空間轉(zhuǎn)換和膚色檢測，得到對應顏色空間中的彩色圖像和標識相應膚色區(qū)域的二值圖像初始化相應的標識矩陣。（2）在中由左至右、由上至下掃描，直至找到3個連續(xù)的未搜索過的膚色點，和。將其作為初始新區(qū)域=。初始化。（3） 在中，從 向左搜索，若該點為非膚色點或改點在中的相應標識為“已搜索”則轉(zhuǎn)至步驟（4），否則考察該點的顏色，若與相應空間中的顏色差異大于閾值則轉(zhuǎn)至步驟（4），否則重新計算相應的顏色。（4） 用類似的方法在中， 從 向右搜索，記錄當前的x坐標為。（5） 若（3）、（4）步中均未搜索到符合條件的膚色點，轉(zhuǎn)步驟（6），否則根據(jù)和對進行相應的調(diào)整，令轉(zhuǎn)步驟（3）。（6） 記錄搜索到新的區(qū)域，返回,并轉(zhuǎn)至步驟（2）重新搜索，直到搜索完整幅圖像。上述算法第（3