【文章內(nèi)容簡(jiǎn)介】 臉。此方法在某種程度上有一定的復(fù)雜性，但是是基于統(tǒng)計(jì)學(xué)的方法，檢測(cè)效果比起其他檢測(cè)算法好很多，因此在解決復(fù)雜環(huán)境的人臉檢測(cè)的時(shí)候，更多的是采用此方法。 基于膚色模型的人臉檢測(cè) 膚色模型人臉檢測(cè)是利用人體膚色的顏色空間的特殊性，例如在三色空間，就可以找到一定的規(guī)則檢測(cè)出人體的膚色，經(jīng)試驗(yàn)表面此規(guī)則的實(shí)用性還很強(qiáng)，基本是不同的膚色都包含在檢測(cè)規(guī)則內(nèi)。檢測(cè)到膚色之后用一般的圖像算法出了之后就可以判斷是否人臉了。首先，對(duì)檢測(cè)區(qū)域檢測(cè)的腐蝕和膨脹處理，當(dāng)然腐蝕和膨脹的次數(shù)要具體確定，然后用邊緣檢測(cè)算法檢測(cè)出邊緣，最后對(duì)邊緣進(jìn)行橢圓擬合判斷是否為人臉。 人臉識(shí)別算法 在最近的幾十年中，由于計(jì)算機(jī)的各項(xiàng)技術(shù)都發(fā)展的很快，因此人臉識(shí)別的研究和發(fā)展也是相當(dāng)迅速的。同時(shí)國(guó)內(nèi)外相關(guān)人士也做大量的工作，并深入研究人臉識(shí)別算法，使之更有實(shí)用性。目前主要有靜態(tài)圖像識(shí)別(static identification)、動(dòng)態(tài)圖像識(shí)別(dynamic identification)、固定面部（Fixed identification）。 基于靜態(tài)圖像的識(shí)別 對(duì)于靜態(tài)的圖像分析其中的人臉需要借助圖像獲取設(shè)備幫助實(shí)施（手機(jī)，相機(jī)的等）得到圖片，然后簡(jiǎn)單的進(jìn)行人臉識(shí)別，因此做法的算法計(jì)算的復(fù)雜的就很低。此類算法大致可分為以下幾種： 基于幾何特征的方法：基于此種特征的識(shí)別方法在提取人臉的幾何特征上的要求很高。首先需要在待識(shí)別人臉圖片上布點(diǎn)，任何提取點(diǎn)與點(diǎn)之間的相對(duì)距離。當(dāng)然，這些的需要手工去選擇，如果選擇的點(diǎn)有一定的偏差，很有可能嚴(yán)重影響到人臉的識(shí)別，因?yàn)樵诤蛶缀翁卣魅四槑?kù)相比較的時(shí)候，圖像庫(kù)中保存的幾何特征的容忍度并沒有這么大。因此，此種方法在適應(yīng)性上是很難做到的，同時(shí)其識(shí)別準(zhǔn)確率也不是很高，現(xiàn)在基本上不用這種算法進(jìn)程識(shí)別了?，F(xiàn)在的識(shí)別設(shè)備由于硬件的提升，一般的識(shí)別算法的時(shí)間復(fù)雜度都是可以容忍的。 基于代數(shù)特征的方法：次方法的人臉識(shí)別方法現(xiàn)在的代表算法為 PCA 主元分析發(fā)，它的想法是，假設(shè)有一個(gè) M*N 的人臉圖片，那么可以得到一個(gè) 1* (M*N) 的一維向量，如果是 10 張人臉樣本圖片，那么就得到 10*(M*N)的一個(gè)矩陣，然后采用提取矩形的特征向量和特征值的方法得出代表此樣本人臉的特征臉。然后采用一般的分類器，如 SVM 算法訓(xùn)練當(dāng)前人臉的分類器，用于識(shí)別待識(shí)別人臉。次識(shí)別算法人臉具有如下優(yōu)良特征:穩(wěn)定性、位移不變性和轉(zhuǎn)置不變性。 基于視頻圖像的人臉識(shí)別 視頻圖像識(shí)別算法在最近的幾年之中發(fā)展的很快，同時(shí)也得到了廣泛的應(yīng)用。因?yàn)榇怂惴ㄊ腔谝曨l的，那么可以檢測(cè)或者識(shí)別的就不在和靜態(tài)圖片識(shí)別那樣，需要很高的要求，在視頻中可以簡(jiǎn)單跟蹤同一個(gè)人臉，可以從多個(gè)識(shí)別中統(tǒng)計(jì)識(shí)別的結(jié)果，此算法可以集結(jié)前面的多個(gè)識(shí)別算法的優(yōu)點(diǎn)同時(shí)進(jìn)行。從具體分析視頻圖像人臉識(shí)別有兩種情況[20]：一是已知人臉從人臉庫(kù)中識(shí)別；二是未知人臉從人臉庫(kù)中判斷。這兩種情況看似一樣，其實(shí)差別很大，后一種的難度幾乎是前一種的兩倍。視頻圖像人臉識(shí)別還是有兩個(gè)重要的組成部分，要識(shí)別就必須要檢測(cè)。人臉檢測(cè)在視頻識(shí)別中有著自己的優(yōu)點(diǎn)就是可以進(jìn)行跟蹤，從而得到更多的圖片用以輔助人臉識(shí)別。此種算法有如此多的優(yōu)點(diǎn)，那么肯定會(huì)備受相關(guān)研究人士的青睞，同時(shí)在工程上也受到極大的重視。 基于隱馬爾科夫（HMM）的人臉識(shí)別HMM 模型即是一組參數(shù)=(∏，A，B)，這組參數(shù)完全代表了一個(gè)模型，從數(shù)學(xué)上具體的刻畫了 HMM 模型。其中，∏為模型初始概率，即從哪里開始的概率；A 為狀態(tài)轉(zhuǎn)移矩陣，即觀察序列從一個(gè)狀態(tài)轉(zhuǎn)移到另一個(gè)狀態(tài)的概率；B 為觀察概率矩陣，即觀察序列中當(dāng)前狀態(tài)在某一狀態(tài)下觀察到某一觀察向量的概率。同時(shí) Markov 鏈也是 HMM 的一部分，他是作用一個(gè)在參數(shù)模型下的雙重隨機(jī)的過程，即當(dāng)前轉(zhuǎn)移到下一個(gè)狀態(tài)為隨機(jī)的由 A 決定，同時(shí)在當(dāng)前狀態(tài)下觀察到某個(gè)觀察向量也是隨機(jī)的由 B 決定的。4 人臉識(shí)別與檢測(cè)的相關(guān)實(shí)例 實(shí)例一圖像處理的Matlab程序如下: 原圖像 處理后圖像33clear all。clc。I=imread(39。D:\39。)。 O=rgb2ntsc(I)。G=O(:,:,2)。[m n]=size(G)。 U=zeros(m,n)。 for i=1:m for j=1:n if G(i,j)amp。amp。G(i,j) U(i,j)=1。 end end end sr=strel(39。disk39。,6)。 C=imclose(U,sr)。 L=bwlabel(C)。 B=regionprops(L,39。area39。)。 Se=[]。Sm=max(Se)。 if Smm*n/27B1=bwareaopen(C,Sm)。 k_y1=m。k2=m。l2=n。 for i=1:m if any(B1(i,:))==1 k_y1=i。 break end end for i=k_y1:m if B1(i,:)==0 k2=i。 break end end for j=1:n if any(B1(:,j))==1 l_y1=j。 break end end for j=l_y1:n if B1(:,j)==0 l2=j。 break end end k_y=k2k_y1。 l=l2l_y1。if k_y.5*lamp。amp。k_y3*l I1=imcrop(B1,[l_y1k_y1 l .4*k_y])。 [n1 m1]=size(I1)。 L1=bwlabel(I1)。 E=regionprops(L1,39。area39。)。 Si=[]。 Sm=max(Si)。if Sm/(n1*m1).3 B2=bwareaopen(I1,floor(.5*Sm))。 g_y1=m1。g2=m1。 for j=1:m1 if any(B2(:,j))==1 g_y1=j。 break end end for j=g_y1:m1 if B2(:,j)==0。 g2=j。break end end g=g2g_y1。figure。imshow(I)。hold onh1=line([l_y1+g_y1,l_y1+g_y1+g],[k_y1,k_y1])。h2=line([l_y1+g_y1+g,l_y1+g_y1+g],[k_y1,k_y1+*g])。h3=line([l_y1+g_y1+g,l_y1+g_y1],[k_y1+*g,k_y1+*g])。h4=line([l_y1+g_y1,l_y1+g_y1],[k_y1+*g,k_y1])。h=[h1 h2 h3 h4]。set(h,39。Color39。,[1 0 0],39。LineWidth39。,2)。else figure。imshow(I)。endelse figure。imshow(I)。end else figure。imshow(I)。 end 實(shí)例二 處理前后圖片對(duì)比(包括圖像二值化、灰度處理及人臉識(shí)別)圖像處理的Matlab程序如下:clear all。 clc。 Img = imread(39。D:\39。)。if ndims(Img) == 3 I=rgb2gray(Img)。else I = Img。endBW = im2bw(I, graythresh(I))。 % 二值化figure。 subplot(2, 2, 1)。 imshow(Img)。 title(39。D:\39。, 39。FontWeight39。, 39。Bold39。)。subplot(2, 2, 2)。 imshow(Img)。 title(39。D:\39。, 39。FontWeight39。, 39。Bold39。)。hold on。[xt, yt] = meshgrid(round(linspace(1, size(I, 1), 10)), .