【導讀】在現代社會中，身份驗證可以說無處不在，并且與日俱增。人臉識別與指紋、聲音等生物特征識別方法相比具有直接、友好、方便的特點，易于被用戶接受。本文運用人臉識別技術在LabVIEW上構建一個人臉檢測與識別系統(tǒng)。本文針對單純采用膚色檢測容易誤檢出。在YCbCr色彩空間中利用高斯概率膚色模型進行膚色分割，采用模板匹配。實驗結果表明，該算法能夠。提高檢測效率，為后續(xù)識別提供準確信息。為了保證人臉圖像中人臉大。到灰度圖像的轉換、圖像增強、圖像歸一化。人臉特征提取與識別是人臉識別研究中非常重要的兩個問題。究了PCA、LDA人臉識別算法的原理，針對它們用于提取特征時存在的缺點，通過大量的實驗表明該方法是有效可行的，一定程度上提高了人臉的識。統(tǒng)框架，并細化各模塊的功能。面友好，可靠性高。

　　

【正文】 ，并計算各自平均值 AR、 AG、 AB。 (2)找出 AR、 AG、 AB 的最大值和最小值并計算其比值，若該值較大偏離1，則判定圖像有色光干擾。 判斷有色光干擾后，本文采用 Gray World[31]假設方法對偏色圖像進行顏色校正。 Gray World 色彩平衡法是基于灰度世界假設的，該假設認為對于一幅有著大量色彩變化的圖像，通過比較和調整 R、 G、 B 三個分量的均值及圖像總均值可以實現色彩的平衡。其方法步驟如下： (1)提取原彩色圖像的 R、 G、 B 三個分量各自的均值及總均值，均值記為avgR、 avgG、 avgB，總均值記為 avgGray。 (2)計算 R、 G、 B 各分量的調整系數 aR、 aG、 aB，令 aR=avgGray/avgR； aG=avgGray/avgG； aB=avgGray/avgB。 (3)利用調整系數調整圖像的 R、 G、 B 三個分量值，調整方法為分量值與其對應的調整系數相乘。 (4)查看圖像調整后 R， G， B 三個分量的值，若有大于 255 的分量值將其值調整為 255。 (a) 原彩色圖像 (b) 色彩平衡后的圖像 圖 25 色彩平衡效果圖 Result of Light Compensation 進行上述 Gray World 假設方法的操作的合理性我們可以從兩個角度進行考察：一方面，絕大部分的圖像中都包含有純白色，特別是包含人臉在內的圖像中，在眼球外圍等處通常就是純白色，所以將具有最大亮度的像素的色彩值調整為純白色是合理的；另一方面，存在色彩偏差的圖像在原來是白色的區(qū)域有著很明顯、基于 LabVIEW 的人臉檢測與識別系統(tǒng) 的研究 14 直觀的體現，所以按照這些區(qū)域的調整方法對整個圖像進行調整也是比較合理與有效的。 如圖 25 所示， (a)是具有色光干擾的原彩色圖像，圖像整體色彩偏黃；(b)為色彩平衡后的圖像。 完成膚色 建模之后，就可以對被檢測彩色圖 像 進行 膚色分割，下面是膚色分割的整個過程 。 膚色的相似度計算 對于一幅被檢測的彩色圖像，首先 對它進行 光照補償 ，然后 將它 由 RGB 色彩 空間轉換到 YCbCr 色彩空間，通過膚色概率密度函數 ? ?,P CbCr (式 210) 可以計算單個像素的膚色概率值，即膚色相似度值，并且很容易得到整幅圖像的最大膚色相似度值。將每一像素點的膚色相似度值除以最大膚色相似度值再乘以255 作為像素的灰度值，以灰度表征這個像素屬于皮膚的概率從而得到膚色似然圖像。 也就是說，膚色似然圖中單個像素點的灰度值代表了該像素點與膚色的近似程度，灰度越高表示越可能為膚色的區(qū)域 [32]。計算后的結果如圖 26 所示。 (a)原圖 (b) 膚色似然圖 圖 26 相似度計算 Similarity calculation 從圖中可以看出，經過相似度計算以后，圖像中所有與膚色相似的區(qū)域（臉青島科技大學研究生學位論文 15 部、頸部、手臂）比非皮膚區(qū)域的亮度高，因此我們可以采用閾值分割的方法將皮膚和非皮膚分割開來。下一步需要確 定一個分割的閾值。 圖像的 二值化 一幅圖像中往往包含著非常多額外的信息，除了人們所關注的目標物體、還會有背景、噪聲等，為了將目標物體從圖像中摘取下來，有必要對上節(jié)經過處理后得到的相似度圖像進行二值化處理，從而將所需的目標部分從圖形背景中脫離出來。 圖像二值化分割效果好壞的關鍵取決于閾值的選擇。由于被檢測圖像人種的膚色、光照條件不同、背景復雜程度不同，不可能找到一個固定的閾值對所有情況下的圖像都適用。若閾值取得過高或過低，都會產生對膚色和背景的較嚴重的誤判，影響到分割的效果，經常造成漏檢和誤檢。因 此，需要找到能夠適應每張不同圖片的閾值，該閾值應該能夠最優(yōu)的區(qū)分出該圖片中膚色與非膚色像素。 通過觀察和分析可以發(fā)現在有大片連通的似然膚色的背景中，當閾值由大到小遞減到某一閾值時，膚色的 像素數量會突然增大，分割區(qū)域明顯增加。隨著閾值的降低，分割區(qū)域并不會明顯增加（由于這個階段的膚色像素已經被完全檢測出來，而非膚色像素還沒有被認為是膚色像素）。如果繼續(xù)降低閾值到達某一特定值后，不能排除非膚色區(qū)域被錯認為膚色區(qū)域，出現分割區(qū)域面積大幅度增加的情形。因此最優(yōu)閾值應該是在隨著閾值增加，類膚色區(qū)域面積變化最小的范圍 之內?；谝陨锨闆r，本文采取如下的方法選取最佳閾值： 以 為間隔，閾值由 至 遞減，計算并記錄下每次閾值變化時屬于膚色像素數量的變化，然后找出當膚色像素數量變化最小時的那個閾值作為最佳閾值，最后使用該閾值對膚色似然圖像進行分割 , 膚色分割結果 如圖 27 所示 。 圖 27 膚色分割結果 Fig. 27 Results of Skin Segmentation 利用該方法對膚色似然圖進行分割膚色的結果如圖所示。從圖可以看到，膚色分割完成以后，一方面受到復雜背景的影響，存在誤判為膚色 的孤立點或小塊基于 LabVIEW 的人臉檢測與識別系統(tǒng) 的研究 16 孤立區(qū)域，另一方面由于人的臉部存在眼睛、嘴唇等非膚色區(qū)域，整個人臉區(qū)域是非完全填充的。為了改善這種情況，采用形態(tài)濾波器對膚色分割后的圖像作進一步處理。 基于數學形態(tài)學的圖像處理 數學形態(tài)學是分析幾何形狀和結構的數學方法，它建立在集合代數的基礎上，是用集合論方法定量描述集合結構的學科。形態(tài)學具有完備的數學基礎，這為其用于圖像分析和處理奠定了堅實的基礎。數學形態(tài)學的理論基礎和使用的語言是集合論，其基本運算有四種：腐蝕、膨脹、開運算和閉運算，用上述四種基本算法和組合進行圖像形狀和結構的分析 及處理。腐蝕和膨脹往往不單獨使用，實際應用中頻繁使用的是開運算和閉運算兩種操作。開運算和閉運算是由腐蝕和膨脹組合而來的。 (1)腐蝕 腐蝕運算在數學形態(tài)學中的作用是消除物體邊界點，其結果是原區(qū)域的四周邊緣減小一個像素的面積。通過選取不同大小的結構元素，就可以處理不同大小的區(qū)域。通過腐蝕運算可以消除人臉二值圖像中的小區(qū)域物體很有用。腐蝕的數學表達式為： ? ?,xys A B x y B A? ? ? ? (211) 式 中 s 表示腐蝕后的二值圖像， A 表示原圖像經過二值化處理后的圖像， B 表示用來進行腐蝕的結構元素，結構元素內的每個元素值為 1 或 0，它可以是任何一種形狀的圖像區(qū)域。 (2)膨脹 膨脹運算在數學形態(tài)學中的作用是對物體邊界點進行擴充，其將所有與物體接觸的背景點合并到該物體區(qū)域中。也就是說通過膨脹運算會把兩個距離較近的物體區(qū)域連接到一起。膨脹運算可以合并一些皮膚檢測 過程中的錯誤分割點，同時對填充人臉二值圖像中的空洞很有用。膨脹的數學表達式為： ? ?,xys A B x y B A? ? ? ? ? (212) 式中 s 表示膨脹后的二值圖像， A 表示原圖像經過二值化處理后的圖像， B 表示用來進行膨脹的結構元素，結構元素內的每個元素值為 1 或 0，它可以是任何一種形狀的圖像區(qū)域。 (3)開運算與閉運算 開運算是對物體區(qū)域先腐蝕后膨脹的過程。采用開運算可以去除原圖像中一些孤立的小點、毛刺和較窄的連接區(qū)域，從而起到消除小物體區(qū)域和平滑較大物體區(qū)域邊界的作用。開運算數學表達式為 ? ?A B A B B? ? ? ? (213) 青島科技大學研究生學位論文 17 閉運算是對物體區(qū)域先膨脹后腐蝕的過程，采用閉運算可以對圖像內部的細小空洞進行填充，也可以將鄰近物體連接到一起，從 而起到平滑物體邊界的作用。閉運算數學表達式為： ? ?A B A B B? ? ? ? (214) (4)形態(tài)濾波器 圖像中的隨機噪聲可以通過形態(tài)學中的開和閉運算除掉?；谛螒B(tài)學中的開、閉運算具有消除圖像噪聲和平滑圖像的這種功能，使用形態(tài)學開、閉運算建立的形態(tài)濾波器便逐漸發(fā)展了起來。形態(tài)濾波器就是使用一個結構元素對初始圖像串聯地進行開或閉操作，達到消除噪聲的效果。 在本文中，首先采用了一個 33? 的結構元素對二值圖像進行開運算，同時使用了一個 22? 的結構元素對其進行閉運算，其效果如圖 28 所示。 圖 28 數學形態(tài)學處理結果 Fig. 28 Result of Mathematical Morphology 候選人臉區(qū)域的篩選 經過數學形態(tài)學處理后，圖像中的小物體區(qū)域被去除，大物體區(qū)域的邊緣被平滑，但部分噪聲和類似的膚色區(qū)域仍然存在。為了最大程度地去除非人臉區(qū)域，本文采用人臉先 驗知識對形態(tài)學處理后的二值圖像進行判斷。所謂先驗知識就是人臉本身所固有的特征，根據這些特征我們能對人臉區(qū)域進行初步判斷。為了使用人臉先驗知識進一步確定哪些區(qū)域中可能含有正面人臉 , 需要確定膚色二值圖像中膚色區(qū)域的數目。在本文中 , 對經過數學形態(tài)學處理得到的二值圖像的候選區(qū)域進行基于八連通區(qū)域標記 , 對相同連接成分的所有像素分配相同的標號 ,對不同的連接成分分配不同的標號。這樣一來就確定了膚色區(qū)域的數目。針對每一個區(qū)域使用如下三種方法進行判斷，從而找出可能的人臉區(qū)域，結果如圖 29 所示 。 (1)區(qū)域內孔洞數目 的確定 經過大量的實驗得出，人臉皮膚區(qū)域由于眼睛、嘴巴、眉毛等非膚色區(qū)域的存在，從而使人臉區(qū)域二值圖像中存在一個或多個孔洞。采用歐拉數計算每一塊基于 LabVIEW 的人臉檢測與識別系統(tǒng) 的研究 18 膚色區(qū)域中的孔數。歐拉數定義為連通成分數減去空洞數，即 E C H?? (215) 其中 E 為歐拉值 ,C 為連通分支數 ,H 為一個區(qū)域中的孔洞數。因為每次只處理一個皮膚區(qū)域，所以連通分支數為 1,空洞的數量就為 1HE?? 。若沒有孔洞，則去除該膚色區(qū)域。 (2)區(qū)域的長寬比例 由于部分人臉可能存在一些旋轉傾斜，因此直接利用區(qū)域的上、下、左、右4 個頂點的坐標值進行判斷存在一定的困難。這樣，我們統(tǒng)計并提取構成該區(qū)域邊界的所有點的坐標值，記錄下 x 軸上具有最小、最大分量的坐標值， 以此作為人臉的長寬參數，同理求出 y 軸上具有最小、最大分量的坐標值。令 B 等于其中較大者， S 等于其中較小者， B 與 S 的比值 /r B S? 即為所求的區(qū)域長寬比。根據大量的人臉圖像統(tǒng)計可知，對人臉來說，其長寬之比約為 1?？?慮到圖像中人臉有側臉，或著有的頸部和人臉相互連接的情況，并為防止把正確的分割區(qū)域作為錯誤的判斷，我們將這一比率放寬以排除明顯不是人臉的區(qū)域。我們取人臉的長寬比為 ? ，對于不滿足這種比例關系的，直接去除該區(qū)域。這樣，可以去除掉某些手、手臂以及其他裸露在外面的身體部分，或者圖像中某些類似膚色的區(qū)域 (3)區(qū)域的面積 人的面部近似為橢圓形，在長寬比上存在一定的比例。但是一些膚色區(qū)域也可能在長寬比上存在一定比例，如人的手攥成拳頭時，這就需要考慮另為一個因素 區(qū)域的面 積。區(qū)域的長寬求出后，區(qū)域的面積即為該區(qū)域中自色像素點的個數，用公式可表達為： ? ?1100 ,LWyxA B x y??????? (216) 公式中，假定了 y 方向為 L 值， x 方向為 W 值， ? ?,Bxy 為坐標 ? ?,xy 處的像素值 (0或 1)，所求出的 A即為區(qū)域面積。用該區(qū)域的面積除以二值化圖像的面積，若該比例太小，除該膚色區(qū)域。 青島科技大學研究生學位論文 19 圖 29 候選人臉區(qū)域 Fig. 29 The candidate face area 如圖 29 所示，經過上述一系列基于人臉先驗知識的篩選，將排除大部分的假臉區(qū)域。但還不能最終確認人臉，下一節(jié)將采用模板匹配的方法來確認人臉圖像并給出檢測結果。 模板匹配 基于模板匹配 [34][35]的方 法是在圖像灰度的層次上直接比較目標模板和候選圖像區(qū)域之間的相似性，對于人臉檢測而言，就是利用人臉的灰度模板在被檢測圖像中尋找最近似人臉的區(qū)域。 通過前面的一系列工作，我們己經去除大部分的干擾區(qū)域得到一個或多個候選人臉區(qū)域，對這些候選區(qū)域進一步做模板臉的匹配，就可以最終確定是否為人臉。 [36] 模板匹配廣泛應用于圖像處理、模式識別和計算機視覺等領域。模板匹配 方法簡單說就 是指用一個較小的圖像，即模板與源圖像進行比較，以確定在源圖像中是否存在于該模板相同或相似的區(qū)域，還可以確定其位置并提取該 區(qū)域。通過將模板圖像與待匹配圖像進行相關運算，得到一個相關值，再根據這一相關值的大小就可以判斷二者的匹配度。 利用 模板與待檢測圖像區(qū)域進行匹配 ， 就不免要 涉 及到模板匹配的準則。 常