【正文】 可以說在拿到這個課題時，我可是一臉的朦朧，正是你們的著作在我做畢業(yè)設(shè)計的過程中敲打著我，時刻啟迪我。想想自己即將踏出寧靜而優(yōu)美的校園，也許這一生的學(xué)生生活就這樣結(jié)束了。我們知道人類 對人臉的辨認能力遠遠超過正面，而是可以從正面到側(cè)面的各種角度進行辨別。如何將光照對識別的影響減小到最少，是一個很有難度的問題。 本 設(shè)計 耗時數(shù)月，最后完成了所要求的功能。 基于膚色的人臉檢測和定位算法分析： 1) 統(tǒng)計出一般的人臉區(qū)域中膚色像素所應(yīng)占的百分比 , 然后具有較高的檢測成功率；利用這一百分比作為閾值對檢測算法得到的候選臉區(qū)域進行驗證，從而排除了膚色像素數(shù)不滿足這一閾值的候選臉； 2) 采用了增強人臉特征與臉部皮膚之間對比度的方法 , 以及改進的對人臉圖像進行二值化處理 , 減少了運算量 。到 135176。對于唇色 ，滿足如下限制條件的位于臉的下部區(qū)域可能是嘴： 0 . 5 ( 2 )a r c c o s ( , 0 . 2( ) ( ) ( ) ( )R G BR G R G R B G B?? ????? ? ? ? ? （ 31） 嘴到兩眼中心的距離可能為 到 左右，在滿足條件的區(qū)域采用類似找眼睛的方法，區(qū)域膨脹，確定左右嘴角和嘴的中心。 眼睛標定的流程為： 圖 310 眼睛標記流程圖 標記效果如圖： 圖 311 眼睛標記 鼻子的 標 定 在確定了眼睛的位置以后，鼻子的位 置也就相應(yīng)地定位下來了。由經(jīng)驗可知：人眼只可能位于人臉上半部分的下 9/15 區(qū)域內(nèi)，在這個區(qū)域內(nèi)找白色像素的個數(shù)當(dāng)它大于 nSlidWinWidth*nSlidWinHeight/3 時，可把參考位圖的像素變?yōu)榧t色。其邊緣提取結(jié)果如下： 用 LOG 算子進行邊緣提取 是否為邊緣？ 膚色區(qū)域 處理為白色 處理為黑色 基于膚色相似度的人臉檢測與定位 16 圖 38 邊緣提取圖 然后對邊緣檢測的結(jié)果進行水平方向的投影，基本能確定眼睛的兩個范圍 I 和 II。求梯度根據(jù)濾波算子的不同可以分為好多種。所謂的邊緣就是圖像的最基本特征，是指圖像周圍象素灰度有階躍變化和屋頂變化的像素的集合；是由灰度的不連續(xù)性反映的。選擇一適當(dāng)?shù)拈撝担瑥某跏奸撝?T0= 遞增 (在 T0到Tmax= 區(qū)間搜索 )，以每一新的閾值 Threshold 二值化人臉灰度圖像，并按上述人眼位置判定準則檢測人眼黑塊是否出現(xiàn)。 有背景灰度人臉圖像中的人眼檢測與定位 首先用某一分割閾值 Threshold將包含人臉的灰度圖像二值化，去除二值化圖像中小的黑斑點，再對二值化圖像中黑色塊進行標記、計算每塊面積 (像 素數(shù) )、確定每塊的外接矩形位置及寬高。然而尋找這樣的最佳分割閾值并不是一件容易的事，眼睛虹膜、瞳孔部位及其鄰近區(qū)域的灰度值會因人而異，并隨光照條件、帶眼鏡時鏡片的反光而變化，加上復(fù)雜背景的變化，使得最佳分割閾值的估計十分困難，但通過圖像灰度直方圖分析和統(tǒng)計的方法，對最佳分割閾值可能所在的灰度區(qū)間進行粗估計還是可以做到的。 人臉是一種特殊的模式，而人的雙眼與眉毛、鼻、口按一定的結(jié)構(gòu)分布在灰度基本均勻的人臉平面上，人臉這種特殊模式與圖像背景模式大相徑庭，從而為判別人的雙眼原始圖像 皮膚圖像 修正后的皮膚圖像 皮膚像素與整個矩形面積的比 矩形面積 候選人臉 非人臉 非人臉 標準候選人臉 基于膚色相似度的人臉檢測與定位 14 位置提供了依據(jù)。 這些區(qū)域的位置和大小并不準確，因為邊緣檢測本身容易出現(xiàn)位置偏移，連通區(qū)的大小也隨著 閾 值而變化。 圖 34 標記人臉區(qū)域 人臉檢測流程 整個基于膚色模型的人臉檢測的流程如下： 安徽工程科技學(xué)院畢業(yè)設(shè)計（論文） 13 膚色檢測 濾波和填充 檢查每個皮膚區(qū) 域 找到該區(qū)域的外接矩形 小于固定值 小于固定值 大于固定值 在原始圖像相同位置得到矩形， 進行放縮、直方圖均衡化等處理 圖 35人臉檢測流程圖 人眼的檢測算法及標定 因為人臉的五官位于 臉部頂點與下巴點之間，將搜索范圍設(shè)為一矩形區(qū)域，矩形的長為臉部頂點與下巴點的距離，矩形的寬即是臉寬。 接著估計人臉的上下邊界，具體算法如下： 1) 從上往下搜索水平方向的白點數(shù)，得到第一次具有大于 ( right left)個白點的y 坐標作為人臉區(qū)域的上邊界 top； 2) 根據(jù)人臉結(jié)構(gòu)特征 ,將 top + ( right left) 作為人臉區(qū)域的下邊界 bottom 。算法的整體流程圖如圖 34 所示： 圖 33 區(qū)域分割算法流程 輸入的經(jīng)過 膚色分割的圖像 去噪聲處理 提取邊界 對邊界的連通關(guān)系作處理 由邊界的連通性和閉合性得到初始的一系列矩形 將初始的矩形序列進行歸并處理 輸出最終的矩形 基于膚色相似度的人臉檢測與定位 12 人臉區(qū)域標記算法 在標記人臉之前，首先要對相似度圖像進行二值化操作，這一部分已經(jīng)在前面一章中介紹了。 設(shè)計 采用了基于邊界的方法和基于區(qū)域的方法相結(jié)合的算法。從一幅圖中，按一定規(guī)則劃分出感興趣的部分或區(qū)域 稱為分割。尤其是眼睛和嘴在絕大部分情況下都清晰可見。圖像分割的目 的是把人臉的器 官與臉的其他部分分離開來，并保證每個器官的完整性。到 135176。不漏檢、不降低正確率是膚色分割處理的前 提，也是人臉區(qū)域分割算法的首要前提 。 基于膚色相似度的人臉檢測與定位 10 第 3 章 相似度基礎(chǔ)上的人臉特征定位 在 上一章 得到的人臉區(qū)域基礎(chǔ)上，對原圖像進行灰度計算，將可能的眼睛區(qū)域分割成小圖像塊標定人眼中心，從而在眼睛確定的情況下把鼻子和嘴巴提取出來。同樣也得到了膚色信息的均值 M 和方差 C， 為下一步計算相似度做了準備。我們可以采用訓(xùn)練的方法來計算得到一個分布中心，此過程主要生成可用于識別的參數(shù)。 首先應(yīng)用膚色模型進行人臉的初定位，接著提出了一種基于膚 色區(qū)域分割方法得到包含人臉區(qū)域在內(nèi)的一系列矩形區(qū)域，從而進行了定位。這一非線性分段色彩變換得到的膚色模型屬于色彩空間中的聚類模型，這一類膚色模型的建立首先要選取一種合適的色彩空間，我們注意到 YCbCr 色彩空間具有如下優(yōu)點： 1) YCbCr 色彩格式具有人類視覺感知過程相類似的構(gòu)成原理； 2) CbCr 色彩格式被廣泛的應(yīng)用在電視顯示等領(lǐng)域中，也是許多視頻壓縮解碼，如MPEG,JPEG 等標準中普遍采用的顏色表示格式； 3) YCbCr 色彩格式具有與 HIS 等其他一些顏色格式相類似的將色彩中的亮度分量分離出來的優(yōu)點； 4) 相比 HIS 等其他一些色彩格式， YCbCr 色彩格式的計算過程和空間坐標表示形式比較簡單； 5) 實驗結(jié)果表明在 YCbCr 色 彩空間中膚色的聚類特性比較好。 考慮到膚色等色彩信息經(jīng)常受到光源顏色、圖像采集設(shè)備的色彩的偏差等因素的影響，而在整體上偏離本質(zhì)色彩而向某一方向移動，即我們通常所說的色彩偏冷、偏暖，照片偏黃、偏 藍等等，這種現(xiàn)象在藝術(shù)照片中更為常見。 Y=++ Cb=++128 （ 21） Cr=+128 我們將統(tǒng)計采集到的多幅圖像人臉區(qū)域像素 RGB值，按上式進行轉(zhuǎn)換，統(tǒng)計在 CbCr空間的分布概率，保留概 率大于 ，得到膚色分布區(qū)域。 在該文的設(shè)計中采用了 YCbCr(YUV)格式。 基于膚色的人臉檢測 色彩空間的選擇 根據(jù)計算機色彩理論，對一種顏色而言，在計算機中有不同的表達式，這樣就形成了各種不同的色彩空間，當(dāng)然各種色彩空間只不過是顏色在計算機內(nèi)的不同的表達 形式而已， 在具體的色彩空間中通過實踐找到膚色區(qū)間 ,建立起可操作性的膚色模型 ,這樣就讓膚色信息成為了人臉檢測的核心方法。 上述的各種方法都存在自身的優(yōu)缺點和適用領(lǐng)域，很多學(xué)者在各自所面臨的問題范圍內(nèi)不斷探索，也發(fā)明了許多卓有成效的檢測算法。而且在人臉區(qū)域中，膚色一定是占主導(dǎo)地位的像素色彩值。 本文研究的主要內(nèi)容 本課題致力于完成 Visual C++ 平臺下的人臉檢測與定位系統(tǒng)，人臉檢測定位的算法限制于基于膚色相似度算法。而非線性建模方法、統(tǒng)計學(xué)習(xí)理論、基于 Boostingi的學(xué)習(xí)技術(shù)、基于 3D 模型的人臉建模與識別方法等逐漸成為備受重視的技術(shù)發(fā)展趨勢。因此，光照、姿 態(tài)問題逐漸成為研究熱點。這一階段是人臉檢測識別研究的初級階段，非常重要的成果不是很多， 也基本沒有獲得實際應(yīng)用。尤其是 1990 年以來，人臉檢測更得到了長足的發(fā)展。 人臉檢測的研究背景及現(xiàn)狀 人臉檢測的 研究歷史比較悠久 。其主要原因之一就是用計算機自動進行人臉的檢測和識別十分困難，目前的檢測效果（正確率、速度）不如其他的生物識別技術(shù)，如指紋識別，視網(wǎng)膜識別等等。人臉識別技術(shù)的研究是本世紀計算機視覺領(lǐng)域最具挑戰(zhàn)性的研究課題之一，其應(yīng)用領(lǐng)域十分廣泛：可用于公安系統(tǒng)的罪犯身份識別、安全驗證系統(tǒng)、信用卡驗證 、醫(yī)學(xué)、檔案管理、視頻會議、人機交互系統(tǒng)、駕駛執(zhí)照及護照等與實際持證人的核對、銀行及海關(guān)的監(jiān)控系統(tǒng)及自動門衛(wèi)系統(tǒng)等 。近幾年隨著電子商務(wù)等應(yīng)用的發(fā)展，人臉識別成為最有潛力的生物身份驗證手段， 這種應(yīng)用背景要求自動人臉識別系統(tǒng)能夠?qū)σ话悱h(huán)境下的圖像具 有一定的適應(yīng)能力，由此所面臨的一系列問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視 。人臉檢測系統(tǒng)的輸入是可能包含人臉的圖， 輸出是關(guān)于圖中是否存在人臉以及人臉 的數(shù)目、位置、尺度、位姿等信息的參數(shù)化描述。人臉的檢測問題在近 10 年中得到了廣泛的關(guān)注， 國內(nèi)外很多研究人士提出了很多方法，在不同領(lǐng) 域取得了一定進展。 feature ex traction 安徽工程科技學(xué)院畢業(yè)設(shè)計（論文） III 目錄 引言 ............................................................................................................................................ 1 第 1 章 人臉檢測與定位概述 .................................................................................................. 2 人臉檢測的定義、應(yīng)用及難點 .......................................................................................... 2 人臉檢測的研究背景及現(xiàn)狀 .............................................................................................. 2 本文研究的主要內(nèi)容 .......................................................................................................... 3 第 2 章 基于膚色模型的人臉檢測 ...............................................