【正文】
10 圖3331 圖3332 為了方便在后續(xù)處理中利用圖像像素的鄰域信息,我們首先將像素從彩色空間變到一維空間。中值濾波是抑制噪聲的一種非線性平滑處理方法,后來(lái)人們將其用于二維數(shù)字圖像處理中。由于這種歸一僅去除了R、G、B中的相對(duì)亮度成分R+G+B,而r、g、b仍存在亮度信息,所以這種方法用于膚色檢測(cè)效果不好。歸一化的顏色分量分別為r,g,b。當(dāng)去除亮度,膚色就具有很高的聚類性。我們采用Gary World算法對(duì)RGB圖像進(jìn)行快速顏色補(bǔ)償,即: SC=CstdCave,Cnew=C*SC 331式中,Cstd為標(biāo)準(zhǔn)亮度圖像R、G、B的平均值;Cave為輸入圖像R、G、B的平均值;C為原圖像的像素值;Cnew為亮度補(bǔ)償后的像素值。圖323光線補(bǔ)償?shù)南敕ǖ奶岢鲋饕强紤]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(dòng),即我們通常所說(shuō)的色彩偏冷、偏暖,照片偏黃、偏藍(lán)等等。它主要通過(guò)統(tǒng)計(jì)分析,預(yù)測(cè)高斯分布的參數(shù),或通過(guò)統(tǒng)計(jì)直接求得顏色空間中每個(gè)分量(一般利用的是該顏色空間中的色度分量)的均值與協(xié)方差。膚色符合正態(tài)分布的隨機(jī)樣本,在特征空間中的分布則復(fù)合高斯分布,高斯函數(shù)平面圖如圖323所示。式中的參數(shù)ecx=,ecy=,a=,b=,cx=,cy=,θ=。cxCr39。膚色在CbCr 空間中也可以用橢圓分布來(lái)描述,根據(jù)式()和式()來(lái)匹配橢圓分布兩個(gè)色度分量的距離。盡管此模型在三維直方圖中效果比較好,但是由于其訓(xùn)練樣本數(shù)量龐大而且訓(xùn)練時(shí)間較長(zhǎng)。 直方圖模型是一種非參數(shù)化模型。所謂膚色模型是指用一種代數(shù)的、解析的或查找表等形式來(lái)表示膚色的聚類特性,或者表征出某一像素的顏色與膚色的相似程度。但是,由于Y和Cb、Cr可能偶然超出 16 ~ 235和 16 ~ 240 范圍(視頻處理和噪聲的緣故),根據(jù)以上公式可知,此時(shí)RGB的值可能偏移到 0 ~ 15和 236 ~ 255范圍內(nèi)。轉(zhuǎn)換公式如下: Y=++ Cb=++128 314 Cr=+128式中,R、G、B是RGB顏色空間中紅、綠、藍(lán)3種顏色通道的顏色值。 RGB顏色空間到Y(jié)CbCr顏色空間的映射人類的膚色在YCbCr顏色空間相對(duì)比較集中(被稱為膚色的聚類特性),因此選用在YCbCr顏色空間中進(jìn)行人臉檢測(cè),需完成RGB顏色空間到Y(jié)CbCr顏色空間的映射。Ci39。所以,在膚色檢測(cè)之前,要先對(duì)圖像進(jìn)行分段線性顏色變換。由于是線性轉(zhuǎn)換關(guān)系,其中的亮度分量Y并不是完全獨(dú)立于色度信息存在的,而Anil ,膚色的聚類區(qū)域因?yàn)榱炼确至康年P(guān)系而呈現(xiàn)非線性變化的情況,而且在YCbCr顏色空間中,膚色聚類成兩頭尖的橢球形。(5) Anil ,其結(jié)果表明,膚色在YCbCr顏色空間的淚俱效果較好。(3) YCbCr的計(jì)算過(guò)程和空間坐標(biāo)表示形式簡(jiǎn)單,與RGB之間的轉(zhuǎn)換為線性,容易實(shí)現(xiàn),避免了非線性的奇異性。除此YCbCr顏色空間還顯示了其他一些良好的特性:(1) 該空間具有與人類視覺(jué)感知過(guò)程相類似的構(gòu)成原理。飽和度S越小,顏色越淺時(shí),色調(diào)H值越不穩(wěn)定。(2) HSV顏色空間中存在著奇異點(diǎn),即色度點(diǎn)在V軸上時(shí),其S值為零,而H沒(méi)有定義。 HSV顏色空間HSV顏色空間在視覺(jué)上是均勻的,與人類的視覺(jué)特性有很好的一致性。≠1 因此,在色度空間中除去亮度分量,即形成膚色空間,得到歸一化的RGB顏色空間。=G G39。則表明兩個(gè)像素色彩相同,其不同則體現(xiàn)在亮度上。、B39。研究表明,如果圖像中的兩個(gè)像素點(diǎn)R、G、B和R39。為了準(zhǔn)確進(jìn)行人臉膚色識(shí)別,首先將人臉圖像從RGB顏色空間映射到Y(jié)CbCr顏色空間,然后建立膚色模型并求得相似度矩陣,最后用相似度矩陣中的最大值對(duì)相似度矩陣進(jìn)行歸一化,該歸一化矩陣將用于后續(xù)人臉檢測(cè)。大量實(shí)驗(yàn)證明,不同膚色的人臉對(duì)應(yīng)的色調(diào)是比較一致的,其區(qū)別主要在于灰度。經(jīng)過(guò)詳細(xì)周密的考證,我們的系統(tǒng)采用基于膚色的人臉檢測(cè)算法。從數(shù)學(xué)上來(lái)說(shuō)圖像直方圖是圖像各個(gè)灰度值統(tǒng)計(jì)特性與圖像灰度值的函數(shù),它統(tǒng)計(jì)了一幅圖像中各個(gè)灰度級(jí)出現(xiàn)的次數(shù)和概率。直方圖閾值處理是二值化常用方法。圖像的二值化一般按下面公式進(jìn)行: gb(x,y)=255,gx,y=T0,gx,yT 23g(x,y)是原圖像中位于(x,y)處像素的像素的灰度,gb(x,y)是二值化后該處的像素值,它只能取1(白)或0(黑)。邏輯運(yùn)算的二進(jìn)制結(jié)果存在輸出圖像中對(duì)應(yīng)于該像素的位置上。在通常情況下,形態(tài)學(xué)圖像處理意在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素并進(jìn)行一種類似于卷積操作的方式進(jìn)行,像卷積核一樣,結(jié)構(gòu)元素可以具有任意的大小,也可以包含任意的0與1的組合。并且,它們適合于用相應(yīng)的硬件構(gòu)造查找表的方式,實(shí)現(xiàn)快速的流水線處理。一個(gè)有效的二值圖像處理運(yùn)算集是從數(shù)學(xué)形態(tài)學(xué)下的集合輪方法發(fā)展起來(lái)的。一個(gè)二值圖像(如一個(gè)剪影像或一個(gè)輪廓圖)通常是由一個(gè)圖像分割操作產(chǎn)生的。直方圖能夠描述一幅圖像中顏色的全局分布,而且容易理解和實(shí)現(xiàn),所以入門級(jí)的圖像相似度計(jì)算都是使用直方圖。常用的圖像特征有顏色特征、紋理特征、形狀特征和空間關(guān)系特征等。這些特征決定了這個(gè)人跟同事、朋友、家人的相似程度。要計(jì)算圖像的相似度,必須要找出圖像的特征。如圖所示。BMP位圖文件默認(rèn)的文件擴(kuò)展名是bmp。Windows ,因此把它稱為設(shè)備相關(guān)位圖(Devicedependent Bitmap, DDB)文件格式。BMP文件存儲(chǔ)數(shù)據(jù)時(shí),圖像的掃描方式是按從左到右、從下到上的順序。它采用位映射存儲(chǔ)格式,除了圖像深度可選以外,不采用其他任何壓縮,因此,BblP文件所占用的空間很大。所以我們需要對(duì)圖像進(jìn)行預(yù)處理。其具體步驟如下:。 本系統(tǒng)研究?jī)?nèi)容及技術(shù)方案 本系統(tǒng)主要對(duì)人臉的檢測(cè)與定位做了深入研究,人臉識(shí)別作為模式識(shí)別的一種,一般可以分為人臉檢測(cè)及定位,人臉特征提取技術(shù)和人臉對(duì)比確認(rèn)識(shí)別。基于統(tǒng)計(jì)特征的人臉?lè)椒ㄖ饕校鹤涌臻g方法、神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法、隱馬爾可夫模型方法以及Boosting方法。現(xiàn)有比較好的方法有層次模板匹配方法、多模板匹配方法、主動(dòng)性狀模型、主動(dòng)表觀模型等。(2)基于模板的方法基于模板的方法可以分為兩類:預(yù)定模板和變形模板。例如將系統(tǒng)分為三級(jí),利用不同精度的平均和二次采樣產(chǎn)生三級(jí)不用分辨率的圖像。目前比較好的方法有鑲嵌圖人臉?lè)謮K方法、33的廣義三分圖方法、結(jié)合33和44的分塊方法。當(dāng)圖像中的待測(cè)區(qū)域符合準(zhǔn)則,則檢測(cè)為人臉。(1)基于先驗(yàn)知識(shí)的方法基于先驗(yàn)知識(shí)的方法是將人臉面部器官之間的關(guān)系編碼化的人臉檢測(cè)方法。近年來(lái),因?yàn)榭植婪肿拥钠茐幕顒?dòng),尤其是自美國(guó)911事件之后,包括人臉識(shí)別在內(nèi)的生物特征識(shí)別再度成為人們關(guān)注的熱點(diǎn),各國(guó)也紛紛增加了對(duì)該領(lǐng)域研發(fā)的投入,其應(yīng)用也非常廣泛?;叶群托螤罘蛛x的可變形模型方法就是其中之一。研究人員開始逐漸認(rèn)識(shí)到人臉識(shí)別算法必須能夠充分利用人臉的各種特征點(diǎn)信息,并融合人臉的形狀拓?fù)浣Y(jié)構(gòu)特征、局部灰度特征和全局灰度分布特征等多種特征。兩種方式的人臉識(shí)別方法各有優(yōu)點(diǎn),基于整體的識(shí)別保留了更多信息,基于人臉特征分析的人臉識(shí)別比基于整體人臉的方法直觀,它提取并利用了最有用的特征,如關(guān)鍵點(diǎn)的位置以及部件的形狀等。這種基于整個(gè)人臉的識(shí)別不僅保留了人臉的主要特征部件之間的拓?fù)潢P(guān)系,也保留了各部件本身的信息。90年代以來(lái),隨著計(jì)算機(jī)軟硬件性能的迅速提高,以及對(duì)人臉識(shí)別技術(shù)的高要求,人臉識(shí)別技術(shù)越來(lái)越成熟。這類方法比較簡(jiǎn)單,但是容易丟失有用的信息;第二個(gè)特點(diǎn)就是人臉識(shí)別研究主要是在較強(qiáng)約束條件下的人臉圖像識(shí)別。20世紀(jì)60年代末至70年代初,人臉識(shí)別的研究剛剛起步,最早的研究者建立了一個(gè)半自動(dòng)的人臉識(shí)別系統(tǒng),主要以人臉特征點(diǎn)的間距、比率等參數(shù)為特征。人臉作為生物特征,雖然唯一性比指紋和虹膜要差(基于人臉的識(shí)別系統(tǒng)識(shí)別率的上限是由同卵雙胞胎的出生率決定的),在高安全性要求的系統(tǒng)中只能作為輔助手段。作為生物特征識(shí)別的一個(gè)重要組成方面,人臉識(shí)別在檔案管理系統(tǒng)、安全驗(yàn)證系統(tǒng)、信用卡驗(yàn)證、公安系統(tǒng)的罪犯身份識(shí)別、銀行和海關(guān)的監(jiān)控、人機(jī)交互等領(lǐng)域都具有廣闊的前景。人臉識(shí)別作為模式識(shí)別的一種,一般可以分為三個(gè)組成部分:從場(chǎng)景中檢測(cè)、分割人臉;抽取人臉特征;匹配識(shí)別人臉信息。美國(guó)軍方還專門組織人臉識(shí)別竟賽以促進(jìn)人臉識(shí)別技術(shù)研究的發(fā)展。而在九十年代后期,由于各行業(yè)對(duì)人臉識(shí)別系統(tǒng)的迫切需求,人臉識(shí)別研究就再次成為熱門課題。人臉識(shí)別系統(tǒng)的識(shí)別率會(huì)出現(xiàn)明顯的下降。第三,眼鏡、發(fā)型、胡須等對(duì)人臉圖像存在影響。這些困難主要表現(xiàn)在:人臉是一個(gè)三維非剛性物體。但建造一個(gè)全自動(dòng)、識(shí)別率高的計(jì)算機(jī)人臉識(shí)別系統(tǒng)并沒(méi)有那么簡(jiǎn)單。人臉識(shí)別按照人臉信息的來(lái)源可分為兩種:基于靜態(tài)人臉圖像的識(shí)別和基于包含人臉的動(dòng)態(tài)視頻信息的識(shí)別。它屬于人工智能領(lǐng)域和生物特征識(shí)別領(lǐng)域的一個(gè)課題。 secondly, in order to achieve robustness detection method, we should consider the face in plex background, different representation in different direction, angle, scale and other circumstances revealed.Visible face detection has a certain degree of difficulty and plexity, but will be indepth study on this issue to promote the development of pattern recognition, puter vision, artificial intelligence, put