【正文】 Cb表示藍(lán)色色度、Cr表示紅色色度。膚色檢測(cè)采用YCbCr和HSV顏色空間。利用膚色特征檢測(cè)人臉可以去掉大部分背景，加快人臉檢測(cè)速度。因此，采用結(jié)合膚色特征和AdaBoost方法進(jìn)行人臉檢測(cè)。AdaBoost檢測(cè)方法滿(mǎn)足無(wú)人工干預(yù)的要求，準(zhǔn)確率也很高，但是訓(xùn)練量比較大，對(duì)速度要求無(wú)法滿(mǎn)足。在應(yīng)用中，快速有效地進(jìn)行人臉檢測(cè)顯得極為重要。正常情況下，人臉的眼睛、嘴、鼻孔鼻子兩側(cè)等區(qū)域的灰度值較低，前額、臉頰、 鼻梁等區(qū)域的灰度值比較高。(4)灰度特征。(3)紋理特征。例如，人臉輪廓可以近似為一個(gè)橢圓，則人臉檢測(cè)可以通過(guò)檢測(cè)橢圓來(lái)完成。(2)形狀特征。常見(jiàn)的膚色模型有高斯模型、直方圖模型、三維投影模型、神經(jīng)網(wǎng)絡(luò)膚色模型等方法。利用膚色特征檢測(cè)出的人臉區(qū)域可能不夠準(zhǔn)確，但如果在整個(gè)系統(tǒng)實(shí)現(xiàn)中作為人臉檢測(cè)的粗定位環(huán)節(jié)，它具有直觀、實(shí)現(xiàn)簡(jiǎn)單、快速等特點(diǎn)。人臉的結(jié)構(gòu)大體相同，原始的人臉數(shù)據(jù)量太大，而且還會(huì)隨著拍攝條件而變化，這使得特征提取和選擇在人臉檢測(cè)中極為重要，人臉檢測(cè)中，可以提取的特征主要有以下幾類(lèi)：(1)膚色特征。這種方法沒(méi)有人工分析人臉、抽取模板，沒(méi)有對(duì)輸入圖像進(jìn)行復(fù)雜處理，而是利用大量的外觀信息，用結(jié)構(gòu)化的方法訓(xùn)練出人臉的分類(lèi)器。(3)基于人臉統(tǒng)計(jì)模型的方法。模版匹配時(shí)一種經(jīng)典的模式識(shí)別方法，對(duì)于人臉檢測(cè)，首先要預(yù)定義或參數(shù)化一些人臉模板作為標(biāo)準(zhǔn)模板，一般使用正面的人臉模板，單獨(dú)的眉毛、眼睛、鼻子、嘴模板等。常見(jiàn)的人臉特征如邊緣、色彩、紋理等特征，人的膚色被證明是檢測(cè)人臉的一個(gè)有效特征。主要是尋找不依賴(lài)于外在條件和屬性的人臉特征。4．1人臉檢測(cè)方法和特征人臉作為一種自然形體，能跟別的形體很好區(qū)分開(kāi)來(lái)，說(shuō)明其本身具有非常強(qiáng)的共性，但是由于人臉個(gè)體的差異，人臉千變?nèi)f化，使得人臉具有復(fù)雜的模式變化。本章對(duì)彩色圖像的人臉檢測(cè)問(wèn)題進(jìn)行研究，運(yùn)用結(jié)合膚色的AdaBoost人臉檢測(cè)算法檢測(cè)人臉。而本章提出一種結(jié)合偏色糾正和改進(jìn)Retinex的彩色圖像增強(qiáng)算法，利用線(xiàn)性擬合糾正圖像偏色，多尺度Retincx對(duì)亮度分量增強(qiáng)，自適應(yīng)調(diào)整亮度，獲得亮度增益矩陣進(jìn)行RGB三分量同比增強(qiáng)，能較好保持色度信息下增強(qiáng)彩色圖像，去除小塊的暗區(qū)域，克服高光現(xiàn)象，把圖像的亮度和色度調(diào)整到較理想狀態(tài)。具體步驟如下：(1)計(jì)算亮度灰度圖像的方差，D=var(V(x，y))；(2)計(jì)算卷積結(jié)果與亮度灰度圖像的比值，并進(jìn)行冪運(yùn)算：(3．23)，其中a的取值為，如果D大于100，a=1/2：如果D小于等于25，a=2；其它情況a=D。由于中心／圍繞函數(shù)相當(dāng)于一個(gè)低通濾波器的核，通過(guò)中心／圍繞函數(shù)與亮度增強(qiáng)圖像的卷積可以獲得圖像的鄰域信息。通過(guò)亮度增強(qiáng)后，雖然V分量中較暗部分區(qū)域的亮度得到有效的增強(qiáng)，但是局部信息有丟失。反正切函數(shù)方程可以表示成如下形式： (3．19)所以運(yùn)用公式(3．20)對(duì)V分量進(jìn)行增強(qiáng)，應(yīng)用公式(3．21)進(jìn)行多尺度增強(qiáng)，() (3．21)其中表示彩色圖像的亮度分量多尺度增強(qiáng)結(jié)果，反正切函數(shù)實(shí)現(xiàn)輸出歸一化；表示第n個(gè)亮度分量增強(qiáng)的權(quán)值系數(shù)，通常取均勻權(quán)，=l/N,；表示第n個(gè)亮度分量增強(qiáng)的尺度參數(shù)，表示高斯核函數(shù)的形狀。在RGB空間中，亮度和色度信息是融合在一起的，要實(shí)現(xiàn)三分量的同比增強(qiáng)，首先把圖像轉(zhuǎn)換顏色空間，并且要求亮度增強(qiáng)的同時(shí)能保持色度信息不變，因此把圖像從RGB空間轉(zhuǎn)換到HSV空間，分離出亮度信息。下面描述具體描述算法。圖34 Retinex增強(qiáng)3．2．3改進(jìn)Retinex的彩色圖像增強(qiáng)算法綜合比對(duì)了直方圖均衡和Retinex理論的彩色圖像增強(qiáng)，提出一種基于改進(jìn)Retinex理論的彩色圖像增強(qiáng)算法。經(jīng)過(guò)Retinex算法處理后的圖片，對(duì)比度減弱，整體偏亮，顏色與原圖偏移很大，甚至導(dǎo)致完全丟失。Retinex算法的中心／圍繞函數(shù)相當(dāng)于一個(gè)低通濾波器的核，中心／圍繞函數(shù)的尺度參數(shù)直接影響到被處理后的顏色，越小，動(dòng)態(tài)范圍壓縮能力越強(qiáng)，暗區(qū)域增強(qiáng)作用明顯，但平均對(duì)比范圍縮小，輸出產(chǎn)生顏色失真；反之，越大，顏色保真度越高。針對(duì)灰度圖像的多尺度Retinex算法，比單尺度Retinex算法效果明顯改進(jìn)，容易推廣到彩色圖像。MSR就是對(duì)通道的單尺度Retinex輸出進(jìn)行線(xiàn)性加權(quán)求和，其基本形式是： i=1，2，3 (3．14)表示第n個(gè)SSR的權(quán)值，通常w=1／N；仃。反射物體R決定了圖像的內(nèi)在性質(zhì)。3．2．2 Retinex理論圖像增強(qiáng)Land提出視網(wǎng)膜皮層理論，即Retinex理論。圖33 光照補(bǔ)償直方圖均衡增強(qiáng)能很好保持圖像的細(xì)節(jié)，這是一種整體增強(qiáng)算法，在要求不高的場(chǎng)合，卻是一種簡(jiǎn)單、快速、有效韻算法。令i=0，1，．．．，k，滿(mǎn)足條件的像素的平均灰度值表示為， (3．7)(4)計(jì)算光線(xiàn)補(bǔ)償系數(shù)并對(duì)彩色圖像進(jìn)行光照補(bǔ)償。 (3．5)其中，i=0，1，．．．，255。3．2．1基于直方圖均衡的光照補(bǔ)償彩色圖像增強(qiáng)的直方圖均衡算法是常用的方法，算法描述如下：(1)首先對(duì)彩色圖像I(x，y)(M*N圖像)進(jìn)行灰度化處理得到g(x，y)?；赗etinex理論的算法影響深遠(yuǎn)。另一類(lèi)是從視覺(jué)特性出發(fā)，將色彩的恒常性應(yīng)用于彩色圖像的增強(qiáng)。彩色圖像的三基色分量相關(guān)性強(qiáng)，增強(qiáng)亮度和保持顏色不變相當(dāng)困難。3．2彩色圖像增強(qiáng)傳統(tǒng)的圖像增強(qiáng)算法有：直方圖均衡化、空域?yàn)V波增強(qiáng)、頻域?yàn)V波增強(qiáng)?；叶仁澜绶椒ㄔ趫D像顏色豐富的條件下是可行的，而完美反射方法在存在白色物體的情況下也是可行，但是都具有局限性。圖31為原圖，二元法校正結(jié)果如圖32所示。3)由公式(3．1)， (3．2)， (3．3)可得相關(guān)通道校正系數(shù)a和b的矩陣形式為由求解出的顏色校正系數(shù)a和b對(duì)R通道進(jìn)行顏色校正，G通道保持不變。根據(jù)灰度世界的假設(shè)，必須滿(mǎn)足以下條件： (3在原有灰度世界和完美反射方法“線(xiàn)性”映射校正的基礎(chǔ)上，以R通道為例，其校正表示為以下形式： （3灰度世界和完美反射理論適用于大多數(shù)場(chǎng)合的顏色校正，但同時(shí)具有一定的局限性，不能正確再現(xiàn)物體的真實(shí)顏色。一個(gè)白色的物體，在任何光源色溫下的圖像，其R、G、B皆為極大值。白色的物體或區(qū)域，稱(chēng)之為完美反射體。物體本身并沒(méi)有顏色，它是通過(guò)不同波長(zhǎng)的光的吸收、反射或是投射，從而顯示出顏色。對(duì)拍攝的圖像進(jìn)行統(tǒng)計(jì)求平均值，保持G分量不變，以R、B分量的均值作為顏色校正的依據(jù)。(1)灰度世界顏色校正n副。白平衡法是針對(duì)存在鏡面反射的圖像，認(rèn)為鏡面反射或白色區(qū)域反射的高光部分能夠反映光源的色度，統(tǒng)計(jì)3個(gè)通道的亮度極大值，通過(guò)顏色空間轉(zhuǎn)換，獲得相對(duì)均勻的Lab坐標(biāo)，計(jì)算與理想光源的色度距離，從而判斷是否存在偏色。顏色的直方圖統(tǒng)計(jì)直接根據(jù)R、G、B三通道的平均亮度值初步判斷出圖像是否偏色。常用的偏色檢測(cè)方法主要包括直方圖統(tǒng)計(jì)法、灰平衡法、白平衡法等。對(duì)彩色圖像進(jìn)行亮度和色度分離，利用多尺度Retinex增強(qiáng)算法對(duì)亮度分量增強(qiáng)并進(jìn)行自適應(yīng)調(diào)整，通過(guò)獲取的亮度增益矩陣對(duì)彩色圖像的RGB三分量進(jìn)行逐點(diǎn)增強(qiáng)。本章提出一種結(jié)合偏色糾正和改進(jìn)Retinex的彩色圖像增強(qiáng)算法。第三章圖像預(yù)處理從前面介紹的人臉識(shí)別處理流程可知，圖像預(yù)處理是人臉識(shí)別處理流程的第一步。本章概述人臉識(shí)別流程，對(duì)人臉識(shí)別系統(tǒng)的各模塊做了全面的介紹。保局投影和正交保局投影的方法成功應(yīng)用于高維人臉圖像降維，但是正交保局投影的方法正交化過(guò)程迭代運(yùn)算過(guò)大，兩者都沒(méi)有利用類(lèi)別信息，雖然能得到最優(yōu)的特征描述，但是并非分類(lèi)意義上最優(yōu)。人臉圖像近似處于一個(gè)非線(xiàn)性子流行上，借鑒混沌理論中分形的思想，尋找嵌入在高維數(shù)據(jù)模型的低維子流行是人臉識(shí)別降維的關(guān)鍵。對(duì)局部特征的描述，采用等價(jià)局部二進(jìn)制模式；對(duì)整體特征的描述，采用小波多尺度分析，提取人臉的多尺度等價(jià)局部二進(jìn)制模式特征，最后把兩者綜合起來(lái)，構(gòu)成人臉的多尺度特征?；谡w的特征提取方法表征整幅圖像的特征，基于局部的特征提取方法強(qiáng)有力地表達(dá)細(xì)節(jié)信息。歸一化后得到標(biāo)準(zhǔn)的人臉圖像。特征提取都是在灰度圖像上進(jìn)行的，對(duì)圖像進(jìn)行位置校準(zhǔn)和光照的歸一化有利于特征提取?？紤]嘴巴的閉合和張開(kāi)情況，結(jié)合紅色度信息和差分特征，定位嘴巴。提出一種基于各向異性濾波的人眼定位方法，該方法首先構(gòu)造各向異性濾波器，對(duì)圖像進(jìn)行去光照處理，保留人眼的基本特征，然后進(jìn)行形態(tài)學(xué)濾波，突出眼睛的特征，并進(jìn)行特征區(qū)域的初步匹配，最后依據(jù)精確定位算法定位人眼。3．人臉特征定位模塊在人臉識(shí)別應(yīng)用中，人臉特征定位是非常關(guān)鍵的步驟，定位的準(zhǔn)確與否影響到提取的特征能否配準(zhǔn)。首先建立膚色模型，對(duì)彩色圖像進(jìn)行膚色檢測(cè)，去掉大部分人臉圖像背景，同時(shí)得到可能的人臉區(qū)域的大小，為Adaboost算法提供掃描窗口尺度和可能的人臉圖像區(qū)域。Adaboost人臉檢測(cè)準(zhǔn)確率高，但是對(duì)樣本需求量大，需要花費(fèi)大量時(shí)間訓(xùn)練，圖片尺寸增大，檢測(cè)時(shí)間迅速增長(zhǎng)。2．人臉檢測(cè)模塊人臉檢測(cè)對(duì)速度和準(zhǔn)確率要求很高，一種算法很難同時(shí)兼顧這兩方面的要求，因此采用不同特征相融合的方法不失為一個(gè)好策略。如果存在偏色，那么根據(jù)灰度世界和完美反射理論建立模型，以二元法實(shí)現(xiàn)圖像的偏色糾正。根據(jù)待識(shí)別圖像的特點(diǎn)，設(shè)計(jì)預(yù)處理算法，減少圖像偏色和亮度不均的影響，以利于后面的人臉檢測(cè)，提出一種結(jié)合偏色糾正和改進(jìn)retinex的圖像增強(qiáng)算法。下面介紹人臉識(shí)別系統(tǒng)各模塊的實(shí)現(xiàn)方法和功能。人臉識(shí)別流程如圖2—1所示。(5)人臉識(shí)別。(4)人臉圖像歸一化和特征提取。(3)人臉關(guān)鍵特征定位。(2)人臉檢測(cè)。(1)圖像的預(yù)處理。下面將介紹系統(tǒng)的處理流程和各個(gè)模塊的功能和實(shí)現(xiàn)方法。特征提取和人臉識(shí)別這兩個(gè)模塊主要對(duì)數(shù)據(jù)進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明識(shí)別率相對(duì)提高。(5)識(shí)別算法設(shè)計(jì)方面，采用流形學(xué)習(xí)算法，在傳統(tǒng)的保局投影基礎(chǔ)上，加入類(lèi)別的監(jiān)督信息，并使向量正交化，改進(jìn)正交拉普拉斯特征臉?biāo)惴▽?duì)特征數(shù)據(jù)進(jìn)行降維。等價(jià)的局部二進(jìn)制模式有效地減少了數(shù)據(jù)的維數(shù)，不同尺度分析能夠表征人臉的局部和整體特征，兩者的結(jié)合，更能有效的表征人臉特征。膚色檢測(cè)去掉大部分背景，并提供區(qū)域和窗口特征，Adaboost檢測(cè)判別是否為人臉，(3)在人臉特征定位方面，提出了一種基于各向異性濾波的人眼定位方法，對(duì)彩色圖像的定位采用各分量差分的方法，實(shí)驗(yàn)結(jié)果證明效果較好。在彩色圖像增強(qiáng)方面階段提出了一種結(jié)合偏色糾正和改進(jìn)的retinex的增強(qiáng)方法，實(shí)驗(yàn)結(jié)果證明了該方法的有效性。1．4．2人臉識(shí)別技術(shù)研究的主要內(nèi)容針對(duì)人臉識(shí)別技術(shù)涉及的幾個(gè)方面，對(duì)以下內(nèi)容作了研究和探討。特征提取模塊，研究如何有效的提取人臉的特征信息，正確表征人臉特征，同時(shí)減少數(shù)據(jù)向量的維數(shù)。人臉檢測(cè)模塊，結(jié)合膚色檢測(cè)，簡(jiǎn)約特征，優(yōu)化傳統(tǒng)的Adaboost算法。對(duì)人臉識(shí)別的整過(guò)流程進(jìn)行深入研究，在人臉檢測(cè)和人臉特征定位后，對(duì)圖像進(jìn)行歸一化，識(shí)別算法在環(huán)境和人臉本身變化的情況下仍然有效，向自動(dòng)化識(shí)別目標(biāo)邁進(jìn)，正是基于這個(gè)目標(biāo)，對(duì)人臉識(shí)別技術(shù)進(jìn)行了研究和探討。各大公司、研究機(jī)構(gòu)都對(duì)其進(jìn)行了深入的研究，提出了許多的識(shí)別方法，使其識(shí)別精度越來(lái)越高。從問(wèn)題產(chǎn)生的根源上講，人臉識(shí)別問(wèn)題集中在三個(gè)層面：一是信號(hào)層面，表現(xiàn)為數(shù)據(jù)獲取不穩(wěn)定；二是特征層面，采集條件變化時(shí)特征描述的魯棒性問(wèn)題；三是決策層面，表現(xiàn)為核心識(shí)別算法的泛化能力問(wèn)題，海量樣本學(xué)習(xí)的可行性，統(tǒng)計(jì)學(xué)習(xí)方法的魯棒性等。傳統(tǒng)的人臉識(shí)別算法如PCA、LDA等在小規(guī)模數(shù)據(jù)庫(kù)中容易學(xué)習(xí)訓(xùn)練。由于人臉被認(rèn)為是高維空間中一個(gè)不規(guī)則的流形分布，得到的樣本是一個(gè)低維空間的采樣，如何解決小樣本的統(tǒng)計(jì)學(xué)習(xí)問(wèn)題有待深入研究。(3)樣本缺乏問(wèn)題。(2)大規(guī)模人臉識(shí)別問(wèn)題。1．3人臉識(shí)別存在的問(wèn)題人臉識(shí)別涉及人臉檢測(cè)，人臉特征定位，特征提取和分類(lèi)器設(shè)計(jì)幾個(gè)方面，人臉識(shí)別面臨的主要問(wèn)題是： (1)光照問(wèn)題。2005年1月，由清華大學(xué)電子系人臉識(shí)別課題組負(fù)責(zé)人蘇光大教授主持承擔(dān)的國(guó)家“十五攻關(guān)項(xiàng)目《人臉識(shí)別系統(tǒng)》通過(guò)了由公安部主持的專(zhuān)家鑒定。他們提出了一種新的基于SFS(Shape From Shading)的人臉識(shí)別方法，并基于該方法開(kāi)發(fā)了一套實(shí)時(shí)人臉識(shí)別／確認(rèn)系統(tǒng)。在國(guó)內(nèi)，眾多科研院所、高校、企業(yè)也推出了許多的人臉識(shí)別系統(tǒng)，具有代表性的人臉識(shí)別系統(tǒng)有：中科院自動(dòng)化所李子青研究員研究小組開(kāi)發(fā)的奧運(yùn)會(huì)人臉識(shí)別系統(tǒng)；中科院計(jì)算所高文研究組開(kāi)發(fā)的GodEye人臉識(shí)別系統(tǒng)；清華大學(xué)大學(xué)電子系丁曉青教授研究小組開(kāi)發(fā)的ThfaceID系統(tǒng)；中國(guó)科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系莊鎮(zhèn)泉教授研究小組開(kāi)發(fā)的人臉識(shí)別考勤系統(tǒng)KDFace 2．0。此外基于隱馬爾科夫模型的人臉識(shí)別方法M，三維人臉識(shí)別方法等等都有廣泛的應(yīng)用。經(jīng)過(guò)多年的發(fā)展，人臉識(shí)別技術(shù)取得長(zhǎng)足的發(fā)展，涌現(xiàn)出一大批具有代表性的技術(shù)。PCA方法通過(guò)對(duì)人臉樣本進(jìn)行統(tǒng)計(jì)分析，并利用主元分析進(jìn)行有效地降維，使信息能量集中，有利于克服維數(shù)災(zāi)難。其后很多算法都與這個(gè)方法多少相關(guān)。人們開(kāi)始認(rèn)識(shí)到，人臉圖像各像素之間存在較強(qiáng)的相關(guān)性，并且人臉具有獨(dú)特的自然特性和結(jié)構(gòu)特性。神經(jīng)網(wǎng)絡(luò)的發(fā)展，涌現(xiàn)了許多應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別的算法。早期的方法比較直觀和簡(jiǎn)單，研究主要集中在人臉的幾何特征提取，包括人臉特征器官的位置、面積、形狀，以及人臉一些特征點(diǎn)的幾何關(guān)系。當(dāng)前很多國(guó)家展開(kāi)了有關(guān)人臉識(shí)別的研究，主要有美國(guó)，歐洲國(guó)家，日本等，著名的研究