【正文】 36........................................................37........................................................39...................................................41.......................................41 5 總結(jié)與展望............................................................43............................................................43參考文獻(xiàn).....................................................................44致 謝.....................................................................46附 錄.....................................................................47 1 緒論 人臉識(shí)別技術(shù)是一種生物識(shí)別技術(shù)。人臉識(shí)別技術(shù)，就是通過計(jì)算機(jī)獲取人臉的特征，然后根據(jù)這些特征進(jìn)行身份識(shí)別或驗(yàn)證的一種技術(shù)。 相較與其它基于生物特征的識(shí)別方法,它具有它特有的優(yōu)勢。其次,人臉識(shí)別的結(jié)果可以提供許多其它識(shí)別方法不能提供的信息,如性別、表情、年齡等,這一特點(diǎn)也大大地?cái)U(kuò)展了人臉識(shí)別的應(yīng)用前景。如計(jì)算機(jī)安全、機(jī)器視覺、門禁系統(tǒng)、醫(yī)學(xué)診斷系統(tǒng)、智能監(jiān)控系統(tǒng)以及三維動(dòng)畫等。在銀行、公園、停車場等許多公共場到處都裝有視頻監(jiān)控,當(dāng)有異常情況或有陌生人闖入時(shí),需要實(shí)時(shí)跟蹤、監(jiān)控、識(shí)別和報(bào)警等。在海關(guān)、機(jī)場等場所,都需要檢驗(yàn)人的身份。(3)刑偵破案。(4)入口控制。(5)表情分析。此外,人臉識(shí)別技術(shù)還在醫(yī)學(xué)、檔案管理、人臉動(dòng)畫、人臉建模、視頻會(huì)議等方面有著巨大的應(yīng)用前景。因此，進(jìn)行計(jì)算機(jī)人臉識(shí)別方法和技術(shù)的研究對社會(huì)生活具有重大意義。1973年Kanade的工作起至今，大多數(shù)人臉識(shí)別研究工作的對象為正面或接近正面的人臉圖像。第一階段是以Bertlioin為代表的傳統(tǒng)人機(jī)交互式階段,，主要研究人臉識(shí)別所需要的面部特征，該階段的識(shí)別依賴于人的操作。第二階段主要是自動(dòng)識(shí)別初級階段，其采用機(jī)器自動(dòng)識(shí)別的手段進(jìn)行識(shí)別，20世紀(jì)90年代以來，隨著高速度高性能計(jì)算機(jī)的出現(xiàn)，人臉識(shí)別方法有了重大突破，進(jìn)入了真正的機(jī)器自動(dòng)識(shí)別階段，人臉識(shí)別研究也得到了前所未有的重視。由Srtilnig大學(xué)的Bruce教授和Glasgow大學(xué)的Burton教授合作領(lǐng)導(dǎo)的小組，主要是研究人類大腦在人臉認(rèn)知中的作用，并在此基礎(chǔ)上建立了人臉認(rèn)知的兩大功能模型，他們對熟悉和陌生人臉的識(shí)別規(guī)律以及圖像序列的人臉識(shí)別規(guī)律也進(jìn)行了研究。荷蘭Groningne大學(xué)的Pektov小組，主要研究人類視覺系統(tǒng)的神經(jīng)生理學(xué)機(jī)理并在此基礎(chǔ)上發(fā)展了并行模式識(shí)別方法。國內(nèi)關(guān)于人臉識(shí)別的研究始于20世紀(jì)80年代，主要是在國際上流行方法基礎(chǔ)上作了發(fā)展性工作。但相比之下，國內(nèi)對人臉識(shí)別的研究和重視程度很不夠，研究成果與國際還有一定的差距。根據(jù)輸入圖像的性質(zhì)，人臉識(shí)別方法分為靜止圖像的識(shí)別方法和圖像序列的識(shí)別方法兩大類。早期研究較多的兩種靜態(tài)人臉識(shí)別方法為:基于幾何特征的人臉識(shí)別方法和基于相關(guān)匹配的人臉識(shí)別方法。二是基于連接機(jī)制的識(shí)別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配(Elastic Graph Matching)方法。圖像序列中的人臉識(shí)別是人臉識(shí)別領(lǐng)域中最富有挑戰(zhàn)性的課題，己經(jīng)吸引了越來越多的研究人員。由于人臉跟蹤的重要性，目前它己經(jīng)逐漸發(fā)展成為一個(gè)獨(dú)立于人臉識(shí)別的研究領(lǐng)域，除了應(yīng)用于人臉識(shí)別外，它在視頻通信、人機(jī)交互以及唇讀等方面都有著廣泛的應(yīng)用。由于人臉識(shí)別的應(yīng)用領(lǐng)域廣而且實(shí)用性非常強(qiáng),許多知識(shí)背景不同的研究者都對這項(xiàng)技術(shù)做過相應(yīng)的工作,這些研究者來自諸如生物學(xué)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、計(jì)算機(jī)視覺、計(jì)算機(jī)圖形學(xué)等領(lǐng)域,這種知識(shí)背景的差異也導(dǎo)致了不同類型的人臉識(shí)別方法。 (l)基于統(tǒng)計(jì)的方法。其中,基于主成分分析的方法占絕大多數(shù),如Craw和Cammeron、Kirby和Sirovich、Turk和Pentland提出的基于特征臉的工作,Moghaddam和Pentland基于概率特征臉的工作,Belhumeur、Swets和weng、zhao基于Fisher臉和LDA子空間的工作,Phillips基于支撐向量機(jī)(SVM)的工作,Liu和Wechsler基于演化跟蹤的工作,Li和Lu基于特征線方法的工作,Bartllett基于ICA的工作等。 (2)基于特征的方法。其中比較有代表性的工作有Kanade和Kelly等基于幾何的方法,Okada和Wiskott等基于動(dòng)態(tài)鏈接體系的方法,Nefian等基于隱式馬爾科夫的方法,Lawrence基于神經(jīng)網(wǎng)絡(luò)的方法等?；旌戏椒ㄊ且环N將基于統(tǒng)計(jì)和基于特征的方法同時(shí)使用的方法,這一特點(diǎn)和人類的識(shí)別過程非常相似,有時(shí)我們可能通過人臉圖像的某個(gè)部分來辨識(shí)對象,有時(shí)又通過整體圖像來識(shí)別。 目前,這些方法都在各種人臉識(shí)別場合發(fā)揮著非常重要的作用,并且還不斷的有新的方法出現(xiàn)。本文主要探討了基于matlab的在彩色圖像皮膚區(qū)域中，采用分割算法以膚色作為人臉檢測核心的一種新方法和新思路。傳統(tǒng)的人臉檢測方法大多是在亮度空間內(nèi)進(jìn)行,利用灰度的變化做多尺度空間的全搜索,計(jì)算量非常大、效率極低,而在人臉區(qū)域中,膚色一定是占主導(dǎo)地位的像素色彩值，雖然膚色因人而異,但經(jīng)過研究可以發(fā)現(xiàn)膚色在色彩空間中的一定范圍內(nèi)是呈聚類特性的,特別是在排除了光照亮度和在經(jīng)過變換的色彩空間中，利用膚色這一特征可以排除掉在灰度圖像中的非皮膚區(qū)域，這對人臉檢測起到了積極的作用。介紹了常用的人臉識(shí)別方法以及本文的主要工作和章節(jié)安排。 第三章是系統(tǒng)設(shè)計(jì)，對基于Matlab的膚色分割和匹配的人臉識(shí)別方法的算法原理和分析過程進(jìn)行了詳細(xì)的描述以及系統(tǒng)設(shè)計(jì)。 第五章是本文工作的總結(jié)及對未來工作的展望。色彩空間，通俗一點(diǎn)講，就是各種色彩的集合，色彩的種類越多，色彩空間越大，能夠表現(xiàn)的色彩范圍即色域越廣。對于有關(guān)彩色視覺系統(tǒng)的設(shè)計(jì)開發(fā)而言，研究顏色是相當(dāng)重要的。人的視覺對彩色相當(dāng)敏感。可以察覺的顏色屬性包括亮度、色度和飽和度。在數(shù)字圖像中利用彩色信息可以提高圖像的可鑒別性，使圖像細(xì)節(jié)更容易辨認(rèn)，目標(biāo)更容易識(shí)別。色度學(xué)理論認(rèn)為，任何顏色都可以由紅（R）、綠（G）、藍(lán)（B）三種基本顏色按不同比例混合得到。當(dāng)然，各種色彩空間只不過是顏色在計(jì)算機(jī)內(nèi)不同的表達(dá)而已，每一種色彩空間都有各自的產(chǎn)生背景、應(yīng)用領(lǐng)域等。其中，RGB 色彩空間是最基本的色彩空間，其他的色彩空間都是基于該色彩空間的，只是用途各異。下面介紹這幾種色彩空間。待電腦中顯示的圖像色彩通常需要轉(zhuǎn)化成 RGB 模式。針對含有紅色成分的多少，可以人為地分成 0 到 255 共 256 個(gè)等級，0 級表示不含紅色成分，255 表示含有 100%的紅色，同樣綠色和藍(lán)色也可以被劃分成 256 級。這是最常用的顏色空間。紅、綠、藍(lán)三基色的坐標(biāo)分別為（1,0,0）、(0,1,0)、(0,0,1)，原點(diǎn)(0,0,0)對應(yīng)黑色，離原點(diǎn)最遠(yuǎn)的點(diǎn)(1,1,1)對應(yīng)白色。其中 () 圖 RGB 彩色立方體 RGB 彩色空間是對人眼的光譜量化性質(zhì)的近似，因此利用 R、G、B 三分量表征顏色是很自然的一種格式，而且現(xiàn)有彩色圖像采集設(shè)備都是以 CCD 技術(shù)為核心，直接感知 RGB 三分量，這使得 RGB 彩色空間成為各種圖像采集和處理的基礎(chǔ)。但是 RGB 色彩空間不直觀，而且是人眼感知上非常不均勻的色彩空間，周圍環(huán)境的光照變化很容易引起 RGB 值的變化。它同人對色彩的感知相一致，是適合人的視覺特性的色彩空間。在提取一類物體在色彩方面的特性時(shí)，經(jīng)常需要了解其在某一色彩空間的聚類特性，而這一聚類特性往往體現(xiàn)在色彩的本質(zhì)特性上，而又經(jīng)常受到光照明暗等條件的干擾影響。這也正是 HIS 格式在彩色圖像處理和計(jì)算機(jī)視覺的研究中經(jīng)常被使用的原因。I 軸和亮度軸線重合，以亮度值最低的黑點(diǎn)表示原點(diǎn)，若 I 經(jīng)過歸一化處理后（I’）的值域?yàn)?01，0 表示亮度最低的黑點(diǎn)，1 表示亮度最高的白點(diǎn)；一個(gè)顏色樣本的特征矢量在垂直于 I 的平面上的投影線的長度，表示顏色樣本的飽和度 S，取值為01；投影與水平方向的夾角為樣本的色調(diào) H，H 的取值范圍為 0176。 圖 HSI 顏色模型 HSI 顏色模型中的 I 分量與圖像的彩色信息無關(guān)，與顏色信息相關(guān)的 H、S 分量不隨光照條件的變化而變化，因此非常適合視覺系統(tǒng)感知彩色特性的圖像處理算法。油墨或顏料的三基色是青（Cyan）、品紅（Magenta）和黃（Yellow）,簡稱 CMY。理論上說，任何一種由顏料表現(xiàn)的色彩都可以用這三種基色按不同的比例混合而成，這種顏色表示方法稱 CMY 色彩空間表示法。 由 CMY 混合的色彩又稱為相減混色，因?yàn)?CMY 空間正好與 RGB 空間互補(bǔ)，即用白色減去 RGB空間中的某一色彩值就等于 i 同樣色彩在 CMY 空間中的值。由于彩色墨水和顏料的化學(xué)特性，用等量的 CMY 三基色得到的黑色不是真正的黑色，因此在印刷術(shù)中 常加一種真正的黑色（black ink），所以CMY 又寫成 CMYK，即 （） （）實(shí)際應(yīng)用中，一幅圖像在計(jì)算機(jī)中用 RGB 空間顯示；用 RGB 或 HSI 空間編輯處理；打印輸出時(shí)要轉(zhuǎn)換成 CMY 空間；如果要印刷，則要轉(zhuǎn)換成 CMYK 四幅印刷分色圖，用于套印彩色印刷品。這里 Y 不是指黃色，而是指顏色的明視度（ Luminance），即亮度（Brightness）。在YIQ 系統(tǒng)中，Y 分量代表圖像的亮度信息，I、Q 兩個(gè)分量則攜帶顏色信息，I 分量代表從橙色到青色的顏色變化，而 Q 分量則代表從紫色到黃綠色的顏色變化。YIQ 與 RGB ，式 所示。RGB到Y(jié)UV的變化如下： ()在現(xiàn)代彩色電視系統(tǒng)中，通常采用三管彩色攝像機(jī)或彩色 CCD（點(diǎn)耦合器件）攝像機(jī)，它把攝得的彩色圖像信號，經(jīng)分色，分別放大校正得到 RGB，再經(jīng)過矩陣變換電路得到亮度信號 Y 和兩個(gè)色差信號 RY、BY，最后發(fā)送端將亮度和色差三個(gè)信號分別進(jìn)行編碼，用同一信道發(fā)送出去，這就是我們常用的 YUV 色彩空間。如果只有 Y 信號分量而沒有 U、V 分量，那么這樣表示的圖像就是黑白灰度圖。 YCbCr 色彩空間YCbCr 由 YUV 色彩系統(tǒng)衍生而來，在這種格式中，亮度信息用單個(gè)分量 Y 來表示，彩色信息用兩個(gè)色差分量 Cb 和 Cr 來存儲(chǔ)。該空間常用于彩色圖像的壓縮和傳輸，JPEG 格式的圖片采用的色彩系統(tǒng)就是該系統(tǒng)。(2)YCbCr 色彩空間格式廣泛地應(yīng)用在電視顯示等領(lǐng)域中，也是許多視頻編碼，如 MPEG、JPEG等標(biāo)準(zhǔn)中普遍采用的顏色表示格式。膚色特征主要由膚色模型進(jìn)行描述，而膚色模型的選取與色度空間(chrominance space)的選擇密切相關(guān)。另外，用膚色模型對膚色進(jìn)行分割分為兩個(gè)階段:模型建立與模型運(yùn)用。對于模型的運(yùn)用，主要是通過已建立的膚色模型來判別所輸入的像素或區(qū)域是否為膚色，或者給出其與膚色的相似程度。 區(qū)域模型該模型又稱IFTHEN模型、簡單門限模型，它主要是利用了膚色在色彩空間的聚類性(即取值范圍)，將一塊滿足一定條件的區(qū)域標(biāo)定為膚色區(qū)域。其次利用這個(gè)模型來判別新的像素或區(qū)域是否為膚色。從上面的判斷過程來看，它是一種較簡單的膚色模型。閾值選擇不當(dāng)可能會(huì)使膚色檢測率下降，誤檢率上升。 簡單高斯模型這種方法是假設(shè)膚色分布服從單峰高斯分布。采用這種方法也分為兩步:首先選擇方法確定模型的參數(shù)(即均值和方差)；其次利用該模型來判別新的像素或區(qū)域是否為膚色。 混合高斯模型由于具有不同種族的膚色直方圖并不完全滿足單峰高斯分布，通過研究可以采用多峰的高斯分布來精確表示。該模型表明膚色的每個(gè)像素密度都屬于概率密度的混合體。其參數(shù)的估計(jì)常采用Dempster等人提出的基于極大似然的算法。這種方法相對于前面兩種模型來說，膚色的檢測率要高得多，誤檢率也要小得多，但是模型的確定(即模型的參數(shù)估計(jì))較難，速度較慢，不適合快速的膚色檢測。對于三維直方圖，盡管效果很好，但是需要很多的訓(xùn)練樣本而且訓(xùn)練時(shí)間很長，這里不詳細(xì)討論這種方法。通過實(shí)踐，選取大量膚色樣本進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)膚色在CbCr空間的分布呈現(xiàn)良好的聚類特性。根據(jù)膚色在色度空間的高斯分布，對根據(jù)膚色在色度空間的高斯分布，對于彩色圖像中每個(gè)像素，將其從RGB色彩空間轉(zhuǎn)換到Y(jié)CbCr空間后，就可以計(jì)算該點(diǎn)屬于皮膚區(qū)域的概率，即根據(jù)該點(diǎn)離高斯分布中心的遠(yuǎn)近得到和膚色的相似度，將彩色圖像轉(zhuǎn)化為灰度圖，其中每個(gè)像素的灰度對應(yīng)該點(diǎn)與膚色的相似度，相似度的計(jì)算公式如下： ()其中m為均值，m=E(x)，C為協(xié)方差矩陣， , () 膚色分布的2D高斯模型G(m,V2)也可表示為