【正文】 簡單高斯模型這種方法是假設膚色分布服從單峰高斯分布。它主要通過統(tǒng)計分析，預測高斯分布的參數，其中參數確定常用的方法有EM算法，MaximumLikelihood或通過統(tǒng)計直接求得色彩空間中每個分量(一般利用的是該色彩空間中的色度分量)的均值與方差。采用這種方法也分為兩步:首先選擇方法確定模型的參數(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。簡單高斯模型相對區(qū)域模型能更好的表示膚色分布，因此相對而言，它的膚色檢測率也高出許多，并且模型的參數也易于計算，但是速度比區(qū)域模型慢。 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。因此，提出了混合高斯模型，: （）其中，為膚色像素在色彩空間中的混合概率密度，為分量的概率密度，為分量的先驗概率，i=1, 2,...，m為混合密度的分量個數。該模型表明膚色的每個像素密度都屬于概率密度的混合體。在這個模型中主要難點是對混合高斯模型的參數估計。其參數的估計常采用Dempster等人提出的基于極大似然的算法。利用該算法需要進行迭代，而迭代的收斂速度受參數的初值影響，同時與分量密度個數關系很大，分量越多，運算越復雜。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(即模型的參數估計)較難，速度較慢，不適合快速的膚色檢測。 直方圖模型通過對膚色直方圖的統(tǒng)計，然后利用閾值來進行判別。對于三維直方圖，盡管效果很好，但是需要很多的訓練樣本而且訓練時間很長，這里不詳細討論這種方法。 YCbCr 空間膚色模型由于統(tǒng)計表明不同人種的膚色區(qū)別主要受亮度信息影響，而受色度信息的影響較小，所以直接考慮YCbCr空間的CbCr分量，映射為CbCr空間，在CbCr空間下，受亮度變化的影響少，且是兩維獨立分布。通過實踐，選取大量膚色樣本進行統(tǒng)計，發(fā)現膚色在CbCr空間的分布呈現良好的聚類特性。統(tǒng)計分布滿足：77Cb127 () 并且滿足：133Cr173 () 不同人種的皮膚雖然相差很大，但在色度上的差異遠遠小于亮度上的差異，其實不同人的膚色在色度上比較接近，但在亮度上的差異很大，在二維色度平面上，膚色的區(qū)域比較集中，可以用高斯分布描述。根據膚色在色度空間的高斯分布，對根據膚色在色度空間的高斯分布，對于彩色圖像中每個像素，將其從RGB色彩空間轉換到YCbCr空間后，就可以計算該點屬于皮膚區(qū)域的概率，即根據該點離高斯分布中心的遠近得到和膚色的相似度，將彩色圖像轉化為灰度圖，其中每個像素的灰度對應該點與膚色的相似度，相似度的計算公式如下： ()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 () () () ()其中，為相應的平均值，為協(xié)方差矩陣。通過高斯膚色模型將彩色圖像轉換為相似度灰色圖像后，選取合適的閾值，就可以分離膚色與非膚色區(qū)域。這種膚色模型的特點是基于統(tǒng)計的膚色模型，它需要對每一個像素點進行相似度計算，因此速度也不是太快。當然在實際用于膚色檢測中，可以直接利用公式()中的項進行判決，以提高檢測速度。結合以上分析由于人膚色的不同主要體現為亮度分量的不同，所以選擇亮度分量和色度分量分離的YCbCr 色彩空間進行膚色建模。 綜上，可以從兩個方面考察某種色度空間:(1)在該色度空間中能否用給定的模型描述“膚色”區(qū)域的分布；(2)色度空間中“膚色”與“非膚色”區(qū)域的重疊有多少。實驗結果表明：在YCbCr色彩空間中膚色的聚類特性比較好。而在膚色模型的選取上，考慮到算法復雜度和檢測效果的因素，采用高斯膚色模型。 3 系統(tǒng)設計 圖 ，提取的人類候選區(qū)域是后續(xù)的人臉識別的基礎。其中膚色建模在YCbCr 彩色空間進行。 圖 人臉檢測利用不同的分類原則,其實現的算法也就不同。象幾何特征法、KL變換等都是從方法論的角度出發(fā)進行分類,若以檢測過程中是否利用了色彩或膚色信息,可以分為基于彩色的人臉檢測算法、基于灰度信息的人臉檢測算法以及彩色信息與灰度信息相結合的人臉檢測算法。在彩色信息與灰度信息相結合的人臉檢測算法中,又可以根據如何應用膚色信息這一角度進行細分。例如,可以分為膚色信息作為前期預處理的方法、膚色信息作為后期驗證的方法等。 根據計算機色彩理論,對一種顏色而言,在計算機中有不同的表達方式,這樣就形成了各種不同的色彩空間。當然各種色彩空間只不過是顏色在計算機內不同的表達式而己,每一種色彩空間也都有其各自的產生背景、應用領域等。主要的色彩空間有RGB格式、HSI格式、HSV色系坐標系、YCbCr(YUV)格式。:色彩空間進行彩色圖像中的人臉檢測問題的研究,他提出的膚色模型有如下兩個關鍵技術: 光線補償想法的提出主要是考慮到膚色等色彩信息經常受到光源顏色、圖像采集設備的色彩偏差等因素的影響,而在整體上偏離本質色彩而向某一方向移動,即通常所說的色彩偏冷、偏暖、照片偏黃、偏藍等等。為了抵消這種整個圖像中存在著的色彩偏差,:將整個圖像中所有像素的亮度從高到低進行排列,取前5%的像素,如果這些像素的數目足夠多(例如,大于100),就將它們的亮度作為/參考白,也即將它們的色彩的R,G,B分量值都調整為最大的255,整幅圖像的其它像素點的色彩值也都按這一調整尺度進行變換。 非線性分段彩色變換得到的膚色模型屬于色彩空間。經過了非線性分段色彩變換得到的色彩空間用YCbCr,來表示,。再將其投影到CbCr二維子空間,可得實用的膚色聚類模型,。 在人臉檢測算法中,既可以將膚色判斷作為預處理的手段,也可以將膚色判斷作為人臉檢測的后期驗證。這種將膚色判斷作為人臉檢測的后期驗證的方法主要是針對己有的人臉檢測結果,其中存在著誤報的情況,而驗證階段是將檢測算法的結果或稱為候選臉作為輸入,利用膚色等多方面的信息作為線索進行驗證,排除不是人臉的候選臉,從而最大限度地降低檢測算法的誤報率,而又盡量不影響正確率。人臉驗證的信息有很多,下面簡單地列出了其中的幾個: 在正確的人臉區(qū)域中,膚色一定是占主導地位的像素色彩值。膚色雖然因人而異,但很多研究人員研究過膚色在色彩空間中的一定范圍內還是呈聚類特性的,特別是在排除了光照亮度和在經過變換的色彩空間中。所以利用這一線索可以排除掉檢測結果中在灰度圖像中很像人臉,而對應到彩色圖像中根本不是膚色的區(qū)域。 在完全沒有先驗知識的情況下,利用基于色度的方法進行人臉的分割需要建立一般的膚色模型,難度很大,而在己經得到候選臉區(qū)域以后進行人臉分割就可以利用檢測結果中的色彩信息,分割效果能得到顯著的改善。得到了分割結果后,就可以根據臉形的封閉性、橢圓性、長寬之間的關系等線索進行驗證。 正如前面所分析的,在正確的人臉區(qū)域中,膚色一定是占主導地位的像素色彩值,所以可以利用前面提到的膚色模型,統(tǒng)計出一般的人臉區(qū)域中膚色像素所占的百分比,用這一百分比作為閉值來對檢測算法得到的候選臉進行驗證,排除膚色像素數不滿足這一閉值的候選臉。 位于坐標(x,y)的一個像素P(x,y)有4個水平和垂直的相鄰像素，其坐標為：（x1,y），（x+1,y），(x,y1)，(x,y+1)，這個像素集為p的4鄰域，用N4(p)表示。P(X ,Y)的4個對角鄰像素有如下坐標:(x1,y1)，(x1,y+1)，(x+l,y1)，(x+l,y+1)，用ND(p)表示，4個對角鄰像素與4個鄰域點一起叫做p的8鄰域，用N8(p)表示。數學形態(tài)學(Morphology)有助于進行基于形狀的思考，形態(tài)學方法中基本單元是二值像素。己知二值圖A，如果Ab1,Ab2...Abn是由二值圖像B=｛b1,b2,...bn｝中像素值為1的點平移得來，則A由B平移稱為A被B膨脹，B稱為結構元，記為： () 膨脹滿足結合率和交換率，這樣就允許將復雜圖像拆分為幾個簡單部分進行膨脹，之后再將這些膨脹結果組合為膨脹序列。 如果在二值圖像中，兩個物體之間距離比較近，那么膨脹運算可能會使這兩個物體連通在一起。膨脹對填補圖像分割后物體中的空洞很有用，根據上面的二值圖可以發(fā)現，人臉上除了眼睛、鼻子和嘴巴位置外還存在不少黑色的空洞。根據所選用的結構元素的不同，膨脹可分為四方向N4(p)膨脹，八方向N8 (p)膨脹和兩方向膨脹等類型。本系統(tǒng)采用的是四方向判斷的方法來連接人臉區(qū)域中不連續(xù)的塊，即若當前像素點的上下左右只要有一個點的灰度值為255，就將該像素點的灰度值置為255。而腐蝕是膨脹的反操作，在數學形態(tài)學中可用來消除區(qū)域邊界點，或者說可以把小于結構元素的區(qū)域去除。選取不同大小的結構元素可以去掉不同大小的區(qū)域，顯然，如果兩個區(qū)域之間有細小連通，那么當結構元素足夠大時，通過腐蝕運算可能將兩個區(qū)域分開。因此，本系統(tǒng)采用該操作還原膨脹和其產生的負面結果，即有些非常細小區(qū)域膨脹后卻與臉部相連，通過腐蝕可以再將其分開甚至消除。腐蝕仍然有四方向、八方向和兩方向等類型，本系統(tǒng)仍然采用四方向腐蝕，就是逐個考察一個像素周圍上下左右4個像素，只要這4個像素中有一個顏色值為0，就把當前點顏色改成灰度級值0。實際應用中先膨脹后腐蝕往往可以把圖像中的噪聲點去掉而又能保持圖像的有用信息不發(fā)生變化，這種操作稱為閉運算。先腐蝕后膨脹為開運算，可以消除散點和“毛刺”，即對圖像進行平滑。 圖 像 獲 取 圖 像 預 處 理 圖 像 重 構 人 臉 識 別 系統(tǒng)流程圖 (1)人臉圖像的獲取 一般來說，圖像的獲取都是通過攝像頭攝取，但攝取的圖像可以是真人，也可以是人臉的圖片或者為了相對簡單，可以不考慮通過攝像頭來攝取頭像，而是直接給定要識別的圖像。(2)人臉的圖像預處理 將RGB空間轉換為YCbCr空間 將彩色圖像轉換為灰度圖像 消除噪聲 對圖像做填孔處理(3)圖像重構 再處理 人臉候選區(qū)篩選時，由于頭部部分重合，以及頭部與其他部分，例如衣服等的連接，對篩選造成了困難，故應先利用閉運算操作，斷開連接，再進行處理。 進一步確定人臉區(qū)域 利用人臉候選區(qū)篩選，進一步確定人臉區(qū)域，判斷規(guī)則如下。?，則認為不是人臉區(qū)域，刪除此區(qū)域。矩形面積area_sq =目標區(qū)長度*寬度，目標區(qū)面積為area，若area / area_sq ，則認為不是人臉區(qū)域。 ?區(qū)域面積過大或過小，認為不是人臉區(qū)域，刪除此區(qū)域。其中： 條件1限定了要檢測的人臉區(qū)域的比例大小，排除了一些顏色類似皮膚但長寬不符合要求的區(qū)域。（如顏色與皮膚接近的衣物） 條件2排除一些不規(guī)則但色調和皮膚接近的物體，同時也可排除人體其他的非臉部區(qū)域，如四肢等。 （4）人臉識別 利用邊緣檢測，檢測出人臉。利用得到的邊緣，對原圖像進行處理，就可以在原圖中畫出人臉區(qū)域的框圖。 ? 彩色轉換成灰度 將彩色圖像轉化為灰階圖像常采用如下的經驗式: gray=*R+*G+*B （）其中,gray為灰度值,R、G、B分別為紅色、綠色和藍色分量值。 ? 灰度比例變換 灰度比例變換是把原像素的灰度乘以一個縮放因子,并最后截至[0,255]。 ? 灰度線性變換 當圖像由于成像時曝光不足或曝光過度,會造成對比度不足,從而使圖像中的細節(jié)分辨不清。將圖像灰度進行線性擴展,能有效改善圖像的外觀?；叶染€性變換的計算式為: （）式中,f是原像素的灰度,g為變換后的灰度。該變換把屬于[a,b]的灰度級變換至灰度區(qū)間[c,d],而沒有在[a,b],b,c,d,f,g均為[0,255]之間的整數值?？梢?a被映射為c,b被映射為d。 m 灰度線性截斷 灰度線性截斷的思想是:如果原像素的灰度小于a,則該像素的灰度等于c。如果原像素的灰度大于b,則該像素的灰度等于d。算法思想的關鍵是首先用微分算子檢測圖像的邊緣。然后,在這些邊緣像素點上進行二值化閉值的自動選取。最后,對于其他非邊緣像素點則采取常規(guī)方法進行二值化處理。設f為去噪后的輸入圖像,g為二值化后的圖像,實現二值化算法描述如下: ? 對f進行抽取邊緣特