复杂背景下基于肤色分割的人脸检测算法研究
0引言
人脸检测技术不仅是人脸识别、表情识别、数字视频处理、视频检测等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域引起了广泛的重视[1]。对于人脸检测，国内外研究者们提出了许多有效的人脸检测算法[2]
，大体上可以分为4类：基于知识的方法，不变特征量法，模版匹配方法，基于统计理论的方法。基于知识的方法检测速度较快，如Yang 和Huang 提出了基于镶嵌图的人脸检测方法[3]，对于正面人脸的检测精度较高，但不适用于多姿态的人脸检测；基于模板的方法稳定性高且鲁棒性好，如梁路宏等提出的基于仿射模板匹配的方法来检测多姿态人脸，但使用各种倾斜角的模板与输入图像中的每一个可能窗口进行匹配[4]，冗余匹配次数太多、检测速度难以提高。为了解决人脸尺寸的不
确定性，许多检测算法往往需在图像的多个分辨率上重复搜索[5]，计算开销大。Pau1Viola 和Michael Jones 在2001年提出了一种基于Haar-Like 型特征的Adaboost 人脸检测算法[6]，并使用Cascade 结构将第一个真正实时的人脸检测系统成功建立，因该算法具有检测率高，实时性好的优点，成为学术界普遍采用的方法，但该方法需要大量时间进行训练，导致检测系统的灵活性不强。对于复杂背景和人脸姿态未知情况下的人脸检测，很难在检测速度和精度上达到两全的效果。
梁路宏等在人脸检测研究综述中指出[7]：人脸检测研究的趋势是利用多种线索(头发、肤色、器官、轮廓、模板等)综合多种分类方法，启发式信息与统计学习方法相结合。本文算法就利用了基于人脸肤色区域象素分布的统计信息、人脸模板以及人脸特征等线索和分类方法，取得了很快的检测速度和较高的检测率。算法主要包括预处理、人脸粗检和人脸细检
收稿日期：2009-07-20；修订日期：2009-10-28。
智能技术
3个部分。
(1)对于彩色图像，肤色是人脸表面最为显著的特征之一，对于输入的人脸图像，肤色具有较强的聚类特征，且分布稳定，利用肤色特征进行检测具有计算量小，计算速度快的优点，且对于表情、大小、姿势等人脸自身因素的影响有很强的鲁棒性。但是，自然界有许多近似肤色的物体，只使用肤色特征进行人脸检测是很不可靠的，因此本文将基于肤色特征的方法用于Adaboost人脸检测的预处理，其处理过程包括利用肤色的高斯模型分离出肤色像素，对分割出的区域进行后处理，并初步剔除似肤色区域和裸露在外的身体其它部分，为后续算法作好准备。
(2)人脸粗检是利用改进的Adaboost级联分类器确定候选人脸区域，Adaboost是一种构建准确分类器的算法，它将一族弱学习算法按照一定规则结合提升为一个强学习算法，通过样本的训练得到识别准确率理想的分类器。针对Adaboost算法在训练过程中的过配现象和检测过程中的耗时问题，本文作出了改进，提高了分类器的性能。
(3)人脸细检是在粗检测的基础上，利用人脸模板匹配对候选人脸区域进行验证，即在限定的范围内进行匹配，充分利用了已有的检测结果，在一定程度上克服了传统方法需要在图像中逐点进行搜索匹配，运算量大的缺点，完成了人脸区域的最后确定。
1基于肤色的人脸图像预处理
1.1肤色分割
为了把人脸区域从非人脸区域分割出来，需要使用适合不同肤色和不同光照条件的可靠的肤色模型。颜色空间的转换常用的模型主要有：YCbCr，HSV，YIQ，HSI等。仿真结果显示，YCbCr空间具有将色度与亮度分离的特点，并且肤色在YCbCr空间中的聚类特性明显[8]，因此选择在YCbCr空间进行肤色区域分割。
对输入的彩色图像进行颜色空间转换，将其从相关性较高的RGB空间转换到颜色分量互不相关的YCbCr颜色空间，其转换公式如下所示
10.3313
0.0813
0.5
0.5
11
m)(x
0.51(4)
式中：x=(Cb，Cr)T，m是均值，C是协方差，通过选择的样本计
算得到m、C
的值如下
１１２．１９８７
１５１．３９９３
８９．３２５５３２．２８６７
３２．２８６７２５２．９２３６
值的方法，将灰度图像进一步转变为二值图像，分离肤色与非肤色区域。肤色分割过程如图2所示。
1.2肤色区域的预处理
肤色分割后，先采用中值滤波来去除人脸图像中的噪声，并通过对人脸肤色区域的特征进行分析，对分割出来的肤色区域作以下处理彩色图像中的非肤色区域。
(1)区域的面积。区域面积即为该区域中白色像素点的个数表示，算法如下
，
Ｈ。E 为连通区域的欧拉数；C为连通区域的数目，这里为1；H为连通区域内部的空洞数目。根据计算显示，若欧拉数大于0或小于-10，排除该区域为人脸候选区域。
(3)质心。正确的人脸候选区域是一个凸多边形，其质心在区域内。根据如下质心坐标公式计算人脸候选区域的质
心坐标。
，
＝
，
和
=｛
1
(8)
生成弱分类器后，采用Adaboost挑选最优弱分类器，并赋
予其权重，并将多个弱分类器组合生成一个强分类器，具体学
习算法如下：
步骤1标记n个训练样本，其中m个人脸样本标记为y
i=
+1，N1。
步骤2初始化权值。每个人脸样本的初始权值为：W
0'+1=
1/(2*m)，非人脸样本为
W0'-1=1/(2*(
N
(10)
并从中选出迭代误差和最小的弱分类器h
t
(x)
。计算出
ｔ
／（１
ｔ
）
。令
ｔ
）
。则
t
更新全体权值
＝（１１）
若第i个样本被正确分类，e
i=0，否则e i=1；令t=t+1。将
权值归一化
＝／（１２）
步骤4将若干个弱分类器线性组合在一起，可以得到一
个强分类器
０．５
（１３）
式中：
ｔ
）。
2.2级联分类器
由于单个弱分类器的分类能力很弱，需要将多个分类器
级联起来组成若干个强分类器，使这些强分类器能够较好地
排除负样本，检测到尽可能多的正样本。因此就构成了级联
分类器[11]，其结构如图3所示。
从图3可以看出，级联分类器将许多个强分类器分级串
联起来，检测不通过的图像被一级一级丢弃，检测的标准随着
级数的增加而更加严格和复杂，只有人脸图像依次通过级联
分类器各个级别的检测。
训练算法如下[6]：
图2肤色分割
(a)原始人脸
图像
(b)转换为YCbCr
空间图像
(c)似然图(d)二值图
图3级联分类器
待检测图像
通过通过
通过
123进一步检测
排除该图像
不
过
不
过
不
过
(1)设定每层最大错误率f ，每层最小通过率d 和整个分类器的错误率
max
使用训练样本训练第i 层，设定阈值b 使
得误报率
；
(15)
(4)
若
max
，停止。
随着级联分类器级数的逐步增加，系统对非人脸的排除能力就越强，直至所有错误样本都无法通过，在整个过程中，级联分类器都要保证有尽可能多的正确样本的通过。
2.3算法分析和改进
Adaboost 学习算法的权值更新规则能够专注于处理比
较困难的训练样本，但是，当丰富的训练样本集中包含噪声或者稀有的独特样本时，该算法也会分配很高的权值，导致过配现象的发生，最终使算法性能降低。同时，人脸检测系统在对大量的、丰富的人脸样本进行训练时，需要计算大量的特征值和建立大量的弱分类器，且由于人脸样本特征值的数量非常多，训练需要很长时间[12]。在每轮循环中，运算的开销都特别大。
针对以上问题，本文对Adaboost 人脸检测系统进行改进，首先，提出一种基于Adaboost 权值更新方法；其次，减少特征的数量。
在每轮训练中，
设置一个阈值，结合样本是否被错误
分类以及当前权值是否大于
，对样本进行权值更新，
即
＞
（１６）
式中：
(17)
这样，即使困难样本在每轮都被错误分类。它们的权值也不会被过分增大，从而在一定程度上避免了分类器发生过配现象。
本文中，笔者通过以下两种途径来减少特征数量：一是在特征生成时将某些分辨率不高的特征人为剔除，比如，宽度像素的矩形特征或者边缘像素的矩形特征；二是在训练的过程中，动态地减少那些对人脸和非人脸区分能力很低的矩形特征，经过上述减少矩形特征的处理后，运算速度可以得到30%以上的提升。
3基于模板匹配的人脸验证
对于经过人脸粗检得到的候选人脸，需要进一步验证才
能确定更精确的人脸位置信息。显然，此时的细检问题已经简化为在候选区域内、己知大致人脸情况下，利用模板匹配进行人脸区域的进一步验证。
人脸匹配算法的基本思想：首先根据得到的粗检测图像依次将待匹配的人脸区域提取出来，将其转换为灰度图像，进行灰度分布标准化和旋转变换。然后选择合适的人脸模板进
行匹配，将满足一定条件并达到匹配度阈值的图像窗口作为候选人脸。
人脸模板灰度矩阵为T [M ][N ]，
灰度均值
*
*
2
*
,
(20)
式中：
测试图像集的具体情况如表1所示。测试集1是正面人脸图像，测试集2是侧面人脸图像，且均只包含1个人脸，背景的选取是随机的；测试集3中每幅图像通常包含一个或多个人脸，人脸姿态包含正面、侧面、倾斜、旋转等，许多图像有复杂的背景。
笔者将本文论述的方法与其它方法在同样的软硬件环境下实施了对比试验，表2至表4分别给出了系统检测各个测试集的实验结果。
从表2至表4可以看出，单纯基于Adaboost方法和模板匹配人脸的定位不够精确，同时误检的区域也较多，使用改进的Adaboost和模板匹配对人脸区域的验证不但减少了Ada-boost检测中的误检区域，且检测率也有了很大提高，对人脸的定位更加精确。但误检和错误报警的图像也是不可避免的。更多的实验结果如图5所示。
5结束语
为提高复杂背景下的多姿态彩色人脸图像的检测速度和准确率，本文提出了一种融入肤色特征并将改进后的Adaboost 级联分类器和模板匹配相结合的人脸检测方法。该方法的主要特点如下：
(1)为减少复杂背景，光照条件和人脸表情等的影响，利用肤色信息对人脸图像进行预处理，减少了级联分类器得搜索区域，改善了Adaboost对多姿态，多人脸图像的检测效果；
(2)在提高算法性能方面，本文针对人脸检测训练可能出现权重过适应现象和训练时间太长的问题，利用一种改进的Adaboost权值更新方法；
(3)本文提出了Adaboost级联分类器和模板匹配相结合的方法，本算法不但减少了Adaboost检测的误检区域，大大加快了检测速度。仿真试验表明，本文所提出的算法可以运用于多姿态、多人脸和复杂背景的情况，是一种有效的人脸检测方法，具有一定实用价值。
参考文献:
[1]Hjelmas E,Low BK.Face detection:A survey[J].Computer Vi-
sion and Image Understanding,2001,83(3):236-274.
[2]Yang M H,Kriegman D,Ahuja N.Detecting faces in images:A
survey[J].IEEE Trans on PAMI,2002,24(1):34-58.
[3]Yang G,Huang T S.Human face detection in a complex back-
ground[J].Pattern Recognition,1994,27(1):53-63.
[4]梁路宏,艾海舟,何克忠,等.基于多关联模板匹配的人脸检测
[J].软件学报,2001,12(1):94-102.
[5]方昱春,王蕴红,谭铁牛.融合人脸轮廓和区域信息改进人脸检
测[J].计算机学报,2004,27(4):482-491.
[6]Viola P,Jones M.Rapid object detection using a boosted cascade
of simple features[C].Kauai,Hawaii,USA:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2001: 511-518.
表1测试图像集
测试集图像和人脸数量人脸姿态背景1356幅，356个人脸正面简单2226幅，226个人脸侧面简单3308幅，1130个人脸正面复杂
[7]梁路宏,艾海舟,徐光祐,等.人脸检测研究综述[J].计算机学报,
2002,25(5):449-458.
[8]Gong Y,Sakauchi M.Detection of regions matching specified
chromatic features[J].Computer Vision and Image Understan-ding,1995,61(2):263-269.
[9]Yang J,Lu W,Waibe A.Skin-color modeling and adaptation[R].
Pittsburgh:CMU-CS,1997.97-146.
[10]Wu Bo,Ai Haizhou,Huang Chang,et al.Fast rotation invariant
multi-view face detection based on real Adaboost[C].Sixth IEEE
International Conference,Automatic Face and Gesture Recogni-tion,2004:79-85.
[11]Zhang ZhenQiu,Li MingJing,Li S Z,et al.Multi-view face detec-
tion with float boost[C].WACV2002Sixth IEEE Workshop,Ap-plications of Computer Vision,2002:184-188.
[12]Ou Zongying,Tang Xusheng,Su Tieming,et al.Cascade AdaBoost
classifiers with stage optimization for face detection[C].Interna-tional Conference on Biometrics,Springer-V erlag Berlin Heidel-berg,2005:121-128.
假设图10为需要确定身份的人脸，则首先计算他的图片与库中对应身份的人脸的欧式距离L1，如果满足阈值要求则认为身份正确，否则拒绝这个身份请求。
下面通过两组计算证明，采集的人脸与对应身份的人脸库中的图片的欧式距离L1小于它与数据库中其它人脸的欧式距离L2，所以可以用阈值法进行人脸确认。本文算法的正确率和拒识率比较如表1所示。
2.6系统操作界面
系统仅允许管理员输入密码进行登录，管理员可对系统各项参数进行设置和更改。管理员可通过网络中任意一个终端进行登录，包括局域网和广域网。
在首次运行时，需要对设备进行设置，使各个门禁设备能够与中心控制机进行通信。当管理员登录以后，可设置网络地址及系统参数等。管理员可设置图像编码质量、尺寸、帧频等。
根据实际需要，系统可监控单一入口或多个入口，同时多路图像可单独显示或同时显示。在主界面中显示中心控制计算机工作状况、各个入口设备工作情况等信息。
在系统操作界面中，可实时监测到各个入口的人员出入情况，并可通过对讲机与考勤人员进行交流。
系统可生成系统日志，使管理员能够了解系统工作状态。在每个月末或年末，管理人员都可根据数据库中所记录的系统日志了解到各个设备的工作情况及故障报告等信息。
本系统的另一个功能是在进行门禁管理的同时，还可作为考勤设备使用。系统不仅可记录员工的迟到、早退、请假等信息，还可使管理人员了解到员工外出时间长短等情况，防止员工擅自外出情况的发生。
系统可将所有职工按照部门进行分类管理，每个员工都具有详尽的考勤表，能够灵活的查看员工的考勤情况。
3结束语
本文设计了联网式非接触性智能卡多通道门禁考勤系统，指出了系统的设计难点，技术指标，功能和结构，最后给出系统的工作流程，具有采集、检测、确认和报警等多项功能，包括摄像机、液晶屏、智能卡读卡机、数据转换模块、网络接口模块、中央控制计算机、报警系统、报表打印设备等多个组成成分，可实现采用非接触性智能卡验证持卡人身份。为相关系统的设计提供了参考。
参考文献:
[1]戴永,王求真,张欣.联网门禁锁位机的多锁具兼容机制[J].计算
机工程,2009,35(8):253-255.
[2]Yang MH,Kriegman D,Ahuja N.Detecting faces in images:A
survey[J].IEEE Trans Pattern Analysis and Machine Intelli-gence,2002,24(1):34-580.
[3]徐挺.大容量人脸识别门禁系统的研究[J].计算机仿真,2008,25
(6):217-219.
[4]郑明恩,管业鹏.基于肤色与肤色矩实时视频人脸检测与跟踪
[J].计算机工程与设计,2008,29(4):879-881.
[5]张会森,王映辉.人脸识别技术[J].计算机工程与设计,2006,27
(11):1923-1928.
[6]童晓阳,王培林.基于复合生物识别的出入门禁系统设计与实
现[J].微电子学与计算机,2007,24(2):117-119.
[7]李丹,郭小华,刘正熙.基于DSP的自动人脸识别门禁系统设计
与实现[J].四川大学学报:自然科学版,2004(z1):609-612. [8]魏强.基于非接触式IC卡技术的校园门禁管理系统设计[J].计
算机工程与设计,2008,29(14):3771-3772.
人脸识别过程和相关算法(2013)
人 脸 识 别 过 程 图1 人脸识别流程图 1． 人脸的检测和定位：检测图中有没有人脸，将人脸从背景中分割出来，获 取人脸或人脸上的某些器官在图像上的位置。 2． 特征提取：提取特征点，构造特征矢量；多个样本图像的空间序列训练出 一个模型，它的参数就是特征值；模版匹配法用相关系数做特征；而大部分神经网络方法则直接使用归一化后的灰度图像作为输入，网络的输出就是识别结果，没有专门的特征提取过程。 3． 识别：将带识别的图像或特征与人脸数据库里的特征进行匹配，进而将给 出的人脸图像与数据库中的某一个人脸图像及其名字，相关性对应起来。 人脸检测方法 基于知识的方法 a) 优点：规则简单。 视频捕获图像预处理人脸检测人脸特征提取人脸识别人脸数据库比对
b)缺点：难以将人类知识转化为明确的规则。 基于特征的方法 c)优点：可以依据面部器官的几何关系进行人脸检测。 d)缺点：光照、噪声和遮挡可能使得人脸的边界特征被弱化，从而使得算 法难以使用。 基于模版匹配的方法 e)优点：简单高效。 f)缺点：难以应对各种不同的成像条件；关于人脸模式和非人脸模式不存 在一个清晰的、明确的界限。 基于外观的方法 g)优点：通过大量的样本训练使得人脸识别的精确度高。 h)缺点：算法复杂。 基于肤色的系统 i)优点：不受人脸姿态变化的影响。 j)缺点：受光照等外在因素影响较大。
人脸识别方法 基于几何特征的识别方法 a)优点： i.符合人类识别人脸的机理，易于理解。 ii.对每幅图像只需存储一个特征矢量，存储量小。 iii.对光照变化不太敏感。 b)缺点： i.从图像中抽取稳定的几何特征比较困难，特别是特征受到遮挡时。 ii.对强烈的表情变化和姿态变化的鲁棒性较差。 iii.一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，该方法比较适合于人脸图像粗分类。基于统计的识别方法：隐马尔可夫法 c)优点：人脸识别率高。 d)缺点：算法实现复杂。 基于连接机制的方法 e)优点： i.能够根据有代表性的样本自我学习，具有鲁棒性和自适应性。 ii.以并行的方式处理信息，配以硬件实现，可以显著地提高速度。 f)缺点：算法实现复杂。
基于肤色模型和特征定位的人脸检测算法
第27卷 第6期 吉首大学学报(自然科学版)Vol.27 No.6 2006年11月J ournal of J ishou University(Natural Science Edi ti on)Nov.2006 文章编号:1007-2985(2006)06-0069-04 基于肤色模型和特征定位的人脸检测算法 张书真1,2,宋海龙3,杨卫平1 (1.国防科学技术大学ATR国防科技重点实验室,湖南长沙 410073;2.吉首大学物理科学与信息工程学院, 湖南吉首 416000;3.国防科学技术大学理学院数学与系统科学系,湖南长沙 410073)摘 要:针对彩色图像提出一种基于肤色模型和特征定位的检测算法.首先建立一个新的肤色模型(H SI I模型),它对光照亮度具有强鲁棒性.在肤色分割的基础上,利用水平灰度投影估计人眼水平位置,然后结合候选脸区的边缘图像,给出人眼的确定位置,并输出人脸检测结果.实验表明该算法简单、快速、鲁棒性强. 关键词:人脸检测;肤色模型;脸部特征定位;水平灰度投影;边缘检测 中图分类号:TP391.41 文献标识码:A 人脸检测是模式识别与计算机视觉领域的一项热点课题,它广泛用于人脸识别、智能人机接口、视频会议等.目前,比较常用的人脸检测方法可以概括为基于知识、基于结构特征、基于模板匹配以及基于统计模型的方法[1-2].在彩色图像中,肤色对于人脸检测是一项非常有用的信息,有效地利用肤色信息可以大大减小人脸区域的搜索范围.在肤色分割的基础上,再利用针对灰度图像的方法做进一步检测. 笔者提出一种基于肤色模型和特征定位的人脸检测方法.首先建立一种改进的H SI I颜色空间.实验证明,在该空间建立的肤色模型能够适用于光照亮度变化范围较大条件下的肤色检测.在肤色分割的基础上,对候选脸区进行水平灰度投影,估计出人眼水平位置,然后采用Canny算子提取候选脸区的边缘,再通过加窗方法定位人眼,并最终输出人脸检测结果. 1 肤色分割 1.1色彩空间分析 以色调、饱和度、亮度为三要素表示的HSI色彩,与人对色彩的感知相一致,是适合人类视觉特性的颜色空间[3],由RGB空间转换到HSI空间的变换公式如下: I=1 3 (R+G+B),(1) S=1- 3 R+G+B (RGB)min,(2) H= 若B G, 2 - 若B>G. (3) 其中: =arccos 1 2 [(R-G)+(R-B)] [(R-G)2+(R-B)(G-B)] 1 2 ;(RGB)min指R,G,B这3个分量中最小的分量值. 收稿日期:2006-09-16 基金项目:国家自然科学基金资助项目(60573028);东南大学移动通信国家重点实验开放基金资助项目(A200503)作者简介:张书真(1977-),女,湖南桑植人,吉首大学物理科学与信息工程学院讲师,硕士生,主要从事模式识别、数字图象处理研究.
人脸识别技术的弊端
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。
复杂背景下基于时间差分的人脸检测算法
复杂背景下基于时间差分的人脸检测算法 Face Detection Based on Time Difference in Complex Background 姚静梅雪林锦国 Yao Jing Mei Xue Lin Jin-guo （南京工业大学，自动化学院，江苏南京 210009） 摘要：本文主要结合序列图像的运动信息和肤色信息进行复杂背景下的人脸检测。首先利用连续三帧间的运动信息进行粗检测，采用自适应阈值法从差分图像中提取出运动区域，再对差分图像进行相与操作，限制搜索范围；然后利用人脸肤色信息，在YCbCr色彩空间内检测出肤色区域；最后利用人脸的几何特征信息对肤色区域作进一步验证，得到精确人脸。该方法综合了帧间和帧内的分析结果，实现简单、高效。实验证明，在复杂背景下对光照和其他噪声有较好的鲁棒性。 关键词：人脸检测；时间差分；运动信息；肤色特征 中文分类号：TP391.41 文献标识码：A Abstract: A method of combining motion and skin-color information of successive images to detect faces in complex background is presented. First, the motion information between three continuous frames is used for coarse detection to obtain the difference images, from which the motion areas can be detected by self-adaptive threshold method, and then take and operation to limit the searching range. Second, the skin-color areas are detected in YCbCr color-space. Finally, g eometry feature information is used to further validate the skin-color areas, which can obtain the fine face. This method combines the inter-frame and intra-frame processing, which is simple and effective to realize, and is proved to be robust to illumination and other noises in complex background. Keywords:Face Detection；Time Difference；Motion Information；Skin-color Feature 1、引言 人脸检测(Face Detection)是一切人脸处理系统的基础。近年来，由于计算机技术的迅猛发展，数字图像处理技术的日益完善，人脸检测作为人脸信息处理中的一项关键技术，已成为图像处理、模式识别与计算机视觉领域内的热点课题[1]。 目前人脸检测方法多数是在一般环境下的单幅图像中检测人脸。如基于对称性、器官分布、纹理等的人脸检测，以及神经网络的学习、特征脸模式等方法。这些方法或者计算复杂度太高，或者鲁棒性较差，适应面很窄。视频序列图像的人脸检测算法要比单幅静态图像的人脸检测算法复杂得多，需要考虑更多噪声因素的影响，如随机噪声、室内亮度变化、室外背景纹理的慢变化等。 本文使用了一种基于时间差分的人脸检测方法，从粗到细实现人脸的精确检测。首先利用连续三帧图像间的运动信息进行粗检测，在两两差分得到差分图像后，利用形态学方法分别对差分图像进行预处理，去除光线等因素引起的干扰，并采用自适应阈值法从差分图像中提取出运动区域，再对两幅差分图像相与，去除非本帧图像的目标区域，即只提取当前帧图像的运动目标区域，进一步限制搜索范围；然后利用肤色和形状信息对人脸区域作进一步检测和验证[2], 得到精确人脸。该方法综合了帧间和帧内的分析结果，实验证明，该方法实现简单、高效，并且在复杂背景环境下仍具有对光照、噪声等的鲁棒性。 2、算法的总体框架 该算法按照从粗到细的检测模式，主要采用图像的运动特征信息与人脸的肤色、形状特征信息相结合的检测法，通过运动检测缩小搜索范围，并将肤色、形状特征信息作为验证手段。算法流程如图1所示，由3大步骤组成[3]。 (1)帧间的时间差分处理 在视频序列图像中，人脸是一个运动区域，所以利用运动信息可以去除图像中静止背景区域的干扰。本文在三帧序列图像之间采用基于像素的两两差分，使用自适应阈值化来提取各自差分图像中的运动区域，然后对两幅差分图像二值化后相与来缩小目标范围。但是由于背景的复杂性和光线、图像的噪声等干扰因素引起的波纹和小块仍没能去除，因此加上形态学处理方法。该模块缩小了后续人脸检测和定位部分的搜索范围，从而减少了运算量。该方法实现简单，计算速度快，并且在静止的复杂背景下有很好的鲁棒性。 (2) 基于肤色的人脸检测
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状 文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]
人脸识别技术的应用背景及研究现状1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面： （1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。
?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼
人脸检测算法原理及OPENCV人脸检测程序分析
人脸检测算法原理及OpenCV 人脸检测程序分析 罗海风 2011-3-30 人脸检测研究背景：人脸检测 基于肤色特征基于灰度特征 启发模型统计模型 肤色区域分割方法人脸模板方法等特征空间方法PCA 、fisherfaces 方法等ANN SVM 概率模型方法 贝叶斯概率模型HMM 集成机器学习 以上所列方法中，基于统计模型的方法是目前比较流行的方法[1]，具有较大的优越性。其优点有： 1.不依赖于人脸的先验知识和参数模型，可以避免不精确或不完整的知识造成的错误； 2.采用实例学习的方法获取模型的参数，统计意义上更加可靠； 3.通过增加学习的实例可以扩种检测模式范围，提高鲁棒性。 在统计模型方法中，2001年左右由Viola 和Jones 提出的基于集成机器学习的人脸检测算法相对于其他方法具有明显优势[123]。近期文献也表明目前尚未发现优于Viola &Jones 方法的其他人脸检测方法[4]。该方法不仅检测精度高，最关键的是其运算速度大大快于其他方法。Viola &Jones 人脸检测方法原理： 该方法中几个关键性概念[5]： 1.Haar-like 特征 Haar-like 型特征是Viola 等人提出的一种简单矩形特征，因为类似Haar 小波而得名。Haar
型特征的定义是黑色矩形和白色矩形在图像子窗口中对应的区域的权重灰度级总和之差。上图显示了两种最简单的特征算子。在上述图中，可以看到，在人脸特定结构处，算子计算得到较大的值。 2.积分图 算子数量庞大时上述计算量显得太大，Viola等人发明了积分图方法，使得计算速度大大加快。积分图如上所示，点1处的值为A区域的像素积分，点2处的值为AB区域的像素积分。对整张图片进行一次积分操作，便可以方便的计算出任一区域D像素积分值为4+1-2-3。 3.Adaboost训练算法 在离散Adaboost算法中，Haar-like特征算子计算结果减去某阈值，便可视为一个人脸检测器。因为其准确率不高，称为弱分类器。Adaboost算法的循环中，首先利用各种弱分类器对训练图片库进行分类，准确度最高的弱分类器保留下来，同时提高判断错误的图片的权重，进入下一循环。最终将每次循环所保留的弱分类器组合起来，成为一个准确的人脸检测器，称为强分类器。具体计算流程见[35]。 4.瀑布型级联检测器 瀑布型级联检测器是针对人脸检测速度问题提出的一种检测结构。瀑布的每一层是一个由adaboost算法训练得到的强分类器。设置每层的阈值，是的大多数人脸能够通过，在此基础上尽量抛弃反例。位置越靠后的层越复杂，具有越强的分类能力。 这样的检测器结构就想一系列筛孔大小递减的筛子，每一步都能筛除一些前面筛子楼下的反例，最终通过所有筛子的样本被接受为人脸。瀑布型检测器训练算法见[3]。 OpenCV人脸检测程序流程[6]： OpenCV的人脸检测程序采用了Viola&Jones人脸检测方法，主要是调用训练好的瀑布级联分类器cascade来进行模式匹配。 cvHaarDetectObjects，先将图像灰度化，根据传入参数判断是否进行canny边缘处理(默认不
matlab编程--基于肤色分割和匹配的人脸识别介绍
基于肤色分割和匹配的人脸识别 1．将RGB空间转换为YCbCr空间： 为了把人脸区域从非人脸区域分割出来，需要使用适合不同肤色和不同光照条件的可 靠的肤色模型。 常用的RGB 表示方法不适合于皮肤模型，在RGB 空间，三基色（r、g、b）不仅代表颜色，还表示了亮度。由于周围环境光照的改变，亮度可能使人脸的检测变得更加复杂， 在皮肤的分割过程中是不可靠的。为利用肤色在色度空间的聚类性，需要把颜色表达式中 的色度信息与亮度信息分开，将R、G、B 转换为色度与亮度分开的色彩表达空间可以达 到这个目的。颜色空间的转换常用的颜色模型主要有：YCrCb、HSV、YIQ等。在本文的实验中选用YCrCb 空间作为肤色分布统计的映射空间，该空间的优点是受亮度变化的影 响较小，而且是两维独立分布，能较好地限制肤色分布区域。 使用函数为：YCBCR = rgb2ycbcr(RGB); 2．将彩色图像转换为灰度图像，实验证明，不同的肤色具有相同的2D模型 G(m,V^2)。灰度值对应属于皮肤区域的可能性，同过设定门限，就可以转换为二值图 像，1,0分别表示皮肤和非皮肤区域。 皮肤颜色在ycbcr色度空间的分布范围为:100<=cb<=127,138<=cr<=170，可以将彩色图像转换为二值图像： f_cb=f(:,:,2); f_cr=f(:,:,3); f = (f_cb>=100) & (f_cb<=127) & (f_cr>=138) &(f_cr<=170) ; figure; imshow(f);
3．转换后不可避免出现了噪声，有背景的噪声影响，以及人的衣服和裤子引起的噪声点，使用开闭运算的方法消除噪声： se=strel('square',3); f=imopen(f,se); f=imclose(f,se); figure(2),imshow(f);
人脸肤色检测技术word版本
术技测检色肤脸人精品文档 一种基于肤色的复杂背景人脸检测方法 1>.人脸肤色模板提取 复杂背景的彩色图像中,总存在类肤色区域,裸露的非人脸肤色区域以及类肤色区域和肤色区域或者多个肤色区域紧密连接在一起. 单纯使用肤色分割定位，人脸不能排除这些因素的影响，因此，肤色分割通常只是对人脸图像进行粗定位。要确定肤色区域是否为人脸，则需对区域上的其他特征进行验证。在人脸肤色分割图中，眼睛、嘴等特征因其为非肤色区域而被漏掉，而在肤色范围内的其他区域可能与人脸区域相连，这不利于人脸特征验证。特征验证需要一个准确的人脸区域（只包括必要的人脸特征而没有背景等其他干扰）。 2>.肤色块分类 肤色分割可能在人脸区域形成独立块，区域边缘分割也可能将完整面部分割诚若干个小块，因此需要进行肤色块的合并，重新组合属于同一人脸的独立块。同一人连区域中像素点古色在变换Ycbcr空间中对应的矢量值相近，在空间位置上应小于一定距离。根据以上原理提出如下算法：（1）按照块面积从大到小排列各块（忽略面积小于一定阈值的小块）。 (2)寻找每个块的重心（X,Y）；
（3）计算各块间距离的（重心连线减去在各块内部部分的长度）。 （4）从大块开始，将距离小于一定阈值的归位一类。 （5）在没一类中，计算各块重心连线在各块边缘附近的Ycbcr值。 （6）去除面积小于一定阈值的类。 对所有块分类完成后，按各类中肤色块所占区域的大小，建立包含类中所有块的最小矩形，将类中所有块复制到矩形内，后续操作则在该矩形内进行。 收集于网络，如有侵权请联系管理员删除． 精品文档 基于肤色模型的人脸检测研究 2.1>建立肤色样本 建立肤色模型需要大量包含不同肤色、不同大小人脸的RGB图像。本文从互联网、人脸库和日常的生活照中选用了100副肤色不相同的人脸图像，然后从中裁剪出人脸皮肤区域的一小部分作为肤色的样本。接着将其从RGB色彩空间转换为Ycrcb色彩空间。 经过色彩空间转换之后，人脸图像不可避免地会出现噪声。本文采用滑动窗口为3X3的二维中值滤波来去除噪声，并在速度和效果上都取得了很好的结果。2.2>建立肤色模型 消除噪声后，先用二维高斯分布来描述这种cbcr的色度分布，然后对肤色样本进行训练，以此得到一个分布中心，再根据所观察的香色离该中心的远近来得到一个肤色的相似度。最后利用均值和方差的计算得到高斯分布模型，这就是实验中的肤色模型。 2.3>光照预处理 由于受外界光照坏境的影响，尤其是光源颜色，采集来的彩色图像经常会发生彩色偏移。本文使用彩色均衡方法来消除这种彩色偏移。该方法首先通过图像的R G B三个分量中各自的平均值确定出图像的平均灰度值，然后调整每个像素的R G B值，使得调整后图像的R G B三个分量中各自的平均值都趋于平均灰度值。实验结果表明，消除彩色偏移能有效提高算法的检测率和准确率。 2.4>类肤色检测 收集于网络，如有侵权请联系管理员删除． 精品文档 本文算法最为关键的一步是人体皮肤区域的检测。检测方法是计算图像像素与肤色模型的相似度，这个值描述了像素与肤色的相似程度。通过计算图像中每个像素与肤色模型的相似度，生成一副类肤色灰度图像。 基于肤色的人脸检测与识别方法的研究 肤色检测技术
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别介绍
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库
不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。
人脸识别背景及其方法
浅谈人脸识别技术的现状与发展 宋磊卞迪白杰文范益彪李主南 摘要 人脸识别技术以其独特性、直接性、方便性等特点，在涉及身份特征识别的领域里被广为应用。本文主要介绍人脸识别技术（FRT）的研究内容、研究背景价值及研究现状。通过分析当前人脸识别技术的现状，总结了人脸识别的应用前景，提出了人脸识别技术的未来发展要求。 关键词：人脸识别，研究现状，发展趋势 Abstract Face Recognition Technology,characterized by its uniqueness,direct and convenience,is widely used in the identification of identity.This paper mainly introduces the research content,study background value,and research status of the Face Recognition Technology.Through the analysis of the present situation of Face Recognition Technology,the application prospect of Face Recognition is summarized and the future development of Face Recognition Technology is proposed. Key words: Face Recognition，Research status，Developing trend 引言 随着现代信息技术的快速发展，进行身份认证的技术转到了生物特征层面。现代生物识别技术主要是通过计算机与高科技手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的鉴定。其中人脸识别是指人的面部五官以及轮廓的分布，这些分布特征因人而异，与生俱来。 人脸是一个包含着丰富信息的模式的集合，是人类互相辩证和识别的主要标志之一，也是图像和视频中视觉感兴趣的对象之一。与指纹、虹膜、语音等其他人体生物特征相比，人脸识别更加直接、友好，无需干扰人们的正常行为就能较好地达到识别效果。在身份识别、访问控制、视频会议、档案管理、电子相册、基于对象的图像和视频检索等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点。由于采用人脸识别技术的设备可以随意安放，设备的安放隐蔽性非常好，能远距离非接触快速锁定目标识别对象，因此人脸识别技术被国外广泛应用到公众安防系统中，应用规模庞大。人脸识别技术的研究肇始于20
人脸识别主要算法原理
人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）
基于肤色特征的人脸检测技术研究
doi：10.3969/j.issn.1671-1122.2012.07.018 基于肤色特征的人脸检测技术研究 商喜喜1,2，修春波1,2 （1. 天津工业大学电气工程与自动化学院，天津 300387； 2. 天津工业大学电工电能新技术天津市重点实验室，天津 300387） 摘 要：文章提出一种多人脸图像中人脸检测与定位方法，将图像从RGB色彩空间转换到YCrCb 色彩空间中，根据肤色点在CrCb空间中的分布情况进行肤色点检测，并滤除肤色检测后的孤立噪声， 利用势函数方法获得人脸候选区域。然后，根据人脸的结构特征对候选区域进行人脸区域的判别和定位， 最终实现图像中多人脸的检测功能，并通过仿真实验证明了该方法的有效性。 关键词：人脸检测；肤色；势函数；色彩空间 中图分类号：TP393.08 文献标识码：A 文章编号：1671-1122（2012）07-0064-02 Face Detection based on Skin Color SHANG Xi-xi1,2, XIU Chun-bo1,2 ( 1. School of Electrical Engineering and Automation, Tianjin Polytechnic University, Tianjin 300387, China; 2. Key Laboratory of Advanced Electrical Engineering and Energy Technology, Tianjin Polytechnic University, Tianjin 300387, China ) Abstract: A face detection and location method is proposed to ? nd multiple faces in a image. The image is change from RGB color space to YCrCb color space. The skin pixels can be detected according to their distribution in YCrCb color space. And isolated noise point can be ? ltered. The possible face areas can be determined by the potential function method. The face areas can be determined according to the face structural characteristic from the possible face areas. Thus, multiple faces detection can be realized. Simulation results prove it’s valid. Key words: face detection; skin color; potential function; color space 0 引言 人脸检测是模式识别与机器视觉领域的重要研究内容之一[1-3]，是实现人脸自动识别的第一步，在人脸识别、视频会议、智能监控系统以及人机交互和医疗诊断等领域具有重要的应用价值[4-7]。目前，人脸检测的常用方法有基于特征的方法、基于统计的方法、基于知识的方法以及基于模板匹配的人脸检测方法等[8-11]。基于知识的检测方法通常具有较快的检测速度，但不适用于多姿态的人脸检测。基于模板的人脸检测方法稳定性较高，检测结果具有良好的鲁棒性，但计算量较大，检测速度不高。基于特征的方法是在检测区中需找人脸特征，以此来确定人脸的位置，这种方法可处理较大尺度和视角变化的人脸检测问题。但由于光照和噪声的影响，很难存在相对稳定的特征，从而影响了该类方法的应用效果。基于统计的方法通常具有较大的计算量，而且在样本采集以及训练过程中都存在着一定的困难，因此限制了这类方法的使用范围。 本文结合势函数模式识别方法以及肤色检测方法，提出一种新的人脸检测方法，能够较快、较准确地完成多图像的人脸检测功能。 1 肤色检测 首先在给定图像中进行肤色检测。RGB色彩空间是最常见的颜色空间。在RGB空间中，色度信息和亮度信息是混合在一起的，不适合于肤色模型。为了增强肤色分割对光照条件变化的鲁棒性，采用亮度信息和色彩信息相分离的YCrCb色彩空间，利用色度和饱和度信息进行判别。RGB空间到YCrCb色彩空间的转换矩阵为： (1) 收稿时间：2012-05-13 基金项目：天津市自然科学基金资助项目[10JCYBJC07500] 作者简介：商喜喜（1978-），男，河北，硕士研究生，主要研究方向：人脸识别；修春波（1978-），男，黑龙江，副教授，博士，主要研究方向：目标识别与跟踪设计。
开题报告-人脸检测与识别
t 开题报告 1. 研究背景 各种智能系统在生活中的应用越来越普遍。智能系统中经常需要身份识别以便提供 个性化服务。身份识别是一个很棘手的的问题，传统方法中主要是通过一些具有个人身 份特征的事物来鉴别，比如证件、钥匙等身份标识物品，或者是用户名和密码之类的身 份标识知识。在一些要求比较高的系统中，一般将这两方法结合起来使用，例如我们在 使用ATM机时，只有ATM卡和密码都正确才能访问特定的用户并进行一些列操作。但是 传统的身份鉴别方法缺点是相当明显的：身份标识物品容易丢失或被伪造，身份标识知 识容易遗忘或被盗取。这个时候身份鉴别就是天方夜谭了。如果利用每个人本身的生物 特征如人脸特征，指纹等等就能达到相当好的效果。这使得生物特征识别技术焕发光彩。 由于微电子和机器视觉方面取得了新进展，高性能自动识别的技术可行性越来越高。近 年来兴起的人脸识别在众多生物识别方法中应用最为广泛。在国外，人脸识别技术早已 被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始 于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。 2. 研究意义 人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广 泛的应用意义。人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模 式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。如今，虽 然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问 题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或 发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并 满足实时性要求是迫切需要解决的问题。 基于人脸生物特征的身份鉴别具有以下优点： （1）用户易接受：操作简单，身份识别度高，识别速度快。 （2）防伪性能好：人脸特征被伪造或被盗可能性很低。 （3）使用方便：不用担心丢失或遗忘，随时随地可用。
基于matlab的人脸识别算法(PCA)
3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)