一种鲁棒的肤色的人脸检测算法

Qiong Liu and Guang-zheng Peng. A robust skin color based face detection algorithm. 2010 2nd International Asia Conference on Informatics in Control, Automation and Robotics. Match 2010,525 - 528

一种鲁棒的肤色的人脸检测算法

摘要：为了应用于复杂的背景，本文提出了一种快速的自适应式基于肤色的人脸检测算法。这种算法首先在HS颜色空间建立了含有大量肤色像素的肤色模型，然后通过直方图投影进行图像的肤色分割，直方图中通过阈值法获取肤色的二值图像。为了得到更加好的结果，本文采用了形态学处理和Blob分析方法。实验结果表明，本算法能够在不同的光照条件下快速并且精确的检测各种大小、角度和表情的人脸。

关键词:人脸检测，肤色模型，直方图投影，肤色分割，计算机视觉

Ⅰ.介绍

人脸识别现在是计算机视觉领域很热门的技术。人脸识别应用面很广，比如人机互动，视频监控等等。与其他的特征检测方式（指纹，虹膜，掌纹等）相比较，人脸不用肢体接触而且更加易用。

人脸检测是用来定位和检测输入图像的所有的形状和脸部。因为背景复杂，光照条件多变以及人脸表情丰富，人脸检测是一门很复杂的技术。因此，我们必须找到受到这些干扰的小的有效的方式。

肤色是人脸重要的特征。利用肤色来检测人脸用很多的优势。人的皮肤有基本不变的颜色，容易与其他物体区分开，而且对人脸几何形状的变化有很高的鲁棒性。颜色易于快速处理，对于人脸的朝向，大小无关，对于吸收稳定而且对于每个人都独立。肤色已经被认为是一种有效、鲁棒的人脸检测、定位和跟踪的依据。

肤色建模主要有两种方法：非参数皮肤建模法（柱状图模型）[1,2]和参数法(单独高斯模型[3,4,5]和混合高斯模型)。参数法在实验和分类中都很快，于分布的形状无关。参数法也可以很快，它具有产生不完整实验数据的能力。然而，这种方法也可能在实验和实际运行中都很慢（像混合高斯模型一样），而且结果很大程度上取决于皮肤的形状分布。除此之外，大多数的皮肤参数建模方法忽略了非肤色数据。与非参数法比较，上述情况加上受皮肤簇形状不同的影响会导致高的错误检测几率。参考文献[1]对柱状图和混合模型在皮肤检测中的效果进行了比较，发现柱状图模型在检测精度和计算成本方面都有优势。

在本文中，我们提出了一种新颖的人脸检测算法，能够在室内和室外检测不同形状和姿势的人脸。我们首先在HS颜色空间建立了一个具有大量肤色图的肤色模型，然后通过直方图投影进行肤色检测。为了使结果更加优化，我们采用了形态学和Blob分析方法。实验结果显示使用本文中的算法能够更加有效的定位人脸。流程图由图1所示。

本文组织结构如下：第二部分介绍肤色建模。第三部分介绍脸部的提取。第四部分提供实验结果和探讨。第五部分是总结和未来工作的展望。

图1 流程图

Ⅱ.肤色建模

用肤色模型进行皮肤颜色检测主要有两步：首先选择实用的颜色空间，然后建立肤色模型。

A.皮肤建模使用的颜色空间

比色法，计算机图形学和视频信号传输标准带来了很多种具有不同性质的颜色空间。其中很多被用来解决肤色建模的问题。

RGB模型是在处理和储存数码图像数据中用途最广泛的一种图形空间。然而，颜色通道的相关性过高，信号感觉的不统一，色度和亮度数据的混淆使得RGB模型不能成为颜色分析和基于颜色的检测算法的最佳选择。[1],[2]中使用了这种颜色空间。

然而，肤色并不是一种物理特征；肤色受到很多因素的影响（如光照条件，人的差异等）。颜色特征的一个优势是对照明颜色变化很敏感，特别在RGB空间对照明亮度度很敏感。为了增强图像亮度变化的容纳程度，一种方法是将RGB图像转换到另一个颜色空间，这种颜色空间中亮度和色度是分开的，并且只使用色度进行检测。HSV空间在1978年由Alvy Ray Smith首次提出，其中H代表色度通道，S和V分别代表饱和度和亮度。这种表示颜色的方法与人类的视觉系统的敏感性相似。所以我们采用HS（HSV去除强度）颜色空间作为我们的颜色空间。RGB和HSV颜色空间的转换公式如下：

B. 直方图模型

在本文中，颜色模型由颜色直方图组成。如第一部分所述，颜色分类由直方图投影来实现。

首先，我们运行正面人脸检测器，从大量的人脸图片数据中检测出人脸轮廓。这种人脸检测器能够检测出人脸轮廓的高度和宽度以及中心位置。当然，检测过程也可以人工实现。

然后我们从检测出的人脸中心位置取出一块取出长宽为原来窗口1/3的小块。图2中展示了一些用来生成直方图模型的人脸检测样本。

最后，我们使用128x128柄的HS 颜色空间（HSV 空间除去强度）。因为较小饱和度的柄表示的大多数是白色，包含有很少的实际颜色信息，所以我们把它们设置为零。通过以上步骤，一个肤色直方图查找表模型（LUT ）就建成了。然后，对直方图进行归一化。

()().Norm

c skin c P skin = (4) 上面()c skin 给出了直方图的柄的赋值，相关的颜色向量c 和Norm 是所有直方图柄取值的总和[1]。归一化的值表示颜色和对应的皮肤的相关程度。

图2 用来建立颜色模型的图片示例

C.自适应算法

在实际上，即使是同一个人的皮肤，不同的光照条件会使得肤色值相差很大，更何况人之间还有肤色差异。很明显，这样一个单独的模型不能很好的适应各种可能的环境。所以，使模型适应当前的环境是很重要的。

适应过程和初始化建模过程类似。

.face old new P P P α+= （5）

Ⅲ.皮肤分割

A. 直方图投影

在很多场合下，人们对检测图像中有特定颜色的区域很感兴趣，例如在许多颜色空间的直方图模型或者是高斯混合模型。在这种情形下经常使用直方图投影的方法[9]。这种思路是首先把感兴趣的颜色建立直方图模型，然后把每个像素点的颜色替换成直方图模型的值。结果是生成了一张灰度图像，这张图像可以被当作是直方图中颜色出现概率。

我们通过直方图投影来从彩色图片中提取肤色区域。然后得到肤色概率图。这幅图的每个像素都是肤色出现的概率。像素越亮代表了这种肤色出现的概率越高。图3展示了概率图的一个例子。

图3.直方图投影的结果。（a ）原始图像. （b ）肤色概率图. (c)

去阈值后的二值图像

B. 除去背景杂物

在实际应用场合，一些类似于肤色的物体（比如纸盒，天花板等）有可能会被系统认为是肤色。这些干扰物可以通过肤色概率来通真正的肤色区域区分开来，我们对去除杂物的方

法进行了深入研究。结果显示我们的方法很有效。

图像的腐蚀和膨胀是图像处理中经常用到的方法。它们是形态学图像处理中最基本的操作，其他的图像形态学操作都基于它们。

腐蚀去除物体边界的像素，使得物体边界萎缩。

膨胀在图像中物体边界上添加像素，使得物体边界膨胀，体积变大。

膨胀和膨胀在图像处理中经常成对使用。例如，图像开运算是对图像先腐蚀后膨胀，其中用到了两种运算中相同的结构元素。于此对应，图像闭运算正好相反，利用两种运算中相同的结构元素，先膨胀后腐蚀。

在计算机视觉和图像处理中，开运算和闭运算是图形学除噪的基本方法。开运算从前景图像中去除较小的物体置于背景中。而闭运算从前景图像中去除小洞，并把背景中的小块置于前景。

本文中对图片先进行闭运算再进行开运算。结果如图4所示。

图4.应用先闭后开运算.(a)原始图像. (b)图像形态学运算处理前的图像

(c)图像形态学运算处理后的图像

在采用上述方法后，二值图像中只保留了大块相连的像素。一般称大块相连的像素为blob。Blob分析能够计算出一个blob的体积、边界、内部轮廓、外部轮廓、长度、宽度和区域。

我们对图像中所有的blob进行了扫描；得到区域和长宽比。然后，当blob区域小于一个给定值或者长宽比不合理，它就被从二值图像中除去。图5显示了一个小的肤色区域通过直方图投影被检测出来，然后被blob分析消除了，因为其不正常的形状。

图5 进行blob分析.(a)原始图像.（b）blob分析前的图像. (c)blob

分析以后的图像

Ⅳ.实验结果

我们用包含有不同照明条件和背景的图像来测试我们的算法。其中的人脸图片有不同的角度，表情，大小，而且有一部分是部分闭合的。我们的算法能够检测出800幅图像中1320张人脸中的1174个，精确率有88.9%。在主频为2.4G的Intel PC机上，人脸检测器能够在0.8秒内处理一张640x480像素的图片。

图6 实验结果示例

Ⅴ.总结

本文提出了一种快速、自适应的基于肤色的人脸检测算法。实验结果显示，肤色在非可控环境下是一种可靠的特征。在肤色提取领域，怎样对应不同照明条件造成的影响是个关键点。我们的算法中采取了两种方法。第一，我们采用HSV颜色空间，HSV空间中强度和色调是独立的，而且只采用HS空间来检测。第二，我们引入了自适应式肤色模型。另外，形态学处理和blob分析用来背景杂物去除。实验结果显示我们提出的算法能快速且准确的在不同的光照条件下检测出具有不同大小，角度和表情的人脸。

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。

基于神经网络的人脸检测方法

基于神经网络的人脸检测方法 摘要:自动人脸检测应用十分广泛，如安全访问控制，基于模型的视频编码或基于内容的视频索引，所以它正在成为一个非常重要的研究课题。在本文中，我们在假设不考虑内容，场景的照明条件，大小，方向和外观的前提下，提出了一种检测复杂图像和精确本地半正面人脸的方法。这就是卷积神经网络结构，这种方法不像其他系统，其他系统需要一个手工检测的阶段或特征分类阶段。卷积神经网络结构是从一个大的训练集中自动合成自己的一套特征提取方法，所以它可以直接从未预处理的照片中提取变化的人脸模型，而且可以在神经元模型中利用感受区域，共享权数和空间采样对人脸进行一定程度的旋转，缩放和变形。我们将会对我们的结构，研究策略和检测过程进行详细的描述。最后我们将证明在环境和人脸变化的情况下这种方法相当稳健，具有精确检测的能力。 1简介 因为其广泛的应用范围，人脸检测正在成为一个非常重要的的研究课题。比如在安全访问控制，基于模型的视频编码，基于内容的视频索引等方面。相对于人脸检测，脸部识别和表情分析算法已经得到学术方面的足够关注。近年来，在光线，面部表情和姿势微小变化的情况下，对人脸的识别已经取得相当大的进展。在[1]中你会发现一个现象。就是大多数的人脸识别和表情分析算法是在特定条件下得到的，要么是在同一背景下要么是出现过的图像要么直接是“人脸照片”，在这种情况下，人脸识别相对比较容易。然而，多数情况人脸检测是在复杂的场景下，这并不简单。由于面部表情，表现力和方位的改变面部模型也会呈现巨大的变化。 最近一些检测非人脸照片的技术已经得到了提高。这些方法可大致分为三大类：本地的面部特征检测，模板匹配和图像不变性。第一种方法，低层次的计算机视觉算法[3，7，13]用于检测的面部特征，如眼睛，嘴巴，鼻子，下巴和其他特征部位。第二种方法，几个相关模板用来进一步检测本地特征。这些人脸特征将被作为硬性模板（基于eigenspaces [8])或（模板 [12, 5]）。这些方法有很大的缺点，就是即使是很小的约束全局条件被改变也会对人脸模型和提取特征造成强烈的影响，比如噪声，表情的变化和焦点的改变等。最后一种方法，即使在不同的成像条件下图像不变方案也假定图像存在一定空间关系，比如亮度分布，相似点，人脸模型[10]的唯一性。在场景不受限制的情况下，这些算法都不是很健壮。 肤色信息的使用是制约搜索空间的一个重要线索。在[4]中，Garcia and Tziritas提出一个快速检测到人脸的方法，即皮肤颜色过滤和概率分布方法，而所用到的统计数据是从小波包中分解提取得到的。在[5]中，Garcia 将可变的脸部模板进行扩展，从而使这种方法可以精确的定位面部特征。 对于一般灰度图像，不需要遵守人为设定的规则，事实证明，类似于[11，9]中提到的基于神经网络的方法，效果最好。在本文中，我们提出一种新的检测方法，这种方法是基于神经网络的检测方法，这种方法可以对复杂的照片即使是半正面的人脸进行准确的检测。不需要考虑场景的照明条件，人脸大小，方向和人的外貌特征等因素。

【CN109961021A】一种深度图像中人脸检测方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910164890.2 (22)申请日 2019.03.05 (71)申请人 北京超维度计算科技有限公司 地址 100142 北京市海淀区西四环北路160 号9层一区907 (72)发明人 马宁　徐杰　张颢　向志宏　 杨延辉　 (74)专利代理机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 代理人 陈霁 (51)Int.Cl. G06K 9/00(2006.01) (54)发明名称一种深度图像中人脸检测方法(57)摘要本发明涉及一种深度图像中人脸检测方法，包括以下步骤：找出深度图像中所有有效深度值的局部最小值点；计算局部最小值点的曲率，去除曲率超出范围的点；如果此时还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点；如果此时还有剩余的局部最小值点，则认为图像中有人脸，否则认为图像 中没有人脸。权利要求书2页 说明书3页 附图1页CN 109961021 A 2019.07.02 C N 109961021 A

权　利　要　求　书1/2页CN 109961021 A 1.一种深度图像中人脸检测方法，其特征在于，包括以下步骤： 找出深度图像中所有有效深度值的局部最小值点； 计算局部最小值点的曲率，去除曲率超出范围的点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则计算鼻子的深度值和纵向剖线上鼻子廓线占人脸廓线长度的比值，排除鼻子的深度值或比值超出一定范围的局部最小值点； 如果此时没有剩余的局部最小值点，则可以判断这一张深度图像中没有人脸；如果还有剩余的局部最小值点，则通过深度阈值切割出可能存在的人脸区域，并排除切割区域尺寸小于实际人脸尺寸的局部最小值点； 如果此时还有剩余的局部最小值点，则认为图像中有人脸，输出图像中所有的人脸区域位置，否则认为图像中没有人脸。 2.根据权利要求1所述的方法，其特征在于，所述找出深度图像中所有有效深度值的局部最小值点步骤，包括： 对深度相机输出的深度图像，找出深度图像中所有在局部窗口中有效深度值最小的像素点的位置，如果邻接的多个像素都为局部最小值点，则只取这几个邻接像素的中心位置为局部最小值位置。 3.根据权利要求1所述的方法，其特征在于，所述计算局部最小值点的曲率，去除曲率超出范围的点步骤，包括： 对得到的每个局部极小值点，在一定邻域范围内计算有效深度值梯度幅度的平均值，此梯度幅度平均值反映了物体表面的曲率，通过人鼻尖表面曲率的范围，可以排除一些不是鼻尖的局部最小值点。 4.根据权利要求1所述的方法，其特征在于，所述在纵向剖线上用深度阈值切割出可能的人脸廓线，去除纵向人脸廓线长度不符合真实人脸尺寸的局部极小值点步骤，包括：对于剩余的每个局部最小值点，找出深度图像中该位置的纵向廓线，由局部最小值点的深度和位置信息可以估计出该距离下真实人脸在纵向廓线上的最大范围，该范围作为人脸可能存在的范围，在该范围内，用该局部最小值点的深度值加上一个深度差值，作为深度切割的阈值，用该阈值切割出可能存在的人脸纵向廓线，并计算可能的人脸廓线的长度，由局部最小值点的深度可以估计出该距离下真实人脸廓线的长度，通过对比可以去除一些纵向剖线不符合真实人脸尺寸的局部最小值点。 5.根据权利要求1所述的方法，其特征在于，所述计算纵向剖线上鼻子廓线占人脸廓线长度的比值，排除比值超出一定范围的局部最小值点步骤，包括： 根据符合真实人脸尺寸的每个局部极小值点，计算其在人脸廓线上的梯度，如果梯度值不大于0，则继续计算其在人脸廓线上的上一个像素点的梯度；当梯度值大于0时，此时的像素点位置即为鼻子廓线的上边缘位置； 所述像素点位置的深度值与对应的局部最小值点位置的深度差值即为鼻子的高度；所述像素点位置与对应的局部最小值点位置的差值即为鼻子廓线的长度； 2

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。

人脸识别的主要方法

1.1 人脸识别的主要方法 目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同，有不同的分类方法。根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。 对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。 1.1.1 基于特征脸的方法 特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称PCA)，它是20 世纪90 年代初期由Turk 和Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。 特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。 通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

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。

人脸识别技术的主要研究方法

人脸识别技术的主要研 究方法 The manuscript was revised on the evening of 2021

1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。 4、基于代数特征的人脸识别方法

人脸检测和识别技术的文献综述

人脸识别技术综述 摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。 关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍 人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得

出相似程度的相关信息。 计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史 国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。 人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所

人脸识别几种解决方案的对比_人脸识别技术原理介绍

人脸识别几种解决方案的对比_人脸识别技术原理介绍 人脸识别概要人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别特点非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有强制性； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：以貌识人的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术原理分析人脸识别主要分为人脸检测（face detecTIon）、特征提取（feature extracTIon）和人脸识别（face recogniTIon）三个过程。 人脸检测：人脸检测是指从输入图像中检测并提取人脸图像，通常采用haar特征和Adaboost算法训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器，则被判别为人脸图像。 特征提取：特征提取是指通过一些数字来表征人脸信息，这些数字就是我们要提取的特征。常见的人脸特征分为两类，一类是几何特征，另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系，如距离、面积和角度等。由于算法利用了一些直观的特征，计算量小。 不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。 表征特征利用人脸图像的灰度信息，通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域，在每个区域的像素640x960邻域中用中心值作阈值化，将结果看成是二进制数。

人脸检测方法综述

０引言 人脸检测是模式识别的一个新近的发展方向和重要应用，人脸检测和识别在安全识别、身份鉴定、以及公安部门的稽查活动中都有广泛而重要的应用前景。 就人脸检测这一部分，它是人脸识别的首要步骤，长久以来人们都在致力于找到一个能够快速定位人脸的算法。目前人脸检测的方法主要有两种，基于启发式模型的方法和基于统计式模型的方法，而近些年，基于统计模型的模式识别方法被广泛运用，比如基于神经网络的模式识别等。本文将介绍人脸检测中遇到的一系列问题，并列举数据比较各种人脸检测方法的检测效果，以作参考。 １人脸检测和人脸识别 说到人脸检测就不能不提到人脸识别问题，人脸识别问题是指：对输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。 人脸识别的过程可以分为以下三个部分： （１）人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小； （２）面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息； （３）人脸比对：根据面部特征定位的结果，与库中人 脸对比，判断该人脸的身份信息 人脸识别技术具有广泛的应用前景，在国家安全、军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等是典型的应用；在民事和经济领域，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险人的身份验证等具有重要的应用价值；在家庭娱乐等领域，人脸识别也具有一些有趣有益的应用，比如能够识别主人身份的智能玩具、家政机器人，具有真实面像的虚拟游戏玩家等等。 本文提出的人脸检测问题是人脸识别这个问题下的一个子问题，这也是人脸识别的前提。 人脸检测研究具有重要的学术价值，人脸是一类具有复杂细节变化的自然结构目标，由于人脸的特殊性，人脸检测面临如下几个难题： （１）人脸外貌、 表情、肤色的不同，造成模式的可变性； （２）人脸可能存在眼睛、 胡须等附属物；（３）人脸影像收到光照产生的阴影影响。 因此，如果能够找到解决此类问题的方法，构造人脸检测和跟踪系统，将为人脸识别以及类似的复杂模式检测问题提供重要启发。 目前国内外针对人脸检测问题的研究很多，比如著名的ＭＩＴ、ＣＭＵ等，国内的又清华大学、 北京工业大学、中科院计算技术研究所等，而且，ＭＰＥＧ７标准组织已经建立了人脸识别草案小组，人脸检测算法也是征集内容之一。随着人脸检测问题研究的深入，国际上在此项目上发表的相关论文数也大幅度增长，本文针对人脸检测 收稿日期：２００５－１０ 作者简介：吕琳（１９８２－），男，同济大学嘉定校区软件学院硕士在读。 人脸检测方法综述 吕琳 （同济大学软件学院，上海２０１８０４） 摘要：随着计算机科学的发展和社会的进步，人脸检测的研究和应用越来越得到广泛的关注。但是设计快速有效的人脸检测方法仍然是一个难度很大的问题。本文将从人脸检测方法的两个主要模式出发，分析了当前人脸检测的主要问题和方法，并对这些方法进行比较。 关键词：人脸检测；启发式模型；统计式模型 中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１００９－３０４４（２００５）３６－０１５９－０４ ＳｕｒｖｅｙｏｎＨｕｍａｎＦａｃｅＤｅｔｅｃｔＭｅｔｈｏｄ ＬＶＬｉｎ （ＳｃｈｏｏｌｏｆＳｏｆｔｗａｒｅＥｎｇｉｎｅｅｒｉｎｇ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１８０４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅａｎｄｔｈｅｓｏｃｉｅｔｙ，ｔｈｅｆａｃｅｄｅｔｅｃｔｉｏｎｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｄｒｅｗｍｏｒｅａｎｄｍｏｒｅａｔｔｅｎｔｉｏｎ．Ｂｕｔｈｏｗｔｏｄｅｓｉｇｎｆａｓｔａｎｄｅｆｆｉｃｉｅｎｔｆａｃｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｉｓｓｔｉｌｌａｂｉｇｐｒｏｂｌｅｍ．Ｔｈｉｓｐａ－ｐｅｒｗｉｌｌａｎａｌｙｚｅｔｈｅｐｒｉｍａｒｙｐｒｏｂｌｅｍａｎｄｍｅｔｈｏｄｏｆｆａｃｅｄｅｔｅｃｔｉｏｎ，ｗｈｉｃｈｂａｓｅｄｏｎｔｗｏｐｒｉｍａｒｙｆａｃｅｄｅｔｅｃｔｉｏｎｐａｔｔｅｒｎｓ，ａｎｄｍａｋｅａｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｔｈｅｓｅｍｅｔｈｏｄｓ． Ｋｅｙｗｏｒｄ：Ｆａｃｅｄｅｔｅｃｔｉｏｎ；Ｈｅｕｒｉｓｔｉｃｍｏｄｅｌ；ＳｔａｔｉｓｔｉｃａｌＭｏｄｅｌ

人脸识别方法综述

人脸识别方法报告 人脸识别（Face Recognition）是指给定一个静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。 人脸自动识别系统包括人脸检测与定位和特征提取与人脸识别两个主要技术环节，如图所示： 1.人脸检测与定位部分 检测图像中是否有人脸图像，若有，将其从背景中分割出来，并确定其在图像中的位置。 在某些控制拍摄条件的场合，如证件照等，背景相对简单，定位比较容易。而在复杂背景下获得的图像，由于人脸在图像中的位置是未知的，此时人脸的检测与定位将受到以下诸因素的影响：( 1) 人脸在图像中的位置、旋转角度和尺度的变化；( 2) 发型 和化妆会遮盖某些特征；( 3) 图像中的噪声。 2.特征提取与人脸识别 这部分主要分为三个部分，分别是图像预处理、特征提取、人脸识别。 图像预处理：为了更精确地获得图像的有效特征信息，在特征提取前一般需要对图像做几何归一化和灰度归一化的处理。前者是指根据人脸定位结果将图像中的人脸位置、尺度调整到同一位置和同样大小；后者主要是采用光照补偿等处理方法解决光照变化对检测的影响。 特征提取：进行特征提取时根据所采取识别方法的不同，具体提取的特征形式也不相同。如在基于几何特征的识别方法中，需要提取特征点，然后构造特征矢量；在基于统计的特征脸方法中则是提取图像相关矩阵的特征矢量来构造特征脸；在模板匹配法中提取相关系数做为特征；而在基于神经网络的识别中一般不需要专门的特征提取过程。 人脸识别：特征提取结束后，下一步就是人脸识别。在数据库中预先存放了已知的人脸图像或有关的特征值，识别的目的就是将待识别的图像或特征与数据库中数据进行匹配。识别任务分为两类：人脸辨认，确定输入图像为库中哪一个；人脸证实，验证某人的身份是否属实。 常用的人脸识别方法有： 1.基于几何特征的人脸识别方法 基于几何特征的人脸识别方法，是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。早期的人脸识别是用手工确定人脸特征点的位置并将其输人计算机中，其工作的流程：检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离)，得到描述每个脸的特征矢量，如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯

人脸识别技术研究背景与方法

人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将