基于肤色模型和面部特征的人脸检测算法

基于肤色模型和面部特征的人脸检测算法

摘要：提出一种基于肤色模型和面部特征的人脸检测算法，在YCbCr 颜色空间建立肤色模型，根据此模型进行肤色分割，为使分割更平滑，进行了形态学处理，再结合面部特征有效除去非人脸肤色区域。验证了该算法的可行性和高效性。

关键词：人脸检测；肤色模型；形态学处理；面部特征

人脸识别是最近几年国际上图像处理和模式识别研究的热点之一。一个完整的人脸识别系统包括以下4个模块：①人脸检测与分割；

②人脸表征和特征提取；③人脸识别；④性能评估模块。人脸检测模块是人脸识别的前提和基础，只有人脸检测时准确进行人脸定位，后期才能更准确地对检测出来的人脸进行识别。本文提出了一种基于肤色模型和面部特征的人脸检测，目的是提取每一个属于人脸区域的肤色像素点，主要流程如图1所示。在由日常生活照片建立的人脸检测图像集上做了许多实验，验证了该算法的可行性和高效性。

图1 人脸检测流程

1 肤色模型的建立

肤色模型需要选择一个合适的颜色空间并在该空间中确定一个肤色簇。近几年的研究发现，TSL空间提供了两种高斯密度模型（单峰高斯模型和混合高斯模型），效果最佳。YCbCr颜色空间与人的颜色感觉是一致的，并且与TSL颜色空间具有相同特性：能将亮度信息与色度信息区分开来，并具有相当紧密的肤色簇。所以，本文采用

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。

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。

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)

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。

基于eigenfaces的人脸识别算法实现大学论文

河北农业大学 本科毕业论文(设计) 题目：基于Eigenfaces的人脸识别算法实现 摘要 随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频监控领域迫切需要一种远距离，非配合状态下的快速身份识别，以求能够快速识别所需要的人员信息，提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控中快速提取人脸，并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防，社会安全，银行电子商务，行政办公，还有家庭安全防务等多领域。 本文按照完整人脸识别流程来分析基于PCA(Principal Component Analysis)的人脸识 别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的分析基于PCA人脸识别系统的性能选用了ORL人脸数据库。然后对人脸数据库的图像进行了简单的预处理。由于ORL人脸图像质量较好，所以本文中只使用灰度处理。接着使用PCA提取人脸特征，使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用最近邻法分类器欧几里得距离来进行人脸判别分类。 关键词:人脸识别PCA算法奇异值分解定理欧几里得距离

ABSTRACT With the rapid development of technology, video surveillance technology has become increasingly diverse applications in our lives. In these video surveillance urgent need for a long-range, with rapid identification of non-state, in order to be able to quickly identify people the information they need, advance intelligence warning. Face recognition is undoubtedly the best choice. Face detection can quickly extract human faces from video surveillance, and contrast with the face database to quickly identify identity. This technology can be widely used in national defense, social security, bank e-commerce, administrative offices, as well as home security and defense and other areas. In accordance with the full recognition process to analyze the performance of PCA-based face recognition algorithm. The first to use the method of access to commonly used face images for face images. In order to better analysis is based on the performance of the PCA face recognition system selected ORL face database. Then the image face database for a simple pretreatment. Because ORL face image quality is better, so this article uses only gray scale processing. Then use the PCA for face feature extraction using singular value decomposition theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the Euclidean distance of the nearest neighbor classifier to the classification of human face discrimination. KEYWORDS: face recognition PCA algorithm SVD Euclidean distance

基于肤色的人脸检测matlab代码

main close all clear all clc %输入图像名字 img_name=input('请输入图像名字(图像必须为RGB图像，输入0结束)：','s'); %当输入0时结束 while~strcmp(img_name,'0') %进行人脸识别 facedetection(img_name); img_name=input('请输入图像名字(图像必须为RGB图像，输入0结束)：','s'); end facedetection function facedetection(img_name) %读取RGB图像 I=imread(img_name); %转换为灰度图像 gray=rgb2gray(I); %将图像转化为YCbCr颜色空间 YCbCr=rgb2ycbcr(I); %获得图像宽度和高度 heigth=size(gray,1); width=size(gray,2); %根据肤色模型将图像二值化 for i=1:heigth for j=1:width Y=YCbCr(i,j,1); Cb=YCbCr(i,j,2); Cr=YCbCr(i,j,3); if(Y<80) gray(i,j)=0; else if(skin(Y,Cb,Cr)==1) gray(i,j)=255; else gray(i,j)=0; end end end end

%二值图像形态学处理 SE=strel('arbitrary',eye(5)); %gray=bwmorph(gray,'erode'); %imopen先腐蚀再膨胀 gray=imopen(gray,SE); %imclose先膨胀再腐蚀 %gray=imclose(gray,SE); imshow(gray); %取出图片中所有包含白色区域的最小矩形 [L,num]=bwlabel(gray,8); STATS=regionprops(L,'BoundingBox'); %存放经过筛选以后得到的所有矩形块 n=1; result=zeros(n,4); figure,imshow(I); hold on; for i=1:num box=STATS(i).BoundingBox; x=box(1);%矩形坐标x y=box(2);%矩形坐标y w=box(3);%矩形宽度w h=box(4);%矩形高度h %宽度和高度的比例 ratio=h/w; ux=uint8(x); uy=uint8(y); if ux>1 ux=ux-1; end if uy>1 uy=uy-1; end %可能是人脸区域的矩形应满足以下条件： %1、高度和宽度必须都大于20，且矩形面积大于400 %2、高度和宽度比率应该在范围（0.6,2）内 %3、函数findeye返回值为1 if w<20||h<20||w*h<400 continue elseif ratio<2&&ratio>0.6&&findeye(gray,ux,uy,w,h)==1 %记录可能为人脸的矩形区域 result(n,:)=[ux uy w h]; n=n+1; end end

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

人脸识别主要算法原理

人脸识别主要算法原理 主流的人脸识别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，通常需要和其他算法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）