基于肤色相似度的人脸检测与定位

毕业设计（论文）

基于肤色相似度的人脸检测与定位

摘要

本课题致力于完成Visual C++ 6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。要完成的工作包括相似度的计算，图像的二值化，垂直直方图和水平直方图的获取，人脸特征（眼睛、嘴和鼻子）的提取。本课题着重于肤色模型相似度在人脸检测与定位中的应用，对增加人脸检测与定位的准确率的研究有一定的指导意义。

提出一种基于肤色的人脸检测定位算法，设计了基于肤色的人脸检测和定位系统。采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法，提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸定位。在Microsoft Windows平台上，利用Visual C+ + 6. 0 开发了软件。

本课题的成果具有一定的应用价值。实验结果表明，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征，并且在速度和准确性方面具有良好的性能。

关键词：图像分割；人脸定位；肤色；人脸检测；特征提取

基于肤色相似度的人脸检测与定位

Detection and Localization of Person Face Based

on Skin Color Similarity

Abstract

This topic devotes to completing the detection and localization system of the person face under the Visual C++ 6.0 platforms, and the detection localization algorithm of the person face limit to basing on the skin color similarity algorithm. The topic must complete similarity computation, binary image processing, vertical histogram, horizontal histogram and extracting person face characteristic (eye, mouth and nose). This topic emphasize application of skin color model similarity in the detection and the localization of person face, and has a significant instruction for research of increasing accuracy in detection and the localization of person face.

In this paper, the authors have presented an algorithm and designed a system for face detection and location based on complexion. By strengthening the contrast between face features and by adopting binary image processing method, the system has improved the preprocessing effect; and by using boundary-based algorithm plus region-based algorithm , the system has realized face location through the extraction of the features of eyes, nose and mouth. Taking advantages of Visual C++ 6.0, the authors have also developed corresponding software based on Microsoft Windows.

Production of this paper have definite application value.Experiment results prove that the system is valid in detecting, locating and extracting frontal view face features in a certain range.And it possess favorable performance in rapidity and accuracy.

Key words: image segmentation; face localization; complexion; face detection;feature ex- traction

安徽工程科技学院毕业设计（论文）

目录

引言 (1)

第1章人脸检测与定位概述 (2)

1.1人脸检测的定义、应用及难点 (2)

1.2人脸检测的研究背景及现状 (2)

1.3本文研究的主要内容 (3)

第2章基于肤色模型的人脸检测 (4)

2.1人脸检测方法 (4)

2.2基于肤色的人脸检测 (4)

2.2.1 色彩空间的选择 (4)

2.2.2 肤色模型 (5)

2.3人脸肤色相似度的计算 (6)

第3章相似度基础上的人脸特征定位 (10)

3.1人脸检测与定位算法 (10)

3.1.1 人脸区域分割算法 (10)

3.1.2 人脸区域标记算法 (12)

3.1.3 人脸检测流程 (12)

3.2人眼的检测算法及标定 (13)

3.2.1 有背景灰度人脸图像中的人眼检测与定位 (14)

3.2.2 眼睛的标定 (15)

3.3鼻子的标定 (17)

3.4嘴的标定 (18)

3.5设计结果及分析 (19)

结论与展望 (21)

致谢 (22)

参考文献 (23)

附录A引用的外文文献及翻译 (24)

附录B 参考文献题录及摘要 (27)

附录C 主要源程序 (29)

基于肤色相似度的人脸检测与定位

插图清单

图2-1训练流程图 (6)

图2-2 二值化流程图 (7)

图2-3 原图 (7)

图2-4 相似度图 (8)

图2-5 二值化图 (8)

图2-6 垂直直方图 (8)

图2-7 水平直方图 (9)

图3-1 人脸检测与定位的总体流程 (10)

图3-2 人脸区域分割系统 (10)

图3-3 区域分割算法流程 (11)

图3-4 标记人脸区域 (12)

图3-5人脸检测流程图 (13)

图3-6 LOG算子 (15)

图3-7 边缘提取流程 (15)

图3-8 边缘提取图 (16)

图3-9 眼睛的定位 (16)

图3-10眼睛标记流程图 (17)

图3-11眼睛标记 (17)

图3-12鼻子的标记流程图 (18)

图3-13鼻子标记 (18)

图3-14嘴巴标记 (19)

图3-15系统主界面 (19)

安徽工程科技学院毕业设计（论文）

引言

人脸检测和定位是人脸识别中一个重要的组成部分，其检测问题却是一个极赋挑战性的课题。人脸是一个包含五官、毛发等的极不规则的复杂待测目标，不同的人脸在形状、大小、颜色、质地等方面都有很大的变化；所考虑的检测对象大多是由图像捕捉设备所采集的数字图。所以采集条件特别是光照条件包括光源的方向、明暗、色彩等都会对图的效果产生很大的影响，进而影响对人脸的检测；另外，人脸上还可能长有胡须、戴有眼镜等, 这些也同样是人脸检测不可忽视的因素。人脸检测具有一定的难度和复杂性，对这一问题的深入研究必将推动模式识别等计算机科学的发展。人脸的检测问题在近10年中得到了广泛的关注，国内外很多研究人士提出了很多方法，在不同领域取得了一定进展。但是对于一种能够普遍适用于各种复杂情况的，准确率很高的检测算法，还有很大的探索空间。本文利用Visual C+ + 6. 0 开发了人脸定位和特征提取的软件，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征。

基于肤色相似度的人脸检测与定位

第1章人脸检测与定位概述

1.1 人脸检测的定义、应用及难点

人脸检测(face detection)是指在输入图中确定所有人脸(如果存在)的位置与大小。人脸检测系统的输入是可能包含人脸的图，输出是关于图中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述。

人脸检测问题最初来源于人脸识别(face recogznition)。人脸识别的研究可以追溯到20 世纪60—70 年代，经过几十年的曲折发展已日趋成熟。人脸检测是自动人脸识别系统中的一个关键环节，但是早期的人脸识别研究主要针对具有较强约束条件的人脸图(如无背景的图)，往往假设人脸位置已知或很容易获得，因此人脸检测问题并未受到重视。近几年随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般环境下的图像具有一定的适应能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。人脸检测研究的就是如何从静态图或者视频序列中找出人脸，如果存在人脸，则输出人脸数目、每个人脸的位置及大小。人脸检测是人脸身份识别的前期工作，同时人脸检测作为完整的单独功能模块，在智能视频监控、视频检索和视频内容组织等方面都有直接的应用。

人脸检测的一个最重要的应用是人脸识别技术。人脸识别技术的研究是本世纪计算机视觉领域最具挑战性的研究课题之一，其应用领域十分广泛：可用于公安系统的罪犯身份识别、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、驾驶执照及护照等与实际持证人的核对、银行及海关的监控系统及自动门卫系统等。

今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值。人脸检测研究具有重要的学术价值，受到学者越来越多的关注。

人脸检测虽然有诱人的应用前景，但是在现实中却还没有开始大规模的使用。其主要原因之一就是用计算机自动进行人脸的检测和识别十分困难，目前的检测效果（正确率、速度）不如其他的生物识别技术，如指纹识别，视网膜识别等等。人们在日常生活中就进行了大量的人脸检测和识别工作，对人脸检测与特征的定位取得了一定的成绩，但人脸检测仍然存在着许多难点。人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于：

1)脸由于外貌、表情、肤色等不同，具有模式的可变性；

2)一般意义上的人脸，可能存在眼镜、胡须等附属物；

3)作为三维物体的人脸的影不可避免地受由光照产生的阴影的影响。

因此，如果能够找到解决这些问题的方法，成功构造出人脸检测，将为解决其它类似的复杂模式检测问题提供重要的启示。

1.2人脸检测的研究背景及现状

人脸检测的研究历史比较悠久。高尔顿(Galton)早在1888年和1910年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别

安徽工程科技学院毕业设计（论文）

能力进行了分析。最早的研究论文见于1965年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十多年的历史。近年来，人脸检测研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。尤其是1990年以来，人脸检测更得到了长足的发展。几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。人脸检测研究的发展主要分为以下几个阶段：

第一阶段（1964年~1990年）

这一阶段人脸检测通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征（Geometric feature based）的方法。人工神经网络也一度曾经被研究人员用于人脸识别问题中。这一阶段是人脸检测识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。

第二阶段（1991年~1997年）

这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，而且美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics（现为Identix）的FaceIt系统。这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。

第三阶段（1998年~现在）

FERET’96人脸检测识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET 测试的基础上分别于2000年和2002年组织了两次商业系统评测。目前非理想条件下（尤其是光照和姿态）、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting i的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

目前国内的，国外的对人脸检测问题的研究很多，比较著名的有MIT，CMU等；清华大学、北京工业大学、中科院计算所和自动化所等都有人员从事人脸检测相关的研究。而且，MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的FG(IEEE International Conference on Automatic Face and Gesture Recognition)、ICIP(International Conference on Image Processing)、CVPR(Conference on Computer Vision and Pattern Recognition)等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的近1/3之多。

1.3 本文研究的主要内容

本课题致力于完成Visual C++ 6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。要完成的工作包括相似度的计算，图像的二值化，垂直直方图和水平直方图的获取，人脸特征（眼睛、嘴和鼻子）的提取。本课题着重于肤色模型相似度在人脸检测与定位中的应用，对增加人脸检测与定位的准确率的研究有一定的指导意义。

基于肤色相似度的人脸检测与定位

第2章基于肤色模型的人脸检测

2.1 人脸检测方法

人脸检测传统的方法多是在亮度空间进行，仅有灰度信息的变化,没有任何区域或比例的限制，所以必须做多尺度空间的全搜索，计算量非常大，而利用色度信息则可大大降低搜索区域，其中肤色信息是最为直接有效的。而且在人脸区域中，肤色一定是占主导地位的像素色彩值。肤色虽然因人而异,但很多研究表明肤色在色彩空间中的一定范围内还是呈聚类特性的，特别是在排除了光照亮度和在经过变换的色彩空间中。所以利用肤色这一线索可以排除掉在灰度图像中很像人脸而对应到彩色图像中根本不是肤色的区域，这在人脸检测中会起到积极的作用。

目前人脸检测方法主要可以分为以下4类：

1)基于知识的方法：利用人脸的几何形状以及脸部器官的比例对称关系来定位人脸；

2)基于特征的方法：直接利用人脸信息如肤色特征、轮廓特征、纹理特征等；

3)基于模板的方法：使用模板在待测图像中逐点扫描计算匹配度，根据匹配度来判断有无人脸；

4)基于外观的方法：如神经网络法、支持向量机法、特征脸法等。

上述的各种方法都存在自身的优缺点和适用领域，很多学者在各自所面临的问题范围内不断探索，也发明了许多卓有成效的检测算法。但各种检测算法都存在效率与性能上的矛盾，也即在正确率、鲁棒性能方面更好的算法往往会花费更多的时间及系统消耗。

在本文的设计中提出了一种基于肤色相似度的人脸检测与定位的方法，采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法，提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸的检测与定位。下面就介绍这种方法。

2.2基于肤色的人脸检测

2.2.1 色彩空间的选择

根据计算机色彩理论，对一种颜色而言，在计算机中有不同的表达式，这样就形成了各种不同的色彩空间，当然各种色彩空间只不过是颜色在计算机内的不同的表达形式而已，在具体的色彩空间中通过实践找到肤色区间,建立起可操作性的肤色模型,这样就让肤色信息成为了人脸检测的核心方法。不同肤色模型的建立基于不同的颜色空间,且为颜色空间的一个子空间。主要的彩色空间有以下几种：RGB格式（红、绿、蓝三基色模型）、HIS格式（色度、饱和度、亮度模型）和YCbCr(YUV)格式。

对于彩色空间来说，RGB是最常用的颜色表示系统，但是人脸肤色在这一系统中的分布非常广泛，因此不适合表示人脸区域，往往需要转换到其他的彩色空间。在该文的设计中采用了YCbCr(YUV)格式。这种色彩空间是以演播室质量标准为目标的CCIR601编码方案中采用的彩色表示模型，被广泛地应用在电视的色彩显示等领域中。

安徽工程科技学院毕业设计（论文）

其优点将在下一节介绍。通过下面的转换公式，可以将像素由RGB空间转换到YCbCr 空间。

Y=0.299R+0.587G+0.114B

Cb=-0.1687R-0.3313G+0.5B+128 （2-1）

Cr=0.5R-0.4187G-0.0813B+128

我们将统计采集到的多幅图像人脸区域像素RGB值，按上式进行转换，统计在CbCr 空间的分布概率，保留概率大于0.1的像素点，得到肤色分布区域。最终，我们得到的肤色范围是：Cb∈[90，125]，Cr∈[135，165]。将肤色范围内的像素置1，其余置0，得到分割后的二值图像，实现人脸的初步定位。

2.2.2 肤色模型

肤色是人脸一个重要而明显的特征，利用肤色模型可以快速排除非肤色区域，大大减小搜索空间，提高人脸检测的效率。

1.光线补偿处理

考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色彩的偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖，照片偏黄、偏蓝等等，这种现象在艺术照片中更为常见。

为了抵消这种整个图像中存在着的色彩偏差,我们将整个图像中所有像素的亮度(是经过了非线性Y--校正后的亮度)从高到低进行排列，取前5％的像素，如果这些像素的数目足够多(例如，大于100)，我们就将它们的亮度作为“参考白”(Reference White)，也即将它们的色彩的R、G、B分量值都调整为最大的255。整幅图像的其他像素点的色彩值也都按这一调整尺度进行变换。

2.非线性分段色彩变换

这是构成我们实际利用肤色模型的主要部分。这一非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型，这一类肤色模型的建立首先要选取一种合适的色彩空间，我们注意到YCbCr色彩空间具有如下优点：

1)YCbCr色彩格式具有人类视觉感知过程相类似的构成原理；

2)CbCr色彩格式被广泛的应用在电视显示等领域中，也是许多视频压缩解码，如MPEG,JPEG等标准中普遍采用的颜色表示格式；

3)YCbCr色彩格式具有与HIS等其他一些颜色格式相类似的将色彩中的亮度分量分离出来的优点；

4)相比HIS等其他一些色彩格式，YCbCr色彩格式的计算过程和空间坐标表示形式比较简单；

5)实验结果表明在YCbCr色彩空间中肤色的聚类特性比较好。

在YCbCr色彩空间中，肤色聚类事两头尖的纺锤形状，也就是在Y值较大和较小的部分，肤色聚类区域也随之缩减。由此可见，在值较大和较小的部分，肤色聚类区域也随之缩减。由此可见，在Y值不同的地方，我们对Cb-Cr子平面进行投影，得到的结果是不同的，由此得到结论，简单地排除Y分类，按照传统地做法在三维的Cb-Cr子平面中寻求肤色的聚类区域是不可行的，我们必须考虑Y值不同造成的影响，从而对YCbCr色彩格式进行非线性分段色彩变换。

首先应用肤色模型进行人脸的初定位，接着提出了一种基于肤色区域分割方法得到包含人脸区域在内的一系列矩形区域，从而进行了定位。

基于肤色相似度的人脸检测与定位

2.3人脸肤色相似度的计算

该文设计的是基于人脸肤色模型, 利用相似度方法, 对人脸区域进行了检测和定位。我们定义r=R/(R+G+B),b=B/(R+G+B),这样把三维的RGB降为二维。而在这个二维平面上，肤色区域服从高斯分布。我们可以采用训练的方法来计算得到一个分布中心，此过程主要生成可用于识别的参数。通常，在已有的样本训练集基础上确定某个判定规则，使得按此规则对被识别对象进行分类所造成的错误识别率最小或者结果期望最大。开始训练命令，打开bmp格式的图像后计算每幅图像的像素数CrList和CbList，然后查询总的图像数count用于将当前数据库内的所有用户图片进行训练，最后对每幅图像

图 2-1 训练流程图

这样训练以后，得到了Cb和Cr的均值为117.4361和156.5599，落在肤色范围内,验证了理论的正确性。同样也得到了肤色信息的均值M和方差C，为下一步计算相似度做了准备。

然后根据所考察的像素离中心远近得到肤色的相似度，得到与原图相似的分布图，均值M和方差C如下：M=E(x),C=E((x-M)(x-M)T)，其中x=[r,b]T

相似度计算公式为：P(r,b)=exp[-0.5(x-m)T C-1(x-m)] （2-2）关于相似度软件的实现纯粹是公式的实现，在这就不做说明了。

再按照一定的规则对该图二值化，通过设置合适的阈值（关于最佳阈值的设置将在下一章中介绍），可将图像变成只有0和1的二值图像，这样做的目的是为了减小计算量，加快处理速度，同时，还可将目标从背景中分离出来，有效的突出了目标。

安徽工程科技学院毕业设计（论文）二值化流程如下：

图2-2 二值化流程图

按这种方法就可以对输入的bmp图像2-3进行处理，

图2-3 原图

其相似度计算结果如图2-4示：

基于肤色相似度的人脸检测与定位

图2-4 相似度图

可以给出二值化图2-5示：

图2-5 二值化图

以及垂直直方图2-6示：

图2-6 垂直直方图水平直方图2-7示：

安徽工程科技学院毕业设计（论文）

图2-7 水平直方图

至此完成了相似度的计算和图像的二值化，以及两种直方图的提取，那么下一章节将在此基础之上进行人脸区域的标记和人脸特征（眼睛、鼻子、嘴巴）的提取。

基于肤色相似度的人脸检测与定位

第3章相似度基础上的人脸特征定位

在上一章得到的人脸区域基础上，对原图像进行灰度计算，将可能的眼睛区域分割成小图像块标定人眼中心，从而在眼睛确定的情况下把鼻子和嘴巴提取出来。

总体流程如下：

图3-1人脸检测与定位的总体流程

下面将介绍人脸标记和眼睛、鼻子、嘴巴定位的算法及其流程。

3.1人脸检测与定位算法

3.1.1 人脸区域分割算法

人脸区域分割的系统结构如图3-2 所示：

在图3-2 中，输出的一系列矩形将取代原来的整幅图像作为人脸检测算法的输入。这些矩形应该满足以下条件：

1)矩形系列中应该尽可能地包含待检测图像中的全部人脸对于距离较近或者是有接触的多个人脸，分割后得到的肤色区域自然距离较近或者是连在一起，这时可以用一个矩形区域覆盖它们。不漏检、不降低正确率是肤色分割处理的前提，也是人脸区域分割算法的首要前提。据前面对肤色模型的分析，无论什么样的肤色模型都存在判断失误，所以算法输出的一系列矩形应该尽量包含所有的人脸区域。

2)矩形系列应该少包含非肤色区域相对整幅图像，经过肤色分割预处理后的这一系列矩形的大小要明显小于原来的整幅图像，这是肤色分割预处理能够提高人脸检测算

安徽工程科技学院毕业设计（论文）

法时间效率的主要原因，也是肤色分割预处理能够降低误报率的关键。对于可能的人脸区域来说，其相对于水平方向的旋转角度在45°到135°之间，因此旋转角度小于45°或大于135°的区域为非人脸区域。图像分割的目的是把人脸的器官与脸的其他部分分离开来，并保证每个器官的完整性。在包含人脸的图像中，脸部比较明显而易辨别的特征主要是面部器官：眼睛、嘴、鼻子和眉毛。鼻子往往与脸的反差不大，因此通常用鼻孔代替。这几个面部特征在灰度图像中一般比周围区域暗。尤其是眼睛和嘴在绝大部分情况下都清晰可见。因此图像分割可以利用的特征是：灰度比周围区域暗的区域。在设计中，为了减少图像分割这一步的运算量，对图像做了二值化处理。分割的对象是黑白图像，分割简化为找出所有黑色的连通区域，它们都成为人脸器官的候选者。从一幅图中，按一定规则划分出感兴趣的部分或区域称为分割。对于利用人脸各器官之间几何关系的人脸定位方法来说，分割算法是十分重要的。在这里，感兴趣的部分是人脸的器官(眼睛、嘴、眉毛、鼻子等等)。成功的分割算法能够有效地把人脸器官和脸的其他部分分离开来，并且保持器官的完整性。

设计采用了基于边界的方法和基于区域的方法相结合的算法。基于边界方法是提取边缘，利用边缘进行分割，该方法处理的像素数量比较少，各像素点间的相邻关系比较简单，处理速度比较快，但是，基于边界的方法是从局部特性来求图像整体的分割，因此在全局宏观性质上不如基于区域的方法。基于区域的方法则是寻找互相连接在一起、并有相同特征的像素所形成的区域，它是实现图像分割的一种重要方法。在本系统中，基于边界的方法主要用于前期矩形序列的产生，快速地得到包含人脸区域的外接矩形；然后用基于区域的方法,，全局考虑，对初始矩形序列进行区域归并，得到最终的输出矩形。算法的整体流程图如图3-4所示：

图3-3 区域分割算法流程

基于肤色相似度的人脸检测与定位

3.1.2 人脸区域标记算法

在标记人脸之前，首先要对相似度图像进行二值化操作，这一部分已经在前面一章中介绍了。接下来就要对人脸区域进行检测，标记人脸的过程实际上是对得到的二值化图像进行人脸边界估计的过程。估计人边界脸算法利用了人脸的结构特征：

1)人脸左右边界肤色点个数约为人脸垂直方向最多肤色点个数的0.2 ～0.3倍；

2)人脸上边界肤色点个数应该约为人脸区域宽度的0.5倍；

3)人脸区域高度约为人脸区域宽度的1.5倍。

首先估计人脸的左右边界,具体算法如下：

1)搜索垂直方向具有最多灰度值为0 的点(白点，即可能的人脸)的x 坐标pos，并将白点数目计为count；

2)从pos 开始往左边搜索得到垂直方向第一次具有小于0.2 count个白点的x 坐标作为人脸区域的左边界left ；

3)pos开始往右边搜索，得到垂直方向第一次具有小于0.3 count个白点的x 坐标作为人脸区域的右边界right 。

接着估计人脸的上下边界，具体算法如下：

1)从上往下搜索水平方向的白点数，得到第一次具有大于0.5 ( right -left)个白点的y 坐标作为人脸区域的上边界top；

2)根据人脸结构特征,将top + 1.5 ( right -left)作为人脸区域的下边界bottom 。从而，可以确定人脸区域为rect(left, top, right, bottom ) 。

标定的人脸区域如图3-5所示。从图可以看出,经过相似度计算和二值化操作,然后对人脸进行边界估计,最后进行标定,基本上做到了。

图3-4标记人脸区域

3.1.3 人脸检测流程

整个基于肤色模型的人脸检测的流程如下：

安徽工程科技学院毕业设计（论文）

图3-5人脸检测流程图

3.2 人眼的检测算法及标定

因为人脸的五官位于脸部顶点与下巴点之间，将搜索范围设为一矩形区域，矩形的长为脸部顶点与下巴点的距离，矩形的宽即是脸宽。标记人脸区域以后，就可以进行边缘提取，接着标记眼睛，由人脸各特征的位置关系，就可以从上到下区分出眼睛、鼻子、嘴等特征。

假设人脸的姿势比较正，那么人脸上的特征是水平边缘集中的区域。我们可以在低分辨率下提取水平边缘，然后找到人脸区域内富含这些边缘的连通区，作为人脸特征的候选区域。

这些区域的位置和大小并不准确，因为边缘检测本身容易出现位置偏移，连通区的大小也随着阈值而变化。所以还要进一步修正上面的结果。对正面的人脸来说，眼睛、鼻子等特征和整个人脸的尺寸大小之间存在先验的约束关系，这就是人脸结构的恒常性，因此我们利用这些约束关系来确定特征区域的大小。（因为先找眼睛，我们就以眼睛的大小为准，最后在调整嘴巴的大小）。

人脸是一种特殊的模式，而人的双眼与眉毛、鼻、口按一定的结构分布在灰度基本均匀的人脸平面上，人脸这种特殊模式与图像背景模式大相径庭，从而为判别人的双眼

基于肤色相似度的人脸检测与定位

位置提供了依据。寻找最佳分割阈值使人眼从复杂图像背景和人脸中分离出来是人眼定位的第一步。所谓最佳分割阈值指的是能将眼睛虹膜、瞳孔、上眼框与眉毛以及其它人脸部位、背景物明显分离的灰度分割阈值。由于眼睛虹膜、瞳孔部位的灰度值明显比其邻近区域(眼部周围皮肤、眼白)灰度值要低，因此能够从适当光照条件下拍照的图像中分割眼睛虹膜、瞳孔部位的灰度值总是存在的，并且不是唯一的，而是有一定的小范围。然而寻找这样的最佳分割阈值并不是一件容易的事，眼睛虹膜、瞳孔部位及其邻近区域的灰度值会因人而异，并随光照条件、带眼镜时镜片的反光而变化，加上复杂背景的变化，使得最佳分割阈值的估计十分困难，但通过图像灰度直方图分析和统计的方法，对最佳分割阈值可能所在的灰度区间进行粗估计还是可以做到的。经对多幅在复杂背景及不同光照条件下人脸图像的直方图分析与统计发现，只要脸部光照适中，双眼部位较清晰，绝大多数情况下最佳分割阈值位于归一化灰度值0.1 与0.6 之间。若选择固定的背景和光照条件，由统计的方法可估计出更小的最佳分割阈值可能所在的区间。另外，利用直方图均衡方法也可使输入图像的最佳分割阈值可能所在的区间缩小。

3.2.1 有背景灰度人脸图像中的人眼检测与定位

首先用某一分割阈值Threshold将包含人脸的灰度图像二值化，去除二值化图像中小的黑斑点，再对二值化图像中黑色块进行标记、计算每块面积(像素数)、确定每块的外接矩形位置及宽高。人眼位置的判定是根据眼睛在二值化人脸图像中的几何位置确定的，主要有以下几条准则：

1)双眼中心距应在某个范围内：考虑到人脸在图像中大小的变化，双眼中心距变化大约在一定像素距离范围内；

2)双眼下方一定距离内不能有其它黑块：双眼下方一定距离内没有其它器官，因此在二值化图像中不能有其它黑块，这一特点也是区分眉毛与眼睛的重要判据；

3)双眼中心位置上下相差不超过一定距离：由于人脸在图像中可能向两侧倾斜，双眼中心位置常常不在水平线上。作为判据，允许人脸在一定程度上向两侧倾斜，双眼中心位置在垂直方向相差不超过一定距离(如15个像素距离)；

4)眼睛黑块所包含的像素数应在某个范围内：二值化图像中眼块所包含的像素数应在某个范围内(如5~50个像素)，太大的黑块不太可能是眼块；

5)眼睛黑块的外接矩形应是一宽大于高的矩形或接近于正方形：由于眼睛的结构特点，二值化图像中眼块的外接矩形常常是一宽大于高的矩形或接近于正方形，眼块的几何中心位于圆形的眼睛虹膜(含瞳孔)位置，高远大于宽的外接矩形对应的黑块不可能是眼块；

6)与图像四边接壤或非常接近的黑块不是眼块：由于拍摄人脸图像时，要求人脸在照片中应完整，且较靠近图像中心，因此在二值化图像中与图像四边接壤或非常接近的黑块不是眼块。为了能从粗估计的分割阈值区间中找到最佳分割阈值，我们提出了结合找人眼位置过程的自动调整法。选择一适当的阈值，从初始阈值T0=0.1 递增(在T0到Tmax=0.6 区间搜索)，以每一新的阈值Threshold 二值化人脸灰度图像，并按上述人眼位置判定准则检测人眼黑块是否出现。随着阈值的不断增加，可以看到二值化人脸图像中新黑块在不断地出现，已有的黑块面积在扩展并不断地与别的黑块相重合。一旦在某个阈值下检测到双眼黑块出现，此时的阈值即为最优分割阈值，检测到的人眼黑块的几何中心也应接近于虹膜(瞳孔)中心(这是因为分割阈值越大，眼块可能由无到有，由小到大，此时最先出现的应是具有较低灰度值的瞳孔和虹膜所对应的黑块)。

安徽工程科技学院毕业设计（论文）

3.2.2眼睛的标定

由于眼睛和肤色的差异较大，在上一章人脸区域二值化的基础上，再进行边缘检测。所谓的边缘就是图像的最基本特征，是指图像周围象素灰度有阶跃变化和屋顶变化的像素的集合；是由灰度的不连续性反映的。边缘广泛存在于物体与背景之间、物体与物体之间、图像基元与基元之间。它是图像分割所依赖的重要特征。经典的边缘提取方法是考虑图像的每个像素在某个领域灰度的变化，利用边缘临近的一阶或二阶方向导数变化规律，进行局部梯度运算。求梯度根据滤波算子的不同可以分为好多种。通过对处理后的图像进行研究对比发现：拉普拉斯高斯算子既具备了高斯算子的优点又具备了拉普拉斯算子的优点在边缘检测中不但对灰度渐变和噪声较多的图像处理最好，而且是各向同

LOG 算子首先用高斯函数对图像进行低通滤波消除空间尺度远小于高斯空间常数的图像强度变化即去除噪声，然后用拉普拉斯算子进行高通滤波提取线特征在一个灰度均匀区域的边缘处LOG算子有以下表现：边缘以外灰度均匀处取零，边缘较暗一侧取正，边缘较亮一侧取负，边缘中某些点处取零。用LOG算子提取边缘流程为：

图3-7 边缘提取流程

这样就可以将人脸的整个边界的轮廓大致地提取出来了。其边缘提取结果如下：

基于肤色相似度的人脸检测与定位

图3-8 边缘提取图

然后对边缘检测的结果进行水平方向的投影，基本能确定眼睛的两个范围I和II。这里虽然有眉毛的影响，但是由于眉毛正好位于眼睛的上方，因此不影响水平区域的确定，如图示：

图3-9 眼睛的定位

然后在I和II的上方区域的竖直方向投影，得到的第一个峰值附近的区域A、B。然后在A与I以及B与II确定的两个矩形区域内，对黑点进行区域膨胀，可以得到的眼睛的大致轮廓和左右眼角，然后黑点的坐标的平均值作为瞳孔的位置。

具体算法是：在确定的人脸区域，把人脸部分划分为左右、上下四等份，再把人脸宽度12等份，每一份为nSlidWinWidth和人脸高度30等份，每一份为nSlidWinHeight。由经验可知：人眼只可能位于人脸上半部分的下9/15区域内，在这个区域内找白色像素的个数当它大于nSlidWinWidth*nSlidWinHeight/3时，可把参考位图的像素变为红色。这样就把眼睛区域划分为很多的小区域，在把这些区域中宽度小于人脸宽度的1/20删除掉，然后在合并相邻的闭合区域（小于人脸宽度的1/40），这样就可确定人眼的水平区域。以同样的方法：去除掉小于人脸高度的1/100的区域，然后在合并区域（小于人脸

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。

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。

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

皮肤检测技术

皮肤检测技术 第一节皮肤检测技术相关理论 一、肤色检测技术 肤色检测技术是指在图像中选取对应于人体皮肤像素区域的过程。广泛应用于人脸检测与识别、人脸追踪、面部表情识别、手势识别、互联网色情图像过滤以及基于内容的图像检索等。除此之外，肤色检测技术也可以应用于包括视频监控与检索、皮肤疾病诊断、化妆品效果分析等日常生活领域。由此可见肤色检测技术在理论研究和实际应用中都具有极为重要的研究价值和意义。 皮肤检测技术在以下领域扮演着非常重要的角色： （1）人脸检测 该问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机交互界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。随着电子商务等应用的发展，人脸识别因为其非接触性的特点而成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的适应能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸检测的应用背景己经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉检测等方面都有着重要的应用价值。 （2）人脸追踪 随着多媒体通信技术的不断发展，各种基于通信新技术的视频产品已经走进了人们的日常生活，不但给人们带来了来极大的方便，还增添了不少乐趣。其中人脸追踪技术就被广泛应用于个人通信、交互娱乐、视讯监控、人机交互等领域。例如将人脸识别与追踪技术应用于数码相机中，可以准确快速地定位相机取景器中的人脸，从而实现对人脸的快速对焦，拍出清晰的人像。该技术通过对摄像头捕获到的人脸图像进行持续的跟踪与验证，不断进行人脸区域的准确性校正，从而实现对人脸的精确定位与比对。这一技术的成功也是基于对皮肤检测的应用。 （3）面部表情识别 面部表情识别系统就是对人脸的表情信息进行特征提取和分析，按照人的认识和思维方式加以归类和理解，利用人类所具有的情感信息方面的先验知识使计

基于肤色的HSV颜色模型下的人脸检测11

基于肤色的HSV彩色模型下的人脸检测 摘要 本文研究的是利用人脸肤色色相的特性，即每一种人种皮肤彩色分布在一个较窄的频带上，通过对该人种的人脸皮肤建立模型，进行训练，就能够得到肤色分布的统计。考虑到一般所用的RGB彩色模型对光线的亮暗程度比较敏感，而在HSV彩色模型中，色相H分量表示了图像的彩色信息，受到光线变化的影响缓慢。所以，本文采用的是在HSV彩色模型下建立肤色模型，并对其进行训练，从而用训练后的模型对图像进行人脸检测。 本文研究的主要目标是了解人脸检测的过程。同时，在实验过程中，进一步了解RGB彩色模型和HSV彩色模型的区别，了解在HSV彩色模型下人脸的肤色特性，了解如何建立皮肤模型进行训练，从而对图像的皮肤区域进行划分，进一步熟悉在MATLAB下的数字图像处理方面研究和实现。 关键字：RGB彩色模型，HSV彩色模型，人脸检测，色相，肤色模型，MATLAB 论文类型：应用性研究

Abstract This paper is to study that how to use the skin color characteristic of human face (It’s said that the face skin color of each kind of race distributes in a narrower frequency band.) to establish model of human face skin, to carry on the training and to obtain the statistics of the face skin color. Considering RGB Model Space of Color is quite sensitive to the light degree, the chosen model, HSV Model Space of Color, is slow changed by the light for the color information just express in the Hue component. Therefore, the face skin color model is established under the HSV Model Space of Color in this paper. After training the model, it can examine the face area in one picture. The essential goal of this paper is to understand the process of human face detection. As the same time, in the experimental process, we can further understand the difference between the RGB Model Space of Color and the HSV Model Space of Color, realize the the skin color characteristic under the the skin color characteristic, and know how to establish the face skin model and train it and find out the skin area. What’s more, we will be further familiar with MATLAB. Key words:RGB Model Space of Color, HSV Model Space of Color, Human Face Detection, Hue, Model of Skin Color, MATLAB Type of Thesis: Application Research

基于肤色相似度的人脸检测与定位

毕业设计（论文） 基于肤色相似度的人脸检测与定位 摘要 本课题致力于完成Visual C++ 6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。要完成的工作包括相似度的计算，图像的二值化，垂直直方图和水平直方图的获取，人脸特征（眼睛、嘴和鼻子）的提取。本课题着重于肤色模型相似度在人脸检测与定位中的应用，对增加人脸检测与定位的准确率的研究有一定的指导意义。 提出一种基于肤色的人脸检测定位算法，设计了基于肤色的人脸检测和定位系统。采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法，提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸定位。在Microsoft Windows平台上，利用Visual C+ + 6. 0 开发了软件。 本课题的成果具有一定的应用价值。实验结果表明，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征，并且在速度和准确性方面具有良好的性能。 关键词：图像分割；人脸定位；肤色；人脸检测；特征提取

基于肤色相似度的人脸检测与定位 Detection and Localization of Person Face Based on Skin Color Similarity Abstract This topic devotes to completing the detection and localization system of the person face under the Visual C++ 6.0 platforms, and the detection localization algorithm of the person face limit to basing on the skin color similarity algorithm. The topic must complete similarity computation, binary image processing, vertical histogram, horizontal histogram and extracting person face characteristic (eye, mouth and nose). This topic emphasize application of skin color model similarity in the detection and the localization of person face, and has a significant instruction for research of increasing accuracy in detection and the localization of person face. In this paper, the authors have presented an algorithm and designed a system for face detection and location based on complexion. By strengthening the contrast between face features and by adopting binary image processing method, the system has improved the preprocessing effect; and by using boundary-based algorithm plus region-based algorithm , the system has realized face location through the extraction of the features of eyes, nose and mouth. Taking advantages of Visual C++ 6.0, the authors have also developed corresponding software based on Microsoft Windows. Production of this paper have definite application value.Experiment results prove that the system is valid in detecting, locating and extracting frontal view face features in a certain range.And it possess favorable performance in rapidity and accuracy. Key words: image segmentation; face localization; complexion; face detection;feature ex- traction

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 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 Interface Institute，Microsoft Research,英国的Department of Engineering in Uni versity 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，如眼睛，鼻子和嘴