基于肤色模型和面部特征的人脸检测算法
基于肤色的人脸检测算法研究毕业设计_说明
基于肤色的人脸检测算法研究毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
作者签名：日期：年月日导师签名：日期：年月日指导教师评阅书评阅教师评阅书教研室（或答辩小组）及教学系意见目录摘要 (6)第一章人脸检测综述 (9)1.1人脸检测的研究背景及意义 (9)1.2人脸检测技术的国内外研究现状 (10)1.3 人脸检测算法的总体框架 (11)1.4 人脸检测的一般方法 (12)1.4.1基于灰度特征的人脸检测 (12)1.4.2基于肤色特征的人脸检测 (14)1.5 论文的结构安排 (14)第二章算法理论与实现原理 (15)2.1 颜色空间 (15)2.1.1 RGB颜色空间 (15)2.1.2 YCbCr颜色空间 (16)2.1.3 HSV颜色空间 (17)2.2常见的肤色模型 (19)2.2.1 区域模型 (19)2.2.2 高斯分布模型 (20)2.2.3 直方图模型 (21)2.3 区域分割理论 (21)2.3.1 区域分割 (22)2.3.2 定位人脸区域 (23)第三章基于统计的肤色建模 (23)3.1 基于RGB空间的肤色模型表示方法 (23)3.2 基于YCbCr空间的肤色模型标示方法 (24)3.3 基于HSV空间的肤色模型标示方法 (25)第四章人脸检测的实验仿真及结果 (27)4.1 MATLAB简介 (27)4.2 人脸检测实验仿真及结果 (27)4.2.1 RGB颜色空间下的图像及仿真实验结果 (27)4.2.2 YCbCr颜色空间下的图像及仿真实验结果 (28)4.2.3 HSV颜色空间下的图像及仿真实验结果 (29)4.3 小结 (29)第五章结论及展望 (30)5.1 结论 (30)5.2 展望 (31)参考文献 (32)致谢 (36)摘要人脸识别技术是模式是别和计算机视觉研究中的一个重要领域，在边防安全、视频监控、身份验证等方面有重要的应用价值。
基于肤色模型的人脸检测研究
基于肤色模型的人脸检测研究0 引言在人脸检测领域，人脸特征的选取是基础与核心。
目前主要的人脸检测方法可以分为基于特征的方法和基于统计的方法两大类。
基于特征的方法可以处理较大尺度和视角变化的人脸检测问题，但其最大的困难在于很难找到相对稳定的特征，因为图像的显示特征容易受到光照、噪声等的影响；基于统计的方法可以避免特征提取和分析过程，但存在计算量大，以及非人脸样本收集和样本训练难的问题。
为此，本文对基于肤色分割结合模板匹配的人脸检测方法进行了改进，提出基于光照预处理+肤色模型+模板匹配的人脸检测解决思路，即在光照预处理的前提下，利用肤色特征建立肤色模型；根据肤色模型进行肤色检测和阈值分割；在对分割区域特征分析的基础上，将筛选出的人脸候选区域与人脸模板相匹配；最后将匹配较好的区域在原图像中用矩形框标示出来。
1 肤色模型人脸的肤色不依赖于面部的其他特征，对于人脸姿态和表情的变化不敏感，具有较好的稳定性，而且明显区别于大多数背景物体的颜色。
大量实验证明，不同肤色的人脸对应的色调是比较一致的，其区别主要在于灰度。
人脸的肤色特征主要通过肤色模型来描述。
肤色模型是在一定色彩空间描述肤色分布规律的数学模型。
本文选用备受青睐的高斯模型。
1．1 色彩空间一般说来，色调和饱和度相对亮度来说，是相互独立的。
在不同的光照条件下，虽然物体颜色的亮度会产生很大的差异，但是它的色度在很大范围内具有恒常性，基本保持不变。
研究表明，人类的肤色在YCbCr 色彩空间的分布相对比较集中(被称为肤色的聚类特性)，不同种族之间肤色的差异主要是由亮度引起，而与颜色属性无关。
利用此特性，将图像像素分为肤色和非肤色像素两类，这样可以大大提高人脸检测的效率和正确性。
在YCbCr 色彩空间中，Y 表示亮度，Cb 和Cr 是颜色差别信号，代表色度。
因此，本文的肤色模型只。
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=13(R+G+B),(1)S=1-3R+G+B(RGB)min,(2)H= 若B G,2 - 若B>G.(3)其中: =arccos12[(R-G)+(R-B)][(R-G)2+(R-B)(G-B)]12;(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.分析(1),(2)式可以发现,饱和度分量S 与亮度分量I 相互关联.图像亮度的增加可以认为是向图像中增加了白光成分,而白光成分的增加必然导致图像饱和度相应地降低,因此HSI 空间内建立肤色模型对光照亮度变化敏感.由光照理论可知,图像的颜色由照射光源的光谱成分以及图像对入射光谱的反射系数决定,而白光中R ,G ,B 分量应该相等(否则为色光).设若图像的像素对3种基色光的反射系数相差不大,则亮度改变引起的R ,G ,B 分量的改变值 R , G , B 近似相等,即 R = G = B .令R =R + R ,G =G + G ,B =B + B ,则有R -G =R -G ,同理(R -B )、(R -G )、(R -B )、(G -B )的值都不改变.将上述结果代入(3)式,可得色调分量H 的值不随光照亮度的变化而改变.同时,将(1)式与(2)式相乘,得SI =[R -(RGB )min ]+[G -(RGB )min ]+[B -(RGB )min ]3.(4)光照亮度改变后,因 R = G = B ,(4)式中[R -(R G B )min ]=[R -(RGB )min ],同理[G -(RGB )min ],[B -(RGB )min ]的值都不改变,即SI 的值不随光照亮度的变化而改变.通过上述分析,建立起一个改进的H SI I 颜色空间.在该空间中,实际颜色相同的2个像素,在光照亮度变化的条件下,仍然聚集到相同的空间位置上,在其二维投影H SI 平面上可以构造出适应光照亮度变化范围较大的肤色模型.1.2肤色模型建立肤色模型前,通过不同光照亮度下肤色点分布的实验证明了上述理论推导的正确性.图1表示了同一块皮肤样本在不同光照亮度下分别在H S 平面和H SI 平面的聚类结果,其中各坐标分量都做了归一化处理.图1-a 表示同一肤色样本在不同光照亮度下的图像,图1-b 表示在H S 平面内肤色点的分布,图1-c 表示在H SI 平面内肤色点的分布.图1 不同亮度下肤色样本在H S 面和H SI 面的分布图2 不同亮度下图像的二值化结果实验结果清楚地表明:H SI I 空间在光照亮度变化的条件下具有更好的聚类效果.进行H SII 空间的肤色模型训练时,选取了不同光照亮度、不同背景、不同年龄等因素的皮肤样本共40块,通过统计分析,给出一个阈值分割的肤色模型:H[0.00,0.17]且SI [0.02,0.25],或H [0.97,0.99]且SI [0.02,0.05].利用上面这个肤色模型,对不同光照亮度下同一幅彩色图像进行二值化处理,实验结果如图2所示.图2-a 表示亮度较低的图像及其检测结果,图2-b 表示正常亮度的图像及其检测结果,图2-c 表示亮度较高的图像及其检测结果.实验中,图像亮度变化范围虽然较大,但肤色分割的结果大致相同,肤色区域几乎都被检测出来.因70吉首大学学报(自然科学版)第27卷此,实验证明了在H SI I 空间建立的肤色模型是有效可行的,它对光照亮度的变化具有强鲁棒性.1.3候选人脸区域的确定图3 形态学处理及归并后的图像在肤色分割后的二值化图像中不可避免地出现噪声,笔者采用形态学算子去除分割后的噪声,并使得图像中重要的区域(肤色区域)仍能保持连贯的轮廓.图3-a 表示经形态学处理后的图像.为进一步排除形态学滤波后不含人脸的肤色区域,需要对滤波后的二值图像的目标区域进行形状分析,将不可能的人脸区域过滤掉.具体操作如下:首先对前阶段处理过的二值图像提取出轮廓及外接矩形;然后根据目标区域面积大小和外接矩形的长宽比,对获得的目标区域作出筛选.通过处理,就可以从肤色分割的图像中得到一组候选人脸区域,图3-b 表示归并后的候选人脸区域.[4]2 特征定位2.1水平积分投影估计人眼的水平位置将彩色图像转换为灰度图像,可以发现灰度图中脸部特征处(如鼻子、眼睛、眉毛等)的灰度值要低于脸部其他区域.因此,可以对正面人脸进行灰度投影分析,粗略定位特征部位的位置.笔者主要是用水平积分投影估计人眼的水平位置.水平积分投影如图4-a 所示.设候选人脸区域大小为M N ,I (x ,y )表示像素点(x ,y )处的灰度值,则图像的水平积分投影函数为图4 积分投影定位人眼水平位置过程H (y )=1M M x =1I (x ,y ).(5)为了去除噪声影响,将一维Gauss 模板与H (y )进行卷积运算,得到平滑后的水平投影如图4-b 所示.观察投影图可发现,在候选脸上半区通常有2个极小值点,分别对应人的眉毛和眼睛部位.而眉毛位于眼睛的上面,因此可将投影图中上半区的第2个谷点对应的y 值确定为人眼水平位置坐标,如图4-c 所示.2.2边缘检测实现人眼定位精确定位人眼采用了边缘检测和加窗处理,具体实现步骤如下:(1)通过最大方差准则设定阈值,对候选脸区的灰度图像进行二值化处理,这样的处理是接下来的边缘检测获得较好效果的关键步骤.二值化结果如图5-a 所示.(2)利用Canny 算子提取二值化图像的边缘.在提取边缘时将阈值取得较高,使得脸部的边缘点仅由眉、眼等特征位置的强边缘组成,而不会包括鼻的轮廓产生的弱边缘.图5-b 为提取边缘后的图像,边缘像素点用白色表示.(3)在边缘图像上加一个大小为K L 的窗,K 的取值应大于瞳孔的宽度,小于两眼的水平间距,L 的取值应大于眼睑的高度,小于眉眼的垂直距离.将此窗放在候选脸区边缘图图5 边缘检测提取人眼过程的左端,高度为预估人眼水平位置对应的y 值,然后在候选人脸区内沿人眼水平位置从左往右移动窗口,移动步长为K .每移动一次记录下窗口中白色像素点的数目,移动结束后找出窗口中白色像素点数目出现最大值和次最大值的2个位置,即为两眼睛所在的位置.图5-c 中灰色块表示窗口移动结束后找到的两眼位置.双眼位置一旦确定,即可根据 三停五眼 规则输出检测到的人脸区域.71第6期 张书真,等:基于肤色模型和特征定位的人脸检测算法3 结果与分析实验选用了不同来源的彩色图像共50幅,图6给出了部分图像的人脸检测结果.图6 部分图像的检测结果实验中检测失败的出现主要是在头部倾斜度过大和偏色光干扰的情况下.对于这些问题期望通过2种方法来解决:一是对候选脸区利用主轴旋转得到端正人脸后再做人眼检测,二是利用色彩平衡来纠正色光干扰.由于采用了对光照变化具有强鲁棒性的的H SI I 肤色模型,从而实现了较好的肤色分割;而且,有效的边缘检测算法为人眼的最终定位提供了保证.由于算法中人脸特征定位比较简单,因此获得了较快的检测速度.[5-6]参考文献:[1] 梁路宏,艾海舟.人脸检测研究综述[J].计算机学报,2002,25(5):449-458.[2] YANG M ing -Hsuan,DAVID J KRIEGMAN NARENDRA AHUJE.Detection Faces in Images:A Survey [J].IEEE Transactions onPattern Analysis and Machine Intelligence,2002,24(1):34-58.[3] 丁海波,薛 质,李生红.基于HSI 空间的肤色检测方法[J].计算机应用,2004,24:210-211.[4] LAM K M,YAN H.An Improved M ethod for Locating and Extracting the Eye in Human Face Images [C].Washington,DC,USA:IEEE Computer Society,1996.[5] ZHANG L M,LENDERS PATRICK.Knowledge -Based Eye Detection for Hu man Face Recognition [C].IEEE Fourth InternationalConference on Knowledge -based In telligen t Engineering System &Allied Technologies,2000.[6] 陶 亮,庄镇泉.复杂背景下人眼自动定位[J].计算机辅助设计与图形学学报,2003,15(1):38-42.Face Detection Based on Skin Model and Features LocationZHANG Shu -zhen,SONG Ha-i long,YANG We-i ping(1.ATR Lab.,National University of Defense Technology,Changsha 410073,China;2.College of Physics Science &Information Engineering,Jishou University ,Jishou 416000,Hunan China;3.Dept.of Mathematics &Sys tem Sciences,National University of Defense Technology,Changsha 410073,China)Abstract :A face detection algorithm for color ima ges based on skin model and facial feature location is presented.Firstly,a ne w skin model (H SI I skin model)which has the robustness for variety of brightness is built.Sec ondly,facial re gion s horizontal gray -level projection is used to estimate the horizontal position of eyes.Finally,the edge fea -tures are checked to give the proper position of eyes.Experiments show that the algorithm is simple,fast and robust.Key words :face detection;skin model;facial feature location;horizontal gray -level projection;edge detection(责任编辑 陈炳权)72吉首大学学报(自然科学版)第27卷。
利用肤色信息和几何特征的人脸检测算法研究
利用肤色信息和几何特征的人脸检测算法研究韦艳柳;王旭;陈斌【摘要】针对光照条件对人脸检测的影响，文章提出一种基于肤色信息和几何特征的面部检测算法。
首先对图像做光照补偿，然后在肤色类聚良好的YCbCr空间建立肤色模型。
最后依据皮肤颜色信息和人脸几何特点检测出面部区域。
%Aiming at the effect of illumination on face detection, this paper proposes a face detection algorithm based on skin color information and geometric features. Firstly, image illumination compensation, and then establish the skin color model in the color clustering good YCbCr space. Finally based on skin color information and the geometrical characteristics of human face detection facial area.【期刊名称】《无线互联科技》【年(卷),期】2016(000)021【总页数】4页(P107-110)【关键词】人脸检测;光照补偿;肤色模型;几何特征【作者】韦艳柳;王旭;陈斌【作者单位】南京工业大学，江苏南京 211816;南京工业大学，江苏南京211816;南京工业大学，江苏南京 211816【正文语种】中文近年来，人们开始重视人脸检测技术在视觉监测、模式识别、人机交互等诸多领域的作用。
同时，人脸检测的应用范围仅仅局限于人脸识别、表情识别，其在智能安全监控、电子商务、虚拟现实等方面也有着更为广泛的应用前景[1]。
已有的人脸检测算法如：（1）几何拓扑法[2]：主要利用人脸的几何形状以及脸部器官的比例关系来定位人脸。
一种结合肤色及类人脸特征的人脸检测
一种结合肤色及类人脸特征的人脸检测陈章乐;蔡茂国;刘凡秀【摘要】Facial feature extraction is the key process of the face detection. Effective features make the face detection more exactitude. Although Haar-Like feature is simple and computed rapidly by integral image, as a rectangle feature, the only orientations available are vertical, horizontal and diagonal. This paper presents a face-like feature that expresses the face gray distribution model, which describes the facial feature more effective. The face detection algorithm of this paper, skin segmentation is done by using BP neura! Network to train the skin region. Face detection is done by the AdaBoost algorithm with the face-like feature. Experimental results show that this algorithm can improve the detection rate.%人脸特征提取是人脸检测的关键环节,有效的人脸特征将使得人脸检测更精确.Haar-Like特征作为一种矩形特征,虽然简单、计算迅速,但只能描述特定方向的图形结构.提出的类人脸特征是一种反映人脸灰度分布模型的矩形特征,更加有效地描述了人脸的特征.所提出的人脸检测算法,应用BP神经网络算法训练肤色区域,进行肤色分割.应用类人脸特征的AdaBoost算法进行人脸检测.实验结果表明,该算法可以提高人脸检测的检测率.【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)003【总页数】4页(P194-197)【关键词】AdaBoost;人脸检测;Haar-Like特征;类人脸特征【作者】陈章乐;蔡茂国;刘凡秀【作者单位】深圳大学计算机与软件学院,广东深圳518060;深圳大学计算机与软件学院,广东深圳518060;深圳大学计算机与软件学院,广东深圳518060【正文语种】中文【中图分类】TP391人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其是否含有人脸，如果有则返回人脸的位置、大小和姿态。
一种基于肤色和模板梯度的人脸检测方法
在人脸检测中，模板匹配法是基于脸部 几何特征法中最典型的一种方法[1,2,3,4]， 凭借其很强的直观性和明确的物理意义广 泛地为人们所接受，得到了很快的发展，先 后出现了镶嵌图[1，2，4]、变形模板[3，5]、 弹性模板[1，2，4，6]等各种各样的模板算 法。所谓镶嵌图法就是将图象划分为一组大 小相同的方格 ,每个方格的灰度为格中各个 像素的平均值 .镶嵌图特征是指这些块的值 应满足的约束规则[4]。后面两种算法直接是 第一种的推广，得到的人脸模板更有效，因 此在一定程度上提高了检测率。但是由于算 法本身的复杂性问题，检测速度反而降低 了。另一方面随着近年来各种图象采集设备 的改进，得到的图象几乎都是彩色的。因此 发展基于彩色图象的人脸检测技术更有实 际意义[5，6，7，8，10，11]。它不仅可以 提高检测率，还极大地减少了检测区域，提 高了检测速度，为实时检测提供了可能。最 近几年之内出现了很多基于肤色和模板的
后的颜色值。
完成归一化后，接着是颜色空间的转
换。从 RGB 颜色空间到 YCbCr 颜色空间的 转换为[12]：
Y = 0.2990r + 0.5870g + 0.1140b Cb = −0.1787r − 0.3313g + 0.5000b +128 (2) Cr = 0.5000r − 0.4187g − 0.0813b +128
一般情况下，图象的数据是以 R、G、 B 形式存取的，反映的是此三色空间的信 息。但是，在进行皮肤分割研究时，更多的 是关心图象的亮度、色度等等信息。因此通 常采用其他的颜色模型。主要有 YUV、 YIQ,、XYZ、YCbCr 等等。其中 YUV、YIQ、 XYZ 是由 RGB 转化来的亮度色度模型。 YCrCb 是 YUV 模型中的一种，是一个色差 模型，利用了人对色度远没有对亮度敏感而 建立的，更符合人眼的视觉特点。其中 Y 是 亮度信号，CrCb 是色度或彩度信号。由于 它受亮度变化的影响较小，且是两维独立分 布，能较好的限制肤色的分布区域[10]，所 以本文中采用的是 YCbCr 这种颜色模型。
人脸肤色检测技术
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。
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。
基于三维肤色模型的人脸检测预处理方法
基于三维肤色模型的人脸检测预处理方法摘要:为了改善在光照变化和复杂背景影响下的人脸检测效果，在预处理阶段提出一种基于直接最小二乘拟合的三维肤色聚类模型算法。
该算法首先将肤色在cbcrcg空间中的三个平面投影分布作为拟合对象，然后使用中值滤波和sobel算子获取平滑边缘，最后通过直接最小二乘拟合法获取最佳三维肤色模型。
在实验中分别将公共人脸库和户外拍摄的人脸图像作为实验对象，实验结果表明，该算法较传统肤色预处理算法具有更好的肤色分割效果，并且能够有效地提高人脸检测率。
关键词:人脸检测；肤色聚类；最小二乘法；cbcrcg空间；三维肤色模型face detection pre.processing method based onthree.dimensional skin color modelsun jin.guang, zhou yu.cheng*, meng xiang.fu, li yang school of electronic and information engineering, liaoning technical university, huludao liaoning 125105, china abstract:in order to improve the face detection test results under the influence of illumination change and complex background,an algorithm of 3 dimension color clustering model based on direct least squares estimate was proposed during the preprocessing phrase. firstly, three plane projection distribution of skin color was seen as fitting object in cbcrcg space, and then smooth edge was get by median filter and sobel operator, at last the best 3 dimension color model was get through direct least squares. in experiment, the public face library and face image which is get by outdoor shooting were seen as objects, and the experiment results show that, this algorithm has better segmentation effects than traditional color preprocessing algorithm, and it hasimpr-oved the detection rate more effectively.in order to improve the face detection test results under the influence of illumination change and complex background, an algorithm of 3d color clustering model based on direct least squares estimate was proposed during the preprocessing phrase. firstly, three plane projection distributions of skin color were seen as fitting objects in cbcrcg space, and then smooth edge was got by median filter and sobel operator, at last the best 3d color model was got through direct least squares. in experiment, the public face library and face imagegot by outdoor shooting were seen as objects, and the experimental results show that, this algorithm has better segmentation effects than traditional color preprocessing algorithm, and it has improved the detection rate more effectively.key words:face detection; skin color clustering; least square; cbcrcg space; 3d skin color model0 引言肤色检测是人脸检测预处理过程中的一个重要过程。
人脸检测算法
人脸检测算法（转）2009-03-01 23:06人脸检测是一个开放性的，比较活跃的研究课题。
在人脸检测算法中，依照时间顺序的发展有模板匹配模型，肤色模型，ANN模型，SVM模型，Adaboost模型等。
其中Adaboost 模型在速度与精度的综合性能上表现最好。
前段时间，把各个模型的算法都实现了一次，并比较了一下：模板匹配模型：不需要训练，但是精度比较差，速度较慢；基本的思想就是通过一个人脸模板与待检测图象匹配，寻找匹配的位置。
肤色模型：通过统计学习的方法，估计出人脸肤色在Y-Cr-Cb颜色空间中的概率模型，然后对检测点的肤色通过训练的概率模型的估计判断该点是否属于人脸区域，然后再进一步判断。
下面是结合肤色模型与模板匹配的效果图：可见该方法的精确度不是很高，有很多漏检与误检的地方。
ANN与SVM方法：该方法是基于机器学习的方法，以人脸像素作为分类器的输入，然后判断区域是否是人脸。
由于训练图象的尺度是固定的，但是检测做不到尺度不变，所以需要对多个尺度的图象进行检测，造成检测速度比较慢。
另外ANN的训练速度也很慢，同样数据量的情况下，ANN训练大约要17小时，但是SVM算法训练2分钟就可以得到一个较好的分类模型了。
但是两者的检测速度都比较慢。
下面是SVM算法的检测效果图：Adaboost算法：是目前人脸检测最为成功的算法之一，该算法的特点就是训练慢，检测快。
实验中采用的弱分类器是一种双阀值分类的方法，与opencv中的cart算法不一样，同时与Voila的原始算法也不同。
另外在训练过程中采用了动态调整阀值的方法，使得分类器需要的弱分类器大大的减少了。
下面是用Adaboost算法的效果图，注意该检测算法的速度是最快的。
只要1秒的时间。
试验代码：/source/585029与/source/616511人脸检测算法(2)人脸检测不仅是全自动人脸识别系统的基本步骤，而且本身也可以独立的应用于视频监控、图像检索等领域，因而具有重要的研究价值。
基于肤色及五官特征的人脸检测方法
得到了眼睛和嘴巴的位置后 ! 就可 以 比 较精确的定位出人脸来 " 把人眼和嘴巴用三 角 形 表 示 !整 个 人 脸 用 椭 圆 近 似 !在 勾 勒 三 角形的时候 ! 本文采用 ::; 直线算法 " 勾勒 出的人脸如图 "1 所示 "
参考文献 !
图 ("
勾勒人脸
!"#
E,F 余松煜 = 周源华 = 吴 时 光 - 数 字 图 像 处 理 E9F- 北 京 电 子 工 业 出 版社 =,]]GE)F 戚 飞 虎 = 模 式 识 别 与 图 像 处 理 E9F- 上 海 交 通 大 学 出 版 社 = ,]]*EDF 李介谷 - 图像处理技术 E9F- 上海交通大学出版社 =,]GG! 上接第 "#$ 页 %
图!
人脸皮肤建模
"+. 去掉非人脸区域 ! 定位人脸区域
因为人脸皮肤建模是根据皮肤颜色来确定的 ! 有 可 能 把 脖 子 肩膀等区域也包括进去 ! 故得到的只是人脸的大致区 域 " 当 定 位 出 人 脸 区 域 时 !就 可 以 只 对 区 域 内 部 的 像 素 点 进 行 处 理 !大 大 节 省 了 计 算 时 间 !同 时 定 位 出 这 个 区 域 !还 有 助 于 嘴 巴 $眼 睛 的 定 位 " 本系统采用递归的算法实现人脸区域的定位 " 人脸区域的定 位如图 . 所示 " 图中的矩形标注区域即为计算得到的人脸区域 " ’ 眼睛的定位 本文眼睛的定位是根据两个匹配 来 确 定 的 !一 个 是 亮 度 匹 配 !另 一 个 是 色度匹配 " 眼睛定位的流程图如图 1 所 示"
(+" 嘴巴匹配
基于肤色的实时人脸检测算法研究
是 本 文 探 讨 的 主 要 思 想 和 方 向 。 经 实 验 表 明 。 于 肤 色 的 人 基 脸 检 测 是 一 种 便 捷 而 简 单 、 速 而 有 效 的 实用 算 法 。它 在 单 快
Ｚ ＨＡＩＹｉ ｕ ，ＨＵ Ｇ — ｉ ｋ ＡＮ Ｙｕ，ＸＩ ｉｎｈ ａ，Ｗ Ｕ Ｚ ｉ ｏ ｇ，ＧＵＯ Ｃ ｅ ｇｇ ｎ Ｅ Ｊａ －ｕ ｈ－ ｎ ｌ ｈ ｎ －ａ ｇ
（ｃ ｏｌｆＩ ｏｍ ｔ ｎａｄＥ ｇｎｅｉ ， ｙ Ｕ ｉ ｒｉ ， ｉ ｇ ｅ ２ ０ ０ Ｃ ｉａ Ｓ ｈｏ ｏ ｎ ｒａｉ ｎ ｎｉｅ ｒ ｇ Ｗｕｉ ｎｖ ｓｙ Ｊ ｎ ｍ ｎ５ ９ ２ ， ｈｎ ） ｆ ｏ ｎ ｅ ｔ ａ
一一 ■ 一
第 １ ９卷 第 ９期
Ｖｏ ．９ １１
Ｎｏ５ ．
电子设 计工 程
Ｅｌ ｃｒ ｎ ｃ Ｄｅ ｉｎ Ｅｎｇｎ ｅ ｉ ｅ ｔｏ ｉ ｓｇ ｉｅ ｒｎｇ
２ １ 年 ５月 ０１
Ｍａ ． ０ ｌ ｒ ２ １
基于肤 色的实时人 脸检 测算 法研 究
翟 懿奎 ，黄 聿 ， 剑华 ，吴志 龙 ，郭 承刚 谢
近 年来 ， 着 计 算 机 性 能 不 断 提 高 ， 时 人 脸 识 别 系 统 随 实
器 ， 把 不 是 肤 色 的 区 域 过 滤 掉 ， 把 人 脸 区域 定 位 出 来 ， 先 再 这
得 到 了很 大 发 展 ， 能应 用 在 门监 、 控 、 索 等 广 泛 领 域 。 然 监 检 而， 目前 的人 检 识 别 技 术 还 不 够 完 善 ， 处 于研 究 阶 段 ， 其 还 使
人 脸 检 测 中 所 耗 时 间 短 ， 测 准 确 率 高 ， 以 满 足 实 时 检 测 检 可
基于肤色特征的人脸检测算法
基于肤色的人脸检测概述
国内外对于人脸检测及人脸识别方面的研究已有 很多，本报告介绍基于肤色信息的人脸检测算法。
1、该方法将图像分割为肤色区域和非肤色区域，需 要建立图像的色度表，该色度表代表了图像中肤色的 分布状况，根据该色度表，建立肤色的高斯模型。
概率图示例
概率图示例
肤色分割
通过概率图我们可以看出，肤色区域要比非肤色区域 亮，因此我们可以通过设定阈值的方式来分割肤色区域。
在图像分割过程中，分割阈值的选取是图像分割成功 与否的关键，因此一直是图像分割领域的研究热点。选取 固定阈值方便快捷，但是适用范围很小，所以一般不采用。 分割时，我们希望对不同的图片有比较适合的阈值，因此 研究一种自适应的阈值选取系统显得尤为重要。
将连通区域分对每个连通区域求取欧拉数计算连通区域长宽比及旋转角度根据长宽比和旋转角度设定阈值定位人脸连通区域的分离首先用像素的8连通域来标记该连通区域即判断某像素点周围的点是否存在若存在表明是连在一起的并且给该连通区域标记这样可以将不同的连通区域标记上不同的数
基于肤色特征的人脸检测算法
赵保军
主要内容
肤色增强模型的高斯逼近
根据以上对训练集的统计结果我们可以看出，训练集中的肤 色分布与高斯分布比较接近，因此我们用一个高斯模型来表 示肤色的分布。如下图所示：
肤色增强模型的建立
该高斯模型的方差和均值是通过训练集中的肤色信息 获得的。公式如下：
均值:
m = E { x } 其中 x = (r b)T
协方差:
C = E {(x - m)(x - m)T}.
有了均值和方差，就可以建立基于肤色的高斯模型， 利用该模型就能获得图像中每个像素是肤色像素的概 率：
基于肤色模型与人脸结构特征的人脸检测
１ 建立肤色模型
１ １ 图像 预处 理及 颜 色提 取 ．
肤色模 型是根 据 大量样 本 的统 计 所建 立 的。
所 以需 要 采 集 大 量 的人 脸 图像 资 源 来 计 算 它 的 统
计 特征 。样 本 资 源 的格 式 和 尺 度 大 小 ， 物 ， 照 人 光 背 景等 都不 相 同 ， 因此就 将样 本 图片 统一 规定 为 ｊｇ ｐ 格 式 ， 度 为 ３ ０×３ ０的 正 常 室 内光 照 人 脸 彩 色 尺 ０ ０
红 （ ９９ ），女 ， 师 ，硕 士 ， 究 方 向 ： 能 １７ 一 讲 研 智
图 １ 人脸样本
图 ２ 样 本 裁 剪 区域
５ ８ １０
科
学
技
术
与丁程 源自１ ０卷１２ 颜 色 空间转换 ．
在计算机 视觉 中 ， 常 采用 的彩 色 空 间 主要 有 经
Ｒ Ｂ， Ｓ Ｈ Ｉ Ｙ ｂ ｒ Ｙ Ｑ， Ｕ 等 。其 中 Ｙ ｂ ｒ Ｇ Ｈ Ｖ， Ｓ ， Ｃ Ｃ ， Ｉ Ｙ Ｖ Ｃ Ｃ 作 为肤 色分布 统计 特性 的映 射 空 间 ， 由于亮 度 和 色 度相 互分 离 ， 且在 色度 空 间上 两个 向量 Ｃ Ｃ 相 互独 ｂｒ 立， 能够较好 地 反 映 肤 色 的 聚类 特 性 。使 用 Ｙ ｂ ｒ Ｃ Ｃ
１ ００ ４０
１ ０ ２０ ０ １ ０ ００ ０
ｃ 分 布 图 ｒ
迥 ８０ ０ ０
船 套 ６０ ０ ０
４０ ０ ０ ２ ｏｏ Ｏ
Ｏ
作为 肤色空 间 ， 有 如下 特 点 ¨ ：１ 具 ３ （ ）在该 空 间 下 ， Ｊ
ｃ 颜色 信 息分 割 出可能 包 含 人脸 的 区域 ， ｒ 然后 在 各
人脸检测算法人脸检测可以分为基于...
致 谢本论文是在惠晓威教授的悉心指导下完成的，没有惠老师的指导、鼓励及资金上的大力支持，论文是不可能得以顺利完成的。
师从三载，收获颇丰，感触亦深。
惠老师优秀的做人品质，严谨的治学态度，开拓创新的精神，高屋建瓴把握全局的能力，忘我的工作精神给学生树立起潜移默化的典范作用，这也是导师传授给学生最宝贵的财富。
在此，谨向我的导师致以深深的敬意。
感谢徐光宪老师对我学习生活中的帮助，感谢高婷、邬佳奇、闫七斐等同学在实验过程中对我的研究工作给与热情帮助和支持，感谢张霞、兴旺、邹露等同学在生活上对我的关心。
感谢电信研07-2班的各位同学，感谢他们与我在科研学习上真诚的探讨和交流，感谢他们与我共度研究生阶段的美好时光。
感谢我的家人，他们在我背后默默的奉献，给予我物质和精神上的支持，使我的求学之路一帆风顺。
感谢辽宁工程技术大学，两年多的研究生学习使我开阔了视野，增长了见识。
最后，谨向所有关心、帮助我的老师和同学致以最诚挚的谢意！摘 要人脸是视觉世界最常见的对象,广泛存在于可视电话、视频消息、电视新闻与电视会议等视频业务中。
随着人机交互方式的演变、生物认证、物体检测技术的发展以及商业安全领域对其要求的不断增加，人脸检测与跟踪技术得到深入的研究和广泛的应用。
在研读了大量文献的基础上，深入研究了人脸检测与跟踪算法，提出了一套基于肤色信息与分类器相结合的人脸检测与跟踪方案。
该方案详细分析了人脸肤色在RGB、YCbCr、HSV、HIS色彩空间的分布特点，构建了一种基于多空间的混合式肤色模型；利用该肤色模型对图像进行肤色分割，得到了人脸候选区域；结合局部均值变换（SMQT）训练SNoW分类器实现了候选区域的人脸检测。
在视频序列中应用该检测算法，提出了一种基于肤色模型的线性运动预测与SVM人脸验证相结合的跟踪算法，实现了人脸的准确跟踪。
在人脸检测阶段，应用了基于直方图局部均衡化的光照补偿修正算法，弥补了现有补偿算法中图像过亮的不足。
基于肤色与边缘特征的人脸定位检测算法
基 于 肤 色 与边 缘 特 征 的人 脸 定 位 检 测 算 法
温 红 艳 ，董 晓 倩
（ 明理 工 大 学 信 息 工程 与 自动 化 学院 ， 南 昆 明 ６０ ５ ） 昆 云 ５ ０ １
摘
要： 针对 由于外貌 、 表情 、 肤色等不同 ， 给人脸检测带来很大 困难的问题 ， 提出一种基于肤色 特征与边缘检测相
ｄ ｆｉｕｌｉｓ ｉ ｆ ｃ ｄ ｔ ｃｔｏｎ， ｈｉ ｐａ ｅｒ ｐｒ ｓ ｎｔ ａ ａ ｅ ｅ ｅ ｔｏ ｍ ｅ ｈ ｂａ ｅ ｋｉ ｃ ｏｒ ｆ ａ ｕ ｅ ａ ｄ ｄｇ ｉｆｃ ｔｅ ｎ ａ ｅ ｅ ｅ ｉ ｔ ｓ ｐ ｅ ｅ ｓ ｆ ｃ ｄ ｔ ｃ ｉｎ ｔ ｏｄ ｓ ｄ ｏｎ ｓ ｎ— ｏｌ ｅ ｔ ｒ ｓ ｎ ｅ ｅ
第３ 卷 第３ ０ 期 ２１ ０ ０年 ６月
桂 林 电 子 科 技 大 学 学 报
Ｊ ｕ ｎ ｌｏ ｉｉ ｉｅ ｓｔ ｆＥｌｃ ｒ ｎｃＴｅ ｈｎ ｌ ｇ ｏ ｒ ａ ｆＧｕｌｎ Ｕｎ ｖ ｒｉｙ ｏ ｅ ｔｏ ｉ ｃ ｏｏ ｙ
Ｖ ｏ ．３ Ｎｏ．３ １ ０。
Ｊ ｎ． ０ ０ ｕ ２ １
快 、 法 简单 、 位 率 高 、 测 效 果 好 。 方 定 检
关键词 ： 人脸 检测 ；肤 色 特 征 ； 缘检 测 ；自适 应 阅 值 边
中图 分 类 号 ： Ｐ ９． Ｔ ３１４ 文献 标 识 码 ： Ａ 文 章 编 号 ：１ ７— ０Ｘ（０ ０ ０ —２ ２０ ６ ３８ ８ ２ １ ）３０ １ —４
Ａｂ ｔ ａ ｔ Ａｓ ｔ ｅ ａ ｐ ａ ａ ｃ ｆ ｈ ｍａ ａ ｅ，ｅ ｐ ｅ ｓｏ ｓｒ ｃ ： ｈ ｐ ｅ ｒ ｎ ｅ ｏ ｕ ｎ ｆｃ ｘ ｒ ｓ ｉｎ，ｃ ｌ ｒａ ｄ Ｓ ｎ ａ ｅ ｄ ｆｅ ｅ ｔ ｈ ｓ ｉｅ ａ ｇ ｅ ｔ ｄ ａ ｆ ｏ ｏ ｎ Ｏ ｏ ｒ ｉｆ ｒ ｎ ，ｔ ｅ ｅ ｇ ｖ ｒ ａ ｅ ｌｏ
基于肤色及改进的Adaboost算法的人脸检测
ｕ ｊ 干 斥 ０ 奄 常 ｙ 朋
Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｓ ｃ ｉ ． ＆ Ｔｅ ｃ ｈ ． ／ Ｓ ｅ ｐ ． １ ５．２ ０１ ３
基 于肤 色 及 改进 的 Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 算 法 的人 脸 检 测
王 寻 ，赵 怀勋 ，刘锡蔚
ｆ ａ ｌ ｌ ｏ ｕ ｔ ｒ ａ ｔ ｉ ｏ ａ ｎ ｄ ｆ ａ ｌ ｓ ｅ ｄ ｉ ｓ ｍｉ ｓ ｓ ａ ｌ ｐ ｒ ｏ ｂ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ｆ ａ ｃ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｎ ｃ ｏ ｍｐ ｌ ｉ ｃ ａ ｔ ｅ ｄ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｉ ｍａ ｇ ｅ ｓ， ｔ ｈ ｕ ｓ ｉ ｍｐ ｒ ｏ ｖ ｉ ｎ ｇ ｔ ｈ ｅ
ｂ ｏ ｏ ｓ ｔ ａ ｉｔ ｒ ｈ ｍｅ ｔ ｉ ｃ ｂ ｙ Ｈａ ｒ ｒ ｒ ｅ ｃ ｔ ａ ｎ ｇ ｌ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｐ ａ ｎ ｄ ｉ ｎ ｇ ａ ｎ ｄ ｓ ａ ｍｐ ｌ ｅ ｗｅ ｉ ｇ ｈ ｔ ｓ ｕ ｐ ｄ ａ ｔ ｅ ．Ｔ ｈ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏ ｌ ｖ ｅ ｓ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ｏ ｆ
（ １ ． 武警工程大学 研究生管理大 队，陕西 西安
摘 要
７ １ ０西 安 ７ １ ０ ０ ８ ６ ）
为提 高人脸检 测的 实时性和准确 率 ，提 出一种基 于肤 色与改进 的 Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 算法结合 的人脸检 测新 方法。
像 人 脸 检 测 的 漏检 、错 检 问题 ，提 高 了检 测速 度 和 精 度 。 关键 词 人 脸 检 测 ； 色彩 空 间 ；肤 色模 型 ；Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ Ｔ Ｐ ３ ９ １ ． ４ １ 文献 标 识 码 Ａ 文章 编 号 １ ０ ０ ７— ７ ８ ２ ０ （ ２ ０ １ ３ ） ０ ９—０ １ ８— ０ ４ 中 图分 类 号
基于高斯肤色模型和图像分割的人脸检测
域分割 ． 在分割得到的 区域 中， 根据人脸特征检测 出图像 中的人脸 ． 实验表 明， 出的方法能在复杂背景的情况下检 测 提
出人 脸 图像 ．
关键词 ：人脸 检测 ；高斯模型 ；冈像分割
中 图分 类 号 ：Ｔ ３ １ １ Ｐ９． ４ 文献 标 志 码 ：Ａ 文章 编 号 ：１７ —５ ０２ １） ５０ ６—４ ６２６ ｌ （０ ０ ０ —０ ４０
Ｆａ ｅＤｅ ｅ ｔｏ ｓ ｄ ｏ ｉ ＣｏｏｒＧ ａ ｓａ ｏ ｌａ ｄ Ｉ ａ ｅ ｃ ｔ ｃ ｉ ｎ Ｂａ ｅ ｎ Ｓｋ ｎ ｌ ｕｓｉ ｎ Ｍ ｄｅ ｎ ｍ ｇ Ｓ ｇ ｅ ａｉｎ ｅ ｍ ｎｔ ｔｏ
ｏ ｔ ｅ Ｒ， ｏ ｏ ｅ ｔ ｂ ａｎ ｄ ｂ ｅ３ ｐ ｘ ｌ ３ ｐ ｘ ｌ ｅ ｉｎ Ｓ ｓｔ ｆｓ ｔ ｈ ｆ ｃ ｆ ｒｇ ｔ ｅ ｓｖ ｒ ｔ ｎ ａ ｄ ｓ ａ ｏ Ｉ ｆ ｈ Ｇ ｃ ｍｐ ｎ ｎ ｔ ｉｅ ｙ ｔ ｉｅ ￣ ｉｅ ｇ ｏ Ｏ ａ ｏ ｆｅ ｅｅ ｆ ｔ ｂ ｉｈ ｎ ｓ ａ ｉ ｉ ｎ ｈ ｄ ｗ． ｎ ｏ ｈ ｒ ｏ ｔ ｅ ｏ ａｏ
ｔｅ ａ ｅ ｓｏ ｇ ｅ ｍｅ ｔｔｏ ｆｃ ｓｄ ｔｃｅ ｏ ｔ ｅ ｉ ｇ ｙ ｆ ｃ ａ ｅ ｔｒ ｓ Ｅ ｐ ｒ ｅ ｔ ｈ ｗｓｔ ａ ｅｍｅｈ ｄ ｃ ｎ ｈ ｒ ａ ｆｉ ｍａ ｅ ｓ ｇ ｎ ａｉ ｎ， ｅ ｗａ ｅｅ ｔ ｄ ｆ ｍ ｈ ａ ｒ ｍａ ｅｂ ａ ｉ ｌ ａｕ ｅ ． ｘ ｅ ｉ ｎ ｏ ｔ ｈ ｔ ｏ ａ ｆ ｍ ｓ ｈ ｔ
基 于高斯肤色模 型和 图像分割的人脸检测
一种基于肤色模型的贝叶斯人脸检测算法
图 %! 肤色直方图
对于测试图像 ! 计算各像素点 0 通过阈值实现肤色候选区域 ’ ! 4 5 6%! - 与0 1 值在统计模型中的概率 ! 5( )! 然后对 ’ 进行形态处理 ! 以去除噪声点 * 最后根据人脸形状的先验知识 ! 应用人脸的外貌 比 # 的判决 * 4 5( 例特征 % 即人脸的高宽比 &对肤色候选区 域 ’ 进 行 过 滤! 以 进 一 步 降 低 虚 警, 同时获得肤色候选区域的重 4 5( 心! 以便于后续的人脸特征检测 , ! " #! 肤色的统计模型
基于知识的方法通过人们对于人脸的先验知识分析和提取人脸结构分布的规则描述人脸面部特征之间的联系和关系由于无法涵盖所有情况该方法不能延伸到不同姿势和角度的人脸检测然而这种方法对于背景简单的正面人脸有较好的检测效果特征不变性的方法这些算法旨在寻找一种人脸的结构特征而这种结构特征存在于不同的姿势观察角度以及光照条件下在这种方法中通常将提取到的特征构建成一个统计模型以验证人脸的存在性模板匹配的方法即提取人脸的几种标准模式以描述一个整体的面部特征或几个独立的面部特征通过计算输入图像与提取的模式之间的关系进行检测基于学习的方法相对于模板匹配这种方法的模型
7! 肤色检测与分割
%%&$ 近些年来 ! 利用颜色信息进行人脸检测 " 分割与跟踪成为一个新的研究方向 ! 并显示 出较 好的性 能 # ,
因此 ! 笔者采用肤色检测作为人脸检测的第一步 , ! " !!!" # !$ 空间中的肤色统计分析和检测 获 得 一 个 亮 度 分 量 和 色 彩 分 量 相 分 离 的 颜 色 空 间! 这 里 采 用/ 001 空 !! 为了降低对光照变化的敏感度 ! # %$ 间 2 只需在 0 图%& 为采集的人脸肤色样本所形成的二维直方图 3 % 图 , 01 空间中研究肤色性质 2 0 0 2 -! 1& %’ 给出了训练像素点的色彩范围 ,
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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
在YCbCr颜色空间上建立肤色模型的方法。
IEEE的AnilK. Jain等人从HHI图像库中的137幅图像中手工选取了853 571个肤色像素点，并将它们绘制在YCbCr空间及其各个二维投影子空间中，得到的结果如图2所示。
图2 YCbCr及各二维投影子空间中的肤色点
从图2中看出，128≤Y≤185区域中的肤色点是一个柱体，其横截面就是图2（b）中红色的椭圆部分，椭圆中心为（107，153），长轴为25.39，短轴为14.03，与水平方向的夹角弧度2.53；40≤Y≤128以及185≤Y≤240区域用4条二次曲线式来拟合，方程为：首先考虑128<Y<185的情况，它近似为椭圆柱体，只要考虑它在CbCr子空间中的投影，也就是图2（b）中的深色部分。
由于40<Y<128和185<Y<240的情况非常相似，所以完全可以放在一起考虑。
用任意一个Y值去切YCbCr空间的纺锤体，都可以得到一个椭圆，这些椭圆长短轴可以根据上面4条二次曲线来得到。
基于肤色模型的分割步骤为：
（1）取像素点的R、G、B值通过上面的空间转换公式转换成Y、Cb、Cr值；转到步骤3。
（2）若128≤Y≤185或40<Y<128或185<Y<240，转步骤4；若Y≤40或Y≥240该像素点的肤色隶属度为0，转到步骤5。
（3）计算该像素点在CbCr空间中对应的点与椭圆两个焦点F1（89.68，165.15）、F2（124.32，140.85）之间的欧氏距离，代入函数f（x）=11+（x60）2得到该像素点的肤色隶属度，转到步骤5。
（4）将Y值代入上面列出的4条二次曲线方程，得到2个Cb 值和2个Cr值，这2个Cb值和2个Cr值相减得到Cb、Cr值的范围。
椭圆的长短轴计算公式为：a=0.44dcb2+dcr2
b=0.24dcb2+dcr2
（4）再根据中心坐标（107，153）和旋转角度2.53可得焦点F1、F2。
然后计算该像素点在CbCr空间中对应的点与椭圆两个焦点之间的欧氏距离和并代入f（x）=11+（x60）2得到该像素点的肤色隶属度。
（5）重复步骤1，直到处理完整幅图像。
2 面部特征验证
经过肤色区域分割后的二值图像可能存在一些微小的区域，这些区域属于图像中的噪声，采用去除小连通区域和形态学的开操作、闭操作去噪，再通过面部特征进一步对肤色部分筛选，除去非人脸部分和近肤色部分。
本文采用的面部特征验证主要有两个：①脸部比例。
通过对人脸特征的统计，人脸的长宽比应该大致在这样一个范围内：0.6<人脸长宽比<1.5。
考虑到人脸区域和脖子区域大都是连通的，所以实际处理中将比例修正为：0.6<人脸长宽比<2；②人眼定位。
人脸的头发、眉毛、眼睛的灰度级比较小，选取合适的二值化算法对图像进行二值化处理后，分别进行水平积分投影和垂直积分投影，得到如图3所示的结果。
利用对人脸图像的先验知识可以知道，水平积分投影曲线上有两个极小值点，第一个极小值点对应眉毛在纵轴上的位置，记做
ybrow，第二个极小值点则对应眼睛在纵轴上的位置yeye。
垂直积分投影曲线中心对称轴两侧出现两个极小值点，分别对应左右眼中心xleye、xreye。
因此，可以通过坐标定位眼睛来筛选脸部区域。
为减少运算量，在人脸图像纵向上取一个以yeye为中心，宽度为[yeye-ybrow]/2的条形区域δi，该条形区域可以大致框出人眼所在区域。
图3 积分投影
3 实验结果
用Matlab编程实现本文人脸检测算法，实验结果如图4所示。
图4 实验结果
4 结语
本文在YCbCr颜色空间上建立肤色模型，提出了一种非线性变化思想，直接通过判断像素点在不在该聚类椭圆内部来断定其是否为肤色点，若在椭圆内则断定其为肤色点，否则为非肤色点。
由于经过肤色分割的只能说是候选人脸区域，而不能断定为人脸，所以加上了面部特征对候选人脸区域进行进一步筛选。
但是该算法对一些复杂背景的图片进行检查时还是存在误检的情况，加入面部特征后有时效果并不明显，不能完全排除非人脸部分，这是算法存在的一个缺陷，有待进一步改进。
参考文献：
[1] 陈显毅.图像标准技术及其Matlab编程实现[M].北京：电子工业出版社，2009.
[2] 苑岩岩，惠晓威.基于YCbCr肤色模型和SNOW分类器的人
脸检测[J].计算机系统应用，2010（1）.
[3] 赵丽红，刘纪红，徐心和.人脸检测方法综述[J].计算机应用研究，2004（9）.
Face Detection Based on Complexional Model and Facial Feature
Abstract：This paper introduces a face detection algorithm based on complexional model and facial feature. Build complexional model in the YCbCr color space，the complexional segmentation is based on this improved model. Use morphology process to smoother segmentation and use the facial feature to eliminate nonface regions. The experiment results show that the algorithm performs easily to locate face region without slowing down the speed.
Key Words：Face Detection；Complexional Model；Morphology Process；Facial Feature
第11期张霞：利用屏幕截图工具推进视觉素养教育软件导刊2012年
</Y<128或185<Y<240，转步骤4；若Y≤40或Y≥240该像素点的肤色隶属度为0，转到步骤5。
</Y<185的情况，它近似为椭圆柱体，只要考虑它在CbCr子空间中的投影，也就是图2（b）中的深色部分。
由于40<Y<128和185<Y<240的情况非常相似，所以完全可以放在一起考虑。
用任意一个Y值去切YCbCr空间的纺锤体，都可以得到一个椭圆，这些椭圆长短轴可以根据上面4条二次曲线来得到。