人脸检测的基本原理

人脸检测的基本原理

1引言

2人脸检测的基本知识

2.1人脸特征

2.2 预处理技术

3图像处理的基本运算方法

3.1数字图像的表示

3.2区域分割与合并的原理

3.3膨胀与腐蚀

1引言

人脸检测是指给定静止图像或视频序列，不管图像中人脸的位置、大小、方向、姿势、光照等如何变化，找到并定位所有人脸确切位置的技术。有很多与人脸相关的研究领域与人脸检测技术紧密相关，比如人脸定位（Face Localization），经过简化的、仅针对包含单个人脸图像的检测技术；人脸跟踪（Face Tracking），在连续的视频序列中实时定位并跟踪人脸的位置；面部特征检测（Facial Feature Detection），准确定位人脸区域内的眼睛、眉毛、鼻子、嘴、嘴唇、耳朵等面部器官的位置；人脸识别（Face Recognition），比较输入图像与已经建好的人脸数据库内各图像间的差异，找到差异最小的作为识别结果输出；面部表情识别（Facial Expression Recognition），识别人脸面部的感情状态，比如高兴、沮丧、悲伤等等。

上述这些人脸处理技术的第一步都是要求准确定位好图像中的人脸，因此一个鲁棒、高效的人脸检测算法对这些技术的发展起着关键的作用。

2人脸检测的基本知识

人脸检测从本质上讲是目标检测的一种，也就是将目标（人脸，Target）与干扰（背景，Clutter）区分开来的过程。

2.1人脸特征

人脸图像中包含的特征非常丰富。人脸检测利用的是人脸的共性特征，大致分为基本特征、肤色特征、变换域特征、统计特征等。

①基本特征

1）灰度特征

人脸区域内具有明显的灰度分布特征。眉、眼和嘴等区域的灰度值较低，前额、脸颊、鼻梁和下颌等区域的灰度值较高。利用这些信息，可以建立简单的人脸模板，用于粗检。例如，多个人脸图像的平均就是一个简单的人脸模板，类似的眼模板和嘴模板也常常使用。

人脸具有明显的灰度梯度分布特征。在人脸区域进行水平和垂直方向的灰度投影，根据极小点的位置可以得到眉、眼、鼻和嘴等器官所处的大致区域。

光照不均对灰度特征有很大的影响。但在偏光的情况下，眼和嘴、鼻和嘴、鼻和脸颊等区域灰度的比值会保持一定的比率。根据这个特点，可采用线性光照拟合和直方图均衡的方法来补偿光照的影响。Log、Exp和LogAbout等一些非线性变换也可用于光照补偿。

2）边缘和形状特征

人脸及人脸器官具有典型的边缘和形状特征，如人脸轮廓、眼睑轮廓、虹膜轮廓、眉毛边缘、鼻侧线和嘴唇轮廓等均可近似视为椭圆、圆、弧线或线段等简单的几何单元。可采用Sobel、Laplacian和Canny等算子或小波变换提取这些边缘特征。

噪声的存在会导致边缘的不连续，常采用边缘跟踪器把属于同一轮廓的各段边缘连接起来，并通过约束搜索范围防止边缘跟踪失败。数学形态学的腐蚀与膨胀运算与Hough变换也常用于提取人脸轮廓特征，并对噪声有较好的适应性。应用Snakes模型或主动形状模型（ASM，Active Shape Model）能够较好地抽取人脸的边缘特征，但这些模型需要一个较好的初始化位置。

尽管在强光照变化下也会产生一些伪边缘，但相对于灰度特征，边缘特征对光照变化具有一定的鲁棒性。

3）结构特征

结构特征主要表现在人脸的对称性和各个器官的空间位置分布。

人脸在结构上的对称性是十分有用的特征。正面人脸左右对称，对应位置上的边缘和灰度特征基本一致；同时，各个器官也具有自身的对称性，比如双眼、鼻子、耳朵等。

面部器官如眉毛、眼睛、鼻子、嘴等，是按一定位置关系组织在一起的。各器官按照从上而下的顺序排列，相对位置保持不变。各器官间还存在着一些几何关系，比如两眼和嘴中心构成一个三角形、鼻子的中心大致位于这个三角形的中心等。

根据这些结构特征，配合前面介绍的灰度特征和边缘、形状特征，可以建立基本的规则，区分人脸区域与背景。

4）纹理特征

人脸具有特定的纹理分布特征，基于灰度共生（SGLD，Space Grey Level Dependency）矩阵建立人脸纹理特征模型，得到表征人脸的一系列纹理特征。

②肤色特征

肤色特征按类别划分应属于人脸基本特征，但其在彩色图像人脸检测中所起到的作用非常重要。

肤色是脸部区别于其他区域的重要特征，不依赖于面部细节特征，不受旋转、姿势、表情等变化的影响，具有相对稳定性并和大多数背景物体颜色相区别，已成为彩色图像人脸检测中的一个非常重要的特征。

尽管不同种族、不同年龄、不同光照条件下，肤色区域呈现不同的颜色，但相关研究证明，不同类的肤色点间的差别更多的在于颜色中的亮度分量，而色度分量在各肤色点间变化不大。由此，可以在特定的色彩空间中建立肤色模型，描述人脸肤色的特征，有效去除图像中复杂背景的干扰、减小待搜索范围。

常用的色彩空间有RGB、归一化RGB、HSV、YCbCr、YIQ、YES、CIE XYZ、CIE LUV、CIE Lab、CIE DSH、TSL等，常用的肤色模型有直方图模型、高斯模型、混合高斯模型等。

③变换域特征

基于FFT、DCT、小波、K-L等变换，根据能量规则选择一系列系数作为表征人脸图像的特征。

人脸识别中广泛使用的本征脸（Eigen Face）以及最近流行的类Haar特征（Haar-like feature）均属于变换域特征。

目前图像大多以压缩的格式存在，各个图像压缩标准广泛地应用了DCT和小波变换，因此，研究如何有效地提取这些变换域下的人脸特征，具有很强的实际意义，已成为目前一个很受重视的研究方向。

④统计特征

由于人脸图像模式的复杂性，能够用来描述人脸共性特点的显式特征是有限的，而由此建立起的人脸规则的有效性也有很大的局限性。解决这个问题的办法就是更多地使用人脸图像的统计特征，也可称为隐式特征。