基于肤色和改进贝叶斯分类器人脸检测.docVIP

基于肤色和改进的贝叶斯分类器的人脸检测 摘要 提出了一种新的基于肤色的多人脸检测方法。该方法先通过肤色分割得到人脸候选区，然后结合图像的小波表示和主元分析方法通过训练得到可用于区分人脸和非人脸的特征向量，并用改进的贝叶斯分类器对输入图像进行多人脸检测，改进的判决准则中参数，可用于控制检测的准确率和虚警概率，通过设定不同值可使算法适用于不同要求的应用，另外为保证获得较高准确率的同时降低虚警概率，还提出在经分类区判决后的人脸区域中依据对应的马赛克模板进一步排除虚假人脸。 A new multiple face detection method based on skin is proposed, which got the face candidates by the help of skin color and makes use of wavelet express of the images and the principal component analysis (PCA) to get the eigenvectors distinguishing faces and non-faces, and modified Bayes classifier to detect multiple faces of input images. , the parameter of the modified rules, could control detection accuracy and error probability to apply to different application by setting the values of . In addition, after classing, a mosaic template is used to exclude fake faces to ensure high accuracy and low error probability. Key word: face detection; shin color segmentation; PCA method; Bayesian rule; mosaic template 1 绪论 人脸检测的目的是判断图像中是否存在人脸，并确定人脸的个数、大小和位置。人脸检测在视频监视、人机交互、人脸识别和人脸图像数据库管理等应用中起着非常重要的作用，是自动人脸识别系统的第一步。早期人脸检测的方法大致可以分为基于知识的方法、基于特征的方法和模板匹配的方法。它们的主要缺陷是对噪声、光线变换及人脸大小的变换较敏感，准确率较低，虚警率较高。近年来大量研究主要集中在基于数据统计学习的人脸检测方法，如：特征脸[1]，神经网络，支持向量机等。基于统计的方法依赖统计分析和机器学习技术寻找与人脸和非人脸相关的特征。这些学习特性以分布模型或区分函数的形式用于人脸检测，同时为了提高激素和检测效率通常会对特征向量采用降维的方法。 事实上，人脸检测方法通常采用几种不同方法的综合，充分利用各种方法的优点，根据不同的目的，达到时间和性能上的折中。由于利用肤色信息能够快速定位人脸区域，国内外已有一些将肤色信息和其它方法相结合的人脸检测方法。 本文先通过肤色分割得到人脸候选区，然后结合图像的小波表示和主元分析方法通过训练得到可用于区分人脸和非人脸的特征向量，并对贝叶斯分类器的最小判决准则进行改进，改进的判决准则中参数，可用于控制检测的准确率和虚警概率，通过设定不同值可使算法适用于不同要求的应用。为提高整个检测过程的效率，本文利用肤色信息，先经过肤色分割将人脸的搜索区域从整幅图像缩小到皮肤区域，然后在肤色区域进行搜索确定出人脸位置和大小。另外，较高的检测准确率要求常常会带来较高的虚警概率，为保证获得较高准确率的同时降低虚警概率，本文还提出在经分类器判决后的人脸区域中依据对应的马赛克模板进一步排除虚假人脸。 肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转、表情等变化情况都能适用，具有相对的稳定性，并且和大多数背景物体的颜色相区别。Anil K. Jain 采用非线形分段肤色分割得到肤色区域在Cb（chromatic minus blus）.Cr(chromatic minus red)空间中近似于椭圆，可用如下公式表示 （1） 其中：a=25.39，b=14.03，=1.60，=2.41. 其中：cx=109.38，cy=152.02。 若大于1则不是肤色，否则为肤色。 Anil K. Jain的Cb、Cr椭圆聚类方法肤色分割效果较好，但是对于亮度较低的区域容易误判为肤色，对于亮度较高肤色区