基于PCA的人脸彩色图像肤色.pptx

基于PCA的人脸彩色图像肤色的提取与合成 姓名：陈怡静 学号专业：数学与应用数学 指导老师：冯国灿教授概述本文背景：肤色是人体重要的生物特征，它在人脸识别，人脸检测中有广泛的应用，而本文将对人脸肤色的固有属性进行研究，选择一颜色空间后，利用PCA方法在该颜色空间中对肤色信息进行特征分析。目的：研究肤色在该颜色空间的特征，然后改变人脸肤色本文总体框架基于PCA的肤色特征提取（一）PCA方法的介绍及其原理KL变换 PCA的核心内容就是进行主成分变换（简称K-L变换）。K-L变换是图像变换中具有最佳性质的一种，常常作为标准用来衡量其它变换性能的好坏。 对于N 1维的实向量u，我们可以找到N个基向量进行加权来表示，即： ，其中 代表基向量，代表加权系数。 它的矩阵表现形式为： ，其中 。 一般情况下我们取基向量为正交向量，即满足： ，则 是正交可逆的矩阵，则有： ， 。 一般情况，我们希望 之间最好是不要相关的，即满足条件：而 的相关性与正交基向量 的选择密切相关，K-L变换则为我们提供了满足上述要求的正交基向量。K-L变换的基向量由它的自相关函数R的正规化的特征向量给出即：u的KL 变换则定义为： ，反变换定义为：由对任意Hermitian矩阵R，存在酉矩阵 ，使得 ，可知 可将R对角化。 则有： 通常我们使用协方差矩阵而不是自相关矩阵。SVD简介在进行KL变换时，关键是要找到相应的协方差矩阵及其对应的特征向量，通常一组图像集U为MN*r维的协方差矩阵R为MN*MN维，直接求解R的特征向量是比较困难的，于是我们要寻求另外途径解决观察R1= 和R2= ,为非负对称矩阵，且具有完全相同的特征值，其中R1为MN*MN维矩阵，R2为r*r维矩阵，通常r的值不会很大，R2的特征向量较R1好求很多，现在探讨R1与R2特征向量之间的关系。记R1与R2的特征向量集分别为 、 ，则有 ： ， 则矩阵U可表示为：,则有 实验设计及结果分析实验设计的流程如下：图像预处理原肤色训练库经过大小归一，统一格式后的效果图：对各颜色分量进行特征提取本文实验的阈值e为97%，经过计算后Y，Cb，Cr分量分别取其前3，36，27个最大的特征向量分别对黑、白、黄种人大小为16*16的肤色块进行PCA变换还原后的效果如下：白种人各颜色分量及其投影系数的研究白种人各投影系数代替黄种人投影系数白种人各投影系数代替黑种人投影系数黄种人各颜色分量及其投影系数的研究黄种人各投影系数代替白种人投影系数黄种人各投影系数代替黑种人投影系数黑种人各颜色分量及其投影系数的研究黑种人各投影系数代替黄种人投影系数黑种人各投影系数代替白种人投影系数观察通过改变Y分量特征空间的投影系数人脸肤色的改变逐渐增加黑种人Y分量特征空间的投影系数逐渐减小白种人Y分量特征空间的投影系数观察通过改变Cb分量特征空间的投影系数人脸肤色的改变逐渐增加白种人皮肤在Cb颜色分量特征空间的投影系数逐渐减小白种人皮肤在Cb颜色分量特征空间的投影系数观察通过改变Cr分量特征空间的投影系数人脸肤色的改变逐渐增加白种人皮肤在Cr颜色分量特征空间的投影系数逐渐减小白种人皮肤在Cr颜色分量特征空间的投影系数现在我们选取一个人脸图像作为测试图，在该人脸图像上通过改变Y，Cb，Cr颜色分量的特征空间上的投影系数来研究这三个颜色分量的 各自对肤色的作用。研究Y分量颜色空间给Y分量特征空间的投影系数正的波动变化给Y分量特征空间的投影系数负的波动变化研究Cb分量颜色空间给Cb分量特征空间的投影系数负的波动变化给Cb分量特征空间的投影系数负的波动变化研究Cr分量颜色空间给Cr分量特征空间的投影系数负的波动变化给Cr分量特征空间的投影系数负的波动变化通过上面得实验我们大致猜测Y颜色分量应该主要控制人脸的肤色变换，而保持Cb,Cr颜色分量特征空间的投影系数在某一范围内变动，人脸肤色则仍然在正常肤色范围利用下面的实验加强我们的猜测选择两副差异较大的测试图，让这两幅人脸图在各颜色分量特征空间的投影系数相互替代