基于先验知识人脸检测算法研究与应用.docVIP

基于先验知识人脸检测算法研究与应用 　　摘要:本文综合运用人脸的先验知识和Gauss模型对图像进行人脸检测,实验结果表明,在边缘检测中采用了Sobel算子和Canny算子相结合的方法比其它单一检测方法的检测效果有明显提高。 　　关键词:人脸检测 肤色模型 边缘检测 高斯模型 　　中图分类号: 文献标识码:A文章编号:1007-9416(2010)01-0000-00 　　 　　0 引言 　　随着社会经济、文化的高速发展,快速、有效的身份验证技术就显得越来越重要。人脸检测就是从任意给定的一个图像或者一组图像序列中确定图像中所有人脸(如果存在)的位置、大小、数量和姿态。人脸检测是人脸正确识别的前提和基础,是任何人脸信息处理系统中一个关键步骤,只有将图像或图像序列中的可能存在的人脸进行检测和分离,其他的研究工作才能得以展开和进行。 　　 　　1 基于先验知识的人脸检测预处理 　　在彩色信息中,肤色信息是人脸的重要特征之一,它不依赖于面部的细节特征,对于旋转、表情、姿态等变化情况都能适用,不但具有相对的稳定性,而且和大多数背景物体的颜色相区别。图1为基于肤色和几何特征的人脸预处理流程图。 　　图1基于先验知识的人脸检测预处理流程图 　　 　　1.1色彩空间的分类及肤色模型的建立 　　从计算机色彩理论角度来看,一种颜色在计算机中会有不同表现方式,这样就形成了各种不同的色彩空间。主要的色彩空间有RGB、YCrCb、HSI等,其中RGB是最基本的色彩系统,其他的色彩空间都可以从RGB色彩空间转换而来。建立肤色模型是指用一种代数的(解析的)或查找表等形式来表示哪些像素的颜色属于肤色,或者表征出某一像素的颜色与肤色的相似程度。本文采用简单高斯模型建立肤色模型。简单高斯模型G(m,c2)的椭圆高斯联合概率密度函数[1]为: 　　1.2图像的光照补偿及二值分割 　　人脸在肤色检验中,由于待检测图片的背景与受光照程度不尽相同,会存在光线不平衡的情况,因此,在进行肤色检测之前,要对待检测图片进行光照补偿的预处理,以便在后期的检测中得到比较好的效果。二值图像是一个数据矩阵,每个像素只取两个离散的值中的一个。因此在肤色检测中通常把图像二值化后,再进行处理。本文???用一种自适应的阀值法对图像进行分割,其阀值公式表示为: 　　1.3利用人脸几何特征的粗检 　　肤色检测往往是人脸检测的开始,要最终确定人脸区域,还需采取其它方法进一步排除背景中的类肤色区域以及裸露的手臂等区域。常用的人脸几何特征有:(1)区域面积比例特征:对于一副图像,如果含有人脸,必须满足一定面积大小才能够分辨出人脸特征,大于该阀值的区域保留,否则就排除。(2)长宽比例特征:对垂直正面人脸来说,其长宽之比一般为1左右,在此我们取[0.8,2.0]比例关系,这样就可以把一些不符合条件的区域排除。(3) 孔洞特征[2]:由于眼睛、嘴巴的存在,使得人脸区域中会存在一个或多个“孔”。因此我们可以通过 “孔”来在判断候选区域是否为人脸。 　　 　　2 基于先验知识的人脸检测算法 　　要对图像实现高效的人脸检测,必须结合多种方法,综合运用,才能最终检测出人脸。在基于先验知识的预处理基础上,首先对候选区域进行边缘检测,然后采用高斯定位法对候选人脸区域进一步地验证,最终确定的人脸位置。在人脸外轮廓线的提取中,一些边缘提取算法诸如Sobel、LoG、Canny算子等很难获得满足要求而且可靠度高的连续边缘,某些对比度低的地方甚至连边缘都检测不到。所以综合Sobel和Canny算子得到的边缘信息可以得到比较干净的边缘图[3]。 　　大量的实验表明,人脸图像在X轴方向投影曲线在嘴的宽度范围内近似服从高斯分布,在Y轴方向的投影曲线在人眼的高度范围内近似服从高斯分布。根据这一特性,可以采用高斯模型来进行人脸检测。高斯概率密度函数定义式为: (3) 　　其高斯表达式为: (4) 　　经过推导可以得出: (5) 　　于是边缘检测后的二值图像区域的高斯投影可以确定,又因为人脸的宽度一般是嘴宽度的2倍左右,可以根据高斯函数在X,Y轴上投影位置的比例关系,也就是嘴的位置和眼的位置的比例关系,来最终确定筛选和确定人脸区域。 　　 　　3 计算和实验 　　本文首先从互联网和数码相机中收集了近300幅不同大小、不同背景的图像自建图像库,然后利用Windows系统下的Matlab程序进行仿真测试。 　　3.1简单背景下的单人脸检测实验结果 　　基于肤色的人脸检测:图像数86,正确数76,漏检数10,误检数3 　　基于先验知识的人脸检测:图像数86,正确数81,漏检数5,误检数1 　　3.2复杂背景下的单人脸检测实验结果 　　基于肤色的人脸检测:图像数265,正确数171,漏