简单Matlab人脸检测.docxVIP

创新性实验研究报告 实验项目名称 ＿ matlab 人脸识别＿ 一、实验摘要 本实验主要利用高斯肤色的归一化概率模型， 将静态图像中的每一个像素限定在 0 到 1 的范围内。利用人工阈值法将肤色与非肤色区域分开， 形成二值图像。 对上述图像进行开闭运算，腐蚀膨胀等操作，弱化细节。通过脸部几何特征选取脸部区域，排除非脸部 区域。后利用脸部区域最大最小行列坐标得到最小外接矩形。进一步分析可得两眼，嘴部坐标，以 3 点为基础画椭圆。最终圈定脸部区域。 二、实验目的 在一幅静态图片中找到人的脸部区域。 三、实验场地及仪器、设备和材料： 实验场地： J11-428 实验室； 仪器： PC 机一台； 材料： Matlab 软件、待检测图片 四、实验内容 1、实验原理 高斯肤色概率模型： 由于统计表明不同人种的肤色区别主要受亮度信息影响，而受色度信息的影响较小， 所以直接考虑 YCbCr空间的 CbCr 分量，映射为 CbCr空间，在 CbCr 空间下，受亮度变化 的影响少，且是两维独立分布。 通过实践，选取大量肤色样本进行统计， 发现肤色在 CbCr 空间的分布呈现良好的聚类特性。 统计分布满足： 77 Cb 127 并且满足： 133 Cr 173 根据肤色在色度空间的高斯分布，对根据肤色在色度空间的高斯分布，对于彩色图 像中每个像素，将其从 RGB 色彩空间转换到 YCbCr 空间后，就可以计算该点属于皮肤 区域的概率，即根据该点离高斯分布中心的远近得到和肤色的相似度，将彩色图像转化 为灰度图，其中每个像素的灰度对应该点与肤色的相似度，相似度的计算公式如下： p(CbCr ) exp[ 0.5(x m)T C 1 ( x m)] 其中 m 为均值， m=E(x) ，C 为协方差矩阵， x (CbCr )T , C E{( x m)( x mT ) 肤色分布的 2D 高斯模型 G(m,V2) 也可表示为 m (Cb,Cr ) Cr 1 K 1 N Cr i Cb Cbi N i 1 N i 1 其中， Cb、Cr 为 Cb、 Cr 相应的平均值， V 为协方差矩阵。 为了利用肤色在色度空间的聚类性 , 选取 YCbCr色彩空间进行肤色提取。首先将彩色图片颜色空间转换到 YcbCr空间，然后对该区域的 CbCr值进行统计处理。处理的方法就是采用高斯模型。 m=E(x) , x (CbCr )T ，C为协方差矩阵 , C E{( x m)( x m)T } 。 通过这个肤色高斯分布可得到待检测彩色图像中任意一个像素点属于皮肤的概率。 对于某像素点 s, 从 RGB空间转换到 YCbCr色彩空间得到色度值 (Cb,Cr) 则该像素的肤色概 率密度可由下式计算得到 : p(CbCr ) exp[ 0.5(x m)T C 1 ( x m)] 式中 : x (CbCr )T 。 通过计算，得到 m和 C的值如下： m=[117.4316 148.5599]; 97.0946 24.4700 C 24.4700 141.9966 1） YCbCr 色彩空间是数字视频常用的色彩模型。 在模型中，亮度信息单独储存在 Y 中，色度信息储存在 Cb 和 Cr 中。 Cb 和 Cr 分别表示蓝色分量和红色分量相对的参考值。 Matlab 中实现 YCbCr 色彩空间的转换函数为 rgb2ycbcr。 YCbCr 色彩空间是人脸检测非常好的选择。因为其受亮度变化的影响小，能较好地限制肤色分布区域，而且在 YCbCr 色彩空间中肤色聚类特性比较好。因此我们采用构建 YCbCr 色彩空间的肤色模型来得出肤色概率谱，计算出每一个像素与肤色的相似度，并将每一点的灰度值与其为肤色的概率关联起来，得到肤色似然图。越靠近肤色灰度值越高，无关部分灰度值会较低。 2）阈值化是人脸检测中非常重要的一步。上一步操作得到肤色似然图后，由于近似肤色部分灰度值比较高，无关部分灰度值比较低，因此，选定合适的阈值后进行阈值分割，得到的二值图像可以有效地将近似肤色区域和无关部分分割开，无关部分将作为黑色背景色。便于下一步的操作。经过测试，阈值在 0.5-0.6 都能满足实验要求。 3）因为要考虑到原图像的多样与复杂性， 非肤色区域中依然有可能有部分区域颜 色与肤色相近，所以阈值分割后的图像依然存有部分假肤色区域，经过开闭操作、填洞操作、腐蚀膨胀操作可以有效地去掉毛刺、假肤色区域等，从而得到一个较为纯净的肤色区域。 4）得到的肤色区域可能含有较多的人体信息， 包括人脸、手臂、手掌、腿部等等。由于实验目标是人脸检测，所以需要做面部特征定位把人脸和其他肤色区域区分开来。 因为待检测图片中的人物信息都是着装的，所以人脸或者人脸包括颈部和身体的其他部分区域可以被衣服隔开，一般都