一种基于模板匹配的人脸检测算法.docx

一种基于模板匹配的人脸检测算法 面部特征的检测是面部运动跟踪和面部识别的基础。现在，它是识别和计算地壳等研究领域的热点。脸的检测有很多方法，但模型匹配法是最常用的方法。在文献中，使用第一层和多尺度分析来确定视觉成像单元的位置，并根据面部器官的几何关系确定面部特征的区域。虽然这种方法可以去除大量的搜索区域，但对于大的图像来说，消耗时间多，对环境变化和眼区大小的适应性不强。在文献中，提出了一种新的算法，该算法使用了最大熵的图像分割算法。可以更快地检测脸的人。然而，一些检测参数的选择是困难的，检测质量差的图像的效果并不理想。人们认为人的脸比周围的脸更白。在这种规则中，确定眼睛并定位你的脸是很困难的。该方法适用于简单背景和复杂环境。在复杂环境下，预测区域非常多，检测过程显著增加。在文献中，使用阈值阈值的方法是生存的。眼睛和眼睛之间的关系很难确定，当眼睛发生或消失时，也会有大量其他图像点同时出现或消失。即使使用候选人区域的预测方法需要很多的时间，在复杂环境下检测女性的效果也不好。在文献中，我们提出了一种基于masson-haramomrandoma的快速检测方法。虽然它对光和噪声有一定的适应性，但该方法要求全球模型和检测内容之间的相似性，对于许多面部特征的检测效果并不好。 文中提出一种复杂环境下的灰度人脸检测快速算法,设计的模板匹配算法对照明变化、噪声干扰等具有较强的适应性,能够对复杂环境中大小不等的人脸进行快速、准确地检测.采用多种环境下的大量图片进行实验,结果显示该算法检测的准确率较高,速度也快,优于对比的其他模板匹配法. 1 基础定位算法 为了在图像中快速、准确的检测人脸,首先确定人脸候选区域,然后再使用模板匹配法检测人脸.为此,提出了根据人脸上边沿中心确定人脸的候选区域的方法,该方法大大减少了搜索图像像素点的数量.应用该方法,使用模板匹配算法进行人脸检测的基本过程如下:(1) 寻找人脸上边沿中心,确定人脸候选区域;(2) 使用所设计的具有鲁棒性的模板匹配算法,进行人脸的粗检;(3) 采用基于AdaBoost算法的人脸检测器进行人脸验证,即人脸细检. 1.1 高频滤波器检测人脸实验 根据人眼视觉的特点,首先进行图像的边缘检测以确定图像中物体的边缘点.因为人脸及人眼的边界具有强边缘性,在进行模板匹配时只要将边缘点作为扫描点就可以确定人脸的位置.相对所有像素而言,边缘点已经很少,但是对于多人脸图像,使用边缘点检测速度相对较慢.所以为了加快检测速度,设计了一种方法先预测人脸上边沿中心,然后进一步确定人脸的候选区域. 首先,如图1所示,将图像F(0)=(f(0)ij)m×n进行二值化得到F(b),再将F(b)作为掩膜和原图像点相乘得到F(1)=(f(1)ij)m×n.该步只是为了快速检测,对结果的影响不大,如果二值化效果不好,可以省略. 其次,设计一种高频滤波器,如式(1)所示其形状是对称的. H=(hi,j)s×t=[X,Y,X] (1) 矩阵X中的元素全为负数值,矩阵Y中的元素全为正数值并且‖Y‖m1=2‖X‖m1,Y的宽度一般为X的1.5至2倍.元素的取值可以采用两种方式都比较有效:一个是矩阵X中的元素全为-b,矩阵Y中的元素全为+a;另外一种方式是在列方向上中心最大,然后呈高斯分布向两边能量逐渐缩小.t的大小则是根据图像中人脸大小而定,实验发现t∈(16,30)检测效果较好,适应检测大小在1.5t×1.5t至2.5t×2.5t之间的人脸,也就是人脸的维数在24×24至75×75之间.如果图像大于该范围,可以将图像缩小一定比例,使得图像中的人脸处于该范围之中,而s∈(3,7). 接下来计算H和F(1)的卷积得到图像F(2),如图2所示.滤波后的人脸好似戴着面具,所以称上述过程为假面变换(Mask Transform). 观察假面图2(b),可以发现人脸的一些特征.在原来的眼睛中心p1和p2处于局部低谷,以后四周数值逐渐增大,在两眼中心处p0数值达到一个峰值(p0往上几个像素就是人脸上边沿中心);在口鼻处p3也有一个低谷,如果找到这些特征点再根据一些规则就可以确定人脸.首先采用网格分解方法找到p0,将图像分解成k×l个网格;网格一般用正方形,边长必须小于人脸面部大小的1/5.然后找出每一个网格中最大值及其位置,最后以最大值为中心向左、右、下3个方向找出在一定范围的低谷像素,得到特征点p0,p1,p2,p3. 人脸由眼睛、鼻子、嘴、下巴等构成,其几何关系相对固定,利用这些特征点结合下列规则,可以确定人脸上边沿中心的候选点位置. 1 人脸图像的th3、th3 p1到p2,p0到p3的距离应在一定的范围之内,如式(2)所示;th1一般取人脸图像最大宽度的2/3,th2取人脸图像最小宽度的1/3,th3取最大人脸的3/4,th4取