毕业设计-基于肤色分割的彩色图像人脸检测系统设计

1 绪论

1.1 论文的研究背景及意义

人脸检测是指在输入图像中确定所有人脸(如果存在)的位置、大小、位姿的过程。随着时代的进步，信息化程度的提高，人机交互技术日益成为当前研究的一个中心。而其中的人脸检测问题也越来越受到重视，成为计算机视觉和模式识别等领域研究的一个热点。

早在上世纪60年代，人们就已经开始了对人脸识别的研究，至今已有50多年的历史了，是当前模式识别和人工智能领域的一个前沿课题，时代的发展使得人脸识别技术的应用前景更加广阔。随着电子信息技术的迅猛发展，人脸识别技术成为身份验证的最理想的方式。作为一种重要的个人身份鉴别技术，在国家安全、视频监控、门禁系统等多种地方法都有运用。和其他方法比较起来，该技术具有更加方便、低侵犯性、鲁棒性强等多种特点]1[。

人脸检测的目的就是从背景图像中找到人脸区域，然后把人脸从中分割出来，接着再进行人脸识别的后续工作。论文主要研究基于肤色分割的彩色图像人脸检测方法。

1.2 国内外的研究状况

当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab，AI lab，CMU的Human-Computer Interface Institute，Microsoft Research，英国的Department of Engineering in University of Cambridge等。目前的方法主要集中在以下几个方面]2[：（1）模板匹配

主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模

板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼睛，鼻子和嘴唇等。另一种方法是系统自动生成自适应的曲线或曲面，以构成变形人脸模板。检测方法是：将模板与测试图像进行弹性匹配，并加入惩罚机制，利用某种能量函数表示匹配程度。

（2）示例学习

示例学习的基本思想是从某一概念的已给正例和反例的集合中归纳产生出接受所有正例同时排斥所有反例的该概念的一般规则。将人脸样本和非人脸样本送入学习机中，产生出判别规则，从而用于作为判断输入的测试图像是否属于人脸的主要判别依据。为了获得较高的精度，学习过程需要大量的样本，另外样本数据本身是高维矢量，因此，研究通用而有效的学习算法的关键是精确的区分性和数据维数的降低。

将多个表示人脸模式的线性空间进行组合，是示例学习的另一条途径。采用了Kohonen自组织映射网络对人脸样本和非人脸样本进行聚类，对每一类样本进行Fisher线性判别，得到每一类的判别平面，从而构成图像子空间，并运用高斯模型描述每个子空间，估计出类条件概率密度。这样，对于测试图像，计算其属于各个子空间的概率，分类决策为概率最大的类是它所属的类，从而判断测试图像是否为人脸。

（3）神经网络

从本质上讲，神经网络也是一种基于样本的学习方法。将神经网络用于人脸检测取得了很大的进展。MIT的学者首先对人脸样本集和非人脸样本集聚类，以测试样本与人脸样本集和非人脸样本集的子类之间的距离作为分类的度量，利用多层感知器（MLP）网络作为分类器。CMU的研究人员直接以图像作为神经网络的输入，设计了一个具有独特结构的适用于人脸特征的神经网络分类器，并通过前馈神经网络对检测结果优化。Raphael Feraud等利用多个神经网络：多层感知器（MLP）和约束产生式模型（CGM，Constrained Generative Model），实现了一个可应用于WEB中人脸图像检索的快速而准确的人脸检测方法。Shang-Hung Lin等训练了三个基于概率决策的神经网络（PDBNN，Probabilistic Decision Based Neural Network），用于人脸检测，眼睛定位和人脸识别，实现了

一个完整的人脸识别系统。

（4）基于隐马尔可夫模型的方法

马尔可夫模型是一个离散时序有限状态自动机，隐马尔可夫模型（HMM）是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对于人脸模式来说，可以把它分成前额，眼睛，鼻子，嘴巴和下巴这样一个序列。人脸模式就可以通过对这些区域的有序的识别来检测，这正好是隐马尔可夫模型容易做到的。Samaria等人提出了使用HMM模型进行人脸检测的算法，他们使用人脸区域的结构信息作为隐马尔可夫模型的状态迁移条件。除此以外，基于AdaBoost的人脸识别算法，基于彩色信息的方法，基于形状分析的方法，以及多模态信息融合的方法，国外都进行了大量的研究与实验。

国内关于人脸自动识别的研究始于二十世纪80年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化所，复旦大学，北京科技大学等，并都取得了一定的成果。国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。周激流]3[实现了具有反馈机制的人脸正面识别系统，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满意的效果。他同时也尝试了“稳定视”特征提取方法，即为使识别系统中包含3D信息，对人脸侧面剪影识别做了一定的研究，并实现了正，侧面互相参照的识别系统。彭辉、张长水等]4[“特征”的方法做了进一步的发展，提出采用类间散布矩阵作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的情况下，大大降低了运算量。程永清，庄永明等]5[对同类图像的平均灰度图进行SVD分解得到特征脸空间，每一幅图像在特征脸空间上的投影作为其代数特征，然后利用层次判别进行分类。张辉，周洪祥，何振亚]6[采用对称主元分析神经网络，用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。该方法所用特征数据量小，特征提取运算量也较小，比较好地实现了大量人脸样本的存储和人脸的快速识别。北京科技大学的王志良教授]7[主要研究人工心理，建立了以数学公式为基础的心理学模型。

尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪