人脸识别的毕业论文设计

word学 号： 3081818211 题目类型： 论文 (设计、论文、报告)电子科技大学GUILIN UNIVERSITY OF TECHNOLOGY本科毕业设计(论文)题 目：人脸检测技术研究与MATLAB实现学 院： 信息科学与工程学院专业(方向)： 电子信息工程班 级： 电信08-2班学 生：许文强指导教师：蒋中正2012 年 5 月 20 日23 / 28摘 要人脸检测是当今视觉领域里非常重要和实用的研究课题，它应用于现实生活中的各个领域，如公安、金融、网络安全、物业管理以与考勤等。基于视频的人脸检测属于动态检测，方法是先提取视频文件的帧，然后再对帧图像进展人脸检测，利用肤色特征的检测算法先对图像帧进展处理，然后建模，运用适当的算法把人脸检测出来，运用该方法完成了视频之中的的人脸检测。本文采用MATLAB软件进展仿真，包括实现提取视频文件的帧，对输入图像检测有人脸如果存在的位置，大小和位姿，程序运行结果根本实现了上述功能。关键词:人脸检测；视频检测；肤色特征ResearchofFaceDetectionand Implementation of MatlabStudent: xu wenqiang Teacher:jiang zhong zhengAbstract：Face detection is very important and practical research topic in the visual field，it is applied to many areas in our lives Such as public security, finance, network security, property management and attendance, Based on the videos face detection is dynamic detection ,The idea is to extract video file frame, then as the image face to detectionUse the skin color characteristics of the detection algorithm , first to do processing testing, Then modeling.Use appropriate algorithm, the face detection out.By using this method the video to finish face detection. this paper, we also use Matlab software simulationIncluding realize The input image for face detection, Video file frame extraction then That is to make sure that there is an image input face (if present) of location, size and posture of the process.To run the program results basically achieved the function Key Words：Face Detection；VideoDetection；Skin color characteristics目次摘要IAbstractII1 绪论11.1 论文的研究历史背景与目的11.2 国外研究现状21.3 论文的主要容安排32 人脸检测与其算法简介52.1 人脸检测介绍52.2 人脸检测的常用方法55673 基于视频的人脸检测研究与其实现83.1 matlab图像处理工具箱中的视频操作8提取AVI视频文件的帧93.3 对图像进展肤色特征的人脸检测111111133.3.4 检测人脸区域的选定14图像向AVI视频文件的转换164 人脸检测在MATLAB软件下仿真实现184.1 设计条件184.2 设计流程1818194.3 人脸检测的MATLAB实现1919215 结论22致谢23参考文献24附录251 绪论当前，人脸检测越来越受到大家的关注，它作为生物特征识别中一个非常重要的一个分支，已成为计算机视觉与模式识别领域中非常活跃的一个研究领域。而基于视频的人脸检测更是学术界的一个难点。数字视频是数字图像在时间轴上的扩展，可以将视频的每一个帧视为一副静止的图像，而本文先会对视频进展处理，然后再对图像进展人脸检测3。作为图像与视频中最重要的视觉图像之一，人脸包含很多信息，通过人脸检测，我们可以很快的知道一个的局部根本资料，如性别，表情，年龄和身份等根本信息，在现实生活中如在公安、金融、网络安全、物业管理以与考勤等都会用到人脸检测，因此人脸检测技术具有很高的学术的研究价值和商业价值，这就引起了在人脸识别这方面的广阔科学研究工作者的浓厚兴趣，可以这么说，人脸检测已经成为当前科学界最热门的一个课题之一。1.1 论文的研究历史背景与目的近年来，由于视频监控，人机交互和视频检索等应用的需求，视频中的人脸检测研究得到迅速开展。视频中人脸检测可以划分为三个环节:先提取视频文件中的帧，对图像进展人脸检测，再复原成视频，完成视频中人脸的检测。人脸检测最初来源于人脸识别。是指对于任意一副给定的图像，采用一定的策略对其进展搜索以确定其中是否含有人脸，如果是如此返回一脸的位置、大小和姿态，并把有人脸的地放识别出来。早期，人脸检测技术主要服务于人脸识别课题的研究；但是，随着生物识别技术的快速开展，入脸检测技术己经被广泛的应用于其它相关领域，产生一定的商业价值。例如：国家军事、安全系统验证、视频会议、人机智能交，各类金融卡、身份验证等等方面具有重要的应用价值，所以，现在人们有许多人对人脸识别越来越重视了。人脸检测的研究同时也具有非常重要的的学术价值，人脸是一类具有相当复杂的细节变化的自然结构目标，对此类目标的挑战性在于：人脸由于外貌、表情、肤色等不同，具有模式的可变性；一般意义下的人脸上，可能存在眼镜、须等附属物；作为三维物体的人脸影像不可防止地受由光照产生的阴影的影响。因此，如果能够找到解决这些问题的方法，成功地构造出人脸检测系统，将为解决其他类似的复杂模式的检测问题提供重要的启示。人脸检测的目的是检测一图像是否由人脸，如果有人脸，就把它从图像背景中别离出来，然后对特征进展人脸识别。而在视频中的人脸检测在信息处理中，已经成为是一项相当难突破的技术，越来越受到计算机视觉界的广泛关注，作为这个有价值课题，已经渗透到各不同领域中。国外研究现状目前，越来越多的国家开始对人脸检测与其识别的研究。并且开展得很快，已经由原来的静态识别到动态识别，由单向多脸识别，还有从最初的二维脸识别到现在的三围立体的识别。在国，最早研究人脸检测识别的，当属于中科院计算所跟哈工大的一个联合面像实验室。该实验室的高文教授，熙林教授，山世光教授，直到今天，都一直活跃在人脸识别领域，更可贵的是，在IEEE上面发表了很多paper。这一点，很值得国的同行学习。后来，该实验室，成为银晨的研发中心，专门为银晨做技术研发和技术支持。其次是中科院生物识别研究所的子青教授，以与下属的中科奥森公司。子青教授，当年在微软亚洲研究院的时候，就从事人脸识别方面的研究工作。后来，在中科院组建了专门的人脸识别研究团队。该研究团队，首先提出了基于近红外的人脸识别技术，并将该项人脸识别技术用于08年奥运会。同时，基于近红外的人脸识别技术，得到了国际上同行业专家的认同和一致肯定。接着，是清华大学的丁晓青教授。丁晓青教授在OCR(字符识别)领域，可谓国第一人。不过，最近几年转行做人脸识别，也是非常有成就的。不说别的，就只从FRVT2006美国国家标准研究所2006年全球人脸识别供给商系统性能测试的测试结果来看，丁晓青教授的研究团队是唯一一个完成大规模3D人脸识别性能测试的参赛团队。由此可见，在国人脸识别领域来说，她们的算法，在3D领域，绝对排名第一。国外主要有美国、欧洲国家、日本等著名的科研机构有美国的MIT和CMU，英国的剑桥大学。在人脸识别领域中，国际上逐步形成了一下几个研究方向：基于几何特征的方法、基于肤色模型的方法、基于模板匹配的方法、基于KL变换的特征脸方法、基于隐马尔可夫模型的方法和神经网络识别的方法等等。它们可以被归类到基于显式特征和基于隐式特征的两大类方法中。开展至今，人脸识别的方法越来越多，最有代表的是基于Haar特征的人脸识别方法是其中较为典型的方法，该算法不仅具有较高的检测率，同时也能够满足实时检测的要求。基于Haar特征的人脸识别方法始于2001年Paul Viola和Michael Jones两者撰写的一篇论文，他们在论文中提出了Haar特征和Adaboost算法，并利用它们进展人脸检测。但是此方法只能用于检测正面无旋转的人脸。为此，Rainer Lienhart等人于2002年对此方法进展了扩展, 增加了倾斜特征的定义，此后此方法被扩展到全旋转缩放情况下的人脸检测。自从以上几位学者运用基于Haar特征和Adaboost算法进展人脸检测取得长足进步之后，基于Haar特征的人脸检测方法备受专家学者的青睐，国外相关容的研究成果也是层出不穷。论文的主要容安排本文首先介绍人脸检测的根本容，介绍人脸检测与其的方法，然后就是基于视频的人脸检测设计与其实现，在这局部中首先从视频中提取视频文件的帧，再对图像进展肤色特征的人脸检测，然后把检测后的图像还再转换成视频，再播放，以达到人脸检测的目的。检测图像是否有人脸，如果有，如此把人脸从图像中标识出来达到预想的目的。最后再通过Matlab软件仿真，达到我们人脸检测的目的。本论文的章节安排和主要容如下:第一章绪论。主要介绍了本文的历史背景，着重介绍了人脸检测技术的研究现状以与国外研究现状，并明确了本文的工作容和章节安排。第二章是对人脸检测与其算法的介绍。首先进展人脸检测的介绍；然后介绍了当前国外用到的人脸检测技术；其次介绍人脸检测的几种方法，当前人脸检测的几种方法，如基于特征的人脸检测，模块匹配的人脸检测，基于统计的的人脸检测和基于adaboost算法的人脸检测方法。对本设计中所用到的关键技术进展重点阐述。第三章介绍基于视频的人脸检测研究与其实现。在这章中首先matlab图像处理工具箱中的视频操作，因为我们首先要对视频进展提取帧的处理，然后介绍帧图像基于肤色特征的人脸检测的设计。可以分为三大步骤：1对图像初步处理。详细利用色彩平衡、光照补偿对人脸图像进展预处理的方法。2基于肤色特征的人脸检测。介绍了色彩空间的相关知识，通过肤色分析选择YCbCr色彩空间建立肤色模型，再运用该肤色模型进展了人脸肤色分割，并对图像进展膨胀腐蚀以与平滑操作，得到人脸候选区域，完成对人脸的粗检测。检测完后的图像再进展转化为视频，以达到在视频中检测人脸的目的。第四章，人脸检测的Matlab实现与仿真。并对其进展分析，首先对软件的硬件做了简单介绍；然后从整体上描述基于视频的人脸检测的流程图。展示了人脸检测的实验结果并进展了比拟分析。运用编写好的程序对图片进展人脸检测。看是否能达到我们所想要的效果。最后局部是对整个毕业设计工作进展了总结和展望。2 人脸检测与其算法简介人脸检测介绍人脸检测face detection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。人脸检测作为人脸信息处理中的一项关键技术，近年来成为模式识别与计算机视觉领域一项受到普遍重视、研究十分活跃的课题。人脸检测face detection问题来源于人脸识别face recognition问题。人脸检测是对给定的图像，判断其中是否有人脸，假如有，将所有人脸从背景中分割提取出来，并确定每个人脸在图像中的位置和大小。人脸检测技术可以应用于人脸识别、视频会议、图像与视频检索、刑侦破案和证件验证等领域。人脸检测是对于输入的人脸图像或视频，首先判断其中是否存在人脸，如果存在人脸，如此进一步给出每个人脸的位置、大小以与各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的特征，并将其与人脸库中的人脸图像进展比照，从而得到识别结果。由此可见，一个完整的人脸识别过程应包括人脸检测与人脸识别两大局部。人脸识别由两局部工作组成：(l)人脸检测:在输入的图像或视频画面当中确定存在的人脸位置、尺寸等的过程，这是识别工作的根底课题，在减少算法复杂度等方面对识别工作有关键性影响。(2)人脸识别:通过与计算机相连的摄像头动态捕捉人的面部信息，并把捕捉到的人脸与预先录入的人脸数据库中存储的人脸进展比拟识别。人脸检测的根本思想是建立人脸模型，比拟所有可能的待检测区域与人脸模型的匹配程度，从而得到可能存在人脸的区域。人脸检测的常用方法随着科学技术的不断开展，人脸检测技术的方法越来越多，如早期的模块匹配法，基于特征的方法，还有中期的神经网络，统计模型，色彩信息，形状分析，还有最近的支持向量法，多模块信息融合，Adaboost算法等，下面我们来介绍这些方法。基于特征的人脸检测方法特征是人从肉眼看到的特性，人脸检测基于特征我们可以从肤色，脸部，还有五官特征进展。下面我们来简单介绍这些东西。整体轮廓法：我们知道人的脸看起来有点圆，所以我们可以通过圆形的检测以完成对人脸检测的进展，在前人研究中，有人把人脸分割为三个轮廓区：即头顶轮廓区，左脸轮廓区和右脸轮廓区，检测任何一图像，先进展边缘区域测试，然后提取脸部特征，最后运用评估函数来检测人脸。肤色检测法：我们知道人脸肤色在去除亮度后具有聚类性，所以人脸的肤色在一定程度上可以把人脸统大局部背景中别离区分出来，因此我们可以运用肤色模型来检测人脸，关于这类方法我们会在第三章中详细介绍。器官分布法：人脸的人和人可以不同，但人脸的大致器官的分布都差不多的，就是人的五官的几何分布。在这方面yang等人提出的mosaic方法，它给出了人脸区域灰度分布的规如此，依据这些规如此对图像进展筛选，以样本满足这些规如此的程度作为检查的依据。也可以先检测器官的位置，然后将这些位置排列组合，运用器官的分布规律进展检测，根本上找到人脸的位置4。模块匹配法的人脸检测这种方法首先要把人脸的模板进展建立并保存，如人的正面人脸或是眼睛，鼻子，嘴巴等。接着利用一些算法来计算各待测区域与标准模板的相似程度(或称相关性)，利用这一相似程度来判断某一区域是否为人脸。(1)镶嵌图法(又称为马赛克图)：就是将图像划分为一组大小一样的方格，每个方格的灰度为格中各个像素的平均值。镶嵌图特征是指这些块的值应满足的约束规如此Yang6等人将人脸的五官区域分别划分为和个马赛克块，使用一组规如此进展检验，并且利用边缘特征进一步验证。卢春雨等对镶嵌图方法进展了改良，按照人脸器官的分布将人脸划分为个马赛克块，在检测中自适应的调整各块的大小，使用一组基于各块灰度和梯度统计特征的知识规如此检验该区域是否为人脸，取得了较好的实验结果。2)预定模板匹配法：根据人脸的先验知识确定出人脸轮廓模板以与各个器官特征的子模板，先通过计算图像中区域和人脸轮廓模板的相关值来检测出人脸候选区域，然后利用器官特征子模板验证上一步检测出的人脸候选区域是否包含人脸。采用“双眼一人脸模板，将平均脸的双眼模板剪裁出来，滤波时先使用双眼模板再使用人脸模板，用以提高匹配速度并取得更好的性能。将人脸图像二值化后得到人脸轮廓，然后与模板库中的人脸模板匹配，根据图像与模板之间的Hausdroff 距离与相关闭值判定取舍。这种方法的缺点在于不能有效处理尺度、姿态和形状的变化。(3)变形模板法：其主要思想是定义一个可变形的参数模板和一个能量函数来描述特征，通过一个非线性最优化方法求得能使能量函数最小的参数模板，此模板即被认为是所求特征的描述。Yullie 等人提出来基于弹性模板的方法用于人脸的检测。当用弹性模板进展人脸检测时，将可调模板在待检测图像中移动并动态的调整其参数，计算能量函数。当能量函数达到最小值时，根据其位置和参数所决定的可调模板形状应该达到与人脸形状的最优拟合，由此检测到人脸。这种方法的优点是由于使用的弹性模板可调，能够检测不同大小、具有不同偏转角度的人脸。但缺点是检测前必须根待测人脸的形状来设计弹性模板的轮廓，否如此影响收敛的效果；当对图像进展全局搜索时，由于要动态的调整参数和计算能量函数，计算时间过长8。基于adaboost算法的人脸检测方法前面我们已经介绍了基于特征和和模块匹配的的方法，接下来我们介绍有关人脸识别的另一种方法，那就是基于adaboost算法，来检测人脸位置，真正实现人脸识别的目的。Adaboost算法是将大量的分类能力弱的弱分类器通过的特定的方法组合起来，构成一个强的分类器。目前基于haar特征的Adaboost算法比拟受广阔学者的欢迎，关于其具体算法，在这里就不必做详细的说明9。3 基于视频的人脸检测研究与其实现在日常生活中，基于视频的人脸检测与跟踪作为人脸信息处理中的一项关键技术，在基于容的图像检索、视频会议、可视、远程视频监控以与人机交互等方面都有着很重要的应用价值。在实际应用中，由于客观因素的影响，如人脸本身复杂的细节变化、人脸多姿态、各种遮挡、光照不均匀、以与复杂背景时，人脸检测和识别普遍存在计算量大、速度慢、鲁棒性差的弱点.所以我们可以采用提取视频文件的帧，然后对图像进展肤色检测，再把检测过的图像复原成视频，然后播放视频，以根本上完成了视频下的人脸检测。3.1 matlab图像处理工具箱中的视频操作 图像文件格式有多种，包括BMP，JPEG和PNG等，MATLAB都提供支持，可以直接读取这些文件。视频也有许多种格式可以从不同的角度进展分类。最常见的是没有压缩的视频文件是YUV，它是由相互关联的假如干帧静态图像所组成的图像序列。由于视频的数据量大，通常以压缩后的形式进展存储和传输，压缩后的视频可以分为两大类：一类是面向存储的，包括avimpgmpegrm等；另一类是面向流式媒体的，在在线实况和流媒体电影等中应用广泛。下面我们重点介绍AVIAVIAudio Video Interleave，即音频视频交叉存取格式。1992年初Microsoft公司推出了AVI技术与其应用软件VFWVideo for Windows。在AVI文件中，运动图像和伴音数据是以交织的方式存储，并独立于硬件设备。这种按交替方式组织音频和视像数据的方式可使得读取视频数据流时能更有效地从存储媒介得到连续的信息。构成一个AVI文件的主要参数包括视像参数、伴音参数和压缩参数等。AVI文件用的是AVI RIFF形式，AVI RIFF形式由字符串“AVI标识。所有的AVI文件都包括两个必须的LIST块。这些块定义了流和数据流的格式。AVI文件可能还包括一个索引块。 只要遵循这个标准，任何视频编码方案都可以使用在AVI文件中。这意味着AVI有着非常好的扩大性。这个规由于是由微软制定，因此微软全系列的软件包括编程工具VB、VC都提供了最直接的支持，因此更加奠定了AVI在PC上的视频霸主地位。由于AVI本身的开放性，获得了众多编码技术研发商的支持，不同的编码使得AVI不断被完善，现在几乎所有运行在PC上的通用视频编辑系统，都是以支持AVI为主的。AVI的出现宣告了PC上哑片时代的完毕，不断完善的AVI格式代表了多媒体在PC上的兴起。说到AVI就不能不提起英特尔公司的Indeo video系列编码，Indeo编码技术是一款用于PC视频的高性能的、纯软件的视频压缩/解压解决方案。Indeo音频软件能提供高质量的压缩音频，可用于互联网、企业部网和多媒体应用方案等。它既能进展音乐压缩也能进展声音压缩，压缩比可达8:1而没有明显的质量损失。Indeo技术能帮助您构建容更丰富的多媒体。目前被广泛用于动态效果演示、游戏过场动画、非线性素材保存等用途，是目前使用最广泛的一种AVI编码技术。现在Indeo编码技术与其相关软件产品已经被Ligos Technology 公司收购。随着MPEG的崛起，Indeo面临着极大的挑战。下面就简单介绍几种常用的函数AVIREAD()AVIREAD()函数的功能是读/写一个AVI文件到MATLAB视频结构中。它的使用语法如下。MOV= AVIREAD(FILENAME)其中，参数FILENAME是生成的AVI文件的文件名称，如果没有扩展名，系统将会自动默认其扩展名为avi，而返回值MOV有两个字段：cdata和colormap。ADDFRAME()ADDFRAME()函数的功能是添加单一的视频到AVI文件中。他的使用语法如下。AVIOBJ= ADDFRAME(AVIOBJ,FRAME)添加FRAME中的数据到使用FRAME创建的AVIOBJECT中去。FRAME既可以是一个索引图像，也可以是一个真彩色图像。如果FRAME不是添加到AVI文件的第一帧，它是维数必须和前面的帧一致。提取AVI视频文件的帧类似地，也可以编写一个简单的函数avi2bmp(),将AVI文件红的视频帧单独存储为JPG格式的静止图像。函数的MATLAB代码如下。mov=aviread(example.avi)mov=aviread(example.avi)mov=avireadmov=aviread(example1.avi)temp=size(mov)temp=size(mov)for i=1:20,strtemp=strcat(exmbmp,int2str(i),.jpg);imwrite(mov(i).cdata(:,:,:),strtemp)endimshowimshow(exmbmp20.jpg)clcimshow(f)效果图如下：图3-1为提取出来的20图像以上为AVI文件转换为JPG图像对上述avi2bmp()函数稍作修改，即可将AVI文件中的视频的帧单独存储为BMP,PNP等格式的静止图像。对图像进展肤色特征的人脸检测色彩空间与其容介绍色彩空间“色彩空间一词源于西方的“Color Space，又称作“色域，色彩学中，人们建立了多种色彩模型，以一维、二维、三维甚至四维空间坐标来表示某一色彩，这种坐标系统所能定义的色彩围即色彩空间。我们经常用到的色彩空间主要有RGB、CMYK、Lab等。本文主要介绍RGB色彩空间的相关知识。RGB色彩空间 RGB，就是红、绿、蓝(red、green、blue)的缩写。RGB色彩空间可以表示所有颜色，因此应用十分广泛。在RGB模式中，图像中每一个像素点的RGB分量的强度值都可从0(黑色)到255(白色)变化。三种颜色按照不同的比例混合，将各种色彩表现出来，这一道理十分易于理解。将图像由RGB色彩空间转换到rgb色彩空间rgb模型的转换公式为YCbCr色彩空间对于YcbCr色彩空间我们可能不太熟悉，我们下面介绍一下，它是一种常见的颜色模型，在电视视频传输中经常用到，它的优势是占用的带宽与存储资源较少。YCbCr是CCIR601编码方案中采用的彩色表示模型，在电视盒的色彩显示等领域中应用较多。在此色彩空间中，Y是亮度，即灰度值，Cb和Cr是色度信息，它同样具有HIS格式中将亮度分量别离的特点。它可以由RGB格式经线性变化得到，因此很少直接应用于物体色彩的聚类分析，而在其根底上的变换模型应用如此更为普遍。RGB各分量通过线性变换即可得到YCbCr色彩空间的系数，如公式3-2所示。不同于HSV，YCbCr的亮度分量并不完全独立于色度信息，Y不同的情况下，肤色的聚类区域随之呈非线形变化。3-2对图像进展预处理在现实生活中我们知道，获取人脸图像有着不可变化的复杂性，会受到很多因数的影响，如光照，时间、地点、设备、各类技术参数等变化，使得我们对获取图像中的人脸信息造成影响。还有一些隐性的因素，如我们在摄影摄像的过程中经常遇到的饱和度不足、过饱和、偏色等现象都是这种差异干扰的实例。正是因为这样，为了消除光照等不确定因素对图像中肤色的影响，我们必须在进展人脸检测前进展色彩平衡、光照补偿等预处理操作。9对图像进展色彩平衡首先在检测的图像中，我们要消除来自图像色彩的干扰，就要调整色彩度的变量，所以我们要先对图像进展色彩平衡的处理操作。色彩平衡处理的实现，是利用输入图像中的RGB三个分量的平均值averR，averG,averB，算出这三个分量的总平均值，公式如下:3-3随后，将所有像素的分量值乘以总平均值和相应分量平均值的比值，即完成图像中所有像素分量值的统一化，这就很好的的对检测图像进展色彩平衡操作。为什么要这样做呢 ？因为检测中图像的色彩的是既是变化无常，也是相互独立的，所以我们必须先对图像进展色彩平衡，而运用公式计算出的平均值应该是接近于图像的像素值的。光线补偿为什么我们要对图像进展光线补偿？因为在现实生活中因为光照强度、光源色彩、图像获取设备的数值偏差等因素可能都会对待测图像中的肤色信息的影响。在这里我们可以通过亮度来进展调节。通过将图像亮度灰度围的两端区域进展压缩,降低过亮和过暗区域的比照度;再用对数函数做非线性变换函数,使变换后图像的比照度增加。该方法能够对过亮、过暗以与中间区域的像素灰度值进展修正,为后续的肤色分割、人脸检测奠定根底。关于补偿系数公式为:3-4其中，N为亮度值排在前面的像素总数，为包含有这些像素的像素集合，Y为这些像素的亮度值。图像中余下像素的亮度值均与此补偿系数相除，再进展比照度的拉伸，使得剩余像素的色彩值都按照“参考白的尺度统一调整变换。对人脸肤色进展建模1选择了YCbCr色彩空间在研究中我们会发现，人和人的脸部肤色差异在于亮度值，而不是别的色度值。如果我们能够选取适宜的色彩空间，完全别离并去除掉亮度因素，将肤色在单纯的色度围进展统计，那么肤色的分布将产生明显的聚类特性。以此为依据建立肤色模型，就能有效防止光照的可变性对肤色的影响，无论图像是在何种光照条件下获取的，我们都能依据肤色在纯“色度畴的聚类特性进展准确的肤色分割和区域提取。在色彩空间变换中，肤色分布聚集在一个较小的区域，形成了明晰的聚类特性。肤色在YCbCr空间下聚集得更严密，聚类性更强。其优点是亮度Y和色度Cb、Cr别离，这是不同于RGB的典型特征。更重要的是，在数学上，YCbCr可以直接通过线性变换从RGB得到，这就大大提高了计算效率，而且不会产生奇异点。相比拟之下，RGB与HSV之间的转换需要经过非线性变换，算法复杂费时，而且HSV空间中存在有奇异点。所以，YcbCr色彩空间在肤色建模方面比拟实用。所以我们我们才选择了YCbCr色彩空间进展肤色的建模。2建立高斯模型根据彩色图像像素属于肤色模型的可能性的大小，来表示灰度的大小，将一幅彩色图像转变为灰度图像，灰度值对应于该点属于皮肤区域的可能性，根据肤色在色度空间的高斯分布，得到高斯分布的中心，然后根据图像所有像素离该中心点的远近计算肤色的相似度，得到肤色相似度灰度图。高斯模型不是一般的二值肤色像素定位，而是通过计算像素的概率值构成连续的数据信息并得到一个肤色概率图，根据数值大小来完成肤色确实认。它克制了几何模型的缺点，同时不必考虑神经网络模型中关于非肤色样本难以准确提取的问题。用以下二维高斯型函数来表达肤色分布：3-5其中：x为样本像素在YCbCr颜色空间的值，M为肤色在YCbCr颜色空间的样本均值，C为肤色相似度模型的协方差矩阵。3肤色区域的处理在人脸检测中，我们要图像处理，而人脸的肤色分割就是其中一个必不可少的步骤。在本文中，我们选用图像阈值分割方法分割出肤色区域。阈值的选取很重要,过低会使肤色的数量增加,过高如此会使过多的肤色点被误认为背景,二者都会影响后续检测的效果。因此,能够依据待检测图像本身自动优选阈值就显得非常重要和必要。经过分析比拟,本文最终选用由Otsu提出的最大类间方差阈值分割算法,它是在最小二乘法原理根底上推导出来的，其根本思路是将直方图在某一阈值处理分割成两组，当被分成的两组的方差为最大时决定阈值。对于输入系统的图像，系统会依据肤色特征测算所有像素的肤色相似度，并建立相似度直方图，然后按照该算法计算出最优阈值，进展图像的二值化，将肤色区域分割为白色，将非肤色区域分割为黑色。4对图像进展形态学处理形态学图像处理的根本操作包括4个方面：即膨胀，腐蚀，开操作和闭操作，以得到干净整洁的肤色分割图。检测人脸区域的选定经过肤色分割和形态学处理之后，我们会得出原图像的二值化图像，其中白色区域就是肤色区域。这样我们就完成了对候选人脸区域的选定。程序局部代码如下：1将RGB空间转换为YCbCr空间。f=rgb2ycbcr(f);2将彩色图像转换为灰度图像，皮肤颜色在YCbCr色度空间的分布围为:100=cb=127,=cr=100) & (f_cb=) &(f_cr=170) ;3中值滤波和形态学操作：使用中值滤波和开闭运算的方法消除噪声。K=medfilt2(f,5 5);%55中值滤波，去除噪声se=strel(square,3);f=imopen(f,se);f=imclose(f,se);4对图像进展重构，即利用重构进展开运算，可准确恢复腐蚀后的对象形状。fe=imerode(f,ones(8,7);fo=imopen(f,ones(8,7);f=imreconstruct(fe,f);a原彩色图像b肤色分割后的图像c形态学处理后的图像图3-2肤色分割以与形态学处理效果图图是人脸图像经过肤色分割，再进展形态学处理的效果图。在图中，白色区域即为肤色区域，黑色区域即为非肤色局部。我们可以看出原图像中人体的肤色区域以与背景中的类肤色区域都被分割出来了，对图像进展肤色分割 和形态学处理后，再根据模块匹配的原如此,进展对人脸的检测。其程序局部代码如下：for i=1:num; r,c=find(L=i); r_temp=max(r)-min(r); c_temp=max(c)-min(c); temp=size(r); sum=sum+temp(1); area_sq=r_temp*c_temp; area=size(find(L=i),1); ratio=area/area_sq;if检测的效果图如下：图3.3为人脸检测后的20 图像3.4图像向AVI视频文件的转换前面我们已经对图像运用肤色特征的方法进展了人脸检测，得到了一检测了图像，那接下来，我们就要对图像向AVI视频文件的转换，以完成视频的最终处理，然后播放出来。视频是由连续帧组成。可以编写一个简单的函数jpg2avi(),将多帧的jpg格式的静止图像自动地转化为AVI文件。函数的MATLAB代码如下。Function jpg2avi(framestart,frameend,sourcefile,avifile)%参数说明：% sourcefilejpg文件的共同的文件名% framestart待转换的jpg文件名中的起始编号% frameend 待转换的jpg文件名中的终止编号% avifile 转换后的AVI文件名% % 创建AVI文件，并设置其参数Aviobj= avifile(aviname);Aviobj.Quality=100Aviobj pression=None;%将命名为1sourcefile,2sourcefile,3sourcefile,4sourcefile的jpg文件转换为AVI文件在MATLAB工作目录下准备20一样的分辨率的jpg文件，假设文件名依次为10jpgfile.jpg 11,29MATLAB命令窗口输入以下语句：jpg2avi0,29，jpgfile,jpgavinanme.avi ;该语句可将这些jpg文件转换为一个名为avinanme.avi的AVI文件，并使用暴风影音播放。4人脸检测在MATLAB软件下仿真实现4.1设计条件(1)硬件条件计算机要能满足MATLAB的运行的根本条件CPU:1GHZ与以上;存:256MB与以上。(2)软件环境能够满足该软件的可靠性，可用性和安全性的要求。配置有持续工作能力、高稳定性、高度可集成的开放式标准的操作系统，如WindowsXP/Vista/7等。配备符合ANSI/ISO标准的高级程序设计语言处理软件。如:VisualC+6.0,另外有图像处理软件Matlab7.0或者MatlabR2009b版本。4.2设计流程本文设计主要由两大模块设计系统组成：先从视频中提取帧，然后对帧进展检测。下面主要介绍了本设计具体的人脸检测设计流程。基于视频的人脸检测的总设计模块图提取视频文件的帧完成视频的人脸检测将检测后的图像转换成视频对图像进展肤色特征的人脸检测图基于视频的人脸检测的总设计模块图下面就对各模块功能目的进展介绍：提取视频文件的帧：主要目的是把动态视频转化为看做是静态图片的一帧，这就把复杂动态难以检测的视频分解出来，为后续的图片检测做好准备。对图像进展肤色特征的人脸检测：主要目的是对图像进展处理，包括色彩平衡，肤色建模和形态学处理等。将检测后的图像转换成视频：把处理后的图像再转化为视频，然后播放，以完成视频里的人脸检测。完成视频的人脸检测：通过暴风影音，播放出来，能否达到预期的效果。对图像进展人脸检测具体框图色彩平衡光线补偿直方图均衡化色彩空间选择肤色建模形态学处理得出人脸检测结果输入图像人脸检测图4-2对图像进展人脸检测具体框图4.3人脸检测的MATLAB实现本文通过对matlab编程，从而给出一个运算速度很快的人脸检测matlab程序，其中包括视频文件转化为帧的程序编写，还有利用肤色特征对图像进展人脸检测的程序编写，最后是图像转化为视频的程序的编写。人脸检测运行结果1提取AVI视频的文件的帧先在matlab输入一段AVI视频，然后对其进展编写程序，实现提取AVI视频的文件的帧的功能。仿真效果图如下：aAVI帧的播放 b帧的图像图4-3为帧的播放截频图与其图像2人脸检测局部效果图图4-4为单脸检测效果图3多脸检测效果图检测率:75% 漏检率0% 误检率:25%图4-5为多脸检测效果图人脸检测结果分析通过对上述人脸检测分析，我们知道基于肤色的人脸检测：这种检测方法相比照拟好，首先通过肤色分割排除非肤色区域，再结合人脸所在图像中的像素比排除非人脸的肤色区域，最后再通过算法检测实现人脸的准确标记。这种方法对脸的检测效果还可以，但对多脸的检测会有一些误差，从总体上看，当然，这种方法还是有很多缺陷，比如当图像的背景比拟复杂或者人脸有肤色的情况下，检测效果就不理想，检测率只能达到75%。这也是以后的研究中需要改良的地方。通过对上述检测，然后再把检测后的图像转化为视频播放，根本上实现了基于视频的人脸检测的功能，虽然方法没有什么较大的错误，但在技术上有待加强。5 结论在大量阅读有关人脸检测的论文和书籍的根底上，实现了人脸检测系统。本文系统地阐述了该系统根本上实现基于视频的人脸检测。首先先提取视频文件的帧，然后再对其进展图像检测，再复原成视频。而在图像检测中，我们解决了如何将肤色信息应用到人脸检测中去。提出了将肤色检测作为人脸检测的方案，提高了人脸检测的正确率，降低了漏检率率。本文主要设计工作如下：(1)提取视频文件的帧，2对图像进展基于肤色特征的人脸检测3将检测后的图像复原视频，并播放。总体来说，由于本文中人脸检测出现误检的情况，以下几个方面需要继续研究和改善:(l)运用自适应光照补偿方法，对图像进展更好的光照补偿，以便后续处理。(2)运用自适应肤色分割方法以便更好的分割出肤色区域提高检测人脸的准度。(3)针对背景复杂与有遮挡的人脸提出更好的检测方法致谢在论文即将完成之际，也预示着我大学生涯告一段落，首先我要感谢帮助过我的教师、同学和朋友们，感谢你们陪我度过这一难忘的历程。首先我要感谢是的蒋中正教师，他那的治学态度、脚踏实地的工作态度、乐观的生活态度、宽容随和的待人风格和忘我的奉献精神，感染了我 ，同时也感动了我，从论文的选题，到最后的定稿都离不开你精心的指导。感谢所有我们系院的的教师们，感谢他们在这段毕设时间对我的指导和关怀。感谢电信08-2班的同学、对我学习上给予和帮助。感谢我的父母和所有亲朋好友对我学习和生活上给给予帮助感谢所有帮助和支持过我的人，祝你们万事如意参考文献1 精通MATLAB 6.5版 志涌等编著 航空航天大学2 MATLAB 与外部接口 苏金明等编著 电子工业、3蒋贵生等.人脸检测技术研究J.电子学报，2001,12 1：94-102.4 梁路宏，艾海舟，肖习攀，等.基于模板匹配与支持矢量机的人脸检测J.计算机学报，2002，251:22-29.5、PKrishnan Nallaperumal, Subban Ravi, PC Nelson KennedyBabu, et al.Skin detection using color pixel classification withapplication to face detection: a parative study C.Proceedingsof the International Conference on putational Intelligenceand Multimedia Applications,2007.6、姜军,.一种基于知识的快速人脸检测方法J.中国图象图形学报,2002,7(1):6-107、Yang Ming-Hsuan,Kriegman D J, Ahuja N.Detecting Face in Images:ASurveyJ. PatternAnalysisand Machine Intelligence,24(1), 2002:34-58.8叶艳芳等，一种基于肤色和模板匹配的人脸检测方法，工学院学报9曾宪贵等，基于颜色和模板匹配的人脸检测，计算机工程与设计附录肤色分割代码：function bwycbcr = skincut(imgrgbfile)imgrgb = imread(imgrgbfile);imgrgb3=rgb2ycbcr(imgrgb); m,n,size1 = size(imgrgb);y=imgrgb3(:,:,1); cb=imgrgb3(:,:,2); cr=imgrgb3(:,:,3); %=%在Ycbcr色彩空间中分割肤色区域，cb=double(cb); cr=double(cr); y=double(y); bwycbcr=zeros(m,n); for i=1:m for j=1:n if y(i,j)188 cb1=108+(y(i,j)-188)*10/47; cr1=154+(y(i,j)-188)*22/47; wcb=14+(235-y(i,j)*32.97/47; wcr=10+(235-y(i,j)*28.76/47; cb1=(cb(i,j)-cb1)*46.97/wcb+cb1; cr1=(cr(i,j)-cr1)*38.76/wcr+cr1; else cb1=cb(i,j); cr1=cr(i,j); end x1=-0.819 0.574*cb1-109.38;cr1-152.02; y1=-0.574 -0.819*cb1-109.38;cr1-152.02; if (x1-1.60).2/644.6521+(y1-2.41).2/.8409=1 bwycbcr(i,j)=1; else bwycbcr(i,j)=0; end endendimshow(bwycbcr)