《图像处理在人脸识别中的应用.doc》由会员分享，可在线阅读，更多相关《图像处理在人脸识别中的应用.doc（6页珍藏版）》请在金锄头文库上搜索。
1、图像处理在人脸识别中的应用2016-2017学年 第二学期数字图像处理课程设计 所在学院： 学生姓名： 学生学号： 任课老师： 年 月 日一、实验目的 查阅并消化有关人脸识别文献所提出的算法，综合使用所学数字图像处理的有关知识实现单张图像的人脸识别。二、实验原理 随着新的信息技术和信息媒介的普及，在人机交互方面越来越多的高效友好的方法被开发出来，这些方法不依赖于传统的设备，比如说键盘、鼠标和显示器。而且，计算机性价比持续下降，近来视频设备成本下跌，预示着计算机视频系统能够在台式机和嵌入式系统中开发。人脸处理研究的快速发展是基于假设的，即关于用户身份、状态、意图的信息能够从图像中抽取出来，然后计
2、算机做出相应相应，比方说观察一个人的面部表情。任何一个人脸处理系统的第一步是人脸在图像中的位置。然而，从单张图片中检测出人脸是一项具有挑战性的工作，因为人脸在大小、位置、方向、姿势方面是可变的。人脸表情、牙齿相接触的方式、光照也会改变人脸的整体外观。 我们队对人脸检测下一个定义：给定任意图像，人脸检测的目的是确定图像中是否有人脸，如果有人脸，则返回人脸在图像中的位置和范围。即给定一张图像，人脸检测的目的是确定所有包含人脸的图像区域，而不管人脸的三维位置、方向和光照条件。人脸检测面临的挑战可以归结为以下因素：（1） 姿势。人脸图像会因为摄影机一人脸的相对位置（正面，成45度角，侧面，上下颠倒）以
3、及象独眼、鼻子部分或全部闭合等一些人脸特性而不同。（2） 组成部件的有和无。像胡子、眼镜等面部特征，有些人有，有些人没有，而他们在形状、颜色和大小方面也有很大的差别。（3） 面部表情。人的面貌直接收受面部表情的影响。（4） 遮挡。人脸可能被其他物体部分遮挡。在有一群人的图像里，有些人的脸会被其他人的脸部分遮挡。（5） 图像的方位。人脸图像直接受视频光轴的不同旋转角度影响。（6） 成像条件。当图像形成的时候，光照（光谱、光源分布、光密度）、摄像头特性（感应器、镜头）等因素会影响人脸的外观。（7） 人脸检测有很多相关的问题。人脸定位的目标是确定单张人脸在图像中的位置。这是一个简单的检测问题，它假设
4、输入的图像只包含一张人脸。人脸特征检测的目的是检测人脸特征的有无和位置，比如说眼睛、鼻子、鼻孔、眉毛、嘴巴、嘴唇、耳朵等的有无和位置，其前提同样是假设图像中只有一张人脸。人脸识别是将输入图像与数据库中的人脸图像进行比较，如果有匹配的，则报告匹配情况。人脸验证的是在输入图像中验证单个人的方位。人脸表情识别涉及确认人的感情状态（包裹高兴、悲伤、厌恶等）。显然，在任何解决以上问题的自动化系统中人脸识别是第一步。目前，人们提出用来在单张黑白或彩色图像中检测人脸的方法已经有10多种。对单张图像的检测分为四类，但有些方法明显同时属于多于一个类：（1） 基于知识的方法。这些基于先验知识的方法对组成典型人脸的
5、知识进行编码。通常，先验知识包含了这些人脸特征之间的相互关系。此类方法主要用于人脸定位。（2） 特征不变方法。这些算法的目标是找出存在的一些结构特征。这些算法的目标是找出存在的一些结构特征，这些特征在姿势、观察点、光照改变的情况下保持不变。然后使用这些特征来定位人脸。这些方法主要用于人脸定位。（3） 模板匹配法。这种方法首先是存储一张人脸的几个标准模板，用来描述整张人脸或人脸的部分特性。然后通过计算输入图像与已经存储模板之间的相关度来进行检测。这些方法既可用于人脸检测也可用于人脸定位。（4） 基于外观的方法。与模板匹配不同的是，这里的模板是从一组训练图像经过学习而得来的，这些图像应该包括人脸外
6、观的具有代表性的变化元素。这些方法主要用于人脸识别。 下面我们将简介本实验中选用的基于特征不变量人类肤色的研究目标和大体方法。人类的特征肤色已被使用，并在从人类检测到跟踪的许多应用中被证明是有效的特征。虽然不同的人有不同的肤色，有几个研究已经表明肤色的主要差别不是在于她们的色度而是主要在于其亮度。已经有几个颜色空间被用来标记作为人类的像素，包括rgb、标准化RGB、HSV（或HSI）、YCrCb、YIQ、YES、CIEXYZ或CIELUV。至今，人们已经提出了许多方法来建立肤色模型。最简单的模型是使用Cr、Cb值，例如从肤色像素样本得到Cr、Cb值R(Cr、Cb)，来定义肤色色调像素区域。选择
7、适合的阈值Cr1,Cr2和Cb1,Cb2，如果一个像素的颜色值Cr,Cb落入该区域，即Cr1=Cr=Cr2及Cb1=Cb=n,其中n是根据经验从直方图样本中选择的阈值，则该像素被认为是皮肤。Saxe和Foulds提出了一种迭代的皮肤验证方法，使用了HSV颜色空间中的直方图交集。用户选择一组初始肤色像素，也称为控制种子，来初始化迭代算法。为了检测肤色区域，他们每次用一组像素在图像中移动，并将控制直方图与从图像中获得的当前直方图进行比较，比较时使用的是直方图交集。如果匹配程度或者相似点个数（例如交集）大于某一阈值，则当前的那组像素被认为是肤色。Kjelden和Kender定义了一个HSV空间中的颜
8、色断言来将肤色区域和背景区分开来。不同于以上提到的无参数方法，高斯密度函数和混合高斯函数经常被用来建立肤色模型。单峰高斯分布中的参数往往是通过极大似然法进行估值的。使用混合高斯法的原因是，我们观察到来自不同种族背景的人的皮肤的颜色直方图不符合单峰分布，而是一个多峰分布，混合高斯函数中的参数通常是使用EM算法估计出来的。 最近，Jones和Rehg进行了一个大规模试验，在标准RGB颜色空间中，收集了将近十亿标志肤色的像素点。将检测肤色的直方图模型与混合模型进行比较，他们发现直方图模型在精度和计算耗费方面更优一些。 如果肤色模型能够完全应用于不同光照环境，那么肤色信息对于鉴定人脸区域和特定的人类特
9、征是一个有效的工具。然而，当光源光谱有很大区别的时候，那种肤色模型就不再有效。换言之，由于背景和前景光照的改变，颜色的外观是不稳定的。虽然，颜色的色感一致性问题已经通过基于物理模型进行详细阐述，但是还是有人提出了几种在不同光照条件下使用皮肤颜色的方法。Mckenna等提出了一种在不同光照条件下使用适应性颜色混合模型追踪人脸。撇开基于颜色色感一致性的肤色模型不用，他们使用一种随机模型来联机估计对象的颜色分布，该方法能够容忍观察和光照条件的改变。初步结果表明他们的系统在一定范围的光照条件下追踪人脸。然而，这种方法不能用于在单张图像中检测多张人脸。在检测或追踪人脸的过程中，单独使用肤色往往是不够的。
10、最近，开发了几种联合使用形状分析、颜色分割、及几种联合使用形状分析、颜色分割及运动信息的标准系统，用来在一个图像序列中定位和追踪人头和人脸。 人脸检测本身就是一件很具有挑战性和有趣的事情，同时也可看作计算机视觉的其中一个待解决的难题：物体类别识别。人脸类别对不同的个体、头发、眼镜和化妆品具有很大的形状、颜色和反射光，图像处在不同的光照和三维的姿势和混乱的背景下。所以，人脸检测研究面对的是目标检测和物体识别整个范围的挑战。但是人脸类也有他外观上的一致性，这种一致性被许多具有启发性质、基于模型的或者数据驱动学习的方法所挖掘。我们在定义通用的类是，希望找到一些非外观的规律性的东西，虽然人脸具有很大的
11、变化性，但是它仍然是两个识别问题（人脸和非人脸）。三、实验仪器1、计算机；2、matlab等程序；3、移动式储存器（软盘、U盘等）；4、记录用的笔、纸。四、仿真程序img=imread(face3.jpg);figure;imshow(img);R=img(:,:,1);G=img(:,:,2);B=img(:,:,3);faceRgn1=(R95)&(G40)&(B20)& max(img,3)-min(img,3)15&abs(R-G)15&RB;figure;imshow(faceRgn1);r=double(R)./double(sum(img,3);g=double(G)./doub
12、le(sum(img,3);Y=0.3*R+0.59*G+0.11*B;faceRgn2=(r0.333)&(r0.246)&(gg)&g=0.5-0.5*r;figure;imshow(faceRgn2);Q=faceRgn1.*faceRgn2;P=bwlabel(Q,8);BB=regionprops(P,Boundingbox);BB1=struct2cell(BB);BB2=cell2mat(BB1);figure;imshow(img);s1 s2=size(BB2);mx=0;for k=3:4:s2-1 p=BB2(1,k)*BB2(1,k+1); if pmx & (BB2(
13、1,k)/BB2(1,k+1)1.8 mx=p; j=k; hold on; rectangle(Position,BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1),LineWidth,3,EdgeColor,r); hold off; endend五、仿真结果 原始图像 RGB彩色空间 二值化处理结果 rgy彩色空间 二值化处理结果 标记后的人脸图像六、思考题初步的测试后发现，该检测算法只能实现部分RGB图像的人脸识别，不可以实现复杂背景下RGB 图像的人脸检测。通过本次实验我们可以看出,人本身的肤色和光源的影响,都会使人脸检测的结果受到影响。由于人脸检测受
14、到复杂背景和复杂照明条件的影响,并且肤色有时会与周围环境物品的颜色相近,还有不同人种或个人的肤色也会不一样,所以使人脸检测工作具有相当的挑战性。所以要使人脸检测系统达到完美的检测效果是不现实的,只能逐步提高检测算法的检测率。可以采用光线补偿、肤色建模、闭运算处理、去除非人脸区域和人脸区域标定等几个主要步骤。该系统可以实现复杂背景下RGB 图像的人脸检测功能,并且对于光照、表情变化等具有很高的检测率。七、实验心得 通过本次实验，我第一次接触到了人脸检测的相关算法，并用matlab实现算法。虽然算法的适应性不是很高，但是其中的算法知识对于像我这样的初学者还是非常有用的。 图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面随着科学技术的不断发展，数字图像处理技术的应用领域也将随之不断扩大。
