《毕业设计论文快速的人脸特征识别定位设计》由会员分享，可在线阅读，更多相关《毕业设计论文快速的人脸特征识别定位设计（33页珍藏版）》请在金锄头文库上搜索。
1、第一章 概述随着多媒体技术的发展,人脸图像在各种领域中具有越来越重要的作用,如人机交互系统、视频监测系统、人脸图像数据库管理系统、人脸检测与识别系统等。在各种人脸图像的应用系统中,人脸特征定位是重要组成部分之一。例如在安全监控应用中，银行部门的监控和安保部门的监控，需要对人的各项特征进行有针对性的监视。对于监控对象的身高，衣着等特征，可以在较模糊图像中获得，但是对人脸部分特征，却必须要清晰的图像才能获得1。如果可以对人脸进行针对性的监视，就可以使得应用安全监控的部门获得更多的安全保证。而人脸自动定位是这一监控方法的第一步，它的性能如何直接决定了监控的效果。简单的说，所谓的人脸定位，就是在静态图
2、像或动态图像中标出人脸所在的位置，把人脸选取出来2。而人脸的识别就是把选取出来得人脸与数据库中已有的人脸进行比较，找出匹配的档案来。有的文献也把人脸的定位和识别统称为人脸识别，定位和识别则是两个主要的步骤。完整的人脸识别系统涉及到决定静态图像或动态图像中无人脸、计数、定位，然后根据数据库识别出个人，可能的话还要识别表情，以及根据脸的图像做出描述；或者反过来根据描述挑选匹配的人脸图像3。而说道快速的人脸特征定位，就不得不提及人脸检测技术。人脸检测是人脸特征定位的前提，在整个过程中起着不可忽视的作用。人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内
3、容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。下面我将对人脸检测的相关知识做一下简单的介绍。1. 1 人脸检测的基本概念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、大小和姿态的过程。人脸检测系统输入的是可能包含人脸的图像，输出的是图像中是否存在人脸和人脸数目、位置、尺度等信息的参数化描述。人脸检测任务的完成涉及从复杂的背景中分割、抽取、验证人脸区域和可能用到的人脸特征（如眼睛、唇色等）。成功的人脸检测系统应能处理实际存在的光线、人脸方向和距照相机远近变化等各种情况。1. 2 人脸检测问题的分类和挑战性1. 2.1 人脸检测问题的分类人脸检测问
4、题可以从不同角度来进行分类。从人脸姿态的角度，可以分为正面人脸检测、多姿态人脸检测（包括侧面，俯仰、旋转等）；从人脸个数的角度，可以分为单人人脸检测、未知人脸个数的检测。从图像背景复杂程度的角度10，分为简单背景人脸检测（指无背景或背景的特征被严格约束，在该条件下只利用人脸的轮廓、颜色、运动等少量特征，就能进行准确检测）、复杂背景人脸检测（指背景的类型和特征不受约束，某些区域可能色彩、纹理等特征与人脸相似，必须利用较多的人脸特征才能做到准确检测）；从图片是否包含色彩信息的角度，可以分为彩色图片人脸检测和灰度图片人脸检测；从图片是否动态的角度，可以分为静止图像中的人脸检测、视频图像序列中人脸的检
5、测与跟踪。1. 2.2 人脸检测问题的挑战性人脸是一类具有相当复杂细节变化的自然结构目标，受以下因素的影响，实际中的人脸检测极具挑战性11：人脸本质上是三维的非刚性可变的物体，人脸由于姿态、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、胡须等附属物；三维体的人脸的影像不可避免地受到由光照产生的阴影的影响；图像的质量不一，由于成像的条件和手段不同，图像可能受噪声的干扰，前景目标模糊不清，比如人脸与背景区别不大造成人脸分割的困难，人脸被某些物体遮挡造成人脸特征的提取困难，光源色温不同造成的肤色分割困难等。因此，如果能够找到解决这些问题的方法，成功的构造出人脸检测系统，
6、将为解决其它类似的复杂模式的检测问题提供重要的启示。1. 3 人脸检测算法视频序列的人脸检测还涉及到人脸跟踪的问题，因此，本文主要讨论静止图像的人脸检测。经过了几十年的研究发展，人脸检测算法形成以下几类主要的方法13。1. 3.1 基于统计的方法1）基于事例学习的方法：将人脸检测看作区分人脸样本和非人脸样本这两类模式的分类问题，通过对人脸样本集和非人脸样本集进行训练得到人脸分类器，然后利用学习出来的分类器对图像中区域进行检测，代表性的方法有基于神经网络的方法，基于支持向量机的方法。2)基于子空间的方法：将主分量分析应用到人脸检测中，对人脸训练样本集进行主分量分析得到特征脸子空间，将图像区域投影
7、到特征脸子空间，并计算到特征脸子空间的距离，以此作为标准检测人脸。3)基于隐马尔可夫模型的方法：把人脸模式看作参数化的随机过程，把人面部的额头、眼睛、鼻子、嘴巴和下巴等器官所在部位看作随机过程的状态，通过对符合人脸各器官分布的状态的随机过程的检测来实现对人脸检测15。1. 3.2 基于模板匹配的方法1)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及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，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。2)变形模板法：其主要思想是定义一
8、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。这种方法充分考虑到人脸是变形体的特点，稳定可靠，而且与姿态和光照无关，但仍然存在能量函数的系数难以适应一般情况和计算量巨大的问题。1. 3.3 基于知识匹配的方法1) 轮廓规则。人脸的轮廓可近似地被看成一个椭圆,则人脸检测可以通过检测椭圆来完成。科学家把人脸抽象为三段轮廓线:头顶轮廓线、左侧脸轮和右侧脸轮。对任意一幅图像,首先进行边缘检测,并对细化后的边缘提取曲线特征,然后计算各曲线组合成人脸的评估函数检测人脸。2) 器官分布规则。虽然人脸因人而异,但都遵循一些普
9、遍适用的规则,即五官分布的几何规则。检测图像中是否有人脸,即是否存在满足这些规则的图像块。这种方法一般是先对人脸的器官或器官的组合建立模板,如双眼模板、双眼与下巴模板,然后检测图像中几个器官可能分布的位置,对这些位置点分别组合,用器官分布的集合关系准则对其进行筛选,从而找到可能存在的人脸16。3) 肤色、纹理规则。人脸肤色聚类在颜色空间中一个较小的区域,因此可利用肤色模型有效地检测出图像中的人脸。Lee等设计出由肤色模型来表征人脸颜色,利用感光模型进行复杂背景下人脸及器官的检测与分割。Dale利用空间灰度共生矩阵纹理信息作为特征进行低分辨率的人脸检测。Saber等则将颜色、形状结合在一起进行人
10、脸检测。与其它检测方法相比,利用这些方法检测出的人脸区域可能不够准确,但如果在整个系统实现中作为人脸检测的粗定位环节,它具有直观、实现简单、快速等特点,可以为后面进一步进行精确定位创造良好的条件,以达到最优的系统性能。并且用色度表示人脸特征还有一个最突出的特点,就是具有姿态不变性。4) 对称性规则。人脸具有一定的轴对称性,各器官也具有一定的对称性。Zabrodsky13提出连续对称性检测方法,检测一个圆形区域的对称性,从而确定是否为人脸。Riesfield14提出广义对称变换方法检测局部对称性强的点来进行人脸器官定位。5) 运动规则。若输入图像为动态图像序列,则可以利用与人脸或人脸的器官相对于
11、背景的运动来检测人脸,比如利用眨眼或说话的方法实现人脸与背景的分离。在运动目标的检测中,帧相减是最简单的检测运动人脸的方法。但是当目标受遮挡或背景光照变化以及有多个运动目标时,这种方法会失效。这时可考虑用光流或基于光流场的不连续性等方法,此类方法的瓶颈在于光流的可靠计算。Marqus17使用连接算子和分割投影分别实现基于动态图像序列的人脸分割和跟踪,并在实验中对MPEG24 和MPEG27 格式的图像序列测试,取得比较满意的结果。由于图像序列的计算远比静止图像的计算复杂和耗时,基于动态图像序列的人脸识别方法是随着计算机的高速发展和视频监控等应用的需要在近几年才逐渐成为一个研究热点。1. 4 人
12、脸检测技术的发展人脸检测问题来源于20 世纪60、70 年代的人脸识别的研究，但早期的人脸识别研究主要针对有较强约束的人脸图像（如无背景图像），并往往假设人脸位置很容易获得，因此人脸检测问题并没有受到重视。近年来，由于人脸作为人体的代表性特征，具有直观自然的特点，以人脸信息为内容的人机交互方式受到了广泛的重视12。从对目前人脸检测算法的回顾可看出，人脸检测算法大多是基于灰度图像的，而现实中灰度图像只能有限描述信息，已经不能适应很多场合的需要，因此对彩色图像的人脸检测研究将是今后的一个重点。另外，在复杂背景图像中的人脸检测大多针对正面端正的人脸。多姿态的人脸检测（特别是侧面人脸检测）还存在很大困
13、难，这方面的研究也将是一个重点。总之，由于人脸检测问题的复杂性，实现通用的人脸检测方法还不实际，因此解决特定约束条件下或某种应用背景下的人脸检测问题将是该领域研究的主要课题18。人脸检测技术的研究涉及到人脸信息研究的各个方面，如人脸识别，人脸跟踪，姿态估计，性别识别和表情识别等，这些研究在出入安全检查、视频监视、智能人机接口、基于内容的图像检索和视频编码中都有广泛的应用价值。1. 5 人脸特征定位简介1. 5.1 人脸特征定位的概念在模式识别领域中, 与人脸相关的技术, 如人脸识别、检测、跟踪、特征定位等, 因其难度大、应用面广, 一直是近年来的研究热点。 脸部特征定位作为其中的一个重要部分,
14、 也正受到越来越多的重视。 脸部特征定位, 即在图像或图像序列的给定区域内搜索部分或所有人脸特征(如眼、鼻、嘴、耳等) 的位置、关键点或轮廓线。 这3 种信息都有十分广泛的应用, 例如, 脸部特征的位置信息既可以在人脸检测中用于定位人脸、验证人脸检测的结果以及精确指明人脸位置, 也可在人脸识别中用于人脸对齐, 或作为识别的依据之一, 在姿态识别中, 它更是识别的重要依据之一; 关键点信息可用于头部(Talking Head) 图像的压缩和重构、脸部动画等领域, 轮廓线信息则可用于图像的分割等。1. 5.2 人脸特征定位的基本方法评价一个算法的首要标准是其定位准确率, 即被正确定位的特征数与待定
15、位的特征总数之比; 其次, 算法应该有较强的鲁棒性, 能够最大限度地适应人脸的各种变化, 以提高算法的鲁棒性, 这些变化包括: 各种肤色和种族的差异, 各个方向上的转动, 尺寸、表情和光照条件上的变化, 遮挡, 某些特征如胡须、眉毛、眼镜等的出现或缺失等; 此外, 算法的计算量大小也是一个重要的评价标准, 它影响到算法的可应用范围。 人脸特征定位是近年来图像处理领域的热点问题之一，很多学者已经提出各种各样的定位算法，主要有常用的三类方法5：第一类方法是基于整体人脸的灰度模板匹配的方法，这种方法运算量太大，且受亮度变化影响太大。第二类方法是人工神经网络方法，通过大量样本的训练，最后对图像各区域进
16、行判决。该方法在理论上十分可行，但是训练样本的选择和网络收敛均非易事。第三类方法是肤色检测的方法，这种方法利用了数字图像的彩色信息，大大提高了检测的速度，基本能做到实时检测并且不受人脸旋转或人侧转的影响，但由于肤色空间和其他颜色空间的交叉性，已有的方法只能限制在简单的背景，在复杂的背景图像中误检率非常高。 而近年来, 也有些国内外学者们根据定位所依据的基本信息的类型,将现有的脸部特征定位方法分为基于先验规则、基于几何形状信息、基于色彩信息、基于外观信息和基于关联信息等5 大类 4。1) 基于先验规则先验规则是关于脸部特征一般特点的经验描述。 人脸图像有一些明显的基本特征, 如脸部区域通常包括双眼、鼻和嘴等脸部特征, 其亮度一般低于周边区域; 双眼大致对称, 鼻、嘴分布在对称轴上等。 为了利用这些基本特征进行脸部特征
