基于肤色相似度的人脸检测与定位毕业论文(毕业论文).doc

安徽工程科技学院毕业设计（论文）基于肤色相似度的人脸检测与定位摘 要本课题致力于完成Visual C+ 6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。要完成的工作包括相似度的计算，图像的二值化，垂直直方图和水平直方图的获取，人脸特征（眼睛、嘴和鼻子）的提取。本课题着重于肤色模型相似度在人脸检测与定位中的应用，对增加人脸检测与定位的准确率的研究有一定的指导意义。提出一种基于肤色的人脸检测定位算法，设计了基于肤色的人脸检测和定位系统。 采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法， 提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸定位。 在Microsoft Windows平台上，利用Visual C+ + 6. 0 开发了软件。本课题的成果具有一定的应用价值。实验结果表明，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征，并且在速度和准确性方面具有良好的性能。关键词：图像分割；人脸定位；肤色；人脸检测；特征提取Detection and Localization of Person Face Based on Skin Color SimilarityAbstract This topic devotes to completing the detection and localization system of the person face under the Visual C+ 6.0 platforms, and the detection localization algorithm of the person face limit to basing on the skin color similarity algorithm. The topic must complete similarity computation, binary image processing, vertical histogram, horizontal histogram and extracting person face characteristic (eye, mouth and nose). This topic emphasize application of skin color model similarity in the detection and the localization of person face, and has a significant instruction for research of increasing accuracy in detection and the localization of person face.In this paper, the authors have presented an algorithm and designed a system for face detection and location based on complexion. By strengthening the contrast between face features and by adopting binary image processing method, the system has improved the preprocessing effect; and by using boundary-based algorithm plus region-based algorithm , the system has realized face location through the extraction of the features of eyes, nose and mouth. Taking advantages of Visual C+ 6.0, the authors have also developed corresponding software based on Microsoft Windows. Production of this paper have definite application value.Experiment results prove that the system is valid in detecting, locating and extracting frontal view face features in a certain range.And it possess favorable performance in rapidity and accuracy.Key words: image segmentation; face localization; complexion; face detection; feature ex- traction 毕业论文（设计）原创性声明本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。据我所知，除文中已经注明引用的内容外，本论文（设计）不包含其他个人已经发表或撰写过的研究成果。对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。 作者签名： 日期： 毕业论文（设计）授权使用说明本论文（设计）作者完全了解*学院有关保留、使用毕业论文（设计）的规定，学校有权保留论文（设计）并向相关部门送交论文（设计）的电子版和纸质版。有权将论文（设计）用于非赢利目的的少量复制并允许论文（设计）进入学校图书馆被查阅。学校可以公布论文（设计）的全部或部分内容。保密的论文（设计）在解密后适用本规定。 作者签名： 指导教师签名： 日期： 日期： 注 意 事 项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词 5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。3.附件包括：任务书、开题报告、外文译文、译文原文（复印件）。4.文字、图表要求：1）文字通顺，语言流畅，书写字迹工整，打印字体及大小符合要求，无错别字，不准请他人代写2）工程设计类题目的图纸，要求部分用尺规绘制，部分用计算机绘制，所有图纸应符合国家技术标准规范。图表整洁，布局合理，文字注释必须使用工程字书写，不准用徒手画3）毕业论文须用A4单面打印，论文50页以上的双面打印4）图表应绘制于无格子的页面上5）软件工程类课题应有程序清单，并提供电子文档5.装订顺序1）设计（论文）2）附件：按照任务书、开题报告、外文译文、译文原文（复印件）次序装订3）其它目录引言1第1章 人脸检测与定位概述21.1 人脸检测的定义、应用及难点21.2 人脸检测的研究背景及现状21.3 本文研究的主要内容3第2章 基于肤色模型的人脸检测42.1 人脸检测方法42.2 基于肤色的人脸检测42.2.1 色彩空间的选择42.2.2 肤色模型52.3 人脸肤色相似度的计算6第3章 相似度基础上的人脸特征定位103.1 人脸检测与定位算法103.1.1 人脸区域分割算法103.1.2 人脸区域标记算法123.1.3 人脸检测流程123.2 人眼的检测算法及标定133.2.1 有背景灰度人脸图像中的人眼检测与定位143.2.2 眼睛的标定153.3 鼻子的标定173.4 嘴的标定183.5 设计结果及分析19结论与展望21致谢22参考文献23附录A引用的外文文献及翻译24附录B 参考文献题录及摘要27附录C 主要源程序29插图清单图 2-1训练流程图6图 2-2 二值化流程图.7图 2-3 原图.7图 2-4 相似度图.8图 2-5 二值化图.8图 2-6 垂直直方图.8图 2-7 水平直方图.9图 3-1 人脸检测与定位的总体流程.10图 3-2 人脸区域分割系统.10图 3-3 区域分割算法流程.11图 3-4 标记人脸区域.12图 3-5人脸检测流程图.13图 3-6 LOG算子.15图 3-7 边缘提取流程.15图 3-8 边缘提取图.16图 3-9 眼睛的定位.16图 3-10眼睛标记流程图17图 3-11眼睛标记17图 3-12鼻子的标记流程图18图 3-13鼻子标记18图 3-14嘴巴标记19图 3-15系统主界面19- 47 - 引言人脸检测和定位是人脸识别中一个重要的组成部分，其检测问题却是一个极赋挑战性的课题。人脸是一个包含五官、毛发等的极不规则的复杂待测目标，不同的人脸在形状、大小、颜色、质地等方面都有很大的变化；所考虑的检测对象大多是由图像捕捉设备所采集的数字图。所以采集条件特别是光照条件包括光源的方向、明暗、色彩等都会对图的效果产生很大的影响，进而影响对人脸的检测；另外，人脸上还可能长有胡须、戴有眼镜等, 这些也同样是人脸检测不可忽视的因素。人脸检测具有一定的难度和复杂性，对这一问题的深入研究必将推动模式识别等计算机科学的发展。人脸的检测问题在近10年中得到了广泛的关注，国内外很多研究人士提出了很多方法，在不同领域取得了一定进展。但是对于一种能够普遍适用于各种复杂情况的，准确率很高的检测算法，还有很大的探索空间。本文利用Visual C+ + 6. 0 开发了人脸定位和特征提取的软件，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征。 第1章 人脸检测与定位概述1.1 人脸检测的定义、应用及难点人脸检测(face detection)是指在输入图中确定所有人脸(如果存在)的位置与大小。人脸检测系统的输入是可能包含人脸的图，输出是关于图中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述。人脸检测问题最初来源于人脸识别(face recogznition)。人脸识别的研究可以追溯到20 世纪6070 年代，经过几十年的曲折发展已日趋成熟。人脸检测是自动人脸识别系统中的一个关键环节，但是早期的人脸识别研究主要针对具有较强约束条件的人脸图(如无背景的图)，往往假设人脸位置已知或很容易获得， 因此人脸检测问题并未受到重视。近几年随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段， 这种应用背景要求自动人脸识别系统能够对一般环境下的图像具有一定的适应能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。人脸检测研究的就是如何从静态图或者视频序列中找出人脸，如果存在人脸，则输出人脸数目、每个人脸的位置及大小。人脸检测是人脸身份识别的前期工作，同时人脸检测作为完整的单独功能模块，在智能视频监控、视频检索和视频内容组织等方面都有直接的应用。人脸检测的一个最重要的应用是人脸识别技术。人脸识别技术的研究是本世纪计算机视觉领域最具挑战性的研究课题之一，其应用领域十分广泛：可用于公安系统的罪犯身份识别、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、驾驶执照及护照等与实际持证人的核对、银行及海关的监控系统及自动门卫系统等。今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值。人脸检测研究具有重要的学术价值，受到学者越来越多的关注。人脸检测虽然有诱人的应用前景，但是在现实中却还没有开始大规模的使用。其主要原因之一就是用计算机自动进行人脸的检测和识别十分困难，目前的检测效果（正确率、速度）不如其他的生物识别技术，如指纹识别，视网膜识别等等。人们在日常生活中就进行了大量的人脸检测和识别工作，对人脸检测与特征的定位取得了一定的成绩，但人脸检测仍然存在着许多难点。人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于：1) 脸由于外貌、表情、肤色等不同，具有模式的可变性；2) 一般意义上的人脸，可能存在眼镜、胡须等附属物；3) 作为三维物体的人脸的影不可避免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，成功构造出人脸检测，将为解决其它类似的复杂模式检测问题提供重要的启示。1.2 人脸检测的研究背景及现状人脸检测的研究历史比较悠久。高尔顿(Galton)早在1888年和1910年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。最早的研究论文见于1965年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十多年的历史。近年来，人脸检测研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。尤其是1990年以来，人脸检测更得到了长足的发展。几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。人脸检测研究的发展主要分为以下几个阶段：第一阶段（1964年1990年）这一阶段人脸检测通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征（Geometric feature based）的方法。人工神经网络也一度曾经被研究人员用于人脸识别问题中。这一阶段是人脸检测识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。第二阶段（1991年1997年）这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，而且美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics（现为Identix）的FaceIt系统。这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。第三阶段（1998年现在）FERET96人脸检测识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。目前非理想条件下（尤其是光照和姿态）、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。目前国内的，国外的对人脸检测问题的研究很多，比较著名的有MIT，CMU等；清华大学、北京工业大学、中科院计算所和自动化所等都有人员从事人脸检测相关的研究。而且，MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的FG(IEEE International Conference on Automatic Face and Gesture Recognition)、ICIP(International Conference on Image Processing)、CVPR(Conference on Computer Vision and Pattern Recognition)等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的近1/3之多。1.3 本文研究的主要内容 本课题致力于完成Visual C+ 6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。要完成的工作包括相似度的计算，图像的二值化，垂直直方图和水平直方图的获取，人脸特征（眼睛、嘴和鼻子）的提取。本课题着重于肤色模型相似度在人脸检测与定位中的应用，对增加人脸检测与定位的准确率的研究有一定的指导意义。第2章 基于肤色模型的人脸检测2.1 人脸检测方法人脸检测传统的方法多是在亮度空间进行，仅有灰度信息的变化,没有任何区域或比例的限制，所以必须做多尺度空间的全搜索，计算量非常大，而利用色度信息则可大大降低搜索区域，其中肤色信息是最为直接有效的。而且在人脸区域中，肤色一定是占主导地位的像素色彩值。肤色虽然因人而异,但很多研究表明肤色在色彩空间中的一定范围内还是呈聚类特性的，特别是在排除了光照亮度和在经过变换的色彩空间中。所以利用肤色这一线索可以排除掉在灰度图像中很像人脸而对应到彩色图像中根本不是肤色的区域，这在人脸检测中会起到积极的作用。目前人脸检测方法主要可以分为以下4类：1) 基于知识的方法：利用人脸的几何形状以及脸部器官的比例对称关系来定位人脸；2) 基于特征的方法：直接利用人脸信息如肤色特征、轮廓特征、纹理特征等；3) 基于模板的方法：使用模板在待测图像中逐点扫描计算匹配度，根据匹配度来判断有无人脸；4) 基于外观的方法：如神经网络法、支持向量机法、特征脸法等。上述的各种方法都存在自身的优缺点和适用领域，很多学者在各自所面临的问题范围内不断探索，也发明了许多卓有成效的检测算法。但各种检测算法都存在效率与性能上的矛盾，也即在正确率、鲁棒性能方面更好的算法往往会花费更多的时间及系统消耗。在本文的设计中提出了一种基于肤色相似度的人脸检测与定位的方法，采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法，提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸的检测与定位。下面就介绍这种方法。2.2 基于肤色的人脸检测2.2.1 色彩空间的选择根据计算机色彩理论，对一种颜色而言，在计算机中有不同的表达式，这样就形成了各种不同的色彩空间，当然各种色彩空间只不过是颜色在计算机内的不同的表达形式而已，在具体的色彩空间中通过实践找到肤色区间,建立起可操作性的肤色模型,这样就让肤色信息成为了人脸检测的核心方法。不同肤色模型的建立基于不同的颜色空间,且为颜色空间的一个子空间。主要的彩色空间有以下几种：RGB格式（红、绿、蓝三基色模型）、HIS格式（色度、饱和度、亮度模型）和YCbCr(YUV)格式。 对于彩色空间来说，RGB是最常用的颜色表示系统，但是人脸肤色在这一系统中的分布非常广泛，因此不适合表示人脸区域，往往需要转换到其他的彩色空间。在该文的设计中采用了YCbCr(YUV)格式。这种色彩空间是以演播室质量标准为目标的CCIR601编码方案中采用的彩色表示模型，被广泛地应用在电视的色彩显示等领域中。其优点将在下一节介绍。通过下面的转换公式，可以将像素由RGB空间转换到YCbCr空间。Y=0.299R+0.587G+0.114BCb=-0.1687R-0.3313G+0.5B+128 （2-1）Cr=0.5R-0.4187G-0.0813B+128 我们将统计采集到的多幅图像人脸区域像素RGB值，按上式进行转换，统计在CbCr空间的分布概率，保留概率大于0.1的像素点，得到肤色分布区域。最终，我们得到的肤色范围是：Cb90，125，Cr135，165。将肤色范围内的像素置1，其余置0，得到分割后的二值图像，实现人脸的初步定位。2.2.2 肤色模型 肤色是人脸一个重要而明显的特征，利用肤色模型可以快速排除非肤色区域，大大减小搜索空间，提高人脸检测的效率。1.光线补偿处理考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色彩的偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖，照片偏黄、偏蓝等等，这种现象在艺术照片中更为常见。 为了抵消这种整个图像中存在着的色彩偏差,我们将整个图像中所有像素的亮度(是经过了非线性Y-校正后的亮度)从高到低进行排列，取前5的像素，如果这些像素的数目足够多(例如，大于100)，我们就将它们的亮度作为“参考白”(Reference White)，也即将它们的色彩的R、G、B分量值都调整为最大的255。整幅图像的其他像素点的色彩值也都按这一调整尺度进行变换。2.非线性分段色彩变换这是构成我们实际利用肤色模型的主要部分。这一非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型，这一类肤色模型的建立首先要选取一种合适的色彩空间，我们注意到YCbCr色彩空间具有如下优点：1) YCbCr色彩格式具有人类视觉感知过程相类似的构成原理；2) CbCr色彩格式被广泛的应用在电视显示等领域中，也是许多视频压缩解码，如MPEG,JPEG等标准中普遍采用的颜色表示格式；3) YCbCr色彩格式具有与HIS等其他一些颜色格式相类似的将色彩中的亮度分量分离出来的优点；4) 相比HIS等其他一些色彩格式，YCbCr色彩格式的计算过程和空间坐标表示形式比较简单；5) 实验结果表明在YCbCr色彩空间中肤色的聚类特性比较好。在YCbCr色彩空间中，肤色聚类事两头尖的纺锤形状，也就是在Y值较大和较小的部分，肤色聚类区域也随之缩减。由此可见，在值较大和较小的部分，肤色聚类区域也随之缩减。由此可见，在Y值不同的地方，我们对Cb-Cr子平面进行投影，得到的结果是不同的，由此得到结论，简单地排除Y分类，按照传统地做法在三维的Cb-Cr子平面中寻求肤色的聚类区域是不可行的，我们必须考虑Y值不同造成的影响，从而对YCbCr色彩格式进行非线性分段色彩变换。首先应用肤色模型进行人脸的初定位，接着提出了一种基于肤色区域分割方法得到包含人脸区域在内的一系列矩形区域，从而进行了定位。2.3 人脸肤色相似度的计算该文设计的是基于人脸肤色模型, 利用相似度方法, 对人脸区域进行了检测和定位。我们定义r=R/(R+G+B),b=B/(R+G+B),这样把三维的RGB降为二维。而在这个二维平面上，肤色区域服从高斯分布。我们可以采用训练的方法来计算得到一个分布中心，此过程主要生成可用于识别的参数。通常，在已有的样本训练集基础上确定某个判定规则，使得按此规则对被识别对象进行分类所造成的错误识别率最小或者结果期望最大。开始训练命令，打开bmp格式的图像后计算每幅图像的像素数CrList和CbList，然后查询总的图像数count用于将当前数据库内的所有用户图片进行训练，最后对每幅图像求训练平均，得到可供识别比对的训练基。训练的过程如图所示：训练开始读取用户数量以及对应的图像数读取下一个用户的信息读取下一幅图像转成灰阶形式全部图 N Y全部用户 N Y保存训练基对每个人求训练平均图 2-1 训练流程图这样训练以后，得到了Cb和Cr的均值为117.4361和156.5599，落在肤色范围内,验证了理论的正确性。同样也得到了肤色信息的均值M和方差C，为下一步计算相似度做了准备。然后根据所考察的像素离中心远近得到肤色的相似度，得到与原图相似的分布图，均值M和方差C如下：M=E(x),C=E(x-M)(x-M)T)，其中x=r,bT相似度计算公式为：P(r,b)=exp-0.5(x-m)TC-1(x-m) （2-2）关于相似度软件的实现纯粹是公式的实现，在这就不做说明了。再按照一定的规则对该图二值化，通过设置合适的阈值（关于最佳阈值的设置将在下一章中介绍），可将图像变成只有0和1的二值图像，这样做的目的是为了减小计算量，加快处理速度，同时，还可将目标从背景中分离出来，有效的突出了目标。二值化流程如下： NNY找到第一个像素的位置其灰度值阈值灰度值灰度值查找下个像素结束 图 2-2 二值化流程图按这种方法就可以对输入的bmp图像2-3进行处理，图 2-3 原图其相似度计算结果如图2-4示： 图 2-4 相似度图可以给出二值化图2-5示：图 2-5 二值化图以及垂直直方图2-6示： 图 2-6 垂直直方图水平直方图2-7示：图 2-7 水平直方图至此完成了相似度的计算和图像的二值化，以及两种直方图的提取，那么下一章节将在此基础之上进行人脸区域的标记和人脸特征（眼睛、鼻子、嘴巴）的提取。第3章 相似度基础上的人脸特征定位 在上一章得到的人脸区域基础上，对原图像进行灰度计算，将可能的眼睛区域分割成小图像块标定人眼中心，从而在眼睛确定的情况下把鼻子和嘴巴提取出来。总体流程如下：眼睛定位图像灰度化 打开位图计算相似度标记人脸图像二值化 图 3-1人脸检测与定位的总体流程下面将介绍人脸标记和眼睛、鼻子、嘴巴定位的算法及其流程。3.1 人脸检测与定位算法3.1.1 人脸区域分割算法人脸区域分割的系统结构如图3-2 所示：包含人脸区域在内的一系列矩形区图像中的肤色和非肤色象素点 人脸区域分割算法 图 3-2人脸区域分割系统在图3-2 中， 输出的一系列矩形将取代原来的整幅图像作为人脸检测算法的输入。这些矩形应该满足以下条件： 1) 矩形系列中应该尽可能地包含待检测图像中的全部人脸对于距离较近或者是有接触的多个人脸，分割后得到的肤色区域自然距离较近或者是连在一起，这时可以用一个矩形区域覆盖它们。不漏检、不降低正确率是肤色分割处理的前提，也是人脸区域分割算法的首要前提。据前面对肤色模型的分析，无论什么样的肤色模型都存在判断失误，所以算法输出的一系列矩形应该尽量包含所有的人脸区域。2) 矩形系列应该少包含非肤色区域相对整幅图像，经过肤色分割预处理后的这一系列矩形的大小要明显小于原来的整幅图像，这是肤色分割预处理能够提高人脸检测算法时间效率的主要原因，也是肤色分割预处理能够降低误报率的关键。对于可能的人脸区域来说，其相对于水平方向的旋转角度在45到135之间，因此旋转角度小于45或大于135的区域为非人脸区域。图像分割的目的是把人脸的器官与脸的其他部分分离开来，并保证每个器官的完整性。在包含人脸的图像中，脸部比较明显而易辨别的特征主要是面部器官：眼睛、嘴、鼻子和眉毛。鼻子往往与脸的反差不大，因此通常用鼻孔代替。这几个面部特征在灰度图像中一般比周围区域暗。尤其是眼睛和嘴在绝大部分情况下都清晰可见。因此图像分割可以利用的特征是：灰度比周围区域暗的区域。在设计中，为了减少图像分割这一步的运算量，对图像做了二值化处理。分割的对象是黑白图像，分割简化为找出所有黑色的连通区域，它们都成为人脸器官的候选者。从一幅图中，按一定规则划分出感兴趣的部分或区域称为分割。对于利用人脸各器官之间几何关系的人脸定位方法来说，分割算法是十分重要的。在这里，感兴趣的部分是人脸的器官(眼睛、嘴、眉毛、鼻子等等)。成功的分割算法能够有效地把人脸器官和脸的其他部分分离开来，并且保持器官的完整性。设计采用了基于边界的方法和基于区域的方法相结合的算法。基于边界方法是提取边缘，利用边缘进行分割，该方法处理的像素数量比较少，各像素点间的相邻关系比较简单，处理速度比较快，但是，基于边界的方法是从局部特性来求图像整体的分割，因此在全局宏观性质上不如基于区域的方法。基于区域的方法则是寻找互相连接在一起、并有相同特征的像素所形成的区域，它是实现图像分割的一种重要方法。在本系统中， 基于边界的方法主要用于前期矩形序列的产生，快速地得到包含人脸区域的外接矩形； 然后用基于区域的方法,， 全局考虑，对初始矩形序列进行区域归并， 得到最终的输出矩形。算法的整体流程图如图3-4所示：输入的经过肤色分割的图像去噪声处理提取边界对边界的连通关系作处理由边界的连通性和闭合性得到初始的一系列矩形将初始的矩形序列进行归并处理输出最终的矩形图 3-3 区域分割算法流程3.1.2 人脸区域标记算法在标记人脸之前，首先要对相似度图像进行二值化操作，这一部分已经在前面一章中介绍了。接下来就要对人脸区域进行检测，标记人脸的过程实际上是对得到的二值化图像进行人脸边界估计的过程。估计人边界脸算法利用了人脸的结构特征：1) 人脸左右边界肤色点个数约为人脸垂直方向最多肤色点个数的0.2 0.3倍；2) 人脸上边界肤色点个数应该约为人脸区域宽度的0.5倍； 3) 人脸区域高度约为人脸区域宽度的1.5倍。首先估计人脸的左右边界,具体算法如下：1) 搜索垂直方向具有最多灰度值为0 的点(白点，即可能的人脸) 的x 坐标pos，并将白点数目计为count； 2) 从pos 开始往左边搜索得到垂直方向第一次具有小于0.2 count个白点的x 坐标作为人脸区域的左边界left ； 3) pos开始往右边搜索，得到垂直方向第一次具有小于0.3 count个白点的x 坐标作为人脸区域的右边界 right 。接着估计人脸的上下边界，具体算法如下： 1) 从上往下搜索水平方向的白点数，得到第一次具有大于0.5 ( right -left)个白点的y 坐标作为人脸区域的上边界top；2) 根据人脸结构特征,将top + 1.5 ( right -left) 作为人脸区域的下边界bottom 。从而，可以确定人脸区域为rect(left, top, right, bottom ) 。标定的人脸区域如图3-5所示。从图可以看出,经过相似度计算和二值化操作,然后对人脸进行边界估计,最后进行标定,基本上做到了。图 3-4标记人脸区域3.1.3 人脸检测流程整个基于肤色模型的人脸检测的流程如下：原始图像 肤色检测皮肤图像 滤波和填充 修正后的皮肤图像 检查每个皮肤区域皮肤像素与整个矩形面积的比找到该区域的外接矩形 非人脸 小于固定值 矩形面积 小于固定值 非人脸大于固定值标准候选人脸 在原始图像相同位置得到矩形，进行放缩、直方图均衡化等处理 候选人脸图 3-5人脸检测流程图3.2 人眼的检测算法及标定因为人脸的五官位于脸部顶点与下巴点之间，将搜索范围设为一矩形区域，矩形的长为脸部顶点与下巴点的距离，矩形的宽即是脸宽。标记人脸区域以后， 就可以进行边缘提取，接着标记眼睛，由人脸各特征的位置关系，就可以从上到下区分出眼睛、鼻子、嘴等特征。假设人脸的姿势比较正，那么人脸上的特征是水平边缘集中的区域。我们可以在低分辨率下提取水平边缘，然后找到人脸区域内富含这些边缘的连通区，作为人脸特征的候选区域。这些区域的位置和大小并不准确，因为边缘检测本身容易出现位置偏移，连通区的大小也随着阈值而变化。所以还要进一步修正上面的结果。对正面的人脸来说，眼睛、鼻子等特征和整个人脸的尺寸大小之间存在先验的约束关系，这就是人脸结构的恒常性，因此我们利用这些约束关系来确定特征区域的大小。（因为先找眼睛，我们就以眼睛的大小为准，最后在调整嘴巴的大小）。人脸是一种特殊的模式，而人的双眼与眉毛、鼻、口按一定的结构分布在灰度基本均匀的人脸平面上，人脸这种特殊模式与图像背景模式大相径庭，从而为判别人的双眼位置提供了依据。寻找最佳分割阈值使人眼从复杂图像背景和人脸中分离出来是人眼定位的第一步。所谓