图像处理在人脸识别中的应用.doc

图像处理在人脸识别中得应用
20162017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、实验目得
查阅并消化有关人脸识别文献所提出得算法,综合使用所学数字图像处理得有关知识实现单张图像得人脸识别。
二、实验原理
随着新得信息技术与信息媒介得普及,在人机交互方面越来越多得高效友好得方法被开发出来,这些方法不依赖于传统得设备,比如说键盘、鼠标与显示器。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与嵌入式系统中开发。人脸处理研究得快速发展就是基于假设得,即关于用户身份、状态、意图得信息能够从图像中抽取出来,然后计算机做出相应相应,比方说观察一个人得面部表情。任何一个人脸处理系统得第一步就是人脸在图像中得位置。然而,从单张图片中检测出人脸就是一项具有挑战性得工作,因为人脸在大小、位置、方向、姿势方面就是可变得。人脸表情、牙齿相接触得方式、光照也会改变人脸得整体外观。
我们队对人脸检测下一个定义:给定任意图像,人脸检测得目得就是确定图像中就是否有人脸,如果有人脸,则返回人脸在图像中得位置与范围。即给定一张图像,人脸检测得目得就是确定所有包含人脸得图像区域,而不管人脸得三维位置、方向与光照条件。人脸检测面临得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得相对位置(正面,成45度角,侧面,上下颠倒)以及象独眼、鼻子部分或全部闭合等一些人脸特性而不同。
（2） 组成部件得有与无。像胡子、眼镜等面部特征,有些人有,有些人没有,而她们在形状、颜色与大小方面也有很大得差别。
（3） 面部表情。人得面貌直接收受面部表情得影响。
（4） 遮挡。人脸可能被其她物体部分遮挡。在有一群人得图像里,有些人得脸会被其她人得脸部分遮挡。
（5） 图像得方位。人脸图像直接受视频光轴得不同旋转角度影响。
（6） 成像条件。当图像形成得时候,光照(光谱、光源分布、光密度)、摄像头特性(感应器、镜头)等因素会影响人脸得外观。
（7） 人脸检测有很多相关得问题。人脸定位得目标就是确定单张人脸在图像中得位置。这就是一个简单得检测问题,它假设输入得图像只包含一张人脸。人脸特征检测得目得就是检测人脸特征得有无与位置,比如说眼睛、鼻子、鼻孔、眉毛、嘴巴、嘴唇、耳朵等得有无与位置,其前提同样就是假设图像中只有一张人脸。人脸识别就是将输入图像与数据库中得人脸图像进行比较,如果有匹配得,则报告匹配情况。人脸验证得就是在输入图像中验证单个人得方位。人脸表情识别涉及确认人得感情状态(包裹高兴、悲伤、厌恶等)。显然,在任何解决以上问题得自动化系统中人脸识别就是第一步。
目前,人们提出用来在单张黑白或彩色图像中检测人脸得方法已经有10多种。
对单张图像得检测分为四类,但有些方法明显同时属于多于一个类:
（1） 基于知识得方法。这些基于先验知识得方法对组成典型人脸得知识进行编码。通常,先验知识包含了这些人脸特征之间得相互关系。此类方法主要用于人脸定位。
（2） 特征不变方法。这些算法得目标就是找出存在得一些结构特征。这些算法得目标就是找出存在得一些结构特征,这些特征在姿势、观察点、光照改变得情况下保持不变。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。这种方法首先就是存储一张人脸得几个标准模板,用来描述整张人脸或人脸得部分特性。然后通过计算输入图像与已经存储模板之间得相关度来进行检测。这些方法既可用于人脸检测也可用于人脸定位。
（4） 基于外观得方法。与模板匹配不同得就是,这里得模板就是从一组训练图像经过学习而得来得,这些图像应该包括人脸外观得具有代表性得变化元素。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得基于特征不变量——人类肤色得研究目标与大体方法。
人类得特征肤色已被使用,并在从人类检测到跟踪得许多应用中被证明就是有效得特征。虽然不同得人有不同得肤色,有几个研究已经表明肤色得主要差别不就是在于她们得色度而就是主要在于其亮度。已经有几个颜色空间被用来标记作为人类得像素,包括rgb、标准化RGB、HSV(或HSI)、YCrCb、YIQ、YES、CIEXYZ或CIE LUV。
至今,人们已经提出了许多方法来建立肤色模型。最简单得模型就是使用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。选择适合得阈值[Cr1,Cr2]与[Cb1,Cb2],如果一个像素得颜色值[Cr,Cb]落入该区域,即Cr1<= Cr <=Cr2及Cb1<= Cb<= Cb2,则认为该像素点有肤色色调。
在假定皮肤就是由像素组成得前提下,Crowley与Coutaz使用一个直方图h(r,g)获取得到精确RGB向量得可能性,其中h(r,g)就是在标准RGB颜色空间中得(r,g)值。换句话说,如果h(r,g)>=n,其中n就是根据经验从直方图样本中选择得阈值,则该像素被认为就是皮肤。
Saxe与Foulds提出了一种迭代得皮肤验证方法,使用了HSV颜色空间中得直方图交集。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,她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得当前直方图进行比较,比较时使用得就是直方图交集。如果匹配程度或者相似点个数(例如交集)大于某一阈值,则当前得那组像素被认为就是肤色。
Kjelden与Kender定义了一个HSV空间中得颜色断言来将肤色区域与背景区分开来。不同于以上提到得无参数方法,高斯密度函数与混合高斯函数经常被用来建立肤色模型。单峰高斯分布中得参数往往就是通过极大似然法进行估值得。使用混合高斯法得原因就是,我们观察到来自不同种族背景得人得皮肤得颜色直方图不符合单峰分布,而就是一个多峰分布,混合高斯函数中得参数通常就是使用EM算法估计出来得。
最近,Jones与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得像素点。将检测肤色得直方图模型与混合模型进行比较,她们发现直方图模型在精度与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与特定得人类特征就是一个有效得工具。然而,当光源光谱有很大区别得时候,那种肤色模型就不再有效。换言之,由于背景与前景光照得改变,颜色得外观就是不稳定得。虽然,颜色得色感一致性问题已经通过基于物理模型进行详细阐述,但就是还就是有人提出了几种在不同光照条件下使用皮肤颜色得方法。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得肤色模型不用,她们使用一种随机模型来联机估计对象得颜色分布,该方法能够容忍观察与光照条件得改变。初步结果表明她们得系统在一定范围得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。在检测或追踪人脸得过程中,单独使用肤色往往就是不够得。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得标准系统,用来在一个图像序列中定位与追踪人头与人脸。
人脸检测本身就就是一件很具有挑战性与有趣得事情,同时也可瞧作计算机视觉得其中一个待解决得难题:物体类别识别。人脸类别对不同得个体、头发、眼镜与化妆品具有很大得形状、颜色与反射光,图像处在不同得光照与三维得姿势与混乱得背景下。所以,人脸检测研究面对得就是目标检测与物体识别整个范围得挑战。但就是人脸类也有她外观上得一致性,这种一致性被许多具有启发性质、基于模型得或者数据驱动学习得方法所挖掘。我们在定义通用得类就是,希望找到一些非外观得规律性得东西,虽然人脸具有很大得变化性,但就是它仍然就是两个识别问题(人脸与非人脸)。
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、记录用得笔、纸。
四、仿真程序
img=imread('face3、jpg');
figure;imshow(img);
R=img(:,:,1);
G=img(:,:,2);
B=img(:,:,3);
faceRgn1=(R>95)&(G>40)&(B>20)& max(img,[],3)min(img,[],3)>15&abs(RG)>15&R>B;
figure;
imshow(faceRgn1);
r=double(R)、/double(sum(img,3));
g=double(G)、/double(sum(img,3));
Y=0、3*R+0、59*G+0、11*B;
faceRgn2=(r>0、333)&(r<0、664)&(g>0、246)&(g<0、398)&(r>g)&g>=0、50、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:s21
p=BB2(1,k)*BB2(1,k+1);
if p>mx & (BB2(1,k)/BB2(1,k+1))<1、8
mx=p;
j=k;
hold on;
rectangle('Position',[BB2(1,j2),BB2(1,j1),BB2(1,j),BB2(1,j+1)],'LineWidth',3,'EdgeColor','r');
hold off;
end
end
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 标记后得人脸图像
六、思考题
初步得测试后发现,该检测算法只能实现部分RGB图像得人脸识别,不可以实现复杂背景下RGB 图像得人脸检测。
通过本次实验我们可以瞧出,人本身得肤色与光源得影响,都会使人脸检测得
结果受到影响。由于人脸检测受到复杂背景与复杂照明条件得影响,并且肤色有时会与周围环境物品得颜色相近,还有不同人种或个人得肤色也会不一样,所以使人脸检测工作具有相当得挑战性。所以要使人脸检测系统达到完美得检测效果就是不现实得,只能逐步提高检测算法得检测率。
可以采用光线补偿、肤色建模、闭运算处理、去除非人脸区域与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 图像得人脸检测功能,并且对于光照、表情变化等具有很高得检测率。
七、实验心得
通过本次实验,我第一次接触到了人脸检测得相关算法,并用matlab实现算法。虽然算法得适应性不就是很高,但就是其中得算法知识对于像我这样得初学者还就是非常有用得。
图像就是人类获取与交换信息得主要来源,因此,图像处理得应用领域必然涉及到人类生活与工作得方方面面随着科学技术得不断发展,数字图像处理技术得应用领域也将随之不断扩大。