基于肤色分割和PCA的人脸检测方法改进
中职
第十卷第十期2010年4月
1671-1815652010(10-2343-05
科学技术与工程
sciencetechnologyandengineefing
V01.10 No.10 Apr.2010
@2010 Sci.Tech.Engng。
基于肤色分割和PCA的人脸检测方法改进
冯亚丽蒋文文刘泽光
(大庆石油学院计算机与信息技术学院,大庆1633 1 8 )。
摘要人脸检测在安全、信息处理等应用领域具有重要作用。 改进了基于肤色分割和PEA的人脸检测端
法律。 首先,在肤色模型构建的基础上,提出了基于边缘和数学形态学的肤色分割方法; 其次,用基于知识的人脸检测方法进行验证
减少候选人面部、候选人面部数量最后,采用PCA面部检测算法进行检测。 实验表明,该方法可有效应用于多人脸、不同人群
对于尺寸和复杂背景,以及包含部分遮挡、肤色噪声等复杂环境下的图像,也能获得高检测率。
面部检测肤色分割PCA
中图法分类号TP391.41; 文献标记代码a
人脸检测是人脸识别的前期阶段,是人脸检测的
质量直接影响人脸识别率。 那是脸部信息
理想的关键技术之一是近年来的模式识别和计算机
是视觉领域普遍重视、研究活跃的一门课程
标题。 所谓"面部检测"是指根据给定的任意图像进行判断
判断是否有人脸,如果有,就会回到人脸的位置和范围。
目前人脸检测的主要方法是基于先验知识法、基础
基于模板匹配法、统计信息法。 这些方法各有不同
优、缺点、适用领域。 在彩色图像中检测出人脸的情况下,
通常,首要环节是检查肤色,将皮肤区域
从复杂背景中提取,并与其他方法结合精确
辨别人脸。 但是,在图像中有与人脸相连的大小的情况下
测定肤色背景,肤色的初步提取是将脸部和肤色背景
连接提取,避免脸部轮廓单独有效提取
通过提取,增加了判别阶段的计算量,影响了检查
测量效果。 针对以上缺点,提出了以下检测方法:
首先,结合边缘特征和数学形态运算进行肤色分离
切割,有效分割单独的脸部区域; 其次使用基础
先验知识的方法(头部纵横比,占整个皮肤区域
外接矩形的面积等)对这些肤色区域可能的人
2010年1月5日收到黑龙江省教育厅2008.1—2011.1
科学技术研究项目资助
第一作者简介:冯亚丽(1985 (一),甘肃榆中人,硕士生,研究员
方向:数字图像处理、模式识别。
面部区域验证,排除不可能的面部区域; 最后使用
PCA算法检测面部。
1肤色分割
1.1肤色模型
1.1.1色彩空间的选择
从实际APP应用中选择色彩空间的主要因素
出发了,正在分析YC。 c .色彩空间所具有的优势
基于选择YC。 c .色彩空间。
1.1.2肤色模型的制作…
采集大量肤色样本计算统计特征。
为了使肤色领域更集中,只选择了亚裔的人,进行了光照
件比较好的图像。 制作的肤色模型中有一个
普遍性。 制作肤色模型的一般步骤如下。
手工切割肤色区域。
使用低通从彩色图像中剪切皮肤样本
滤波以减少噪声。
特征统计采用MATLAB进行,提取图像
对50,000个肤色点,在完成颜色空间变换后进行计算
值向量肘式(1)和协方差矩阵c式(2)。
c“2 i是元Cbq,c,=上m x n yi=1元C—
C . Voo 2胜元叶(c-F一瓯)2)1) ) ) ) ) ) ) Voo 2胜元叶(c-F一瓯)
万方数据
科学技术与工程十卷
C
ovl-2赢; (C游戏Cr ) 2;
电脑。 l COVlo 2赢; (cb口一cb ) ) c游戏Cr );
(c ) cov00covoi ) )2) ) )2) ) ) ) ) ) )。
同调
l
COVl0 COVll
j
得到统计特征量
M:『103454 11,C:f217710 2—659331。
‘152.712 4J L一6.593 3 307.538 2
j
统计色度为(c )。c、)的像素数。
用高斯模型n(m,c )归一化色度。 这里m是
平均,c是协方差矩阵
m=E{x},戈=(C,Cb ) 7;
c=e ()戈一m ) )戈一m )7) ) (3) )。
计算肤色似然度,首先将图像转换为YCbC,
色彩空间,以及图像中每个像素的(c )。c、)值通过
肤色概率密度函数式(4)对应于该(c ) c ) j,c )值
肤色的概率值,即肤色的似然度,以及整个图像中最大的
肤色相似。 每个点的肤色似然度除以最大
通过肤色似然性获得的值,作为其像素点的灰度值,与图1的原图像、肤色似然性图和二值化图像进行对比
得到像肤色一样的图像〔参照图l(b〕 )。 相对于脸部附近存在多种肤色区域的图像检测
p(c,c ) )=exp[ (一0.5(z-m ) 1C一) z-m ) ); 率比较低。 针对这种现象,基于边缘
戈=(c,c ) )1) )和数学形态学的肤色分割算法,进一步对其进行分析判断
1.1.3阈值分割们是否为脸部区域,具体步骤如下。
迎新网
肤色分割中阈值的选择很重要。 目前,困内外学边缘检测[ 3’4 |,x英寸---数值化的肤色区域图像为
提出了有影响的阈值处理技术。 2。 全局福建值,有自适应Canny算子求肤色域边缘。 现在装了很多
应阈值、最佳阈值等。 现在,选择最佳阈值法,具体地进行边缘检测的运算符,例如Roberts运算符、Prewitt运算符、
方法是将阈值设定为0.55,每次以0.05的间隔减少直Sobel运算符和Canny运算符,这是一般的方法
到0.10。 每当iEa记录t改变阈值时,属于肤色像素数高位的几个算子对噪声非常敏感,s/n比低
的变化,找到肤色像素数变化最小的图像,处理效果不太好,实际处理的图像都是
将阈值设为最佳阈值。 阈值分割效果(参照图1(c )。 混杂着噪音。 Canny算子保证图像去噪和边缘细节
12肤色分割有较好的平衡,采用Canny算子
对一幅训练图像应用前一分析得到的肤色模式进行边缘检测。 可选阈值为0.4。
对模型进行颜色分割,包括大致的人脸侯选范围和背景边缘封闭,应用于上一步得到的边缘图像
背景的二值分割图(参照图lc )。 这样的分割图,数学形态学的膨胀运算由于噪声引起的孤立或不稳定
包括多个脸部区域。 皮肤的一部分重叠,或者背景和皮肤连续的边缘像素闭合。
颜色相近时,大连通的肤色区域难以分离。 现在边缘被细分,前一步膨胀的边缘图像是非
的大多数算法不将大连通的肤色区域划分为单像素边缘点,而是采用数学形态学细分算法进行边缘
切,位置相近的肤色区域粘连了。 用这样的方法细分。
万方数据
第10期冯亚丽,等:改进肤色分割和PCA人脸检测方法
整合图像,将前一步骤获得的边缘图像进行逆处理,得到步骤中获得的效果图(见图3 )。
2值化肤色图像和“and”运算‘5I。
分离边缘,将前一步骤获得的图像转化为数学形式
学习的腐蚀运算,分离各肤色区域。
再次合并图像,对二值化的肤色区域的图像
利用Sobel算子进行边缘检测,对得到的图像进行反演,然后
再对步骤5中得到的图像进行一次and运算。 通过社交网站。
bel操作员可以检测面部细节,例如眼睛等。
这是为了形成空洞,准备下一次检查。
标记人脸区域候选,最后,通过标签算法
计算出与二值分割图连通白色区域有几个,
并且,将各区域的位置、大小作为面部候选区域的开头
开始信息。 为今后的检查做准备。 肤色的分割
照片(参照图2。
图2肤色分割图
2基于知识的候选人人脸确定
根据上述分割的肤色区域可能是人脸,另外
可能是手脚,也可能是背景上像肤色一样的颜色。
通过利用基于知识面部检测方法,可以排除不可能
脸部区域。 根据文献和统计方面的经验,提出了人
面部区域必须满足以下条件:
某个候选区域的长宽比(r )满足0.8时
如果是尺1.8 (包括颈部区域),则可以认为是该候选区域
域可能是脸部区域; 如果不满足这样比例关系
对候选区域进行一定的优化选择。
脸部最小分辨率为16 X 16,因此小于256
可以删除的区域。
肤色区域的面积和该区域的外接矩形的面
乘积之比即区域填充率为0.5以上。
肤色区域产生的空洞数量在1以上。 经过这一年
图3基于知识的候选人脸确定
3 PCA人脸检测方法
主成分分析法‘六川是应用最广泛的特征提取
取法,那是统计学的方法,模式识别,在图像上
理等领域已经得到广泛的应用。 其基本原理是
提取空间原始数据的主要特征,减少数据冗馀,
在低维空间中处理数据,同时保留原始数据
几乎都有信息。 解决数据空问维度过高
瓶颈问题。 特征脸法是其中的典型算法之一。
特征性脸部方法是将包含脸部图像的区域看作随机的方向
因此,群(使用变换得到其特征向量,可以与之相对应)
中较大特征量的特征向量具有与脸部相似的形状,
因此,被称为特征脸,每个脸可以使用这些特征向量
的线性组合可以正确表示,因此可以进行脸部识别
和合成。
3.1计算特征脸
将脸部图像l(x,y )作为二维NN灰度图像
二维矢量x表示训练样本为{筏II=1,2、2、
m )其中,m为训练样本的图像总数。 计算有特征的脸
流程如下。
计算训练图像的平均脸
1
m
(2刈; 石I(5)。
计算各自的脸部照片和平均脸部的差
di=筏一唤,I=1,2,…,肘(6) )。
构造协方差矩阵
一村一厅
c=玄荟clAT=带扣7(7) )。
求矩阵v=a1’a的特征值Ai及相应的正
万方数据
科学技术与工程十卷
正交归一化特征向量k。
选择前p(p(zm )的最大特征值及相应的特性
本征向量,P=45。 p的选择方法本文采用计算信
根据气量确定维数:该方法采用保证剩余特征向量
与总信息量相比,包含的信息大于一定的阈值
选择e,96%。 计算公式如下。
i k
ei=A/A,e,a是协方差矩阵c的k个非零图5部分的训练样本
J=1 J=1
教学质量分析
求解C的正交归一化特征向量。 从特征人脸空间重构的图像Fr=wil,飞蛾
()秽I,担1,2,…,p则t特征脸,空间为(彬) 43比较阶段
~/Ai计算与原图像工厂重构特征脸空间的图像
(u (,m ),u,)。 之间的距离占优势。 占2=I|工厂一n I|,设定阈值
将每个人的脸部和平均脸部的差分向量投影到r上,占丁则识别为脸部。 本文的阈值被大量测量了
“特征脸”空间。 Q=埣1di (I=1,2,…,m )。 试着定为1 300。
4脸部检测
算法描述了彩色图像的复杂背景,特别是背景和
肤色相似的图像提出的算法框架(参照图4 )。
输入彩色图像
图4面部检测算法框图
面部检测过程如下。
(1)使用本文提出的输入图像的肤色分割算法
进行肤色分割,粗提取面部候选区域。
)2)用基于知识的人脸检测方法进一步对候选进行
确认脸部,去除手脚等非人的脸部区域。
)3)提取面部候选区域,以重心为中心前进
将行缩放到19 X 19。 然后进行PCA面部检测。
PCA人脸检测包括训练、重构、比较三个步骤。
4.1培训阶段
本文训练图片来自CMU脸库,大小为
使用19 X19的1,000个子映像进行培训,并获得培训结果(
征颜)把人交给文件保存。 训练样本的一部分(参照图5 )。
4.2重建阶段
输入缩放后的脸部图像进行识别
5实验结果和结论
实验数据主要由三个部分组成。 第一部分是
CMU人脸数据库,第二部分自拍照,来自第三部分
分为来自网络的照片。 实验中使用正确的检测率
以误检数的两个参数作为检测效果的评价标准。
实验检查了150张照片,其中70张
cahech database人脸库,照片显示17人被不同的光线照亮
不同条件、背景、表情的人的脸,大小为896
592; 另外80张来自互联网和生活。 包括共计395人
脸。 算法在matlab R2007a平台上编程实现,检测结
如表1所示。 本文的算法背景复杂
面部重叠的区域适合于针对各种状况的面部检测
是的,总体上很好地达成了在彩色图像中检测人脸
目的。 实验照片的一部分如图6所示。
表1传统算法与本算法的比较
万方数据
第10期冯亚丽,其他:基于肤色分割和PCA的人脸检测方法改进2347
图6部分实验结果
参考文献
1郑庆.基于肤色的人脸检测与人眼定位.成都:电子科技大学
学位论文,2007
2 Gonzalez R C,Woods R E,著.数字图像处理(第二版) .阮秋琦
阮智,译.北京:丁业出版社,2003年
3黄玉程、胡眠清、吴雄英.等.人脸图像边缘检测的方法研究与应对
.计算机工程,2006年; 32(18 ) 220--224
4基于区佳玲、彭宏京. Canny算子的将肤色分割成彩色图表人脸
检验.计算机1=工程与应用,2007; 43(22 ) 220--222
5 berba RMA.faceandfacialfeaturesdetectionincolorimages.com -
puterengineeringandsciencesdepartment,Gatar University,2006;
541(803 ) 177—182
6
张京,刘杨,haseokwun.anovelapproachoffacedeteetionbasedonskincolorsegmentationandpca.the9 th international
conferenceforyongcomputerscientists,IEEE Computer Society,
2008:1006 -低1
7徐艳.基于肤色的人脸检测方法与眼睛定位算法研究.贵阳:
贵州大学学位论文,2006年
anovelapproachoffacedetectionbasedonskincolorsegmentationandpca
凤雅—李,江文—文,uu ze -光
(computerandinformationtechnologycollege,Daqing Petroleum Institute,Daqing 163318,P.R.China )
[ abstract ] facedetectionplaysanimportantroleinsecurity,informationprocessingandotherapplications.a
novelapproachoffacedetectionbasedonskincolorsegmentationandpcaispresented.firstly,a color segmenta—
tion method,basedonedgeandmathematicalmorphology,wasproposedaftertheestablishmentofskincolormod -
E1 .安全。 kowledge—basedfacedetectionmethodwasappliedtoverifythefacecandidatesinodertoreducethe
number of face candidates.Finally,PCA—basedfacedetectionalgorithmwasappliedfortesting.experimental results
showedthatthismethodcannotonlybeappliedeffectivelyonmanyfacesofdifferentsizesandcomplexbackground
situations,butalsohadahilghdetectionrateonimagesunderpartly-blocked,color-interferedandothercomplexen -
虚拟成员。
[ keywords ] facedetectionskincolorsegmentationpca
万方数据
基于肤色分割和PCA的人脸检测方法改进
作者:冯亚丽、蒋文文、刘泽光、冯亚丽、江文文、刘泽光
作者单位:大庆石油学院计算机与信息技术学院,大庆,163318
刊名:科技与工程
英文刊名: sciencetechnologyandengineering
年,卷(期) 2010,10 ) 10 ) )。
被引用次数: 2次
参考文献(第7条)。
1 .基于徐艳肤色的人脸检测方法和眼睛定位算法研究2006
2 .张京; 刘杨; haseokwunanovelapproachoffacedetectionbasedonskincolorsegmentation
和PCA 2008
3.berbarmafaceandfacialfeaturesdetectionincolorimages 2006 (803 )。
4 .顾佳玲; 基于彭宏京Canny算子的肤色分割色图人脸检测[期刊论文]——计算机工程与应用2007(22 )。
5 .黄玉套餐; 胡国清; 吴雄英人脸图像边缘检测的方法研究与应用[期刊论文]——计算机工程2006(18 )
6.Gonzalez R C; Woods R E; 阮秋琦; 阮智数字图像处理2003
7 .基于郑庆肤色的人脸检测与人眼定位2007
引用文献(第2条)
1 .李粤峰.徐博的改进新闻主播镜头聚类算法[期刊论文]——现代电子技术2011(16 )。
本文链接: http://d.g.wanfang data.com.cn/periodical _ kxjsygc 201010014.aspx