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