基于肤色的人脸分割方法研究.docx
《基于肤色的人脸分割方法研究.docx》由会员分享，可在线阅读，更多相关《基于肤色的人脸分割方法研究.docx（25页珍藏版）》请在冰点文库上搜索。
基于肤色的人脸分割方法研究
南京理工大学紫金学院
毕业设计说明书（论文）
作者:
学号：
090403150
系：
电子工程与光电技术系
专业:
电子科学与技术
题目:
基于肤色的人脸分割方法研究
指导者：
（姓名）（专业技术职务）
评阅者：
（姓名）（专业技术职务）
2013年5月
南京理工大学紫金学院
毕业设计（论文）评语
学生姓名：
班级、学号：
090403150
题目：
基于肤色的人脸分割方法研究
综合成绩：
指导者评语：
指导者（签字）：
年月日
毕业设计（论文）评语
评阅者评语：
评阅者（签字）：
年月日
答辩委员会（小组）评语：
答辩委员会（小组）负责人（签字）：
年月日
毕业设计说明书（论文）中文摘要
人脸识别技术是模式识别和计算机视觉研究的一个重要领域。
它在身份验证、视频监控、边防安全等方面都有重要的应用价值。
人脸识别系统主要分为三个步骤：
人脸检测、人脸定位、人脸识别。
作为人脸识别最重要的第一步，人脸检测所做的工作是将人脸从图像背景中检测出来，人脸识别、视点跟踪以及人脸图像压缩等应用的重要环节都有用到它。
由于光照、肤色、人种、眼睛、遮挡等等因素的影响，加大了人脸检测的难度。
本文首先介绍了人脸检测技术的意义、应用技术以及现阶段国内外研究现状，并对本为所做的工作进行了综述。
本文基于肤色分割的人脸检测方法研究，首先是选择用高斯模型在YCbCr色彩空间建立肤色模型，接着对图像预处理，选用自适应阈值法进行肤色分割，再运用形态学方法处理二值图像，最后标记处人脸区域。
从实验效果可以看出本文提出的检测方法具有检测速度快，可在复杂背景下识别人脸，检测识别率高等优点，结果显示该方法具有一定的实用性。
关键词人脸检测肤色分割色彩模型肤色建模图像处理
毕业设计说明书（论文）外文摘要
TitleFaceBasedonSkinColorSegmentationMethod
Abstract
Facerecognitiontechnologyisanimportantareaofpatternrecognitionandcomputervisionresearch.Intermsofauthentication,videosurveillance,bordersecurity,ithasimportantapplicationvalue.Thefacerecognitionsystemisdividedintothreesteps:
facedetection,facedetection,facerecognition.Asanimportantfirststepoffacerecognition,facedetectionworkdonebyfacedetectedfromtheimagebackground,itisfacerecognition,viewpointtrackingandfaceimagecompression,andanimportantpartoftheapplication.
Duetothefactorsoftheimagebackground,brightnesschange,andhumanheadposture,facedetectionhasbecomemorecomplex.Thisarticlesummarizestheconceptoffacedetectiontechnology,application,technicaldifficultiesandResearch,andthisistheworkdonewerereviewed.Facedetectionmethodbasedonskincolorsegmentation,thefirstistheGaussianmodelintheYCbCrcolorspace,colormodel,thentheimagepreprocessing,thechoiceoftheadaptivethresholdmethodforcolorsegmentationusingmorphologicalmethodstodealwithbinaryimage,thefinalmarkatthefaceregion.
Fromtheexperimentresultscanbeseenthattheproposeddetectionmethodhasthespeed,andcanrecognizefacesinacomplexcontextofthegreenadvantagesofdetectionandidentification,theresultsshowthatthemethodhasacertainpracticality.
KeywordsFaceDetectionSkincolorsegmentationColormodeling
ColormodelImageprocessing
目次
1引言
1.1人脸检测的研究背景及意义
人脸识别技术的研究最早开始于上世纪60年代末，迄今已经有40多年的历史，是当前模式识别和人工智能领域的一个前沿课题[3]。
时代的发展使得人脸识别技术的应用前景更为广阔。
随着电子信息技术的迅猛发展，人脸识别技术成为更理想的身份验证方式。
人脸识别技术通过分析输入的人脸图像，得到能有效表达人脸特征的面部特征信息，并用来辩识人的身份。
人脸识别技术涵盖图像处理、模式识别、机器视觉、人工智能等学科，并与人机交互等研究领域有重要的交叉[5]。
作为一种重要的个人身份鉴别技术，在国家安全、门禁系统、视频监控等多种地方都有运用人脸识别技术。
和其他方法比较起来，它更加方便、低侵犯性以及鲁棒性强等多种特点[1]。
一般来讲，完整的人脸识别系统由：
人脸检测、特征提取以及人脸识别，三个部分组成[4]。
人脸检测的目的就是从背景图像中找到人脸所在的区域，然后把人脸从中分割出来，接着进行再人脸识别系统后续的一些工作。
但长期以来，研究人员忽视了对人脸检测的研究，因此，人脸检测还有很多方面需要进行更深层次的研究[2]。
本文主要研究基于肤色的人脸检测方法。
1.2国内外研究现状及发展趋势
经过几十年的发展，科研人员做了大量关于人脸识别技术的研究，也取得了丰硕的成果。
其中MIT媒体实验室、Maryland大学等的贡献尤为突出[6]。
国外诸多科研机构都有专门从事人脸检测和识别研究的研究组，著名的人脸检测和识别研究机构有：
美国麻省理工学院媒体实验室、英国Surrey大学视觉、法国的INRIA研究所、瑞士的IDIAP等[10]。
其他领域的著名的国际会议有：
国际计算机视觉和模式识别会议CVPR、亚洲计算机视觉会议ACCV等[8]。
特别的是，很多知名的国际期刊都设有人脸识别的专题。
我国80年代时期开始了对人脸识别的研究。
国内著名的科研单位有：
中科院自动化研究所、中科院计算机所、南京理工大学等等[27]。
著名的企业有：
北京行者集团、北京东鸟、上海银晨、武汉东润等等。
国内的企业通过和相关研究机构的密切合作，通过大量研究和开发，克服了一个又一个的困难，发明出了我们国家自主的民族品牌产品，并且多项指标比国外的系统更胜一筹。
由我国清华大学电子系丁晓青教授研究的人脸识别系统在美国某人脸识别供应商的评测中，取得了十分优秀成绩。
同时由我国自主研制的拥有完全自主知识产权的“面像识别核心技术”获得了很大的成就，多项技术指标都达到国际一流水平[7]。
经过多年的不断努力，人脸识别技术已经取得了很大发展。
人脸图像由于光照、肤色、人种、眼睛、遮挡等因素的影响具有“一人千面”的特点。
因此，人脸识别技术仍需要克服许多问题。
1.3人脸检测方法综述
人脸检测方法大体可以分为三种：
第一种是基于知识的方法，直接利用人脸基本特征，推出的相应规律来检测人脸。
当找到符合规则的图像区域后，就可以认为人脸已经被检验出来，对候选的图像区域进行验证，来确定该图像区域是否有人脸[9]。
基于知识的人脸检测方法又大致可以分成三种：
第一种是检测人脸上的器官（如眼睛、耳朵、眉毛等），然后根据它们的相对位置关系判断整个区域是否为人脸的面部特征法。
第二种方法是根据人脸的各个器官具有一定对称性，通过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的机构特征法。
第三种是颜色特征法，因为人脸的肤色在某些特定的颜色空间中具有比较好的类聚特性，根据肤色像素在色的上的相似性和空间上的相关性分割出可能的人脸区域。
第二种是基于模版匹配的方法。
首先确定人脸模板和各器官特征的子模板，然后计算模板的相关值，由得到的相关值确定输入图像中是否存在人脸。
基于模板匹配的方法分为固定模板办法和变相模板法。
固定模板法首先制定出标准的模板，然后计算检测区域和模板的相关值，根据一定的准则判断人脸区域。
变形模板法第一步就是制定模板参数，对参数进行修整一直到收敛为止，最终检测出人脸面部器官位置。
第三种基于统计的方法。
这种方法的思想与模板匹配方法的不同之处在于将人脸区域看作一类模式，搜集大量样本，并在样本集上建立一个正确识别人脸和非人脸的分类器，全局扫描被检测图像，来明确图像窗口中是否有人脸。
1.4本文的主要工作
如前文所述，人脸是一个常见而又复杂的视觉模式，作为一种生物特征在模式识别和计算机视觉等领域得到了大量的应用。
而所有基于人脸的这些应用首要解决的一个问题就是人脸检测。
近几年随着彩色图像的普及，利用人脸的肤色特征作为检测手段也为了一个研究热点，因此本文应用基于肤色的检测方法来实现人脸检测，从而展开了本文的工作。
第一章介绍了人脸检测技术的研究背景、意义以及研究现状，并对人脸检测方法进行了一个大致的讲解。
第二章首先介绍了5个常用色彩空间，经过比较后采用了YCbCr色彩空间作为肤色空间。
接着简单的介绍了肤色模型，并选择了高斯模型作为实验所用的肤色模型。
第三章为了能够更加准确地进行肤色分割，在图像肤色分割前进行必要的预处理。
为使人脸可能区域数目的减少，本章介绍了形态学运算、数学统计等方法进行人脸可能区域初步筛选。
第四章人脸检测代码、界面及结果分析，为了能更清晰明了地展示本课题的人脸检测过程，采用matlab软件中的GUI部分设计人脸检测界面。
对彩色图像测试集中的图像进行检测，之后给出检测及分析结果。
第五部分结论与展望。
2基于肤色分割的人脸检测
科研者们利用人脸肤色信息进行人脸检测，做了大量的研究和调查，并取得了一定的成果，此方法越来越受到人们的广泛重视。
基于人脸肤色的聚类性，科研者们在进行人脸检测时使用人脸肤色信息做凭据。
相关研究表明,不同条件下人脸的肤色会有较大的不一致性,但这种不一致性不是在色彩上,而是表现在亮度上[25]。
如果在图像中对亮度因素进行一定的调整,那么人脸肤色会有不错的聚类性。
利用人脸肤色信息进行人脸检测,许多问题都将迎刃而解，比如随机化的表情,人脸变动等。
同时,利用肤色信息将输入图像中的人脸区域分割出来,不仅速度快,实用性也好。
目前,由于利用肤色信息分割出图像中的人脸区域的效率高[13]，大部分的研究著作都是将肤色分割作为前提条件,从而得到侯选人脸区域,再用其它方法来确认得到的候选区域,以达到实时性和真实性并重。
根据是否有成像过程这一依据,可以将基于肤色分割的方法分为两种：
基于统计的方法和基于物理的方法。
第一种是在肤色检测过程中建立一个肤色统计模型,步骤有：
变换颜色空间、肤色建模。
第二种方法在肤色检测过程中加入光照与皮肤间的相互影响,通过对肤色模型以及对光谱特征的研究来进行肤色检测[22]。
本文主要研究第一种方法。
在第一种研究人脸检测的方法过程中，有两个问题需要迫切解决：
如何选择肤色空间以及如何建立用来对像素进行辨认的肤色模型。
2.1色彩空间
根据相关理论，同样的颜色可以有不一样的表达形式，采用不同的表达形式则形成了不一样的色度空间[15]。
而对于在人脸检测中运用肤色特征信息这一方法来说，如何选择肤色空间至关重要，它会对最终的结果有很大的影响。
所以，首先要合理的选择色度空间，根据肤色特征的高聚类性，尽量减少与非肤色特征信息的重叠区域。
许多的研究和文献提出了不同的空间，常见的有：
归一化RGB、HIS空间、HSV空间、YCbCr空间等等。
下文中，我将详细介绍常见的颜色空间和其相应的特点。
2.1.1关于RGB色彩空间
该模型是一种加和模型，在该模型中，红色、绿色和蓝色以各种方式结合再组成其他颜色。
可以采用三维的笛卡尔坐标系来表示该空间模型，x、y、z轴分别对红、绿、蓝三种颜色，如图2.1所示。
原点表示黑色；白色位于离原点最远的顶点处；将这三种颜色取不同量值并加权混合，就能产生不一样的颜色。
任何颜色都能在这个彩色的立方体中找到。
图中立方体的对角线是指当三个分量值相同所对应的灰度像素点，这些灰度像素点构成的这条条直线，如图所示。
图2.1RGB色彩空间
2.1.2归一化RGB色彩空间
在RGB色彩空间里，三个分量不仅表示色彩，同时也包含了亮度信息。
实验表明：
如果两个像素点
和
起对应的分量成比例，即满足：
（2.1）
且其比值不等于1，那么这两个像素具有相同的色彩，其不同主要体现在亮度上。
从而，可以再色度空间中去去除亮度分量，从而得到了一种肤色空间，即归一化RGB肤色空间，其定义如下：
（2.2）
如上式所示，由于
，从而可以减少了空间维数。
大部分的相关研究都使用这一颜色空间作为检测手段。
尽管消除了部分相对亮度信息，但仍然包含一定的绝对亮度信息。
2.1.3HSI色彩空间
HIS色彩空间包含：
色度、亮度和饱和度，是由国外学者提出的模型，常常被画家使用[21]。
我们在日常生活中就采用了这样的观察方式，同时在处理图像过程中也带来了诸多便捷。
其中色度（H）是很据颜色的名字来确认，如红、绿，它用角度-180°~180°或0°~360°来度量；饱和度（S）表示颜色的深浅，对于蓝色也会由于深度不同而分为深蓝和浅蓝，用百分比表示的话就是从0％到全满状态的100％；亮度（I）表示颜色的明暗状况，用百分比表示就是从黑0％到白100％。
HIS的色彩空间可以表示成一个圆柱体，坐标体系如图2.2。
图2.2HIS色彩空间
从RGB色彩空间到HIS色彩空间的转换公式如下：
其中：
（2.3）
2.1.4HSV色彩空间
HSV（色调、饱和度、值）：
色调代表颜色的类型，如红色、蓝色，或者绿色。
饱和度代表充满活力的颜色。
和值代表颜色的亮度。
该方法和HIS色彩空间的表示方法极为相似[12]。
如图2.3所示，HSV色彩空间呈六边形，不同的顶点代表不同的颜色。
大部分情况下，不需要计算V分量的值，所以亮度变化产生的影响不是很大。
首先在色彩空间内定义肤色的值域所在的一个范围，即可正确提取该肤色区域。
如图2.4所示。
图2.3HSV颜色空间
图2.4色度、饱和度空间中的阀值分割
2.1.5YCbCr色彩空间
在JPEG标准中，RGB图像被转换到亮度-色度空间，通常称之为YCbCr色彩空间。
在YCbCr空间中,Y分量表示颜色的亮度信息,Cb和Cr分量不包含亮度信息,分别用来表示像素的蓝色和红色色度[24]。
该空间常用于彩色图像的压缩和传输,JPEG格式的图片采用的色彩系统就是该系统。
在该空间中，可以看出样板的分布受亮度值Y的影响很小。
RGB到YCbCr空间的转换公式如下:
（2.4）
YCbCr空间到RGB空间的转换公式如下：
（2.5）
YCbCr色彩空间具有如下一些优点：
第一，构成原理与人类视觉感知过程相似。
第二，电视等领域都有广泛应用，同时电视显示编码大都采用该颜色的格式。
第三，与其他颜色空间相比，能更好的将图像中的亮度分量分离出来。
第四，计算繁琐程度和坐标表示形式相比较而言更简洁。
由于不同颜色空间都有各自其的不足之处，所以在使用上差了一点，因此在大多数情况下采用YCbCr色彩空间。
建立肤色模型时对色度空间的考察要从两方面着手：
首先就是考察能否正确描述“肤色区域”的分布；再者就是看该空间中“肤色”和“非肤色”的区域重叠情况。
根据大量研究分析,肤色的聚类特性在该空间中比较好[14]。
2.2肤色模型
2.2.1肤色模型简介
当前常用的肤色模型有：
简单色度空间模型、混合高斯模型和统计直方图模型[23]。
各个模型的简要情况如下：
（1）简单色度空间模型
此模型是将彩色图像从RGB色彩空间转换到另一个颜色空间,总结统计值在色度分量上的分布特性,然后用人为规定的阈值分割待检测的彩色图像。
规定在阀值区间内的像素点判定为肤色点,其他像素点判定为非肤色点,肤色分割的二值图像就这样产生了。
该模型具有精确度高,算法简单,实用性好,速度快等优点。
但是在非特定条件下对阈值选择要求高，容易导致失误，因而有时候效果会不太明显，所以肤色检测在特定的情况下才会使用到它。
（2）混合高斯模型
此模型揭示了肤色中每一个像素密度都在概率密度的混合体之内。
参数估计是这个模型的需要克服的主要困难。
此方法在肤色的检测过程中检测率要高很多,并且误检率也要小很多,但是模型的参数估计很难,速度也不是很快,因此不适合快速的肤色检测。
（3）统计直方图模型
此模型的原理不难,就是通过直方图观察总结出肤色在颜色空间的分布情况。
首先通过直方图统计肤色和非肤色像素,得到颜色在肤色和非肤色中的表现出的各方面信息,然后运用贝叶斯决策规则建立一个肤色分类器。
训练集合大小是影响了这一过程的主要因素，还有直方图大小也是其中的一个影响因素。
统计直方图的优势在于不需要考虑颜色空间,运行起来简单无负担，运算过程不繁杂,而且它的肤色分类器在检测过程中速度快。
但是它也有缺陷，它需要大量的样本集,而且短时间内难以完成检测。
（4）基于亮度聚类肤色模型
考虑到彩色的人脸图像容易受到光照等因素的影响,在进行人脸检测时会产生亮区和阴影区。
在检测的过程中,容易产生漏检情况,对检测结果产生了一定程度的干扰。
国外学者在研究这个方法时，通过大量的计算来算出各点的肤色概率，并得出了像素和肤色点的相关结论。
该方法按照光照亮度将肤色分布分为几类，并且通过统计和建模的方法，深度研究并解决了光照这一因素在肤色检测过程中产生的干扰问题，鲁棒性高。
2.2.2肤色模型的建立
如何选择肤色模型的形式和色度空间至关重要,那么如何正确选择呢？
通过大量的研究和资料表明,可以采取这样的办法，考察该空间能不能准确描述“肤色”区域的分布，在用指定的模型这一条件下[11]。
本文中，我将采用高斯模型来完成任务。
该模型运用统计学原理，并得出：
肤色这样的随机样本既然满足正态分布，那么在它同样应该也符合高斯分布，这一结论。
大量资料证实：
如果颜色空间的亮度分量和色度分量分离的话，分离后的二维色度分量的总体分布同样满足二维高斯分布。
通过调查研究资料，通过统计将大量肤色像素点从一个空间转化到另一个颜色空间，就可以看到一个肤色直方图，如图2.5所示。
肤色高斯模型如图2.6所示。
通过比较我们发现，高斯模型在体现肤色分布的效果上更好。
图2.5肤色在CbCr色度空间的具体分布情况
图2.6肤色在CbCr色度空间的高斯分布情况
接下来就是明确二维高斯模型中的相关未知数，计算公式有以下几个：
（2.6）
X代表CbCr色度空间中的像素点的色度向量，m代表统计出来的均值。
C代表统计出来的协方差矩阵。
m和c的取值分别为：
2.3本章小结
本章首先针对基于肤色分割的人脸检测进行了大致的描述讲解。
接着再对基于肤色分割的人脸检测中所涉及的肤色空间和肤色模型作了详细的介绍，并对肤色空间和肤色模和分割性能做了比型的选择问题做了较为详细介绍。
然后对简单肤色模型和高斯肤色模型在不同的肤色空间的聚类特性较详细的分析和比较。
最后,利用复合高斯模型在YCbCr色彩空间中建立了肤色模型，并计算出各个参数的数值。
3图像处理
基于图像块的方法的优势在于适应力强、鲁棒性好，但也存在缺陷，表现在在检测窗口时搜索难度大，因此加强了计算繁琐程度。
所以，迫切提高检测速度，这样才能在某些对实时性要求比较高的场合中不受过多的限制[17]。
对于彩色图像而言，姿态的变化对人脸肤色信息干扰较小，而且彩色的肤色信息特征提取方便。
在环境不理想或者明显与肤色信息相差遥远的条件下，此方法能够迅速找到有用的图像区域，并在有效区域内投入大量计算。
因此，该方法最大的优点就是速度快。
但是，不同种族的人，人脸表面的颜色不一样，光源颜色也不是一成不变的，以及光照角度的不同导致的高光区和非高光区等等因素的影响，加大了人脸分割的任务。
因此，肤色特征这一方法的一个很严重的缺陷就在于很难在任何情况下准确的区分人脸和背景图像。
在背景比较复杂的条件下，大多数办法都是先提取颜色特征。
针对上述情况，我选取了大量彩色图像来进行研究，并提出了复杂条件下的人脸检测算法。
它有两个模块，分别是：
彩色信息条件下的的图像分割以及正面情况下的人脸检测。
对于任意的彩色图像，第一步就是进行颜色分割，得到相关区域，然后在相对应的灰度图像中，按照事先设置好的比例，得到分辨率不用的的窗口区域，我们通常叫做扫描窗口。
通过正面人脸检测这一方法，可以判定该人脸候选区中的扫描窗口中是否确实有人脸。
如果输入图像中确实有人脸，那么我们就可以关于它们的一些信息，比如大小或者是具体的位置。
3.1灰度图像滤波去噪
刚获得的图像有很多噪音。
这主要由于平时的工作和环境引起的，图像增强是减弱噪音，增强对比度。
想得到比较干净清晰的图像并不是容易的事情。
为这个目标而为处理图像所涉及的操作是设计一个适合、匹配的滤波器和恰当的阈值。
常用的有高斯滤波、均值滤波、中值滤波、最小均方差滤波、Gabor滤波[26]。
图像在生成和传输的过程中常常受到各种噪声的干扰和影响，使图像的质量下降。
为了抑制噪声，改造图像质量，可对图像进行滤波处理。
滤波去噪可以在空间域或频率域中进行。
一般情况下，在空间域内可以用领域平均来减少噪声；在频率域内，由于噪声频谱通常多在高频段，因此可以采用各种形式的低通滤波的办法来减少噪声。
在滤波去噪声时应该尽量不损害图像中边沿和各种细节。
下图3.1是没有进行图像灰度转换，以及图像滤波去噪便进行图像二值化、形态学处理最终取得人脸区域的结果图。
图3.1未进行灰度图像滤波去噪处理
下图3.2是通过灰度图像转化并进行低通滤波去噪，后进行二值化处理得到的效果图。
图3.2经过灰度图像处理、滤波处理去噪的效果图
3.2自适应阈值分割
在众多的图像分割方法中，阈值法因其实现简单，不需要人工干预，计算量小等优点而被广泛采用。
阈值法是利用图像中所要提取的目标与背景在灰度特性上的差异，通过选取合适的阈值对图像进行分割处理，从而将目标从背景中区分出来[20]。
阈值分割法的处理结果直接依赖于阈值的选择，如何确定一个最优的阈值来保证有效的分割效果，一直是阈值分割的难题。
目
升级会员 