基于圖像處理的人臉檢測研究

1、基于圖像處理的人臉檢測研究摘 要：針對人臉識別的預處理，采用圖像處理技術解決了人臉檢測問題。首先建立輸入圖像的膚色模型，然后進展開運算處理，以消除圖像噪聲利于后面的眼睛定位。再對二值圖像做灰度投影實現人臉粗分割，定位雙眼。最后對細化分割出來的人臉區(qū)域進展標準化操作，包括灰度的平衡處理和Mallat算法二維小波分解?；叶绕胶獍言紙D像的直方圖變換為均勻分布的形式，增加像素灰度值的范圍。小波分解可以壓縮圖像，以降低算法的復雜度。每個步驟通過處理前后人臉圖像的比照彰顯所做步驟的意義。人臉檢測的最終結果是獲得64×64大小的人臉圖像。此圖像包含了人臉的有效信息，在此圖像的根底上才能進展后續(xù)的

2、提取特征、設計支持向量機，進而做人臉識別。關鍵詞：圖像處理；人臉檢測；灰度平衡；小波分解；膚色建模要識別圖像中的人臉，首要的一點就是要找到人臉。人臉檢測與跟蹤就是研究如何從靜態(tài)圖片或者視頻序列中找出人臉的所在區(qū)域，假設存在人臉，那么輸出人臉的位置及其大小。人臉跟蹤就是要在檢測到人臉的根底上，在后續(xù)的人臉圖像中繼續(xù)捕獲人臉的位置及其大小等性質。人臉檢測是人臉身份識別的前期工作。同時，人臉檢測作為完好的單獨功能模塊，在智能視頻監(jiān)控、視頻檢索和視頻內容組織等方面有直接的應用1。目前做人臉檢測的方法大致有：神經網絡的方法、基于特征的方法和基于圖像的方法等。其中，神經網絡的方法是用許多的訓練數據一部份是

3、臉部的、一部份是非臉部的去訓練神經網絡，使其可以辨識出什么圖像是臉、什么圖像不是臉?；谔卣鞯姆椒ㄊ抢萌四槻康囊恍┨卣鱽頇z測人臉，例如：人臉上有眼睛、鼻子、嘴巴，而這些器官都有固定的相對位置；就整張臉而言，大概是呈橢圓形，而臉和背景之間大致會有邊緣線；諸如此類，有許許多多的特征可利用。而基于圖像的方法，那么是利用人臉部的顏色來判斷某圖像是否是臉，假設圖像是彩色的，知道臉的顏色是黃、白、褐、深褐色，假設圖像是灰度的，人臉的灰度顏色的變化并不會太大，而眼睛、嘴巴、頭發(fā)會是較黑的部份2。同灰度圖像相比，彩色圖像可以提供更多有關于目的物體的信息，彩色圖像處理方法具有比灰度圖像處理方法更大的優(yōu)越性。基

4、于圖像的方法運算量小，膚色是人臉的重要信息，不依賴于面部的細節(jié)特征，對于旋轉、表情等變化情況都能適用，具有相對的穩(wěn)定性并且和大多數背景物體的顏色相區(qū)別，因此膚色特征在人臉檢測中是最常用的一種特征3。本課題設計了一套人臉識別的技術道路，僅討論標準化處理前的人臉檢測局部。人的皮膚顏色分布在顏色空間中很小的一個范圍內，呈聚類特性，特別是在排除了光照亮度和在經過某種變換的色彩空間中。所以利用膚色這一線索，可以排除掉在灰度圖像中很像人臉而對應到彩色圖像中根本不是膚色的區(qū)域，這在人臉檢測中會起到積極的作用，膚色模型正是建立在此根底之上的，并且人們提出了不同色彩空間的膚色模型表示方法。常見的色彩表示方法是基

5、于三基色理論的RGB空間，由RGB空間經過變換，可以得到各種色度空間表示，有HIS，YCbCr等4。CbCr分量組成的二維聚類區(qū)域排除了大局部非人臉區(qū)域，但由于CbCr是直接由RGB色彩格式通過線性變換得到，沒有完全別離出亮度信息，因此對光照比較敏感。膚色聚類呈兩頭尖的紡錘形狀。假設只采用二維的膚色CbCr模型，在值較大和較小的局部，被錯誤檢測為膚色的區(qū)域將大大增加。在進展膚色建模的時候，YCbCr空間中的亮度和色度的別離度越大越好，但是實際操作中這二者總是存在一定的依賴關系，要做的就是盡量消除它們之間的依賴關系，分段的非線性轉換就是為了這一目的。2 二值圖像開運算和閉運算形態(tài)學變換膨脹采用向

6、量加法對兩個集合進展合并。膨脹XB是所有可能向量加之和的集合，向量加法的兩個操作數分別來自于X和B，并且取到任意可能的組合6。膨脹用來填補物體中小的空洞和狹窄的縫隙，它使物體的尺寸增大。腐蝕對集合元素采用向量減法，將兩個集合合并，腐蝕是膨脹的對偶運算。腐蝕簡化了物體的構造，某些物體或物體的局部將被去掉， 腐蝕和膨脹不是互逆變換。開運算是對圖像先腐蝕后再膨脹，得到的不是原始圖像。根據開啟和閉合的特點，通?？梢岳瞄_啟刪除圖像中的小分支，利用閉合填補圖像中的空穴。用B=111111將經過膚色建模的圖像進展開運算處理，消除局部噪聲以利于下面的眼睛定位見圖4，可見眼睛所在的區(qū)域非常明晰7。圖像分割是一

7、種根本的計算機視覺技術，是從圖像處理到圖像分析的關鍵步驟。有效合理的圖像分割可以為基于內容的圖像檢索、對象分析等抽象出非常有用的信息，從而使得更高層的圖像理解成為可能8。對于經過膚色建模后的二值圖像，很容易分割出人臉區(qū)域，本文采用灰度積分投影的方法，利用人臉圖像的垂直灰度投影確定左右邊界，利用程度灰度投影確定上下邊界。設人臉灰度圖像為fx，y，其大小為m×n，定義圖像的程度灰度投影為選擇適當的投影閾值即可實現人臉的粗分割見圖5。在本文中分割人臉的目的在于減小搜索區(qū)域，更加方便地定位雙眼，因此分割區(qū)域選擇首先要包含雙眼在內，其次盡量排除其他對雙眼定位有干擾的區(qū)域，如頭發(fā)等，所以沒有實現

8、人臉的完全分割，而是實現的局部分割，以包括雙眼在內為首要目的。眼睛定位對于能否自動有效地實現識別算法起著重要的作用，由于人臉是非剛性的，同一人的臉因表情變化會差異很大，但同一人的兩眼間距相對變化是較小的，并且雙眼對于人臉中線對稱，因此雙眼的位置及其間距自然成為人臉圖像幾何歸一化的根據9。3 在左右眼每個半區(qū)中，當出現把眉毛誤認為眼睛的時候，可以按照眉毛在眼睛上方這一先驗知識予以取舍；4 左右半區(qū)都挑選了一個區(qū)域以后，就可以得到左右眼睛的中心點。使用挪動窗口的好處是它相當于一個噪聲消除裝置，可以將滿足條件的孤立區(qū)域連接起來得到更大的區(qū)域，利于確定眼睛中心點。5 細化分割6.1 灰度平衡處理細化分

9、割后還應做灰度平衡處理，此處采用直方圖的灰度平衡方法見圖8。這個方法的根本思想是把原始圖像的直方圖變換為均勻分布的形式，這樣就增加了像素灰度值的動態(tài)范圍，增強了靠近直方圖極大值附近的亮度比照度，減小了極小值附近的比照度。原始圖像的直方圖用Hp表示，輸入的灰度級范圍是p0，pk。1 對于有G個灰度級大小為M×N的圖像，創(chuàng)立一個長為G的數組H，并初始化為0；2 形成直方圖。掃描每個像素，增加相應的H成員，當像素p具有亮度gp時，做Hgp=Hgp+1；3 形成累積直方圖HC。 HC0=H0， HCp=HCp-1+Hp；4 設置Tp=roundG-1M×NHcp，并重新掃描圖像得到

10、一個具有灰度級gp的輸出圖像，設置gp=Tgp。a平衡前 b平衡后平衡后的圖像，仍包含較多冗余信息，圖像容量較大?？梢圆捎眯〔ㄗ儞Q，壓縮圖像，以降低后續(xù)算法的復雜度。小波變換是一種信號的時間-尺度分析方法，它具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的才能，是一種窗口大小固定不變，但其形狀可變時間窗和頻率窗都可變的時頻局部化分析方法。即在低頻局部具有較高的頻率分辨率和較低時間分辨率，在高頻局部具有較高的時間分辨率和較低的頻率分辨率，很適宜探測正常信號中夾帶的瞬態(tài)反常現象并展示其成分，所以被譽為分析信號的顯微鏡11。二維小波函數是通過一維小波函數經過張量積變換得到的，二維小波函

11、數分解是把尺度j的低頻局部分解成四局部：尺度j+1的低頻局部和三個方向程度、垂直、斜線的高頻局部?？梢詫⒍S小波分解應用于人臉圖像的表示，經過適當層次的小波分解后得到的低頻子帶圖像有以下特點：經k層小波分解后得到的像素點數是原圖的1/4k，分解后的低頻子帶圖像對表情變化不敏感。在多分辨率分析的根底上，Mallat算法是基于濾波器組的小波分解和小波重構算法，通過它可以實現信號多分辨的快速分解。Mallat算法通過一組分解濾波器h低通濾波器和g高通濾波器對信號進展濾波，然后對輸出結果進展下二采樣來實現小波分解，分解的結果是產生長度減半的兩個局部，一個是經低通濾波器產生的原始信號的平滑局部；另外一個

12、是由高通濾波器產生的原始信號的細節(jié)局部。重構時使用一組h和g合成濾波器對小波分解的結果濾波，再進展上二采樣來重構信號。多級小波分解通過級聯的方式進展，每一級的小波變換都是在前一級分解產生的低頻分量上的繼續(xù)，合成是分解的逆運算。低頻分量上的信息比較豐富，能量集中；高頻分量上的信息分量多為零，細節(jié)信息豐富，能量較少。Mallat小波使得復雜的小波變成了簡單的濾波器系數，大大降低了其應用的復雜度。利用Mallat算法進展信號的正交小波分解與合成如圖9所示。圖9 Mallat算法 小波分解層數過多，雖然冗余度降低，但喪失較多信息。本文采用二層小波分解。在對圖像進展二維分解時，先對一個方向程度方向或垂直方向進展濾波，再對另一個方向進展濾波。通過濾波，將圖像分解為四個子圖，LL表示程度方向和垂直方向都是低頻濾波。對一幅圖像來說，其高頻信息主要集中在邊緣、輪廓和某些紋理的法線方向上，低頻信息占據圖像大局部內容，所以分解主要做低頻處理。經過兩層小波分解后的LL人臉圖像，其大小為64×64見圖10。7 結論經過該算法，人