基于膚色的人臉分割方法研究畢業(yè)論文

1、<p>　　南京理工大學(xué)紫金學(xué)院</p><p>　　畢業(yè)設(shè)計說明書(論文)</p><p>　　指導(dǎo)者： </p><p>　　(姓 名) (專業(yè)技術(shù)職務(wù))</p><p>　　評閱者： &

2、lt;/p><p>　　(姓 名) (專業(yè)技術(shù)職務(wù))</p><p><b>　　2013年 5月</b></p><p>　　南 京 理 工 大 學(xué) 紫 金 學(xué) 院</p><p>　　畢業(yè)設(shè)計（論文）評語</p><p>　　學(xué)生姓名： 周劍鋒 班級、學(xué)號： 0

3、90403150 </p><p>　　題 目： 基于膚色的人臉分割方法研究 </p><p>　　綜合成績： </p><p>　　畢業(yè)設(shè)計（論文）評語</p><p>　　畢業(yè)設(shè)計說明書（論文）中文摘要</p><p&

4、gt;　　畢業(yè)設(shè)計說明書（論文）外文摘要</p><p><b>　　目 次</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 人臉檢測的研究背景及意義1</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢1</p><p>

5、;　　1.3 人臉檢測方法綜述2</p><p>　　1.4 本文的主要工作3</p><p>　　2 基于膚色分割的人臉檢測5</p><p>　　2.1 色彩空間5</p><p>　　2.2 膚色模型9</p><p>　　2.3 本章小結(jié)12</p><p>　　

6、3 圖像處理13</p><p>　　3.1 灰度圖像濾波去噪13</p><p>　　3.2 自適應(yīng)閾值分割14</p><p>　　3.3 二值圖像處理16</p><p>　　3.4 形態(tài)學(xué)處理17</p><p>　　3.5 腐蝕和膨脹17</p><p>　　3

7、.6 人臉區(qū)域定位19</p><p>　　3.7 本章小結(jié) 19</p><p>　　4 人臉檢測界面及結(jié)果分析20</p><p>　　4.1 Matlab代碼20</p><p>　　4.2 運(yùn)行成果25</p><p>　　4.3 本章小結(jié)26</p><p>&

8、lt;b>　　結(jié) 論27</b></p><p><b>　　致 謝28</b></p><p>　　參 考 文 獻(xiàn)29</p><p><b>　　1 引言</b></p><p>　　1.1 人臉檢測的研究背景及意義</p><p>　　人臉

9、識別技術(shù)的研究最早開始于上世紀(jì)60年代末，迄今已經(jīng)有40多年的歷史，是當(dāng)前模式識別和人工智能領(lǐng)域的一個前沿課題[3]。時代的發(fā)展使得人臉識別技術(shù)的應(yīng)用前景更為廣闊。隨著電子信息技術(shù)的迅猛發(fā)展，人臉識別技術(shù)成為更理想的身份驗證方式。人臉識別技術(shù)通過分析輸入的人臉圖像，得到能有效表達(dá)人臉特征的面部特征信息，并用來辯識人的身份。人臉識別技術(shù)涵蓋圖像處理、模式識別、機(jī)器視覺、人工智能等學(xué)科，并與人機(jī)交互等研究領(lǐng)域有重要的交叉[5]。作為一種重要

10、的個人身份鑒別技術(shù)，在國家安全、門禁系統(tǒng)、視頻監(jiān)控等多種地方都有運(yùn)用人臉識別技術(shù)。和其他方法比較起來，它更加方便、低侵犯性以及魯棒性強(qiáng)等多種特點[1]。</p><p>　　一般來講，完整的人臉識別系統(tǒng)由：人臉檢測、特征提取以及人臉識別，三個部分組成[4]。人臉檢測的目的就是從背景圖像中找到人臉?biāo)诘膮^(qū)域，然后把人臉從中分割出來，接著進(jìn)行再人臉識別系統(tǒng)后續(xù)的一些工作。但長期以來，研究人員忽視了對人臉檢測的研究，因

11、此，人臉檢測還有很多方面需要進(jìn)行更深層次的研究[2]。本文主要研究基于膚色的人臉檢測方法。</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢</p><p>　　經(jīng)過幾十年的發(fā)展，科研人員做了大量關(guān)于人臉識別技術(shù)的研究，也取得了豐碩的成果。其中MIT媒體實驗室、Maryland大學(xué)等的貢獻(xiàn)尤為突出[6]。</p><p>　　國外諸多科研機(jī)構(gòu)都有專門從事人臉檢

12、測和識別研究的研究組，著名的人臉檢測和識別研究機(jī)構(gòu)有：美國麻省理工學(xué)院媒體實驗室、英國Surrey大學(xué)視覺、法國的INRIA研究所、瑞士的IDIAP等[10]。其他領(lǐng)域的著名的國際會議有：國際計算機(jī)視覺和模式識別會議CVPR、亞洲計算機(jī)視覺會議ACCV等[8]。特別的是，很多知名的國際期刊都設(shè)有人臉識別的專題。</p><p>　　我國80年代時期開始了對人臉識別的研究。國內(nèi)著名的科研單位有：中科院自動化研究所、

13、中科院計算機(jī)所、南京理工大學(xué)等等[27]。著名的企業(yè)有：北京行者集團(tuán)、北京東鳥、上海銀晨、武漢東潤等等。國內(nèi)的企業(yè)通過和相關(guān)研究機(jī)構(gòu)的密切合作，通過大量研究和開發(fā)，克服了一個又一個的困難，發(fā)明出了我們國家自主的民族品牌產(chǎn)品，并且多項指標(biāo)比國外的系統(tǒng)更勝一籌。由我國清華大學(xué)電子系丁曉青教授研究的人臉識別系統(tǒng)在美國某人臉識別供應(yīng)商的評測中，取得了十分優(yōu)秀成績。同時由我國自主研制的擁有完全自主知識產(chǎn)權(quán)的“面像識別核心技術(shù)”獲得了很大的成就，多

14、項技術(shù)指標(biāo)都達(dá)到國際一流水平[7]。</p><p>　　經(jīng)過多年的不斷努力，人臉識別技術(shù)已經(jīng)取得了很大發(fā)展。人臉圖像由于光照、膚色、人種、眼睛、遮擋等因素的影響具有“一人千面”的特點。因此，人臉識別技術(shù)仍需要克服許多問題。</p><p>　　1.3 人臉檢測方法綜述</p><p>　　人臉檢測方法大體可以分為三種：第一種是基于知識的方法，直接利用人臉基本特征

15、，推出的相應(yīng)規(guī)律來檢測人臉。當(dāng)找到符合規(guī)則的圖像區(qū)域后，就可以認(rèn)為人臉已經(jīng)被檢驗出來，對候選的圖像區(qū)域進(jìn)行驗證，來確定該圖像區(qū)域是否有人臉[9]。基于知識的人臉檢測方法又大致可以分成三種：第一種是檢測人臉上的器官（如眼睛、耳朵、眉毛等），然后根據(jù)它們的相對位置關(guān)系判斷整個區(qū)域是否為人臉的面部特征法。第二種方法是根據(jù)人臉的各個器官具有一定對稱性，通過連續(xù)對稱性檢測方法，檢測一個圓形區(qū)域的對稱性，從而確定是否為人臉的機(jī)構(gòu)特征法。第三種是顏色

16、特征法，因為人臉的膚色在某些特定的顏色空間中具有比較好的類聚特性，根據(jù)膚色像素在色的上的相似性和空間上的相關(guān)性分割出可能的人臉區(qū)域。</p><p>　　第二種是基于模版匹配的方法。首先確定人臉模板和各器官特征的子模板，然后計算模板的相關(guān)值，由得到的相關(guān)值確定輸入圖像中是否存在人臉。基于模板匹配的方法分為固定模板辦法和變相模板法。固定模板法首先制定出標(biāo)準(zhǔn)的模板，然后計算檢測區(qū)域和模板的相關(guān)值，根據(jù)一定的準(zhǔn)則判斷人

17、臉區(qū)域。變形模板法第一步就是制定模板參數(shù)，對參數(shù)進(jìn)行修整一直到收斂為止，最終檢測出人臉面部器官位置。</p><p>　　第三種基于統(tǒng)計的方法。這種方法的思想與模板匹配方法的不同之處在于將人臉區(qū)域看作一類模式，搜集大量樣本，并在樣本集上建立一個正確識別人臉和非人臉的分類器，全局掃描被檢測圖像，來明確圖像窗口中是否有人臉。</p><p>　　1.4 本文的主要工作</p>

18、<p>　　如前文所述，人臉是一個常見而又復(fù)雜的視覺模式，作為一種生物特征在模式識別和計算機(jī)視覺等領(lǐng)域得到了大量的應(yīng)用。而所有基于人臉的這些應(yīng)用首要解決的一個問題就是人臉檢測。近幾年隨著彩色圖像的普及，利用人臉的膚色特征作為檢測手段也為了一個研究熱點，因此本文應(yīng)用基于膚色的檢測方法來實現(xiàn)人臉檢測，從而展開了本文的工作。</p><p>　　第一章介紹了人臉檢測技術(shù)的研究背景、意義以及研究現(xiàn)狀，并對人臉檢

19、測方法進(jìn)行了一個大致的講解。</p><p>　　第二章首先介紹了5個常用色彩空間，經(jīng)過比較后采用了YCbCr色彩空間作為膚色空間。接著簡單的介紹了膚色模型，并選擇了高斯模型作為實驗所用的膚色模型。</p><p>　　第三章為了能夠更加準(zhǔn)確地進(jìn)行膚色分割，在圖像膚色分割前進(jìn)行必要的預(yù)處理。為使人臉可能區(qū)域數(shù)目的減少，本章介紹了形態(tài)學(xué)運(yùn)算、數(shù)學(xué)統(tǒng)計等方法進(jìn)行人臉可能區(qū)域初步篩選。</

20、p><p>　　第四章人臉檢測代碼、界面及結(jié)果分析，為了能更清晰明了地展示本課題的人臉檢測過程，采用matlab軟件中的GUI部分設(shè)計人臉檢測界面。對彩色圖像測試集中的圖像進(jìn)行檢測，之后給出檢測及分析結(jié)果。</p><p>　　第五部分結(jié)論與展望。</p><p>　　2 基于膚色分割的人臉檢測</p><p>　　科研者們利用人臉膚色信息進(jìn)行人

21、臉檢測，做了大量的研究和調(diào)查，并取得了一定的成果，此方法越來越受到人們的廣泛重視。基于人臉膚色的聚類性，科研者們在進(jìn)行人臉檢測時使用人臉膚色信息做憑據(jù)。相關(guān)研究表明,不同條件下人臉的膚色會有較大的不一致性,但這種不一致性不是在色彩上,而是表現(xiàn)在亮度上[25]。如果在圖像中對亮度因素進(jìn)行一定的調(diào)整,那么人臉膚色會有不錯的聚類性。</p><p>　　利用人臉膚色信息進(jìn)行人臉檢測,許多問題都將迎刃而解，比如隨機(jī)化的表

22、情,人臉變動等。同時,利用膚色信息將輸入圖像中的人臉區(qū)域分割出來,不僅速度快,實用性也好。目前, 由于利用膚色信息分割出圖像中的人臉區(qū)域的效率高[13]，大部分的研究著作都是將膚色分割作為前提條件,從而得到侯選人臉區(qū)域,再用其它方法來確認(rèn)得到的候選區(qū)域,以達(dá)到實時性和真實性并重。</p><p>　　根據(jù)是否有成像過程這一依據(jù),可以將基于膚色分割的方法分為兩種：基于統(tǒng)計的方法和基于物理的方法。第一種是在膚色檢測過

23、程中建立一個膚色統(tǒng)計模型,步驟有：變換顏色空間、膚色建模。第二種方法在膚色檢測過程中加入光照與皮膚間的相互影響,通過對膚色模型以及對光譜特征的研究來進(jìn)行膚色檢測[22]。本文主要研究第一種方法。</p><p>　　在第一種研究人臉檢測的方法過程中，有兩個問題需要迫切解決：如何選擇膚色空間以及如何建立用來對像素進(jìn)行辨認(rèn)的膚色模型。</p><p><b>　　2.1 色彩空間&

24、lt;/b></p><p>　　根據(jù)相關(guān)理論，同樣的顏色可以有不一樣的表達(dá)形式，采用不同的表達(dá)形式則形成了不一樣的色度空間[15]。而對于在人臉檢測中運(yùn)用膚色特征信息這一方法來說，如何選擇膚色空間至關(guān)重要，它會對最終的結(jié)果有很大的影響。所以，首先要合理的選擇色度空間，根據(jù)膚色特征的高聚類性，盡量減少與非膚色特征信息的重疊區(qū)域。許多的研究和文獻(xiàn)提出了不同的空間，常見的有：歸一化RGB、HIS空間、HSV空間

25、、YCbCr空間等等。下文中，我將詳細(xì)介紹常見的顏色空間和其相應(yīng)的特點。</p><p>　　2.1.1 關(guān)于RGB色彩空間</p><p>　　該模型是一種加和模型，在該模型中，紅色、綠色和藍(lán)色以各種方式結(jié)合再組成其他顏色?？梢圆捎萌S的笛卡爾坐標(biāo)系來表示該空間模型，x、y、z軸分別對紅、綠、藍(lán)三種顏色，如圖2.1 所示。原點表示黑色；白色位于離原點最遠(yuǎn)的頂點處；將這三種顏色取不同量值

26、并加權(quán)混合，就能產(chǎn)生不一樣的顏色。任何顏色都能在這個彩色的立方體中找到。圖中立方體的對角線是指當(dāng)三個分量值相同所對應(yīng)的灰度像素點，這些灰度像素點構(gòu)成的這條條直線，如圖所示。</p><p>　　圖2.1 RGB 色彩空間</p><p>　　2.1.2 歸一化RGB色彩空間</p><p>　　在RGB色彩空間里，三個分量不僅表示色彩，同時也包含了亮度信息。實驗表

27、明：如果兩個像素點和起對應(yīng)的分量成比例，即滿足：</p><p><b>　?。?.1）</b></p><p>　　且其比值不等于1，那么這兩個像素具有相同的色彩，其不同主要體現(xiàn)在亮度上。從而，可以再色度空間中去去除亮度分量，從而得到了一種膚色空間，即歸一化RGB膚色空間，其定義如下：</p><p><b>　　（2.2）<

28、/b></p><p>　　如上式所示，由于，從而可以減少了空間維數(shù)。大部分的相關(guān)研究都使用這一顏色空間作為檢測手段。盡管消除了部分相對亮度信息，但仍然包含一定的絕對亮度信息。</p><p>　　2.1.3 HSI色彩空間</p><p>　　HIS色彩空間包含：色度、亮度和飽和度，是由國外學(xué)者提出的模型，常常被畫家使用[21]。我們在日常生活中就采用了這樣

29、的觀察方式，同時在處理圖像過程中也帶來了諸多便捷。其中色度（H）是很據(jù)顏色的名字來確認(rèn)，如紅、綠，它用角度-180°~180°或0°~360°來度量；飽和度（S）表示顏色的深淺，對于藍(lán)色也會由于深度不同而分為深藍(lán)和淺藍(lán)，用百分比表示的話就是從0％到全滿狀態(tài)的100％；亮度（I）表示顏色的明暗狀況，用百分比表示就是從黑0％到白100％。HIS的色彩空間可以表示成一個圓柱體，坐標(biāo)體系如圖2.2。<

30、;/p><p>　　圖2.2 HIS色彩空間</p><p>　　從RGB色彩空間到HIS色彩空間的轉(zhuǎn)換公式如下：</p><p><b>　　其中：</b></p><p><b>　?。?.3）</b></p><p>　　2.1.4HSV色彩空間</p>&l

31、t;p>　　HSV（色調(diào)、飽和度、值）：色調(diào)代表顏色的類型，如紅色、藍(lán)色，或者綠色。飽和度代表充滿活力的顏色。和值代表顏色的亮度。該方法和HIS色彩空間的表示方法極為相似[12]。如圖2.3所示，HSV色彩空間呈六邊形，不同的頂點代表不同的顏色。</p><p>　　大部分情況下，不需要計算V分量的值，所以亮度變化產(chǎn)生的影響不是很大。首先在色彩空間內(nèi)定義膚色的值域所在的一個范圍，即可正確提取該膚色區(qū)域。如圖

32、2.4所示。</p><p>　　圖2.3 HSV顏色空間</p><p>　　圖2.4 色度、飽和度空間中的閥值分割</p><p>　　2.1.5YCbCr色彩空間</p><p>　　在JPEG標(biāo)準(zhǔn)中，RGB圖像被轉(zhuǎn)換到亮度-色度空間，通常稱之為YCbCr色彩空間。在YCbCr空間中,Y分量表示顏色的亮度信息,Cb和Cr分量不包含亮度信

33、息,分別用來表示像素的藍(lán)色和紅色色度[24]。該空間常用于彩色圖像的壓縮和傳輸,JPEG格式的圖片采用的色彩系統(tǒng)就是該系統(tǒng)。在該空間中，可以看出樣板的分布受亮度值Y的影響很小。 RGB到Y(jié)CbCr空間的轉(zhuǎn)換公式如下:</p><p><b>　　(2.4)</b></p><p>　　YCbCr空間到RGB空間的轉(zhuǎn)換公式如下：</p><p>

34、<b>　?。?.5）</b></p><p>　　YCbCr色彩空間具有如下一些優(yōu)點：</p><p>　　第一，構(gòu)成原理與人類視覺感知過程相似。</p><p>　　第二，電視等領(lǐng)域都有廣泛應(yīng)用，同時電視顯示編碼大都采用該顏色的格式。</p><p>　　第三，與其他顏色空間相比，能更好的將圖像中的亮度分量分離出來。

35、</p><p>　　第四，計算繁瑣程度和坐標(biāo)表示形式相比較而言更簡潔。</p><p>　　由于不同顏色空間都有各自其的不足之處，所以在使用上差了一點，因此在大多數(shù)情況下采用YCbCr色彩空間。</p><p>　　建立膚色模型時對色度空間的考察要從兩方面著手：首先就是考察能否正確描述“膚色區(qū)域”的分布；再者就是看該空間中“膚色”和“非膚色”的區(qū)域重疊情況。根據(jù)大

36、量研究分析,膚色的聚類特性在該空間中比較好[14]。</p><p><b>　　2.2 膚色模型</b></p><p>　　2.2.1 膚色模型簡介</p><p>　　當(dāng)前常用的膚色模型有：簡單色度空間模型、混合高斯模型和統(tǒng)計直方圖模型[23]。各個模型的簡要情況如下：</p><p>　?。?）簡單色度空間模

37、型</p><p>　　此模型是將彩色圖像從RGB色彩空間轉(zhuǎn)換到另一個顏色空間,總結(jié)統(tǒng)計值在色度分量上的分布特性,然后用人為規(guī)定的閾值分割待檢測的彩色圖像。規(guī)定在閥值區(qū)間內(nèi)的像素點判定為膚色點,其他像素點判定為非膚色點,膚色分割的二值圖像就這樣產(chǎn)生了。</p><p>　　該模型具有精確度高,算法簡單,實用性好,速度快等優(yōu)點。但是在非特定條件下對閾值選擇要求高，容易導(dǎo)致失誤，因而有時候效果

38、會不太明顯，所以膚色檢測在特定的情況下才會使用到它。</p><p><b>　?。?）混合高斯模型</b></p><p>　　此模型揭示了膚色中每一個像素密度都在概率密度的混合體之內(nèi)。參數(shù)估計是這個模型的需要克服的主要困難。此方法在膚色的檢測過程中檢測率要高很多,并且誤檢率也要小很多,但是模型的參數(shù)估計很難,速度也不是很快,因此不適合快速的膚色檢測。</p&

39、gt;<p>　?。?）統(tǒng)計直方圖模型</p><p>　　此模型的原理不難,就是通過直方圖觀察總結(jié)出膚色在顏色空間的分布情況。首先通過直方圖統(tǒng)計膚色和非膚色像素,得到顏色在膚色和非膚色中的表現(xiàn)出的各方面信息,然后運(yùn)用貝葉斯決策規(guī)則建立一個膚色分類器。訓(xùn)練集合大小是影響了這一過程的主要因素，還有直方圖大小也是其中的一個影響因素。</p><p>　　統(tǒng)計直方圖的優(yōu)勢在于不需要

40、考慮顏色空間,運(yùn)行起來簡單無負(fù)擔(dān)，運(yùn)算過程不繁雜,而且它的膚色分類器在檢測過程中速度快。但是它也有缺陷，它需要大量的樣本集,而且短時間內(nèi)難以完成檢測。</p><p>　?。?）基于亮度聚類膚色模型</p><p>　　考慮到彩色的人臉圖像容易受到光照等因素的影響,在進(jìn)行人臉檢測時會產(chǎn)生亮區(qū)和陰影區(qū)。在檢測的過程中,容易產(chǎn)生漏檢情況,對檢測結(jié)果產(chǎn)生了一定程度的干擾。國外學(xué)者在研究這個方法時

41、，通過大量的計算來算出各點的膚色概率，并得出了像素和膚色點的相關(guān)結(jié)論。該方法按照光照亮度將膚色分布分為幾類，并且通過統(tǒng)計和建模的方法，深度研究并解決了光照這一因素在膚色檢測過程中產(chǎn)生的干擾問題，魯棒性高。</p><p>　　2.2.2 膚色模型的建立</p><p>　　如何選擇膚色模型的形式和色度空間至關(guān)重要,那么如何正確選擇呢？通過大量的研究和資料表明,可以采取這樣的辦法，考察該空

42、間能不能準(zhǔn)確描述“膚色”區(qū)域的分布，在用指定的模型這一條件下[11]。本文中，我將采用高斯模型來完成任務(wù)。</p><p>　　該模型運(yùn)用統(tǒng)計學(xué)原理，并得出：膚色這樣的隨機(jī)樣本既然滿足正態(tài)分布，那么在它同樣應(yīng)該也符合高斯分布，這一結(jié)論。大量資料證實：如果顏色空間的亮度分量和色度分量分離的話，分離后的二維色度分量的總體分布同樣滿足二維高斯分布。通過調(diào)查研究資料，通過統(tǒng)計將大量膚色像素點從一個空間轉(zhuǎn)化到另一個顏色空間

43、，就可以看到一個膚色直方圖，如圖2.5所示。膚色高斯模型如圖2.6所示。通過比較我們發(fā)現(xiàn)，高斯模型在體現(xiàn)膚色分布的效果上更好。</p><p>　　圖2.5膚色在CbCr色度空間的具體分布情況</p><p>　　圖2.6膚色在CbCr色度空間的高斯分布情況</p><p>　　接下來就是明確二維高斯模型中的相關(guān)未知數(shù)，計算公式有以下幾個：</p>&

44、lt;p><b>　　（2.6）</b></p><p>　　X代表CbCr色度空間中的像素點的色度向量，m代表統(tǒng)計出來的均值。C代表統(tǒng)計出來的協(xié)方差矩陣。m和c的取值分別為：</p><p><b>　　2.3 本章小結(jié)</b></p><p>　　本章首先針對基于膚色分割的人臉檢測進(jìn)行了大致的描述講解。接著再對

45、基于膚色分割的人臉檢測中所涉及的膚色空間和膚色模型作了詳細(xì)的介紹，并對膚色空間和膚色模和分割性能做了比型的選擇問題做了較為詳細(xì)介紹。然后對簡單膚色模型和高斯膚色模型在不同的膚色空間的聚類特性較詳細(xì)的分析和比較。最后,利用復(fù)合高斯模型在YCbCr色彩空間中建立了膚色模型，并計算出各個參數(shù)的數(shù)值。</p><p><b>　　3 圖像處理</b></p><p>　　基

46、于圖像塊的方法的優(yōu)勢在于適應(yīng)力強(qiáng)、魯棒性好，但也存在缺陷，表現(xiàn)在在檢測窗口時搜索難度大，因此加強(qiáng)了計算繁瑣程度。所以，迫切提高檢測速度，這樣才能在某些對實時性要求比較高的場合中不受過多的限制[17]。</p><p>　　對于彩色圖像而言，姿態(tài)的變化對人臉膚色信息干擾較小，而且彩色的膚色信息特征提取方便。在環(huán)境不理想或者明顯與膚色信息相差遙遠(yuǎn)的條件下，此方法能夠迅速找到有用的圖像區(qū)域，并在有效區(qū)域內(nèi)投入大量計算。

47、因此，該方法最大的優(yōu)點就是速度快。但是，不同種族的人，人臉表面的顏色不一樣，光源顏色也不是一成不變的，以及光照角度的不同導(dǎo)致的高光區(qū)和非高光區(qū)等等因素的影響，加大了人臉分割的任務(wù)。因此，膚色特征這一方法的一個很嚴(yán)重的缺陷就在于很難在任何情況下準(zhǔn)確的區(qū)分人臉和背景圖像。在背景比較復(fù)雜的條件下，大多數(shù)辦法都是先提取顏色特征。</p><p>　　針對上述情況，我選取了大量彩色圖像來進(jìn)行研究，并提出了復(fù)雜條件下的人臉檢

48、測算法。它有兩個模塊，分別是：彩色信息條件下的的圖像分割以及正面情況下的人臉檢測。對于任意的彩色圖像，第一步就是進(jìn)行顏色分割，得到相關(guān)區(qū)域，然后在相對應(yīng)的灰度圖像中，按照事先設(shè)置好的比例，得到分辨率不用的的窗口區(qū)域，我們通常叫做掃描窗口。通過正面人臉檢測這一方法，可以判定該人臉候選區(qū)中的掃描窗口中是否確實有人臉。如果輸入圖像中確實有人臉，那么我們就可以關(guān)于它們的一些信息，比如大小或者是具體的位置。</p><p>

49、;　　3. 1 灰度圖像濾波去噪 </p><p>　　剛獲得的圖像有很多噪音。這主要由于平時的工作和環(huán)境引起的，圖像增強(qiáng)是減弱噪音，增強(qiáng)對比度。想得到比較干凈清晰的圖像并不是容易的事情。為這個目標(biāo)而為處理圖像所涉及的操作是設(shè)計一個適合、匹配的濾波器和恰當(dāng)?shù)拈撝怠３Ｓ玫挠懈咚篂V波、均值濾波、中值濾波、最小均方差濾波、Gabor濾波[26]。圖像在生成和傳輸?shù)倪^程中常常受到各種噪聲的干擾和影響，使圖像的質(zhì)量下降。

50、為了抑制噪聲，改造圖像質(zhì)量，可對圖像進(jìn)行濾波處理。濾波去噪可以在空間域或頻率域中進(jìn)行。一般情況下，在空間域內(nèi)可以用領(lǐng)域平均來減少噪聲；在頻率域內(nèi)，由于噪聲頻譜通常多在高頻段，因此可以采用各種形式的低通濾波的辦法來減少噪聲。在濾波去噪聲時應(yīng)該盡量不損害圖像中邊沿和各種細(xì)節(jié)。</p><p>　　下圖3.1是沒有進(jìn)行圖像灰度轉(zhuǎn)換，以及圖像濾波去噪便進(jìn)行圖像二值化、形態(tài)學(xué)處理最終取得人臉區(qū)域的結(jié)果圖。</p>

51、;<p>　　圖3.1 未進(jìn)行灰度圖像濾波去噪處理</p><p>　　下圖3.2是通過灰度圖像轉(zhuǎn)化并進(jìn)行低通濾波去噪，后進(jìn)行二值化處理得到的效果圖。</p><p>　　圖3.2 經(jīng)過灰度圖像處理、濾波處理去噪的效果圖</p><p>　　3. 2 自適應(yīng)閾值分割</p><p>　　在眾多的圖像分割方法中，閾值法因其實現(xiàn)簡

52、單，不需要人工干預(yù)，計算量小等優(yōu)點而被廣泛采用。閾值法是利用圖像中所要提取的目標(biāo)與背景在灰度特性上的差異，通過選取合適的閾值對圖像進(jìn)行分割處理，從而將目標(biāo)從背景中區(qū)分出來[20]。閾值分割法的處理結(jié)果直接依賴于閾值的選擇，如何確定一個最優(yōu)的閾值來保證有效的分割效果，一直是閾值分割的難題。目前，已有大量的閾值處理方法，其中自適應(yīng)閾值被認(rèn)為是一種可能對多數(shù)圖像分割都適用的處理技術(shù)，主要是針對圖像應(yīng)用不同判據(jù)可以自動產(chǎn)生適合的閾值。本文對人臉

53、圖像進(jìn)行膚色分割時就是采用自適應(yīng)閾值分割法進(jìn)行的，具體是應(yīng)用改進(jìn)的最大類間方差法進(jìn)行膚色分割處理。</p><p>　　最大類間方差法是由日本學(xué)者大津展之于1978 年提出的動態(tài)閾值法，它是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)出來的[18]。一維最大類間方差法的基本思想是把圖像的直方圖以某一灰度為閾值將圖像分成兩組并計算二者的方差，當(dāng)被分成的兩組之間的方差最大時，就以這個灰度值作為閾值分割圖像；二維最大類間方差法

54、基本思想是利用像素的灰度級分布和鄰域的平均灰度級分布所構(gòu)成的直方圖來進(jìn)行閾值分割。</p><p>　　設(shè)一幅圖像的灰度級范圍是，灰度值為i的像素數(shù)為，此時得到圖像的像素總數(shù)為N，灰度值為i的像素出現(xiàn)的概率為。用T將灰度級分成和兩組，各組產(chǎn)生的概率和平均值分別如下：</p><p><b>　?。?.1）</b></p><p><b&g

55、t;　?。?.2）</b></p><p><b>　?。?.3）</b></p><p><b>　　（3.4）</b></p><p>　　其中是整體圖像的灰度平均值；是閾值為T時的灰度平均值。所以全部采樣的灰度平均值公式為：</p><p><b>　?。?.5）<

56、/b></p><p>　　由上述公式可求出兩組間的方差，其公式如下：</p><p><b>　?。?.6）</b></p><p>　　其中，T的取值范圍為，求上式為最大值時的T。此時，T便為閾值，即一維最大類間方差閾值，叫做閾值選擇函數(shù)。</p><p>　　與一維最大類間方差法不同，二維方法是利用圖像像素點

57、的灰度值和平均灰度值構(gòu)成的二元組來表示圖像，先根據(jù)設(shè)定的閾值將二維直方圖分成代表目標(biāo)和背景的和兩類，并計算兩類各自出現(xiàn)的概率及它們之間距離測度函數(shù)。通過判斷距離測度函數(shù)，函數(shù)值最大的即為二維最大類間方差法的最佳門限。與一維方法相比，二維方法分割效果較好，但計算量較大，有其局限性。</p><p>　　3. 3 二值圖像處理</p><p>　　所謂圖像的二值化，就是將彩色圖像或者灰度圖像

58、轉(zhuǎn)化為黑白圖像(二值圖像)的過程，其在人臉識別中主要用來把人臉和背景分離出來，經(jīng)過二值化處理的人臉圖像在人臉特征提取、識別和模式識別中應(yīng)用廣泛。</p><p>　　人臉圖像二值化就是找到分割閾值，即找出膚色與非膚色的分界點，大于該閾值的表示為膚色區(qū)域，小于該值的表示為非膚色的區(qū)域[16]。由于在膚色似然圖中膚色部分比其他部分更明亮一些，本文采用最佳閾值分割的方法，得到二值化圖像。在進(jìn)行閾值分割前，先要對圖像進(jìn)行

59、低通濾波，以減少圖像高頻噪聲的影響。</p><p>　　最佳閾值不一定存在于兩個波峰中間的波谷，而是在波谷的拐點處。最佳閾值的選取方法直接影響分割的效果，本文的思路是尋找最佳閾值。記錄下每次閾值變化時屬于膚色的像素量的變化，然后將屬于膚色的像素量變化最小的那個閾值作為最佳閾值。本文以0.1為間隔，閾值由0.75至0.1遞減，計算每次膚色像素量的變化，求其變化最小的一個，作為最佳閾值進(jìn)行分割。圖3.3為二值化圖像

60、。</p><p>　　圖3.3 二值化圖像</p><p>　　二值圖像是一種簡單的圖像格式，它只有兩個灰度級，即“0”表示黑色的像素點，“255”表示白色的像素點。由于二值圖像十分方便處理，二值圖像處理在圖像處理領(lǐng)域占據(jù)很重要的位置，在具體的圖像處理應(yīng)用中，往往需要將圖像轉(zhuǎn)化為二值圖像，對于獲得的二值圖像再進(jìn)一步進(jìn)行處理，以利于后期的處理工作。所以在對圖像進(jìn)行灰度轉(zhuǎn)換、濾波處理之后進(jìn)行

61、二值化轉(zhuǎn)換，以便之后對圖像進(jìn)行后期處理。</p><p>　　二值圖像處理運(yùn)算是從數(shù)學(xué)形態(tài)學(xué)下的集合論方法發(fā)展起來的，盡管它的基本運(yùn)算很簡單，但是卻可以產(chǎn)生復(fù)雜的效果。常用的二值圖像處理操作有許多方法，如腐蝕、膨脹、細(xì)化、開運(yùn)算和閉運(yùn)算等等。</p><p>　　3. 4 形態(tài)學(xué)處理</p><p>　　形態(tài)學(xué)是一門新興科學(xué)，它的用途主要是獲取物體拓?fù)浜徒Y(jié)果信息，

62、它通過物體和結(jié)構(gòu)元素相互作用的某些運(yùn)算，得到物體更本質(zhì)的形態(tài)[19]。它在圖像處理中的應(yīng)用主要是：</p><p>　　(1)利用形態(tài)學(xué)的基本運(yùn)算，對圖像進(jìn)行觀察和處理，從而達(dá)到改善圖像質(zhì)量的目的；</p><p>　　(2)描述和定義圖像的各種幾何參數(shù)和特征，如面積、周長、連通度、顆粒度、骨架和方向性。</p><p>　　3. 5 腐蝕和膨脹</p>

63、;<p>　　腐蝕的作用是消除物體邊界點。腐蝕可以把小于結(jié)構(gòu)元素的物體去除，這樣，選取不同大小的結(jié)構(gòu)元素，就可以去掉不同大小的物體。如果兩個物體之間有細(xì)小的連通，那么當(dāng)結(jié)構(gòu)元素足夠大時，通過腐蝕運(yùn)算可以將兩個物體分開。我們使用四方向腐蝕的算法。也就是說，如果當(dāng)前點的上下左右四個點中有一個點的顏色與當(dāng)前點的顏色(該顏色為要保留的顏色)不同，那么就把當(dāng)前點用別的顏色填充掉。圖像腐蝕效果圖如下圖3.4。</p>&

64、lt;p>　?。╝）原圖 （b）腐蝕后的圖像</p><p>　　圖3.4 圖像腐蝕效果圖</p><p>　　膨脹運(yùn)算在數(shù)學(xué)形態(tài)學(xué)中的作用是把圖像周圍的背景點合并到物體中。如果兩個物體之間距離比較近，那么膨脹運(yùn)算可能會使這兩個物體連通在一起。膨脹對填補(bǔ)圖像分割后物體中的空洞很有用。我們使用膨脹來連接臉部區(qū)域中的不連續(xù)的

65、塊，并去除雜質(zhì)。使用四方向判斷的算法。也就是說，當(dāng)當(dāng)前點的上下左右有一個點的顏色是白色的時候，就把這點的顏色填充成白色。圖像膨脹效果圖如下圖3.5所示。</p><p>　　（a）原圖 （b）膨脹后的圖像</p><p>　　圖3.5圖像膨脹效果圖</p><p>　　3. 6 人臉區(qū)域定位<

66、;/p><p>　　經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理后，圖像中的小物體區(qū)域被去除，大物體區(qū)域的邊緣被平滑，但部分噪聲和類似的膚色區(qū)域仍然存在。為了最大程度地去除非人臉區(qū)域，本文采用人臉先驗知識對形態(tài)學(xué)處理后的二值圖像進(jìn)行判斷。所謂先驗知識就是人臉本身所固有的特征，根據(jù)這些特征我們能對人臉區(qū)域進(jìn)行初步判斷。本文采用如下幾種方法對圖像進(jìn)行判斷，從而找出人臉候選區(qū)域。</p><p>　　求取膚色區(qū)域外接矩形的長

67、和寬，并計算二者之間的比例。因人臉區(qū)域本身具有一定的大小，若膚色區(qū)域的長和寬太小，則該區(qū)域的特征不太明顯，將難于辨識是否為人臉。實驗中若長和寬的值小于20個像素，則直接去除該膚色區(qū)域。根據(jù)人臉的幾何特性可知，通常人臉的長寬比大約為1：1，考慮到旋轉(zhuǎn)等因素的影響，本文將人臉的長寬比設(shè)為[0.8，2.0]。如果長寬比不在此范圍內(nèi)，則分三種情況對膚色區(qū)域進(jìn)行判斷。如果該膚色區(qū)域長寬比大于等于2.4 或小于等于0.5，則認(rèn)為該區(qū)域為非人臉區(qū)域，

68、直接去除；如果膚色區(qū)域長寬比大于2.0 小于2.4，則對該區(qū)域分三部分進(jìn)行判斷處理，主要是調(diào)整膚色區(qū)域的長度。第一部分從膚色區(qū)域上面開始取到比值為2.0 的區(qū)域部分，第二部分從膚色區(qū)域下面開始取到比值為0.4 的區(qū)域部分，第三部分從膚色區(qū)域的中間開始分別向上下兩端取比值為1.0 的部分。分別對這三部分進(jìn)行處理判斷，選擇歐拉數(shù)最小的膚色區(qū)域部分最為人臉候選區(qū)域；若歐拉數(shù)值相等，則選擇孔洞數(shù)居于中上部的區(qū)域。如果該膚色區(qū)域長寬比小于0.8

69、大于0.5，也同樣對其分三部分進(jìn)行處理，此時是對膚色區(qū)域的寬度進(jìn)行調(diào)整。</p><p><b>　　3.7 本章小結(jié)</b></p><p>　　本章主要討論了5方面的內(nèi)容，圖像的預(yù)處理、自適應(yīng)閾值選取、二值圖像處理、形態(tài)學(xué)處理及人臉區(qū)域定位。光線補(bǔ)償算法改善了晦暗或高光造成的圖像偏色情況,尤其圖像整體偏紅或偏黃等的情況,對于后續(xù)膚色建模的效果有很大優(yōu)化。關(guān)于選取

70、顏色空間的標(biāo)準(zhǔn),一般要考慮以下幾點從顏色空間轉(zhuǎn)換的復(fù)雜度顏色分布與人感知特性的一致性皮膚顏色在空間的分布情況等。同時,顏色空間的選擇又與膚色建模的方式密切相關(guān)。通過對各種顏色空間的介紹與對比,選擇顏色空間作為本文的膚色建模空間。</p><p>　　4人臉檢測界面及結(jié)果分析</p><p>　　近幾十年來計算機(jī)技術(shù)的發(fā)展可以說是突飛猛進(jìn)，技術(shù)的提高使人們對人機(jī)交互的要求也越來越高。而人臉檢

71、測的研究就是讓計算機(jī)實現(xiàn)類似于人類的非精確的交互方式。人臉的檢測與特征定位是人機(jī)智能接口的重要交互通道，對于人臉識別系統(tǒng)的實現(xiàn)具有決定性意義。前面章節(jié)中介紹了色彩空間的選擇、膚色模型的建立、膚色分割、人臉區(qū)域的定位，那么本章是在此的基礎(chǔ)上對實驗的代碼實驗的結(jié)果進(jìn)行分析和講解。</p><p>　　4.1Matlab代碼</p><p><b>　　4.2實驗分析</b>

72、;</p><p>　　因彩色圖像的人臉檢測沒有一個統(tǒng)一的圖像測試集，沒有固定的標(biāo)準(zhǔn)來衡量檢測算法。為了驗證上述檢測算法，本文建立一個彩色人臉圖像庫，其中彩色人臉圖像的主要來源是互聯(lián)網(wǎng)和數(shù)碼相機(jī)。圖像庫包括不同背景、不同光照、不同尺寸大小、不同年齡、不同性別的人臉圖像，有500 幅共計693 個人臉。下面給出部分圖像的人臉檢測結(jié)果，如圖4.1 至圖4.2所示。最后，通過檢測結(jié)果對彩色圖像的人臉檢測算法進(jìn)行評判。&

73、lt;/p><p>　　圖4.1 實驗運(yùn)行結(jié)果圖1</p><p>　　圖4.2 實驗運(yùn)行結(jié)果圖2</p><p><b>　　4.3本章小結(jié)</b></p><p>　　從檢測結(jié)果可以看出，采用本文算法實現(xiàn)彩色圖像的人臉檢測，不僅能夠正確檢測出正面的人臉圖像，也能夠檢測具有一定旋轉(zhuǎn)角度的人臉圖像；不僅能夠檢測出色光較正的人

74、臉圖像，對具有色彩偏差的人臉圖像也能夠正確檢測；不僅能夠檢測單人臉圖像，對多人臉圖像的檢測也具有一定的準(zhǔn)確率。實驗表明，該算法具有計算量小、易于實現(xiàn)、抗噪能力強(qiáng)、魯棒性好的特點。</p><p>　　本文算法主要是對單人臉正面的圖像進(jìn)行檢測和特征定位，從統(tǒng)計結(jié)果也可以看出，單人臉圖像的檢測效果較多人臉的檢測效果好。但該算法仍然有其局限性，只能檢測正面和傾斜角度較小的人臉圖像，而且要求圖像面部特征較為明顯。本文人臉

75、誤檢測的情況主要是受類膚色區(qū)域的干擾，當(dāng)所獲得的類膚色區(qū)域滿足人臉區(qū)域初步定位和面部特征定位的要求時，就會產(chǎn)生誤檢測。而人臉漏檢測的情況主要是在進(jìn)行人臉區(qū)域初步定位和面部特征定位時出現(xiàn)的，受光照等因素的影響，人臉圖像在進(jìn)行膚色分割時若分割不完全，就會產(chǎn)生人臉區(qū)域初步定位中部分漏檢或全部漏檢的情況。</p><p><b>　　結(jié) 論</b></p><p>　　膚色

76、是人體所固有的生理特征，其顏色信息對方向不敏感，利用膚色可以對旋轉(zhuǎn)或側(cè)轉(zhuǎn)的人臉進(jìn)行檢測，因此基于膚色分割的人臉檢測與跟蹤就成為一種處理彩色圖像視頻的常用方法。本文提出應(yīng)用復(fù)合高斯模型在YCbCr色彩空間建立膚色模型，自適應(yīng)閾值法進(jìn)行膚色分割的基于膚色分割的人臉檢測方法研究。</p><p>　　首先，選定色彩空間，建立高斯膚色模型，并對彩色圖像進(jìn)行膚色分割，將膚色區(qū)域從背景區(qū)域中分離出來。本文提出一種直方圖與最大

77、類間方差法相結(jié)合的自適應(yīng)閾值分割方法，從而較準(zhǔn)確地將膚色區(qū)域分割出來。當(dāng)然在分割之前要先對圖像進(jìn)行預(yù)處理，如對圖像的光線補(bǔ)償?shù)?。其次，采用?shù)學(xué)形態(tài)學(xué)方法和先驗知識對分割后的二值圖像進(jìn)行處理，根據(jù)人臉長寬、圓形度、歐拉數(shù)和區(qū)域面積等理論提取出人臉候選區(qū)域。實驗表明，該算法檢測效率較高、計算量小、易于實現(xiàn)、抗噪能力強(qiáng)、魯棒性好。尤其是對單人臉圖像的檢測正確率可達(dá)92%，但對多人臉圖像的檢測效率還需要提高。</p><p&

78、gt;　　本文的研究雖然取得一些成果，但由于時間和能力有限，研究的范圍和深度都還不夠，今后還有許多工作要做。首先，本文研究的彩色圖像是從互聯(lián)網(wǎng)上下載的和數(shù)碼相機(jī)攝取的，背景較為簡單，這給本文的人臉檢測算法提供了很多方便。但在實際生活中，大多數(shù)人臉圖像背景較為復(fù)雜，無用的圖像信息較多，這就給研究工作帶來了一定的困難，因此，對復(fù)雜圖像的人臉檢測研究應(yīng)該成為今后的重點。其次，雖然國內(nèi)外很多研究機(jī)構(gòu)和大學(xué)實驗室都在對彩色人臉檢測進(jìn)行研究，但到目

79、前為止，還沒有一個統(tǒng)一的能夠用于人臉檢測的彩色圖像庫，這就無法對各種人臉檢測算法進(jìn)行比較。最后，人臉檢測研究多是在特定條件下進(jìn)行的，若要使檢測算法對任意條件下的圖像均有效，如何提高算法的通用性也是需要解決的問題。</p><p><b>　　致 謝</b></p><p><b>　　參 考 文 獻(xiàn)</b></p><p&g

80、t;　　盧春雨,張長水,聞芳,閻平凡.基于區(qū)域特征的快速人臉檢測法[J].清華大學(xué)學(xué)報(自然科學(xué)版),1999,21(01):115-118. </p><p>　　山世光,高文,陳熙霖.基于紋理分布和變形模板的面部特征提取[J].軟件學(xué)報, 2001,34(04):24-27.</p><p>　　艾海舟,梁路宏,徐光祐,張鈸.基于膚色和模板的人臉檢測[J].軟件學(xué)報,2010，17(1

81、2):56-58.</p><p>　　王航宇.基于YCbCr高斯膚色模型人臉檢測技術(shù)研究[J].現(xiàn)代電子技術(shù), 2008，4(22):9-11.</p><p>　　王金庭,楊敏.基于YCbCr空間的亮度自適應(yīng)膚色檢測[J].計算機(jī)系統(tǒng)應(yīng)用, 2007,33(06):261-263.</p><p>　　朱正平,孫傳慶,王陽萍.基于膚色與模板匹配的人臉檢測方法研究

82、[J].自動化與儀器儀表,2008,18(06):79-80.</p><p>　　孫繼平,陳偉,唐亮,劉曉陽,林海濤.有限空間低照度低分辨率圖像中人臉檢測[J].中國礦業(yè)大學(xué)學(xué)報,2008,42(03):155-157.</p><p>　　張會森,王映輝.人臉識別技術(shù)[J].計算機(jī)工程與設(shè)計,2006,11(06):66-67.</p><p>　　劉艷麗,趙躍

83、龍.人臉識別技術(shù)研究進(jìn)展[J].計算機(jī)工程,2005,7(02):255-257.</p><p>　　周杰,盧春雪.人臉自動識別方法綜述[J].電子學(xué)報,2000,28(04):42-44. </p><p>　　Miao J，Yin B C，Wang K Q，et a1．A Hierarchical System For Human Face Detection In A Comple

84、xBackground Using Center Template[J].Pattern Recognition,1999，32(07):647-650.</p><p>　　劉正光,劉潔.基于膚色分割的人臉檢測算法研究[J].計算機(jī)工程，2007，33（04）：152-155.</p><p>　　湯秋艷,王琰.一種基于膚色分割的彩色圖像人臉檢測方法[J].沈陽理工大學(xué)學(xué)報,2007,2

85、6(05):63-66.</p><p>　　沈常宇,許潘園.膚色建模和膚色分割的人臉定位研究[J].中國計量學(xué)院，光電子技術(shù)研究所,2007,34(09):32-33.</p><p>　　AW Anderson,P Skudlarski.Activation of the middle fusiform‘face area'increases with expertise in

86、 recognizing novel objects.nature neuroscience[J],1999,33(05):871-874.</p><p>　　張翠平,蘇光大.人臉識別技術(shù)綜述[J].中國圖象圖形學(xué)報,2000,5(11):17-19.</p><p>　　Lu X G,Zhotl J,Zhang C S.Anovel algorithm for rotated huma

87、n face detection.In:Proc IEEE Conference on Computer Visionand Pattern Recognition,Hilton Head Island,SouthCarolina[M],USA,2000,7(34):436-439．</p><p>　　孫寧，鄒采榮，趙力．人臉檢測綜述[J]．電路與系統(tǒng)學(xué)報，2008，11(6)：101～107.</p&g

88、t;<p>　　魏冉，姜莉，陶霖密．融合人臉多特征信息的表情識別系統(tǒng)[J]．中國圖像圖形學(xué)報，2009，4(5)：792～780.</p><p>　　劉正光，劉潔．基于膚色分割的人臉檢測算法研究[J]．計算機(jī)工程，2007，33(4)：179～180.</p><p>　　王建國，王江濤，楊靜宇．復(fù)雜背景彩色圖像中多角度人臉檢測[M]．計算機(jī)工程，2008，34(3)：21

89、0～212.</p><p>　　吳彩虹，陳金明．復(fù)雜背景下具有偏轉(zhuǎn)角度的正面人臉檢測[J]．計算機(jī)工程與應(yīng)用，2008，44(4)：245～248.</p><p>　　Chin-Chiang，Chi-Jang Huang．A Robust Method for Detecting Arbitrarily tilted human faces in colorimages[J]．Scie

90、nce Direct，2005：2518～2536.</p><p>　　喬曉芳，吳小俊，王士同．一種改進(jìn)的人臉檢測算法[M]．計算機(jī)應(yīng)用，2008，28(4)：986～989.</p><p>　　田源，于鳳芹．人臉檢測方法綜述[J]．計算機(jī)安全，2009，11(5)：76～79.</p><p>　　范小九，彭強(qiáng)，夏旭．一種改進(jìn)的AAM 人臉特征點快速定位方法[