圖片人臉檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)【畢業(yè)設(shè)計(jì)】

1、<p>　　本科畢業(yè)設(shè)計(jì)(論文)</p><p><b>　?。ǘ?屆）</b></p><p>　　圖片人臉檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級(jí) 計(jì)算機(jī)科學(xué)與技術(shù) </p>

2、;<p>　　學(xué)生姓名 學(xué)號(hào) </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p>　　摘要：人臉檢測(cè)是智能人機(jī)接口的關(guān)鍵技術(shù)之一，它在人臉識(shí)別、表情識(shí)別、人臉合成和人臉編碼等領(lǐng)域具

3、有很重要的應(yīng)用價(jià)值。本論文介紹了人臉檢測(cè)的背景知識(shí)和膚色檢測(cè)技術(shù)的發(fā)展現(xiàn)狀，并對(duì)色彩空間和主要膚色建模方法進(jìn)行了介紹。在Windows XP下，用Visual C＋＋6.0做為開(kāi)發(fā)工具，實(shí)現(xiàn)了一種基于顏色的人臉檢測(cè)。在YCrCb空間中通過(guò)面部輪廓、人眼、嘴巴等多個(gè)特征的分析定位出人臉。算法測(cè)試結(jié)果表明該系統(tǒng)具有較快的檢測(cè)速度和較高的檢測(cè)正確率。</p><p>　　關(guān)鍵詞：人臉檢測(cè)；膚色檢測(cè)技術(shù)；色彩空間；膚色建

4、模；</p><p><b>　　朗讀</b></p><p>　　Photo Face Detection System Design and Implementation</p><p>　　Abstract: Face detection is one of the key technology for intelligent human

5、-machine interface,which has very important value in face recognition, face synthesis and coding and other fields. This paper describes the background of face detection,first then presents a color-based algorithm for fac

6、e detection and the color-based detection technology development, briefly introduce the skin color space and the main modeling .We implementat a color-based algorithm using Visual C++6.0 in Windows XP. We </p><

7、;p>　　Keywords: face detection; Skin color detection; Color Space; Color model;</p><p><b>　　目錄</b></p><p><b>　　1 引言1</b></p><p>　　1.1 課題背景1</p>

8、<p>　　1.2 人臉檢測(cè)技術(shù)在國(guó)內(nèi)外的發(fā)展及現(xiàn)狀1</p><p>　　1.3 本課題研究的意義2</p><p>　　1.4 開(kāi)發(fā)平臺(tái)簡(jiǎn)介2</p><p>　　2 色彩空間和膚色模型方法3</p><p>　　2.1 色彩空間3</p><p>　　2.1.1 RGB色彩空間

9、3</p><p>　　2.1.2 YCrCb色彩空間3</p><p>　　2.2 膚色模型方法4</p><p>　　3 膚色模型的人臉定位7</p><p>　　3.1 總體流程圖7</p><p>　　3.2 膚色模型的人臉定位具體步驟7</p><p>　　3.2.

10、1 光線補(bǔ)償8</p><p>　　3.2.2 色彩空間的轉(zhuǎn)換9</p><p>　　3.2.3 膚色建模算法9</p><p>　　3.2.4 后處理11</p><p>　　3.2.5 基于臉部特征檢測(cè)11</p><p>　　3.2.6 人臉定位15</p><p>

11、;　　4 系統(tǒng)測(cè)試17</p><p>　　4.1運(yùn)行界面18</p><p>　　4.2 人臉檢測(cè)18</p><p>　　4.3光線補(bǔ)償19</p><p>　　4.4皮膚顏色建模20</p><p>　　4.5 人臉區(qū)域20</p><p>　　4.6眼睛中心

12、點(diǎn)21</p><p>　　4.7嘴巴中心點(diǎn)21</p><p>　　4.8勾勒人臉22</p><p><b>　　5 結(jié)論24</b></p><p>　　致謝錯(cuò)誤!未定義書(shū)簽。</p><p><b>　　參考文獻(xiàn)24</b></p>&l

13、t;p>　　顯示對(duì)應(yīng)的拉丁字符的拼音</p><p><b>　　字典</b></p><p><b>　　1 引言</b></p><p><b>　　1.1 課題背景</b></p><p>　　圖像具有一定的適應(yīng)能力，由此所面臨的一系列問(wèn)題使得人臉檢測(cè)開(kāi)始作為一

14、個(gè)獨(dú)立的課觀察一個(gè)人的面部可以自然的，無(wú)侵犯性的了解到一個(gè)人的很多信息，比如：身份，性別，年齡，情感等等。因此，在過(guò)去三十多年的時(shí)間里人們對(duì)人臉檢測(cè)和人臉識(shí)別始終保持著濃厚的研究興趣[1]。隨著人機(jī)交互技術(shù)日益成為當(dāng)前研究的一個(gè)中心，人臉檢測(cè)問(wèn)題越來(lái)越受到重視，成為模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域研究的一個(gè)熱點(diǎn)[2]。人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中一個(gè)關(guān)鍵環(huán)節(jié)，但是早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖像（如無(wú)背景的圖像），往往假設(shè)人

15、臉位置已知或很多容易獲得，因此人臉檢測(cè)問(wèn)題并未受到重視。近幾年隨著電子等應(yīng)用的發(fā)展，人臉識(shí)別成為最有潛力的生物身份驗(yàn)證手段，這種應(yīng)用背景要求自動(dòng)人臉識(shí)別系統(tǒng)能夠?qū)σ话悱h(huán)境題受到研究者的重視。今天，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字 處理、視覺(jué)等發(fā)面有著重要的應(yīng)用價(jià)值。</p><p>　　1.2 人臉檢測(cè)技術(shù)在國(guó)內(nèi)外的發(fā)展及現(xiàn)狀</p><p>　

16、　目前，國(guó)外對(duì)人臉檢測(cè)問(wèn)題的研究很多，比較著名的有MIT,CMU等；國(guó)內(nèi)的清華大學(xué)、北京工業(yè)大學(xué)、中科院計(jì)算所和自動(dòng)化所等都有人員從事人臉檢測(cè)相關(guān)的研究。而且，MPEG7標(biāo)準(zhǔn)組織已經(jīng)簡(jiǎn)歷了人臉識(shí)別草案小組，人臉檢測(cè)算法也是一項(xiàng)征集的內(nèi)容。隨著人臉檢測(cè)研究的深入，國(guó)際上發(fā)表的有關(guān)論文數(shù)量也大幅度增長(zhǎng)，如IEEE的FG、ICIP\CVPR等重要國(guó)際會(huì)議上每年都有大量關(guān)于人臉檢測(cè)的論文，占有關(guān)人臉研究論文的1/3之多。由此可以看到世界對(duì)人臉檢

17、測(cè)技術(shù)的重視。在我國(guó)有關(guān)人臉自動(dòng)識(shí)別的研究開(kāi)始于二十世紀(jì)80年代，主要的研究單位有清華大學(xué)，哈爾濱工業(yè)大學(xué)，中科院計(jì)算所，中科院自動(dòng)化所，復(fù)旦大學(xué)，北京科技大學(xué)等，并且都取得了一定的成果。國(guó)內(nèi)的研究工作主要是集中在三大類方法的研究：基于代數(shù)特征的人臉正面自動(dòng)識(shí)別方法、基于幾何特征的人臉正面自動(dòng)識(shí)別方法和基于連接機(jī)制的人臉正面自動(dòng)識(shí)別方法。周激流實(shí)現(xiàn)了具有反饋機(jī)制的人臉正面識(shí)別系統(tǒng)，運(yùn)用積分投影法提取面部特征的關(guān)鍵點(diǎn)并用于識(shí)別，獲得了比較

18、滿意的效果。他同時(shí)也嘗試了“穩(wěn)定視點(diǎn)”特征提取方法，即為使識(shí)別系統(tǒng)中包含3D信息，他對(duì)人臉側(cè)面剪影識(shí)別做了一定的研究，并實(shí)</p><p>　　1.3 本課題研究的意義</p><p>　　人臉檢測(cè)是智能人機(jī)接口的關(guān)鍵技術(shù)之一，它在人臉識(shí)別、表情識(shí)別、人臉合成和人臉編碼等領(lǐng)域具有很重要的應(yīng)用價(jià)值[3]。其中人臉檢測(cè)以其在安全檢查、視覺(jué)監(jiān)測(cè)、智能人機(jī)接口、基于內(nèi)容的檢索、數(shù)字視頻處理等諸多

19、領(lǐng)域的應(yīng)用前景和重要的學(xué)術(shù)價(jià)值，已成為一個(gè)相對(duì)獨(dú)立的課題而受到普遍重視[4]。今天，人臉檢測(cè)的應(yīng)用背景已經(jīng)遠(yuǎn)遠(yuǎn)超出了人臉識(shí)別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字 處理、視覺(jué)等發(fā)面有著重要的應(yīng)用價(jià)值。這種技術(shù)目前最熱門的領(lǐng)域有四種，第一是身份的認(rèn)證和安全防護(hù)在許多安全級(jí)別要求較高的區(qū)域，都需要對(duì)大量的人員進(jìn)行基于省份認(rèn)證的門禁管理。第二，媒體與娛樂(lè)，在網(wǎng)絡(luò)虛擬世界里，通過(guò)人臉的變化，可以產(chǎn)生大量的娛樂(lè)節(jié)目和效果。第三是圖片的搜索，基于人臉圖

20、像識(shí)別技術(shù)的搜索引擎將會(huì)具有廣泛的應(yīng)用前景。第四是協(xié)助調(diào)查。目前，在銀行、金庫(kù)發(fā)生搶劫事件已經(jīng)屢見(jiàn)不鮮。發(fā)生這樣的事件不是一時(shí)就能夠制止的，但是可以通過(guò)人臉檢測(cè)的設(shè)備來(lái)提取并記錄罪犯的人臉，提供給公安機(jī)關(guān)以幫助破案。</p><p>　　無(wú)論是從實(shí)際應(yīng)用還是理論研究的角度來(lái)看，人臉檢測(cè)都是一個(gè)頗具吸引力的課題，人臉檢測(cè)問(wèn)題長(zhǎng)久的生命力在很大程度上源于自身的難度。如果我們將問(wèn)題限制在二維圖像上，人臉檢測(cè)問(wèn)題就變成在

21、數(shù)字圖像中檢測(cè)人臉表觀的模式。眾所周知這并不是一個(gè)輕而易舉的任務(wù)。將人臉視為剛體，則它在三維空間中的轉(zhuǎn)動(dòng)會(huì)使得其在二維視平面上的投影產(chǎn)生變化；當(dāng)人臉靜止不動(dòng)時(shí)，周圍環(huán)境的光照情況仍會(huì)影響其表觀，如強(qiáng)烈的測(cè)光所產(chǎn)生的陰陽(yáng)臉；在真實(shí)世界中，對(duì)人臉的剛體假設(shè)往往不成立，五官挪位的夸張表情隨處可見(jiàn)；此外，還有其他諸多變數(shù)，如化妝、胡須、遮擋等，上述這些因素都增加了人臉檢測(cè)問(wèn)題的難度 [5]。</p><p>　　1.4

22、 開(kāi)發(fā)平臺(tái)簡(jiǎn)介</p><p>　　本程序的開(kāi)發(fā)平臺(tái)是Visual C++[6]。面向過(guò)程C程序語(yǔ)言，因?yàn)樗哂匈N近底層、代碼運(yùn)行速度快、便于優(yōu)化等優(yōu)點(diǎn)而廣泛應(yīng)用。而與之對(duì)應(yīng)的語(yǔ)言C++是應(yīng)用最廣泛的面向?qū)ο蟮某绦蛘Z(yǔ)言之一，它全面兼容了C，同時(shí)提供了比C更嚴(yán)格、更安全的語(yǔ)法 [15]。而面向?qū)ο蟮某绦蛟O(shè)計(jì)方法，它更符合人的思維習(xí)慣，設(shè)計(jì)過(guò)程中合理的利用對(duì)象、類、消息、繼承、多態(tài)性、動(dòng)態(tài)連接和信息封裝等，設(shè)計(jì)好類、

23、子類運(yùn)算符重載、靜態(tài)成員和友元、模板類[7]等，可以使得程序具有很高的可重用性，使得軟件的開(kāi)發(fā)和維護(hù)都更為方便。</p><p>　　2 色彩空間和膚色模型方法</p><p>　　2.1 色彩空間 </p><p>　　色彩空間(Color Space)也稱作“色域”，是表示顏色的一種數(shù)學(xué)方法，人們用它來(lái)指定和產(chǎn)生顏色，使顏色形象化。實(shí)際就是各種色彩的集合，

24、色彩的種類越多，色彩空間越大，能夠表現(xiàn)的色彩范圍(即色域)越廣。對(duì)于具體的圖像設(shè)備而言，其色彩空間就是它所能表現(xiàn)的色彩的總和。色彩空間中的顏色通常使用代表三個(gè)參數(shù)的三維坐標(biāo)來(lái)指定，這些參數(shù)描述的是顏色在色彩空間中的位置。</p><p>　　膚色分割的顏色空間主要有 RGB, HSV, YCrCb 等，選擇合適的顏色空間是決定分割效果好壞的主要因素，而沒(méi)有一個(gè)現(xiàn)存的顏色空間能夠勝任所有的圖像。</p>

25、<p>　　2.1.1 RGB色彩空間</p><p>　　RGB 色彩空間采用三維直角坐標(biāo)系，紅、綠、藍(lán)為原色，各個(gè)原色混合在一起可以產(chǎn)生復(fù)合色。RGB 色彩空間通常使用圖所示的單位立方體表示，在正方體的主對(duì)角線上，各原色的強(qiáng)度相等，產(chǎn)生由暗到明的白色，也就是不同的灰度值。（0，0，0）為黑色，（1，1，1）為白色。正方體的其他六個(gè)定點(diǎn)分別為紅、黃、綠、青、藍(lán)和品紅。由于彩色圖像是多光譜圖像的一

26、種特殊情況，對(duì)于人類視覺(jué)的三基色即紅、綠、藍(lán)三個(gè)波段，是對(duì)人眼的光譜量化性質(zhì)的近似。因此，利用R、G、B三基色這三個(gè)分量來(lái)表征顏色是很自然的一種格式。而且多數(shù)的圖像采集設(shè)備都是以CCD（電荷耦合器件）技術(shù)為核心，直接感知色彩的R、G、B 三個(gè)分量，這也使得RGB 模型成為圖像成像、顯示、打印等設(shè)備的基礎(chǔ)，具有十分重要的作用。 </p><p>　　但RGB 色彩空間不適合進(jìn)行色度處理，因?yàn)樵赗GB 空間中，三個(gè)

27、顏色分量都包含亮度信息，存在相關(guān)性，因此用于膚色檢測(cè)時(shí)算法的亮度適應(yīng)性不好，一般情況下，都是以RGB 色彩空間為基礎(chǔ)來(lái)描述其它類型的色彩空間，將其他色彩空間的基色描述為RGB 三基色的線形或非線性函數(shù) 。</p><p>　　2.1.2 YCrCb色彩空間</p><p>　　因?yàn)橄到y(tǒng)得到的圖片可能會(huì)存在光線不平衡的情況，這會(huì)影響我們對(duì)特征的提取，同時(shí)系統(tǒng)中要用到Y(jié)CrCB色彩空間，所

28、以有必要對(duì)圖像進(jìn)行光線補(bǔ)償。盡可能將它的特征在圖像中表現(xiàn)出來(lái)。YCrCb是一種色彩空間，在該色彩空間中，Y分量表示像素的亮度，Cr表示紅色分量，Cb表示藍(lán)色分量，通常把Cr和Cb稱為色度。</p><p>　　YCrCb色彩空間轉(zhuǎn)換將圖像中的色度和亮度分離。采用YCrCb 空間受到的亮度影響較小且膚色的聚類特性較好, 能夠很好的滿足要求, 因此采用YCrCb 色彩空間[8]。由RGB彩色空間轉(zhuǎn)換為YCrCb色彩空

29、間的轉(zhuǎn)換關(guān)系為：</p><p>　　Y = (257*r+504*g+98*b)/1000+16;</p><p>　　Cr = (439*r-368*g-71*b)/1000+128;</p><p>　　Cb = (-148*r-291*g+439*b)/1000+128;</p><p>　　2.2 膚色模型方法</p>

30、<p>　　目前常用的膚色模型主要有高斯模型、直方圖模型、基于神經(jīng)網(wǎng)絡(luò)的模型等[8]。</p><p><b>　?。?）高斯模型</b></p><p>　　它是利用正態(tài)分布來(lái)擬合皮膚顏色的概率密度分布。它的理論基礎(chǔ)是：它認(rèn)為人與人之間膚色的不同主要在于密度而不是顏色本身。在一定的光照條件下膚色的分布是正態(tài)分布的。 </p><p&

31、gt;　　高斯法可分為單模高斯模型和高斯混合模型。 </p><p>　　單高斯模型SGM (Single Gaussian Model) </p><p>　　這種方法是假設(shè)膚色分布服從單峰高斯分布。它主要通過(guò)統(tǒng)計(jì)分析，預(yù)測(cè)高斯分布的參數(shù)，其中參數(shù)確定常用的方法有EM算法，Maximum-Likelihood 或通過(guò)統(tǒng)計(jì)直接求得色彩空間中每個(gè)分量(一般利用的是該色彩空間中的色度分量)的均

32、值與方差。采用這種方法也分為兩步：首先選擇方法確定模型的參數(shù)(即均值和方差)；其次利用該模型來(lái)判別新的像素或區(qū)域是否為膚色。 </p><p>　　高斯混合模型GGMs (Gaussian Mixture Model) </p><p>　　由于具有不同種族的膚色直方圖并不完全滿足單峰高斯分布，通過(guò)研究可以采用多峰的高斯分布來(lái)精確表示。高斯混合模型是多個(gè)高斯密度函數(shù)的加權(quán)和，表明膚色的每個(gè)

33、像素密度都屬于概率密度的混合體。 </p><p><b>　?。?）直方圖法 </b></p><p>　　直方圖膚色模型是一種非參數(shù)模型.膚色樣本的直方圖統(tǒng)計(jì)可以構(gòu)造膚色概率圖 SPM[9] 。直方圖法的原理很簡(jiǎn)單，即利用直方圖來(lái)描述膚色在色彩空間的分布，一般不需要顯式地假設(shè)膚色的先驗(yàn)分布，從而可以對(duì)比較復(fù)雜的分布進(jìn)行建模。首先利用直方圖對(duì)訓(xùn)練集上的膚色進(jìn)行統(tǒng)計(jì)，

34、得到關(guān)于顏色在膚色中的出現(xiàn)信息，而后在該直方圖的基礎(chǔ)上建造膚色概率圖SPM (Skin Probability Map)，即為離散化的色彩空間中的每個(gè)格子賦予一個(gè)概率值。利用SPM 檢測(cè)膚色像素主要有兩種方法，歸一化查找表和貝葉斯分類器，兩者都可以采用查表法，只不過(guò)前者僅統(tǒng)計(jì)了膚色樣本在特征空間內(nèi)的分布，而后者同時(shí)統(tǒng)計(jì)了膚色和非膚色樣本的分布。 </p><p>　　（3）基于神經(jīng)網(wǎng)絡(luò)的模型</p>

35、<p>　　神經(jīng)網(wǎng)絡(luò)方法進(jìn)行人臉檢測(cè)的優(yōu)點(diǎn)是可以簡(jiǎn)便的構(gòu)造出神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為分類器，使用人臉和非臉樣本對(duì)該系統(tǒng)進(jìn)行訓(xùn)練，讓系統(tǒng)自動(dòng)學(xué)習(xí)兩類樣本復(fù)雜的類條件密度，這樣就避免了人為假設(shè)類條件密度函數(shù)所帶來(lái)的問(wèn)題[10]。</p><p>　　通過(guò)訓(xùn)練一個(gè)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計(jì)特征隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)之中。ANN避免了復(fù)雜的特征提取工作，且能根據(jù)樣本特征學(xué)習(xí)生成模式分類器，在人臉信息中，人臉、

36、眼睛和嘴巴等都有比較明顯的特點(diǎn)，因此可以才用神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，不單如此，對(duì)于檢測(cè)人臉這類復(fù)雜的，難以顯示描述，神經(jīng)網(wǎng)絡(luò)還表現(xiàn)出良好的魯棒性和自適應(yīng)性，具有獨(dú)特的優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)具有記憶功能，當(dāng)訓(xùn)練樣本可以比較全面的包含待檢測(cè)人臉信息時(shí)，神經(jīng)網(wǎng)絡(luò)可以處理比較復(fù)雜的檢測(cè)問(wèn)題，因此許多檢測(cè)系統(tǒng)中應(yīng)用了神經(jīng)網(wǎng)絡(luò)算法。</p><p>　　在此借鑒文獻(xiàn)提出的基于色彩空間的聚類特性建立的橢圓膚色模型, 經(jīng)研究在YCbCr 空

37、間中, 膚色聚類呈現(xiàn)兩頭尖形狀, 在亮度Y 值較大和較小的部分, 膚色聚類隨之縮減。因而文中利非線性分段色彩變換將色彩空間YCb'Cr' 轉(zhuǎn)換為另一空間YCb'Cr' , 以更好的適應(yīng)亮度的要求。具體算法參照文獻(xiàn)[11], 基于新的色彩空間構(gòu)建的橢圓膚色模型如下所示:</p><p>　　x = cos(theta)*(Cb-cx)+sin(theta)*(Cr-cy);</

38、p><p>　　y = -sin(theta)*(Cb -cx)+cos(theta)*(Cr-cy);</p><p>　　式中theta = 2.53; cx = 114.38; cy = 160.02;</p><p>　　temp = (x-ecx)2 /a2+ (y-ecy)2/b2;</p><p>　　式中ecx = 1.60;ec

39、y = 2.41; 分別為x 軸和y 軸方向上的常量分別取橢圓的長(zhǎng), 短a=25.39, b=14.03。如果滿足如下公式則定為膚色區(qū)域: |e- 10|<T,其中T 為相似度常量, 實(shí)驗(yàn)中取之為T=0.9。經(jīng)過(guò)大量實(shí)驗(yàn)表明:上述算法, 在光線均勻的圖像中有著較在光線均勻的圖像中有著較為理想的檢測(cè)精度, 但在亮度不太均勻的情況下易產(chǎn)生誤判:對(duì)于亮度較高的區(qū)域易將膚色區(qū)域檢測(cè)為非膚色區(qū)域; 在亮度較低的區(qū)域則將非膚色區(qū)域檢測(cè)為膚色區(qū)

40、域。究其原因, 研究認(rèn)為雖然非線性色彩空間轉(zhuǎn)換能夠在一定程度上緩解亮度的影響, 但對(duì)于亮度很不均勻的圖像, 仍然難以達(dá)到較為理想的效果。對(duì)于亮度調(diào)整的式子如下：</p><p><b>　　Y<Kl </b></p><p>　　Cr = 154 - ((Kl-Y)*10)/(Kl-Ymin); </p><p>　　Cb = 10

41、8 + ((Kl-Y)*10)/(Kl-Ymin);</p><p>　　WCr = WLcr + ((Y-Ymin)*(Wcr-WLcr))/(Kl-Ymin);</p><p>　　WCb = WLcb + ((Y-Ymin)*(Wcb-WLcb))/(Kl-Ymin);</p><p><b>　　Y>Kh </b></

42、p><p>　　Cr = 154 - ((Y-Kh)*22)/(Ymax - Kh); </p><p>　　Cb = 108 + ((Y-Kh)*10)/(Ymax - Kh);</p><p>　　WCr = WHcr + ((Ymax-Y)*(Wcr-WHcr))/(Ymax-Kh);</p><p>　　WCb = WHcb + ((Ym

43、ax-Y)*(Wcb-WHcb))/(Ymax-Kh);</p><p>　　其中Kl = 125，Kh= 188，Ymin = 16，Ymax = 235；Wcb = 46.97;</p><p>　　WLcb = 23；WHcb = 14；Wcr = 38.76；WLcr = 20；WHcr = 10;</p><p>　　3 膚色模型的人臉定位</p&

44、gt;<p>　　3.1 總體流程圖</p><p>　　下面是我設(shè)計(jì)的總體流程圖，先輸入一幅圖片，對(duì)其膚色匹配后進(jìn)行后處理得到人臉區(qū)域，再經(jīng)過(guò)人臉的特征匹配，最后輸出人臉。</p><p><b>　　圖 3-1</b></p><p>　　3.2 膚色模型的人臉定位具體步驟</p><p>　　下面

45、介紹一下膚色建模的具體步驟：光線補(bǔ)償，膚色建模，后處理，人臉特征匹配，最后進(jìn)行人臉定位。</p><p>　　3.2.1 光線補(bǔ)償</p><p>　　膚色等色彩信息經(jīng)常受到光源顏色、圖像采集設(shè)備的色彩偏差等因素的影響，而在整體上偏離本質(zhì)色而向某一方向移動(dòng)，即通常所說(shuō)的色彩偏冷、偏暖，照片偏黃、偏藍(lán)等。</p><p>　　為了抵消這種整個(gè)圖像中存在著的色彩偏差

46、,我們將整個(gè)圖像中所有像素的亮度從高到低進(jìn)行排列 ,取前 5%的像素 ,如果這些像素的數(shù)目足夠多 (例如 ,大于 100) ,我們就將它們的 R、 G、 B分量值都調(diào)整為最大的 255。整幅圖像的其他像素點(diǎn)的色彩值也都按這一調(diào)整尺度進(jìn)行變換[12]。</p><p>　　//下面的循環(huán)對(duì)圖象進(jìn)行光線補(bǔ)償</p><p>　　for(i =0;i<height;i++)</p&g

47、t;<p>　　for(int j=0;j<width;j++)</p><p><b>　　{</b></p><p><b>　　//得到數(shù)據(jù)便宜</b></p><p>　　lOffset = this->PixelOffset(i,j,wBytesPerLine);</p>

48、<p><b>　　//得到藍(lán)色分量</b></p><p>　　colorb = *(lpData+lOffset);</p><p><b>　　//調(diào)整</b></p><p>　　colorb *=co;</p><p><b>　　//臨界判斷</b>&l

49、t;/p><p>　　if(colorb >255)</p><p>　　colorb = 255;</p><p><b>　　//保存</b></p><p>　　*(lpData+lOffset) = colorb;</p><p><b>　　//綠色分量</b>&

50、lt;/p><p>　　colorb = *(lpData+lOffset+1);</p><p>　　colorb *=co;</p><p>　　if(colorb >255)</p><p>　　colorb = 255;</p><p>　　*(lpData+lOffset+1) = colorb;</

51、p><p><b>　　//紅色分量</b></p><p>　　colorb = *(lpData+lOffset+2);</p><p>　　colorb *=co;</p><p>　　if(colorb >255)</p><p>　　colorb = 255;</p>&

52、lt;p>　　*(lpData+lOffset+2) = colorb;</p><p><b>　　}</b></p><p>　　3.2.2 色彩空間的轉(zhuǎn)換</p><p>　　先掃描一幅圖片，找出各點(diǎn)的r，g，b，接著根據(jù)前面所介紹的RGB色彩空間轉(zhuǎn)換為YCrCb的關(guān)系式得出各點(diǎn)的Y，Cr，Cb各個(gè)量，最后保存圖像。</p&

53、gt;<p>　　色彩空間的轉(zhuǎn)換算法：</p><p>　　//下面的循環(huán)實(shí)現(xiàn)從rgb到y(tǒng)cc的轉(zhuǎn)化</p><p>　　for(int i=0;i<height;i++)</p><p>　　for(int j=0;j<width;j++)</p><p><b>　　{</b></p&

54、gt;<p>　　lOffset = PixelOffset(i,j,wBytesPerLine);</p><p><b>　　//得到rgb數(shù)值</b></p><p>　　int b = *(lpData + lOffset);</p><p>　　int g = *(lpData + lOffset+1);</p&g

55、t;<p>　　int r = *(lpData + lOffset+2);</p><p>　　//計(jì)算得到y(tǒng)，cr，cb的數(shù)值</p><p>　　int Y = (257*r+504*g+98*b)/1000+16;</p><p>　　int Cr = (439*r-368*g-71*b)/1000+128;</p><p&

56、gt;　　int Cb = (-148*r-291*g+439*b)/1000+128;</p><p>　　//保存計(jì)算得到的數(shù)值</p><p>　　*(lpYcb+lOffset++) = Y;</p><p>　　*(lpYcb+lOffset++) = Cr;</p><p>　　*(lpYcb+lOffset++) = Cb;&l

57、t;/p><p>　　3.2.3 膚色建模算法</p><p>　　關(guān)于膚色建模算法在第二章詳細(xì)的介紹過(guò)，這里看一下程序。</p><p><b>　　膚色建模算法：</b></p><p>　　BOOL DIB::FaceModeling(int Cr,int Cb)</p><p><b&

58、gt;　　{</b></p><p><b>　　//Cb的系數(shù)常量</b></p><p>　　const float cx = 114.38;</p><p><b>　　//cr的系數(shù)常量</b></p><p>　　const float cy = 160.02;</p&

59、gt;<p><b>　　//角度常量</b></p><p>　　const float theta = 2.53;</p><p>　　//x軸線和y軸線的兩個(gè)常量</p><p>　　const float ecx = 1.60;</p><p>　　const float ecy = 2.41;&l

60、t;/p><p><b>　　//長(zhǎng)軸</b></p><p>　　const float a = 25.39;</p><p><b>　　//短軸</b></p><p>　　const float b = 14.03;</p><p><b>　　//相似度常量&

61、lt;/b></p><p>　　const float judge = 0.9; // old data is 0.5</p><p>　　//計(jì)算得到x軸數(shù)值</p><p>　　float x = cos(theta)*(Cb-cx)+sin(theta)*(Cr-cy);</p><p><b>　　//y軸數(shù)值&l

62、t;/b></p><p>　　float y = -sin(theta)*(Cb -cx)+cos(theta)*(Cr-cy);</p><p><b>　　//計(jì)算離心率</b></p><p>　　float temp = pow(x-ecx,2)/pow(a,2)+pow(y-ecy,2)/pow(b,2);</p>

63、;<p>　　//如果滿足要求返回真，否則假</p><p>　　if(fabs(temp-1.0)<judge)</p><p>　　return TRUE;</p><p><b>　　else</b></p><p>　　return FALSE;</p><p><

64、;b>　　}</b></p><p>　　3.2.4 后處理</p><p>　　有效的實(shí)現(xiàn)膚色分割后，在膚色區(qū)域內(nèi)檢測(cè)人臉主要特征，基本思想是用統(tǒng)計(jì)方法對(duì)目標(biāo)對(duì)象進(jìn)行色彩建模。在搜索中根據(jù)被測(cè)點(diǎn)的色彩與模型的匹配度，篩選出待測(cè)特征的可能位置。</p><p>　　對(duì)于以上得到的二值圖像會(huì)存在兩種誤差情況。一種是由于噪聲引起的被誤判為膚色的孤立點(diǎn)

65、或小塊孤立區(qū)域。另一種是由于人臉局部區(qū)域如眼睛、嘴唇等非膚色區(qū)域而導(dǎo)致的整個(gè)人臉的非全填充。為了消除這些誤差必須進(jìn)行膨脹腐蝕的操作[12]。步驟如下:</p><p>　　(1) 作四方向膨脹以連接臉部區(qū)域中不連續(xù)的塊;</p><p>　　(2) 作四方向腐蝕使非人臉區(qū)域變小,恢復(fù)到膨脹前的大小;</p><p>　　(3) 去除孤立離散區(qū)域;</p>

66、<p>　　(4) 再次作四方向膨脹腐蝕操作。</p><p>　　腐蝕運(yùn)算在數(shù)學(xué)形態(tài)學(xué)中的作用是消除物體邊界點(diǎn)[14]。通過(guò)腐蝕運(yùn)算可以消除一些皮膚檢測(cè)過(guò)程中的錯(cuò)誤判定為皮膚點(diǎn)的非皮膚點(diǎn)。引入腐蝕運(yùn)算符"e ", A用 B來(lái)腐蝕記作 AeB,其定義為:表明A用B腐蝕的結(jié)果是所有x集合，其中B平移x后仍在 A中。換句話說(shuō), 用 B來(lái)腐蝕 A得到的集合是 B完全包括在 A中時(shí) B的

67、中心像素位置的集合。開(kāi)啟就是先對(duì)圖像進(jìn)行腐蝕, 然后膨脹其結(jié)果。所以本實(shí)驗(yàn)中為一個(gè)開(kāi)運(yùn)算, 開(kāi)運(yùn)算的符號(hào)為 о, A與 B的開(kāi)啟寫作 Aо B, </p><p>　　其定義為 </p><p>　　圖像預(yù)處理中的膨脹[14]膨脹運(yùn)算在數(shù)學(xué)形態(tài)學(xué)中的作用是把周圍的點(diǎn)合并到物體中。 通過(guò)膨脹運(yùn)算可以合并一些皮膚檢測(cè)過(guò)程中的錯(cuò)誤分割點(diǎn)。這里引入膨脹運(yùn)算符" "

68、;, A用 B來(lái)膨脹寫作 , 其定義為: </p><p>　　其中，B表示B的映像，定義為</p><p>　　表示對(duì)B的映像進(jìn)行位移經(jīng)，定義為：</p><p>　　3.2.5 基于臉部特征檢測(cè)</p><p>　　經(jīng)過(guò)膚色粗檢后的圖像中,往往仍然存在一定的假人臉區(qū)域,因此可以通過(guò)定位雙眼、鼻子等臉部器官進(jìn)一步去除假區(qū)域[16]。<

69、;/p><p><b>　?。?）眼睛的定位</b></p><p>　　作為人臉特征中重要的主要的組成部分[8]，眼睛的定位越來(lái)越被研究者們重視，當(dāng)前出現(xiàn)的眼睛定位的方法主要有：第一，變模版化，通過(guò)不同的模版將眼睛從人臉中提取出來(lái)，其缺點(diǎn)是收斂速度慢，運(yùn)算時(shí)間長(zhǎng)；第二，基于灰度對(duì)比的眼睛定位，利用眼睛區(qū)域的灰度較大的特點(diǎn)找出眼睛；第三，基于統(tǒng)計(jì)的算法，訓(xùn)練神經(jīng)網(wǎng)絡(luò)建立分

70、類器，但是此法需要采集大量的樣本。本研究綜合分析了以上方法后，提出了一種快速有效的檢測(cè)算法。</p><p>　　因?yàn)檠劬^(qū)域中瞳孔以及眼白部分的亮度反差比較大, 為了達(dá)到較為理想的檢測(cè)效果, 分別進(jìn)行色度和亮度信息的匹配, 然后再相與進(jìn)行眼睛的綜合匹配。眼睛瞳孔區(qū)域的Cb, Cr范圍:Cb(115,130); Cr(125,145) ,在下述檢測(cè)中, 充分利用了這一先驗(yàn)特性, 加快了檢測(cè)的速度。</p&g

71、t;<p><b>　　眼睛的色度匹配</b></p><p>　　色度信息包含Cb 和Cr 信息。對(duì)于Cb 信息, 設(shè)定參照模型為:M=Cb- 116,然后如果比較結(jié)果- 1<M<4 的色彩區(qū)域即滿足眼睛Cb 信息的匹配。同理對(duì)于Cr 信息, 設(shè)定參照模型為:M=Cr-144, 如果比較結(jié)果在- 2<M<2 的區(qū)域內(nèi)則滿足眼睛Cr 信息的匹配。如果和眼

72、睛信息匹配，則設(shè)定顏色為白色，否則設(shè)定為黑色。另外針對(duì)個(gè)別差異較大的膚色, 可以修改參照模型來(lái)達(dá)到靈活檢測(cè)的目的。</p><p><b>　　眼睛的亮度匹配</b></p><p>　　對(duì)于亮度信息的匹配, 首先將圖像進(jìn)行灰度轉(zhuǎn)換, 然后根據(jù)眼睛的亮度區(qū)域來(lái)設(shè)定圖像的數(shù)值?；叶绒D(zhuǎn)化的公式為:gray = (r*10+g*30+b*60)/100人眼睛部位主要是瞳孔的

73、灰度明顯差異于周圍區(qū)域。設(shè)定在100<gray<125 的區(qū)域內(nèi)圖像值為255, 不在此區(qū)域則為0, 在參照范圍內(nèi)且屬于面部區(qū)域的部位即亮度匹配后的瞳孔位置。</p><p>　　上述完成了對(duì)眼睛區(qū)域色度和亮度信息的重構(gòu), 必須進(jìn)行色度信息和亮度信息的綜合匹配才能夠最終完成眼睛的匹配。即如果當(dāng)前點(diǎn)的亮度匹配和色度匹配都滿足要求, 且在已檢測(cè)出的人臉區(qū)域內(nèi), 則定為候選區(qū)域。利用下面的信息去除掉明顯不是

74、人眼的區(qū)域, 實(shí)現(xiàn)最終定位。</p><p>　　去除假區(qū)域：區(qū)域在豎直方向上, 眼睛位于臉部區(qū)域的二分之一以上。</p><p>　　為了消除誤差，對(duì)眼睛進(jìn)行膨脹操作。膨脹的思想是：如果上下左右都是黑色點(diǎn)，則把暫時(shí)區(qū)域的點(diǎn)設(shè)置為黑色</p><p>　　在得到眼睛區(qū)域后, 利用連通性分析標(biāo)注出中心位置。</p><p><b>　

75、　(2) 嘴巴的匹配</b></p><p>　　研究表明, 相比于其它區(qū)域, 嘴部區(qū)域包含更為強(qiáng)烈的紅色信息[8],眾多實(shí)驗(yàn)表明嘴唇區(qū)域的Cr 范圍大致在(138,148)之間, Cb 范圍大致在(115,125)之間。那么我們先設(shè)定Cr的參考模型M=cr-143 以及Cb 的參考模型M=cb-120,利用這個(gè)先驗(yàn)知識(shí)去掉一部分假區(qū)域的干擾, 能夠達(dá)到一定的要求即為嘴部區(qū)域。在本設(shè)計(jì)中對(duì)于Cr 設(shè)定

76、參考模型M=Cr- 143, 對(duì)于Cb設(shè)定參考模型為M=Cb- 120。當(dāng)然針對(duì)差異較大個(gè)體進(jìn)行適當(dāng)?shù)男拚? 以實(shí)現(xiàn)較好的檢測(cè)效果。在已檢測(cè)出的人臉區(qū)域內(nèi), 則定為候選區(qū)域。利用下面的信息去除掉明顯不是人眼的區(qū)域, 實(shí)現(xiàn)最終定位。在檢測(cè)出嘴巴區(qū)域后, 利用連通性分析找到嘴巴區(qū)域的中心位置,得到嘴巴提取后的圖像。</p><p>　　眼睛的色度匹配算法：</p><p>　　眼睛的色度匹配相

77、應(yīng)的算法已經(jīng)在前面介紹過(guò)，下面來(lái)看下具體的代碼。</p><p>　　//根據(jù)傳進(jìn)來(lái)的矩形區(qū)域進(jìn)行眼睛的色度匹配</p><p>　　for(int i=faceLocation.top; i<=faceLocation.bottom; i++)</p><p>　　for (int j=faceLocation.left; j<=faceLocatio

78、n.right; j++)</p><p><b>　　{</b></p><p>　　//得到Cr，Cb數(shù)值</p><p>　　lOffset = PixelOffset(i, j, wBytesPerLine);</p><p>　　cr = *(lpYcc + lOffset +1);</p>&

79、lt;p>　　cb = *(lpYcc + lOffset +2);</p><p><b>　　//標(biāo)志</b></p><p><b>　　bool lab;</b></p><p>　　//判斷Cb分量的數(shù)值，并修改標(biāo)志</p><p>　　int cmap = cb -116 ;<

80、;/p><p>　　if(cmap >-1 && cmap <4)</p><p>　　lab = true;</p><p><b>　　else</b></p><p>　　lab = false;</p><p>　　//判斷Cr分量的數(shù)值，并修改標(biāo)志</p&g

81、t;<p>　　cmap = cr- 144 ;</p><p>　　if(cmap <=-2 || cmap>= 2)</p><p><b>　　{</b></p><p>　　lab = false;</p><p><b>　　}</b></p>

82、<p>　　//根據(jù)標(biāo)志設(shè)定圖像顏色</p><p><b>　　if(lab)</b></p><p>　　cmap = 255;</p><p><b>　　else</b></p><p><b>　　cmap = 0;</b></p><p

83、><b>　　//保存圖象顏色</b></p><p>　　*(lpRgb + lOffset++) = cmap;</p><p>　　*(lpRgb + lOffset++) = cmap;</p><p>　　*(lpRgb + lOffset++) = cmap;</p><p><b>　　}&

84、lt;/b></p><p>　　程序的解釋：外部循環(huán)是從臉部區(qū)域的頂部到底部，內(nèi)循環(huán)式從臉的左邊到右邊，從而掃描整幅圖片。先得出圖片中每個(gè)點(diǎn)的Cr和Cb，再將Cb 減去116如果在-1到4之間就是滿足眼睛的Cb條件，Cr減去144如果在-2到2之間滿足眼睛的Cr條件。如果滿足條件則把這個(gè)點(diǎn)設(shè)置為白色。最后保存圖像。</p><p>　　眼睛的亮度匹配算法：</p>&

85、lt;p>　　眼睛的亮度匹配相應(yīng)的算法已經(jīng)在前面介紹過(guò)，下面來(lái)看下具體的代碼。</p><p>　　//下面的循環(huán)實(shí)現(xiàn)眼睛的亮度匹配</p><p>　　for (int i=faceLocation.top; i<=faceLocation.bottom; i++)</p><p>　　for (int j=faceLocation.left; j&l

86、t;=faceLocation.right; j++)</p><p><b>　　{</b></p><p>　　lOffset = PixelOffset(i, j, wBytesPerLine);</p><p><b>　　//得到rgb值</b></p><p>　　b = *(lpRgb

87、 + lOffset);</p><p>　　g = *(lpRgb + lOffset+1);</p><p>　　r = *(lpRgb + lOffset+2);</p><p><b>　　//計(jì)算得到灰度</b></p><p>　　gray = (r*10+g*30+b*60)/100;</p>

88、<p>　　//根據(jù)眼睛的亮度區(qū)域來(lái)設(shè)定圖象的數(shù)值</p><p>　　if(100<gray && 125>gray)</p><p>　　gray =255;</p><p><b>　　else</b></p><p><b>　　gray = 0;</b&g

89、t;</p><p>　　*(lpRgb + lOffset++) = gray;</p><p>　　*(lpRgb + lOffset++) = gray;</p><p>　　*(lpRgb + lOffset++) = gray;</p><p><b>　　} </b></p><p>

90、　　程序的解釋，內(nèi)部循環(huán)是從臉部區(qū)域的頂部到底部，內(nèi)循環(huán)式從臉的左邊到右邊，從而掃描整幅圖片。先得出圖片中的r，g，b。再根據(jù)公式gray = (r*10+g*30+b*60)/100得出灰度值。如果灰度值在100到125之間就滿足了眼睛的亮度匹配，最后保存圖像。</p><p>　　3.2.6 人臉定位</p><p>　　利用膚色建模檢測(cè)出膚色區(qū)域，在膚色區(qū)域內(nèi)定位出眼睛, 嘴巴的中

91、心位置, 在人臉中雙眼以及嘴巴呈現(xiàn)三角分立, 利用這一點(diǎn)構(gòu)造橢圓來(lái)定位出人臉。</p><p><b>　　人臉勾勒算法：</b></p><p>　　void DIB::EllipseFace(HANDLE hDIB, CPoint mouth, CPoint eye1, CPoint eye2)</p><p><b>　　{&l

92、t;/b></p><p>　　LPBYTE lpData;</p><p>　　LPBITMAPINFOHEADER lpbi;</p><p>　　int width;</p><p>　　int height;</p><p>　　WORD wBytesPerLine;</p><p&g

93、t;　　long lOffset;</p><p>　　//得到圖象的基本信息</p><p>　　lpbi = (LPBITMAPINFOHEADER)GlobalLock(hDIB);</p><p>　　height = lpbi->biHeight;</p><p>　　width = lpbi->biWidth;<

94、;/p><p>　　lpData = this->FindDIBBits(hDIB);</p><p>　　wBytesPerLine = this->BytePerLine(hDIB);</p><p>　　//用dda算法畫三角形</p><p>　　this->DdaLine(mouth,eye1,lpData,wByt

95、esPerLine);</p><p>　　this->DdaLine(mouth,eye2,lpData,wBytesPerLine);</p><p>　　this->DdaLine(eye1,eye2,lpData,wBytesPerLine);</p><p>　　//橢圓的中心點(diǎn)和兩個(gè)焦點(diǎn)坐標(biāo)</p><p>　　int

96、 ellipsecenter_x;</p><p>　　int ellipsecenter_y;</p><p>　　int ellipseFocusTop_x;</p><p>　　int ellipseFocusTop_y;</p><p>　　int ellipseFocusBottom_x;</p><p>　

97、　int ellipseFocusBottom_y;</p><p>　　//根據(jù)眼睛和嘴巴的坐標(biāo)計(jì)算橢圓的中心點(diǎn)坐標(biāo)</p><p>　　ellipsecenter_x = (eye1.x + eye2.x + mouth.x )/3;</p><p>　　ellipsecenter_y = (eye1.y + eye2.y)/2 -abs(eye2.x - ey

98、e1.x)/2;</p><p><b>　　//上面的焦點(diǎn)</b></p><p>　　ellipseFocusTop_x = ellipsecenter_x;</p><p>　　ellipseFocusBottom_x = ellipsecenter_x;</p><p><b>　　//下面的焦點(diǎn)<

99、;/b></p><p>　　ellipseFocusTop_y = ellipsecenter_y + (eye1.y +eye2.y)/2 -mouth.y;</p><p>　　ellipseFocusBottom_y = ellipsecenter_y - ((eye1.y +eye2.y)/2 -mouth.y)+2;</p><p><b&

100、gt;　　//長(zhǎng)軸</b></p><p>　　int a = (eye1.x-eye2.x)*2-2;</p><p>　　for (int i=0; i<height; i++)</p><p>　　for (int j=0; j<width; j++)</p><p><b>　　{</b>

101、;</p><p>　　//得到一個(gè)點(diǎn)到兩個(gè)焦點(diǎn)的距離和</p><p>　　int lenth = sqrt(pow(j-ellipseFocusTop_x,2)+pow(i-ellipseFocusTop_y,2))</p><p>　　+sqrt(pow(j-ellipseFocusBottom_x,2)+ pow(i-ellipseFocusBottom_y

102、,2));</p><p>　　//判斷距離和與長(zhǎng)軸的關(guān)系</p><p>　　if(lenth<2*a+2 && lenth >2*a-2)</p><p><b>　　{</b></p><p><b>　　//把點(diǎn)設(shè)置為綠色</b></p><

103、p>　　lOffset = this->PixelOffset(i, j, wBytesPerLine);</p><p>　　*(lpData + lOffset++) = 0;</p><p>　　*(lpData + lOffset++) = 255;</p><p>　　*(lpData + lOffset++) = 0;</p>

104、<p><b>　　}</b></p><p><b>　　}</b></p><p>　　GlobalUnlock(hDIB);</p><p><b>　　}</b></p><p><b>　　4 系統(tǒng)測(cè)試</b></p>

105、<p>　　按照系統(tǒng)所規(guī)定的先讀取一張BMP格式的圖片，通過(guò)光線補(bǔ)償，皮膚顏色建模，膨脹，腐蝕，去掉假區(qū)域，再次膨脹，再次腐蝕，得到人臉區(qū)域，Cr匹配，Cb匹配，眼睛的色度和亮度的匹配，眼睛的雙重匹配，去掉假區(qū)域，膨脹眼睛區(qū)域，得到眼睛中心點(diǎn)，嘴的匹配，腐蝕嘴部像素，去離散點(diǎn)，嘴巴中心點(diǎn)，勾勒人臉。</p><p><b>　　運(yùn)行界面</b></p><p&g

106、t;　　如圖4-1就是程序運(yùn)行后的界面。</p><p><b>　　圖4-1</b></p><p><b>　　4.2 人臉檢測(cè)</b></p><p>　　打開(kāi)一張真彩圖做為人臉檢測(cè)的載體，如下：</p><p><b>　　圖4-2</b></p>&l

107、t;p><b>　　光線補(bǔ)償</b></p><p>　　由于受到天氣，照相機(jī)等外界設(shè)備的影響，所有先要把打開(kāi)的圖片先進(jìn)行光線補(bǔ)償。如圖4-2是進(jìn)行光線補(bǔ)償后的圖像。</p><p><b>　　圖4-3 </b></p><p><b>　　皮膚顏色建模</b></p>&l

108、t;p>　　如圖4-4是膚色建模后的圖像。</p><p><b>　　圖4-4</b></p><p><b>　　4.5 人臉區(qū)域</b></p><p>　　經(jīng)過(guò)膚色建模后再經(jīng)過(guò)后處理，這里經(jīng)過(guò)后處理后的圖片沒(méi)有標(biāo)出。后處理后可以標(biāo)出人臉區(qū)域。如圖4-5所示就是得到人臉區(qū)域后的圖像。</p>&

109、lt;p><b>　　圖4-5</b></p><p><b>　　眼睛中心點(diǎn)</b></p><p>　　得到人臉區(qū)域后，要對(duì)人臉的特征進(jìn)行匹配，經(jīng)過(guò)對(duì)眼睛的匹配后，標(biāo)出眼睛的中心店，如圖4-6所示。</p><p><b>　　圖4-6</b></p><p><

110、;b>　　嘴巴中心點(diǎn)</b></p><p>　　經(jīng)過(guò)對(duì)嘴巴的匹配后，標(biāo)出嘴巴的中心店，如圖4-7所示。</p><p><b>　　圖4-7</b></p><p><b>　　勾勒人臉</b></p><p>　　利用膚色建模檢測(cè)出膚色區(qū)域，在膚色區(qū)域內(nèi)定位出眼睛, 嘴巴的中心

111、位置, 在人臉中雙眼以及嘴巴呈現(xiàn)三角分立, 利用這一點(diǎn)構(gòu)造橢圓來(lái)定位出人臉。</p><p><b>　　圖4-8</b></p><p><b>　　5 結(jié)論</b></p><p>　　人臉檢測(cè)是模式識(shí)別與計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)一項(xiàng)受到普遍重視、研究十分活躍的課題，在基于內(nèi)容的檢索、數(shù)字視頻處理、視覺(jué)監(jiān)測(cè)等方面有著重要的應(yīng)用

112、價(jià)值。人臉檢測(cè)是指在輸入圖像中確定所有人臉（如果存在）的位置、大小的過(guò)程。 </p><p>　　本論文對(duì)基于膚色的人臉檢測(cè)展開(kāi)了研究，對(duì)現(xiàn)有算法和技術(shù)進(jìn)行了適當(dāng)?shù)母倪M(jìn)，現(xiàn)對(duì)本論文所做工作總結(jié)如下：本論文介紹了人臉檢測(cè)技術(shù)的背景知識(shí)和發(fā)展現(xiàn)狀，對(duì)主要算法進(jìn)行了簡(jiǎn)要介紹。在膚色建模方面先提出了膚色建模有很多方法如高斯模型：直方圖法 基于神經(jīng)網(wǎng)絡(luò)的模型，在此借鑒文獻(xiàn)提出的基于色彩空間的聚類特性建立的橢圓膚色模型。人臉

113、的檢測(cè)經(jīng)過(guò)了光線補(bǔ)償，皮膚顏色建模，膨脹，腐蝕，去掉假區(qū)域，再次膨脹，再次腐蝕，得到人臉區(qū)域，Cr匹配，Cb匹配，眼睛的色度和亮度的匹配，眼睛的雙重匹配，去掉假區(qū)域，膨脹眼睛區(qū)域，得到眼睛中心點(diǎn)，嘴的匹配，腐蝕嘴部像素，去離散點(diǎn)，嘴巴中心點(diǎn)，勾勒人臉等操作。</p><p>　　本次畢業(yè)設(shè)計(jì)是針對(duì)我們大學(xué)四年來(lái)所學(xué)知識(shí)而進(jìn)行的一次全面性的檢驗(yàn)，它涵蓋的知識(shí)面廣，涉及到多個(gè)領(lǐng)域，需要我們具有較高的綜合知識(shí)水平及較強(qiáng)

114、的解決問(wèn)題的能力。同時(shí)也是對(duì)我們工作能力，工作態(tài)度的一次考驗(yàn)。</p><p>　　通過(guò)這次設(shè)計(jì)，一方面讓我更進(jìn)一步的熟悉和掌握了C++語(yǔ)言的基本語(yǔ)法以及更深入的了解了算法和Visual C++開(kāi)發(fā)工具的使用。另一方面在動(dòng)手能力上有了很大的提高，以前學(xué)的知識(shí)只是“知識(shí)”，而現(xiàn)在是將“知識(shí)”轉(zhuǎn)化成自身的本領(lǐng)，全面提高了自身解決具體問(wèn)題的能力。</p><p><b>　　參考文獻(xiàn)&

115、lt;/b></p><p>　　[1] 孫寧,鄒采榮 ,趙力.人臉檢測(cè)綜述. [J] 電路與系統(tǒng)學(xué)報(bào),2006,11(6)：101-113.</p><p>　　[2] 喻 陽(yáng)，桂預(yù)風(fēng).基于膚色信息和投影法的人臉偏轉(zhuǎn)檢測(cè)[J]. 電子測(cè)量技術(shù)，2010，33（6）：54-56.</p><p>　　[3] 張洪明，趙德斌，高文.基于膚色模型、神經(jīng)網(wǎng)絡(luò)和

116、人臉結(jié)構(gòu)模型的平面旋轉(zhuǎn)人臉檢測(cè)[J].計(jì)算機(jī)學(xué)報(bào)，2002，25（11）：1250-1256.</p><p>　　[4] 梁路宏, 艾海舟, 何克忠, 張　鈸.基于多關(guān)聯(lián)的模板匹配的人臉檢測(cè)[J].軟件學(xué)報(bào)，2001，12(01)：0094-102.</p><p>　　[5] 武　勃, 黃　暢, 艾海舟, 等. 基于連續(xù)Adaboost

117、60;算法的多視角人臉檢測(cè)[J ] . 計(jì)算機(jī)研究與發(fā)展, 2005 , 42 (9) : 1612-1621.</p><p>　　[6] 周長(zhǎng)發(fā). 精通VC++圖像處理編程(第二版)．電子工業(yè)出版社，2004.10.01．</p><p>　　[7] 侯俊杰.深入淺出MFC(第二版)[M],武

118、漢:華中科技大學(xué)出版社,2001.01.01.</p><p>　　[8] 許海柱，唐 琎 ，王 力. 改進(jìn)的基于色彩信息的人臉快速定位算法[J]. 微計(jì)算機(jī)信息，2008，24（3-1）：200-202.</p><p>　　[9] 陳鍛生，劉政凱. 膚色技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào)，2006，29（2）：194-207.</p><p>

119、　　[10] 孫寧，鄒采榮，趙力. 人臉檢測(cè)綜述[J] 電路與系統(tǒng)學(xué)報(bào)，2006，11（6）：101-109.</p><p>　　[11] Rein- Lien Hsu, Mohamed Abdel-Mottaleb, Anil K.Jain. Face Detection in Color Images， IEEE Trans.on PAMI,2002,2(5):696- 706.</p>

120、<p>　　[12] 李　 欣,盧官明.一種基于膚色和臉部特征的人臉檢測(cè)方法[J]南京郵電學(xué)院學(xué)報(bào)2005,25（5）:44-47.</p><p>　　[13] 馬桂英.基于膚色特征的人臉區(qū)域檢測(cè)[J] 沿海企業(yè)與科技，2009，（11）32-35.</p><p>　　[14] 李遠(yuǎn)剛 蔣詠梅?；谀w色特征的人臉檢測(cè)算法[J] 福 建 電 腦，2006，（11）141-