人脸识别技术研究模式识别分析硕士论文

人脸识别技术研究模式识别分析硕士论文 硕士研究生课程论文 ,或读书报告～ 课程名称: 模式识别 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 目: 人脸识别技术研究 摘要 人脸识别是计算机视觉和模式识别的一个研究热点。但是在复杂光照条件下，如何快速自动识别人脸，仍然是一个富有挑战性的问题。 基于图像处理的知识，研究在复杂光照下利用计算机自动识别人脸的技术。在系统设计中详细阐述整个人脸识别系统的处理流程，比较系统地介绍了该系统的图像预处理、人脸检测、人脸特征定位、人脸特征提取、人脸识别等组成部分。 通过对彩色图像的偏色进行分析，提出一种结合偏色纠正和改进Retinex的彩色图像增强算法。利用灰度世界和完美反射理论建立偏色纠正的数学模型，通过线性拟合对偏色图像进行偏色纠正。对彩色图像进行亮度和色度分离，多尺度Retinex算法对亮度分量增强并进行自适应调整，通过获取的亮度增益矩阵对彩色图像的ROB三分量进行逐点增强。该算法解决了彩色图像增强后色彩变化的问题，对于存在偏色、低亮度等复杂光照下的彩色图像均有较好的增强效果。 人脸图像具有稳定的肤色特征和灰度分布，运用结合肤色检测的AdaBoost算法检测人脸。利用肤色检测算法获得肤色区域信息，去除大量非人脸的背景部分，通过对肤色块的统计分析，得到可能人脸的尺寸范围。将人脸尺寸范围及肤色区域二值图像提供给AdaBoost人脸检测算法，从而减少搜索区域及搜索尺度范围。该人脸检测方法克服了人脸类肤色和检测速度慢的问题，能够快速有效地检测人脸。 人脸特征定位容易受到光照的影响。针对灰度图像，提出一种新的基于各向异性滤波的人眼定位方法。构造各向异性滤波器对图像进行滤波，消除光照影响;运用形态学操作突出眼睛的特征区域，并采用相关系数法对特征区域块进行匹配，获得眼睛粗定位;对粗定位区域进行重定位校正获得精确的眼睛中心点。对于彩色图像，提取三分量差分特征，二值化并滤波后，通过特征区域的相关匹配定位眼睛中心。根据彩色图像的眼睛中心点位置初步确定嘴的区域，提取红色度信息和RGB差分特征信息，定位嘴巴。基于各向异性滤波的人眼定位方法解决了复杂光照环境下的人脸定位问题。 有效地提取人脸特征是人脸识别成功的关键。运用多尺度局部二进制模式提取人脸纹理特征。对图像进行小波分析，并运用局部二进制模式方法在不同尺度的分块图像上提取人脸特征。多尺度局部二进制模式能够全面、准确地 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 达人脸图像的纹理特征，解决特征描述的准确性问题。 人脸识别的核心在于寻找最优的分类特征。提出一种改进的正交拉普拉斯特征脸识别算法。该算法在保局投影的目标函数中融入类间离散度，运用Schur分解实现基向量的正交化。这种改进的算法利用类别信息提高分类性能。 对人脸识别系统进行了测试，在光照变化的Yale B人脸库上，人脸的识别率达到94(75,，实验证明，人脸识别系统能够达到复杂光照下人脸识别的要求。 关键词:图像增强;人脸检测;人脸特征定位;人脸特征提取;人脸识别 ABSTRACT Face recognition technology is a hot topic for researchers on computer vision and pattem recognition(However,how to quickly and automaticly recognize face remains a challenging problem in complex illumination( Automatic face recognition by computer technology is researched based on image processing(It elaborated the processing flow of the face recognition system in system design(Components of the system，such as image preprocessing，face detection,facialfeature location,facial feature extraction，face recognition，were systematically introduced( An color image enhancement algorithm combined color offset corrected and the improved Retinex was proposed on the analysis of color offset for color image.The mathematical model for t11e color offset corrected was estabished by gray world and the perfect reflection theory，and the color offset of original color image was corrected by linear fitting(The brightness was separated from color image(Brightness component Was enhanced by multi-scale Retinex enhancement algorithm and adapted itself。 and the RGB three components of color image were enhanced point by point by brightness gain in matrix.The algorithm proposed solved the problem The algorithm that the color Was changed after the color image enhanced( proposed had a better performance for color image enhancement with the images under variable illumination such aS color offset，low-intensity light and SO on( There are stable skin color feature and gray distribution for face images(AdaBoost algorithm combined with skin color detection was used to detect face(Skin color detection algorithm was used to obtain skin color information of skin regions and to remove a large number of non-face background，and the size range of faces Was got by analysis of skin blocks(Size range of the human face and binary image of skin color region were provided to AdaBoost algorithm for face detection，thereby the search area and search for scales reduced(The method for face detection solved the problem that non-face taken as face and low testing(It Can rapidly and effectively detect human faces( Facial feature location is effected easily by illumination(An new method of eye location based on anisotropic filtering Was proposed for gray image(Anisotropic filters were constructed,and the image input was filtered to eliminate the influence of variant illumination;the features of eye areas were highlighted by morphological operation;the method of correlation coefficient was used to match the feature area blocks to obtain eye rough location;to obtain the accurate center of the eye(me coarse positioning region was corrected and relocated(For color images， differential features for RGB three component were extracted，and then eye centre points were located by the related matching of feature area after binarization and filter(According to the center of eyes in color image，the initial location of the mouth was determined(And the mouth was located by combined with the information of red degree and RGB differential feature( Extracting facial features effectively is the key to recognize face successfully(The method of extracting face texture feature by multi-scale local binary pattern was used(It used wavelet to transform image，and facial features were extracted by local binary pattern on image blocks of different scales(Multi-Scale local binary pattern can ben fully and accurately expresses the texture features of face images，solving the problem that features are accurately described( The core technology of face recognition is to find the optimal classification features(An improved algorithm of orthogonal Laplace Eigenface was proposed(The algorithm added class scatter fused into objective function of locality preserving projection and used Schur decomposition(to get orthogonal basis vectors(This improved algorithm can improve classification performance by using category information(The system for face recognition Was tested，and the recognition ratio was 94(75,in Yale B face database with changed illumination(Experiments show that the system for face recognition Can achieve the requirements of face recognition under complex illumination( Key words:image enhancement;face detection;facial features location; face recognition 第一章绪论 1.1研究的背景和意义 人脸识别是模式识别和机器视觉中一个非常活跃的研究热点。国内外各大学、著名研究所、大公司等都投入大量人力物力进行人脸识别技术的研究。人脸识别技术的研究之所以受到重视，是因为它具有重要的理论研究意义和巨大的潜在应用背景。 计算机人脸识别涉及模式识别、图像处理、计算机视觉、生理学、心理学、认知科学等多个交叉学科。由于它的技术难度大，影响因素复杂，可为这些学科提供一个良好的研究对象，有利于建立学科领域的基础实验平台，试验新的理论和方法。促进学科的深入研究和发展。 人脸识别技术具有广泛的应用前景。人脸识别技术是生物特征识别技术的一个重要分支。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。人脸识别是生物特征鉴别技术的一个主要方向，与传统的身份验证技术相比，它利用人自身具有的特点，具有主动性、非侵犯性和用户友好等许多优点，可靠性高，安全性好，实用性强，多年来一直受到许多研究者的关注。自9(11后，人脸识别在国家安全领域中的应用前景越来越广阔，而电子商务的兴起又推动了个人身份确认的发展。人脸识别技术在国家安全、司法领域、金融安全、公共安全、身份验证和人机交互等方面都具有相当大的应用前景: (1)在银行金融系统中的应用。银行金融系统对安全防范控制系统有着极高的要求，人脸识别技术直观、准确、可靠，具有良好的可跟踪性，防止冒领、盗取的事件发生。 (2)在司法系统中的应用。比如在获得罪犯照片后，可以通过在人脸识别技术，在存储的罪犯照片数据库中找到最为相象的几个人列为嫌疑犯，缩短破案时间。(3)公共安全。用于公共场所的监控，利用人脸识别技术来辅助对恐怖分子和违法犯罪嫌疑人的监控。(4)视频监视:在许多公司、银行都设有24小时的视频监视。 (5)证件验证:身份证、驾驶执照以及其他证件上都有照片，采用人脸识别技术，证件的验证工作就可交给机器完成，从而实现自动化智能管理。(6)信息安全:利用人脸识别技术实现计算机登录、权限控制和电子交易中的身份认证，等等。 1.2国内外研究概况 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab，AI lab，CMU的Human—Computer Inter—face Institute，Microsoft Research，英国的Department of Engineering in University of Cambridge等。 人脸识别的研究已有很长的历史，可以追溯到上个世纪60年代团。早期的方法比较直观和简单，研究主要集中在人脸的几何特征提取，包括人脸特征器官的位置、面积、形状，以及人脸一些特征点的几何关系。从上世纪80开始，小波变换理论和神经网络理论的研究取得突破性进展，人们开始利用图像的灰度信息或变换域特征进行人脸识别。神经网络的发展，涌现了许多应用神经网络进行人脸识别的算法。 20世纪90年代以来，随着高速度性能计算机的出现，人脸识别方法有了重大突破，进入真正的机器自动识别阶段，人脸识别研究也得到了前所未有的重视。人们开始认识到，人脸图像各像素之间存在较强的相关性，并且人脸具有独特的自然特性和结构特性。人脸仅仅占据高维空间的一个子空间，以此为依据，Turk和Pentland首先提出了基于主元分析的特征脸方法，这就是著名的MIT媒体实验 室在上个世纪90年代提出的PCA方法(也称“特征脸”方法)，它是人脸识别算法发展史上一个重要的里程碑。其后很多算法都与这个方法多少相关。特征脸法提取的是人脸的灰度信息，这种信息不一定与人脸中的特征点相关，这是该方法与以往方法的本质区别。PCA方法通过对人脸样本进行统计分析，并利用主元分析进行有效地降维，使信息能量集中，有利于克服维数灾难。以特征脸方法为基础，延伸出众多的方法，如LDA(Linear Discriminate Analysis)，ICA(Independent Component Analysis)，LFA(Local Feature Analysis)等，使特征提取和维数压缩的手段更加丰富。 经过多年的发展，人脸识别技术取得长足的发展，涌现出一大批具有代表性的技术。具有代表性的技术有:PCA方法;LDA方法M;弹性图匹配技术n1;支持向量机方法嗍，以支持向量机为代表的统计学习理论最近几年在模式识别领域取得巨大成功，它通过最小化结构来求取最优分类平面，具有良好的泛化能力和分类能力。此外基于隐马尔科夫模型的人脸识别方法M，三维人脸识别方法等等都有广泛的应用。 国内关于人脸识别的研究始于二十世纪80年代，90年代中后期以来，在NSFC、863 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 等资助下，国内众多研究构的研究员开始对人脸识别进行研究，主要的研究单位有:清华大学计算机系、自动化系、电子系，哈尔滨工业大学计算机系，中科院计算所，中科院自动化所，复旦大学，北京科技大学，中山大学应用数学系等，一定的成果。在国内，众多科研院所、高校、企业也推出了许多的人脸识别系统，具有代表性的人脸识别系统有:中科院自动化所李子青研究员研究小组 人脸识别系开发的奥运会人脸识别系统;中科院计算所高文研究组开发的GodEye统;清华大学大学电子系丁晓青教授研究小组开发的ThfaceID系统;中国科学技术大学电子科学与技术系庄镇泉教授研究小组开发的人脸识别考勤系统KD-Face 2(0。 中科院计算所人脸识别研究小组与上海银晨智能识别科技有限公司全面合作，专门研究和开发商业人脸识别系统。他们提出了一种新的基于SFS(Shape From Shading)的人脸识别方法，并基于该方法开发了一套实时人脸识别,确认系统。另外，以成熟的“特征脸”技术为基础，尝试了基于人工神经网络，支持矢量机、线性判别分析、基于G瑚(Gaussian Mixture Models)的双子空间人脸识别方法等，研究了基于Gabord,波变换和弹性图匹配的人脸识别技术，以及基于统计模式的人脸识别方法等。2005年1月，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家“十五"攻关项目《人脸识别系统》通过了由公安部主持的专家鉴定。他们提出的多特征描述的人脸识别理论、基于最佳二维人脸的活动人脸检测与识别理论、bNP-PCA人脸识别方法以及大型人脸识别系统的设计方法，都具有独特的创新。 1(3人脸识别存在的问题 人脸识别涉及人脸检测，人脸特征定位，特征提取和分类器设计几个方面，人脸识别面临的主要问题是: (1)光照问题。光照问题是机器视觉的老问题，尽管研究人员提出了一些解决方案，但是在实际应用中效果远没有达到理想程度。(2)大规模人脸识别问题。实际应用中，人脸数据库规模是很大的，如何提高大规模应用环境下人脸识别算法的识别率是一个很重要的问题。(3)样本缺乏问题。基于统计学习的人脸识别算法是目前人脸识别领域的主流算法，但是需要大量的训练。由于人脸被认为是高维空间中一个不规则的流形分布，得到的样本是一个低维空间的采样，如何解决小样本的统计学习问题有待深入研究。(4)海量数据 的学习问题。传统的人脸识别算法如PCA、LDA等在小规模数据库中容易学习训练。但是对于海量数据的训练过程确难以进行。 从问题产生的根源上讲，人脸识别问题集中在三个层面:一是信号层面，表现为数据获取不稳定;二是特征层面，采集条件变化时特征描述的鲁棒性问题;三是决策层面，表现为核心识别算法的泛化能力问题，海量样本学习的可行性，统计学习方法的鲁棒性等。 1(4研究的目的及内容 4(1研究的目的 1( 人脸识别技术具有广泛的应用价值。各大公司、研究机构都对其进行了深入的研究，提出了许多的识别方法，使其识别精度越来越高。但在实际应用中，环境较为复杂，很多识别方法的效率会降低。对人脸识别的整过流程进行深入研究，在人脸检测和人脸特征定位后，对图像进行归一化，识别算法在环境和人脸本身变化的情况下仍然有效，向自动化识别目标迈进，正是基于这个目标，对人脸识别技术进行了研究和探讨。 预处理模块，对常用的预处理进行实现对比，研究出适合于人脸检测的预处理方法。人脸检测模块，结合肤色检测，简约特征，优化传统的Adaboost算法。人脸特征定位模块，研究一种定位准确率高的方法，不需任何人工干预。特征提取模块，研究如何有效的提取人脸的特征信息，正确表征人脸特征，同时减少数据向量的维数。识别分类器模块，研究一种有效的降维方法，使得特征描述和分类性能尽量达到最优。 1(4(2人脸识别技术研究的主要内容 针对人脸识别技术涉及的几个方面，对以下内容作了研究和探讨。 (1)在预处理方面，研究对比了多种彩色图像的增强理算法，并在此基础上提出了新方法。在彩色图像增强方面阶段提出了一种结合偏色纠正和改进的retinex的增强方法，实验结果证明了该方法的有效性。 (2)在人脸检测方面，采用结合肤色检测的Adaboost检测方法。肤色检测去掉大部分背景，并提供区域和窗口特征，Adaboost检测判别是否为人脸， (3)在人脸特征定位方面，提出了一种基于各向异性滤波的人眼定位方法，对彩色图像的定位采用各分量差分的方法，实验结果证明效果较好。 (4)在特征提取方面，提出了多尺度的局部二进制模式特征提取方法。等价的局部二进制模式有效地减少了数据的维数，不同尺度分析能够表征人脸的局部和整体特征，两者的结合，更能有效的表征人脸特征。识别结果证明所提取特征的有效性。 (5)识别算法设计方面，采用流形学习算法，在传统的保局投影基础上，加入类别的监督信息，并使向量正交化，改进正交拉普拉斯特征脸算法对特征数据进行降维。最后采用最小近邻法识别人脸。实验结果表明识别率相对提高。 第二章人脸识别系统设计 人脸识别系统可分为五部分，图像预处理、人脸检测和人脸特征定位这三个模块主要对图像进行处理。，特征提取和人脸识别这两个模块主要对数据进行分析。基于自动识别人脸思想设计一个人脸识别系统。下面将介绍系统的处理流程和各个模块的功能和实现方法。 2(1人脸识别处理流程介绍 人脸识别流程主要有五个部分组成。(1)图像的预处理。其目的是对输入的待识别图片进行偏色纠正和图像增强，减少光源和光照的影响，为人脸检测做好 人脸检测。其目的是判断图像中是否有人脸，如果有人脸存在，那么准备。(2) 通过检测确定人脸在图像中的大概位置，为下一步的人脸特征定位做好准备。(3)人脸关键特征定位。其目的是检测出人脸的关键特征位置，定位人脸，为下一步的图像归一化和特征提取做好准备。(4)人脸图像归一化和特征提取。其目的是通过归一化，较少角度，尺寸，光照的影响，然后提取相当于标准入脸图像的人脸特征，减少数据量，达到初步降维的目的。(5)人脸识别。其目的是对人脸特征数据再次降维，再进行人脸分类和识别。人脸识别流程如图2—1所示。 图2-1 人脸识别流程图 2(2人脸识别系统模块 人脸识别系统包括多个功能模块，对人脸识别系统各个模块运用的算法进行研究并仿真实现。下面介绍人脸识别系统各模块的实现方法和功能。 1(图像预处理模块在人脸检测和关键特征定位前，需要对待识别图像进行光源偏色预处理，色彩亮度增强的处理。根据待识别图像的特点，设计预处理算法，减少图像偏色和亮度不均的影响，以利于后面的人脸检测，提出一种结合偏色纠正和改进retinex的图像增强算法。首先判断彩色图像是否存在偏色。如果存在偏色，那么根据灰度世界和完美反射理论建立模型，以二元法实现图像的偏色纠正。基于改进的Retinex理论的图像增强，首先对彩色图像进行进行色彩与亮度的分离，对亮度部分的灰度图像，进行亮度增强，接下来对图像进行高斯低通滤波，获取图像的邻域信息，对邻域信息进行自适应增强，增强的结果和原亮度的灰度图像相比，得到彩色图像增强的增益矩阵，最后对彩色图像进行逐点增益运算，实现各点同比增强。 2(人脸检测模块人脸检测对速度和准确率要求很高，一种算法很难同时兼顾这两方面的要求，因此采用不同特征相融合的方法不失为一个好策略。肤色检测具有简单和迅速的特点，但是对类肤色无能为力。Adaboost人脸检测准确率高，但是对样本需求量大，需要花费大量时间训练，图片尺寸增大，检测时间迅速增长。因此，采用结合肤色检测的Adaboost算法检测人脸。 首先建立肤色模型，对彩色图像进行肤色检测，去掉大部分人脸图像背景，同时得到可能的人脸区域的大小，为Adaboost算法提供扫描窗口尺度和可能的人脸图像区域。级联算法主要是通过提取窗口图像的积分图特征，然后对每一个特 征训练一个弱分类器，若干个分类错误最小的弱分类器组成单个的强分类器，强分类器再组成级联分类检测器，检测某个窗口是否有人脸。 3(人脸特征定位模块在人脸识别应用中，人脸特征定位是非常关键的步骤，定位的准确与否影响到提取的特征能否配准。光照是影响灰度图像亮度的重要因 素，定位灰度图像必须消除光照的影响。提出一种基于各向异性滤波的人眼定位方法，该方法首先构造各向异性滤波器，对图像进行去光照处理，保留人眼的基本特征，然后进行形态学滤波，突出眼睛的特征，并进行特征区域的初步匹配，最后依据精确定位算法定位人眼。对彩色图像，提取三分量差分特征，二值化后，依据各种规则去除大量不相关的区域，经过匹配定位眼睛。考虑嘴巴的闭合和张开情况，结合红色度信息和差分特征，定位嘴巴。 4(图像归一化及特征提取模块人脸图像的归一化是特征提取的前提。特征提取都是在灰度图像上进行的，对图像进行位置校准和光照的归一化有利于特征提取。 基于人脸定位的结果，采用旋转和插值放缩的方法对图像进行角度和尺寸的校准，最后采用Tan提出的光照归一化方法，经过伽马变换、高斯差分滤波和对比度规定化处理对图像进行光照归一化。归一化后得到标准的人脸图像。人脸图像的特征包括很多种，包括几何特征，频域特征，代数特征，纹理特征等。基于整体的特征提取方法表征整幅图像的特征，基于局部的特征提取方法强有力地表达细节信息。人脸图像的纹理特征能够表征人脸的特征信息，采用整体和局部相结合的特征提取方法能够更加全面地描述人脸特征。对局部特征的描述，采用等价局部二进制模式;对整体特征的描述，采用小波多尺度分析，提取人脸的多尺度等价局部二进制模式特征，最后把两者综合起来，构成人脸的多尺度特征。 5(人脸识别模块人脸识别算法常用的有主成分分析(PCA)，线性判别分析LDA，神经网络，支持向量机SVM，最小近邻法等，基于多种识别算法相结合的方法常用于人脸识别，但是这些方法都没有找到人脸特征最优描述和分类意义最优的结合点。人脸图像近似处于一个非线性子流行上，借鉴混沌理论中分形的思想，寻找嵌入在高维数据模型的低维子流行是人脸识别降维的关键。 流行学习方法是描述非线性子流行的有效方法。保局投影和正交保局投影的方法成功应用于高维人脸图像降维，但是正交保局投影的方法正交化过程迭代运算过大，两者都没有利用类别信息，虽然能得到最优的特征描述，但是并非分类意义上最优。采用正交拉普拉斯特征脸识别算法，考虑类别信息，把类间离散度融入保局投影的目标函数，进行有监督学习，采用矩阵分解的方法，获取特征值，实现投影基向量的正交化，经过投影矩阵变换，实现降维，最后，采用最小近邻法识别人脸。 本章概述人脸识别流程，对人脸识别系统的各模块做了全面的介绍。以每步的关键技术为出发点，研究相关技术，为人脸的自动化识别建立系统模型。 第三章图像预处理 从前面介绍的人脸识别处理流程可知，图像预处理是人脸识别处理流程的第一步。图像预处理的目的是对偏色图像进行纠正和对光照不均的图像进行增强。本章提出一种结合偏色纠正和改进Retinex的彩色图像增强算法。利用灰度世界和完美反射理论建立偏色纠正的数学模型，通过线性拟合对偏色图像进行偏色纠正。对彩色图像进行亮度和色度分离，利用多尺度Retinex增强算法对亮度分量增强并进行自适应调整，通过获取的亮度增益矩阵对彩色图像的RGB三分量进行逐点增强。 3(1偏色纠正 3(1(1偏色检测和纠正方法概述 偏色检测是对光源发出的光进行检测，判断是否偏色。常用的偏色检测方法主要包括直方图统计法、灰平衡法、白平衡法等。直方图统计往往可以给出此图像的整体颜色表现。颜色的直方图统计直接根据R、G、B三通道的平均亮度值初步判断出图像是否偏色。灰平衡法是针对满足“灰度世界”假设，即整幅图像的R、G、B均值相等，体现为中性“灰”，统计3个通道的平均亮度，通过颜色空间转换，获得相对均匀的Lab坐标，计算与中性点的色度距离，从而判断是否存在偏色。白平衡法是针对存在镜面反射的图像，认为镜面反射或白色区域反射的高光部分能够反映光源的色度，统计3个通道的亮度极大值，通过颜色空间转换， 坐标，计算与理想光源的色度距离，从而判断是否存在偏色。 获得相对均匀的Lab 传统的颜色校正方法主要有灰度世界颜色校正和完美反射颜色校正两种。(1)灰度世界颜色校正n副。该方法假设图像颜色丰富，图像的3个通道统计平均值相 ”为灰阶的颜色。对拍摄的图像进行统计求平均值，保持G分量不变，等， “表现 以R、B分量的均值作为颜色校正的依据。(2)完美反射颜色校正。物体本身并没有颜色，它是通过不同波长的光的吸收、反射或是投射，从而显示出颜色。若物体为白色，则表示所有的光都被反射。白色的物体或区域，称之为完美反射体。完美反射理论基础是假设在一幅图像中，可以把完美反射体视为标准白色。一个白色的物体，在任何光源色温下的图像，其R、G、B皆为极大值。以完美反射体为基准，对其他颜色进行校正。 灰度世界和完美反射理论适用于大多数场合的颜色校正，但同时具有一定的局限性，不能正确再现物体的真实颜色。 3(1(2二元法偏色纠正 灰度世界和完美反射颜色校正方法各有其优缺点，综合两种方法的优点，建立线性加权模型，能够实现二者间的平衡。在原有灰度世界和完美反射方法“线性”映射校正的基础上，以R通道为例，其校正表示为以下形式: IxyaIxybIxy,,,,，，，，，，， (3?1) rrr 其中，a和b为通道的校正系数。根据灰度世界的假设，必须满足以下条件: MNMN IxyIxy,,,，，，，,,,,rg (3?2) xyxy,,,,1111 根据完美反射理论，必须满足以下条件: max,max,max,IxyaIxybIxy,，，，，，，，，，，，，， (3?3) grr 由公式(3(1)， (3(2)， (3(3)可得相关通道校正系数a和b的矩阵形式为 ，，II，，Ia，，,,,,rr,,g,,,,,,, ImaxbmaxmaxII,,，，g，，rr，， 由求解出的颜色校正系数a和b对R通道进行颜色校正，G通道保持不变。同理对B通道进行校正系数计算和校正。图3-1为原图，二元法校正结果如图3-2所示。 图3-1 原图 图3-2 偏色校正结果 可以看出，原来图像偏黄，校正后偏黄部分基本得到抑制，背景的白色得到再现。灰度世界方法在图像颜色丰富的条件下是可行的，而完美反射方法在存在白色物体的情况下也是可行，但是都具有局限性。结合两种方法的特点，当图像颜色丰富的时候，可以突出灰度世界法校正效果;当图像以单一颜色为主时，可以有效抑制灰度世界法过饱和处理的缺点。 3(2彩色图像增强 传统的图像增强算法有:直方图均衡化、空域滤波增强、频域滤波增强。这些算法都是全局图像处理算法，虽然图像的整体视觉处理效果有所增强，但会损失许多细节特征，而且主要是针对灰度图像，并不能直接应用到彩色图像增强中去。彩色图像的三基色分量相关性强，增强亮度和保持颜色不变相当困难。彩色图像增强算法分两类:一类是根据颜色表示空间的多元化特征，将彩色图像转换到别的色调空间去，分离亮度和色调，再对亮度进行处理。另一类是从视觉特性出发，将色彩的恒常性应用于彩色图像的增强。基于Retinex理论的增强算法是典型的视觉特性不变增强算法n别。 基于Retinex理论的算法影响深远。Land提出的Retinex理论可以用于动态范围压缩，Jobson等对Retinex理论进行改进提出了MSRCR(MultiScale Retinex with Color Restoration)n81，它利用象素周围的已处理象素的统计特性来计算象素值。 3(2(1基于直方图均衡的光照补偿 彩色图像增强的直方图均衡算法是常用的方法，算法描述如下: (1)首先对彩色图像I(x，y)(M*N图像)进行灰度化处理得到g(x，y)。 (2)对灰度图像进行直方图统计。 higxyi,,，，,?1:0，，，，, (3(5) ，，xy, 其中，i=0，1，(((，255。 (3)假设临界系数为T=0.05，满足以下条件 k1 Thi,,255，，, (3(6) MN，i,0 得到k值。令i=0，1，(((，k，满足条件的像素的平均灰度值表示为， kk,, ,,,avggrayhiihi255255/，，，，，，,,,, (3(7) ii,,00,, (4)计算光线补偿系数并对彩色图像进行光照补偿。 'IxyavggrayIxy,255.0/,,，，，，， (3(8) 对图3(2进行直方图均衡光照补偿实验结果如图3(3所示。 图3-3 光照补偿 直方图均衡增强能很好保持图像的细节，这是一种整体增强算法，在要求不高的场合，却是一种简单、快速、有效韵算法。但是保留了高光区，对曝光过度无能为力，适应性不强，阴影区域依然存在。 3(2(2 Retinex理论图像增强 Land提出视网膜皮层理论，即Retinex理论。根据Land的理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，表示为 LER,, (3(9) 入射光E直接决定了一幅图像中像素能达到的动态范围，被认为是图像L的低频分量。反射物体R决定了图像的内在性质。Retinex理论的目的就是从图像L中揭示物体的反射性质R取对数后可以表示为: log(R)=log(L)一log(E) (3(10) Land推出中心,围绕空间对立Retinex理论n别，也称单尺度Retinex(SSR)，对每一个颜色通道变换的结果可以表示为: RxyIxyFxyIxy,,log,log,,,,,,,,，，，，，，，，，，iii i=1,2,3 (3(1 1) ，， Fxy,,,，，Ixy,，，表示第i个颜色分量的图像，*表示卷积算子，表示中心i ,围绕函数，即 222,，xy/,，，FxyKe,,,,，， (3(12) 是高斯函数的尺度参数，K由归一化函数决定 , Fxydxdy,,1,,，， (3(13) ,, Ranhman等人提出了多尺度Retinex(MSR)算法。MSR就是对通道的单尺度Retinex输出进行线性加权求和，其基本形式是: N RxywRxy,,,,,，，，，,Mnin i=1，2，3 (3(14) in,1 w表示第n个SSR的权值，通常w=1,N;仃。表示第n个SSR的尺度参数。针n 对灰度图像的多尺度Retinex算法，比单尺度Retinex算法效果明显改进，容易推广到彩色图像。 、G、B三通道相对独立，针对彩色图像，提出了多尺度彩色复彩色图像的R 原算法(MSRCR)，它是在多尺度Retinex基础上考虑相互独立的各通道色彩的结果，见(3(15)式 'RxyRxyIxyc,,,,,，，，，，， (3(15) MCMiii 3,,',，IxyIcIxyIxy,log,/,，，，，，，,iii,, (3(16) 1i,,, 'Ixyc,,，，称为彩色恢复函数，调节各通道的颜色分量比例(i=1，2，3);ci 为颜色校正系数，常取100。 Retinex算法的中心,围绕函数相当于一个低通滤波器的核，中心,围绕函数的尺度参数直接影响到被处理后的颜色，越小，动态范围压缩能力越强，,, 暗区域增强作用明显，但平均对比范围缩小，输出产生颜色失真;反之，越大，,颜色保真度越高。MSRCR实现动态压缩范围与彩色图像再现之间的平衡。 经过Retinex算法处理后的图片，对比度减弱，整体偏亮，颜色与原图偏移很大，甚至导致完全丢失。彩色图像的SSR，MSRCR实验结果如图3-4所示。 图3-4 Retinex增强 3(2(3改进Retinex的彩色图像增强算法 综合比对了直方图均衡和Retinex理论的彩色图像增强，提出一种基于改进Retinex理论的彩色图像增强算法。先对彩色图像进行色度和亮度的分离，得到亮度的灰度图像，然后进行亮度增强，接下来对图像进行高斯低通滤波，获取图像的邻域信息，对邻域信息进行自适应增强，增强的结果和原亮度的灰度图像相比，得到彩色图像增强的增益矩阵，最后对彩色图像进行三分量的同比增强。下面描述具体描述算法。 RGB,,RGB,,彩色图像如果两个像素点、，脚在RGB空间的值是成比,,,,111222 例的，即 RGB111,,,, (3(17) RGB222 那么这两点具有相同的颜色，只是亮度不同，且亮度增益为。在RGB空间,中，亮度和色度信息是融合在一起的，要实现三分量的同比增强，首先把图像转换颜色空间，并且要求亮度增强的同时能保持色度信息不变，因此把图像从RGB空间转换到HSV空间，分离出亮度信息。原彩色图像灰度化为 V(xy)maxR(x)G(xy)(xy)，，,y，，，B，,, (3(18) 应用Retinex理论对V分量增强，实验中发现反正切函数比对数增强效果更好，而且反正切函数的输出是归一化的，输出范围是(0，1)。反正切函数方程可以表示成如下形式: 2 sigx,,tan1，， (3(19) ,2x，e1 所以运用公式(3(20)对V分量进行增强，应用公式(3(21)进行多尺度增强， EV(x,y)tansig(Vx,y[F(x)(x)])，,，,,,,y，，Vy，，(3.20) N EV(x,y)Vx,y,,wE,，，,Mnn (3(21) n,1 其中表示彩色图像的亮度分量多尺度增强结果，反正切函数实现EV(x,y)M ww输出归一化;表示第n个亮度分量增强的权值系数，通常取均匀权，=l/N,;nn ,表示第n个亮度分量增强的尺度参数，表示高斯核函数的形状。如果取N=4，n ,取25、75、100、150取得较好的效果。 实验表明 通过亮度增强后，虽然V分量中较暗部分区域的亮度得到有效的增强，但是局部信息有丢失。对图像进行模糊化处理，获得邻域像素的信息，再进行自适应调整。由于中心,围绕函数相当于一个低通滤波器的核，通过中心,围绕函数与亮度增强图像的卷积可以获得图像的邻域信息。 ，，AAEDAABXBA,,,,,,，，，，,, (3(22) x，， 根据获得的邻域信息对图像进行自适应增强，获得增益矩阵，其中低通滤波,核的取值很重要，试验中取0(5。具体步骤如下: (1)计算亮度灰度图像的方差，D=var(V(x，y)); 计算卷积结果与亮度灰度图像的比值，并进行幂运算: (2) a ,,EVxy,，，convE(x,y),,,(3(23)， ,,，，Vxy,,, 其中a的取值为，如果D大于100，a=1/2:如果D小于等于25，a=2;其它情况a=2.5-0.02×D。 3)增益矩阵为 Exy,，，,xy,=255EV(x,y)/Vx,y，，，，， (3(24) M 最后根据增益矩阵对原彩色图像进行三分量同比增强， IxyIxyxy,,,,，,，，，，，， (3(25) new 增强后，原来彩色图像整体的亮度得到明显的改善，保存了色度信息，同时抑制了较亮区域，突出阴影部分的区域和偏暗的背景部分，如果亮度调整后再进行均衡补偿，图像的增强效果更加明显，色彩丰富视觉效果明显加强，实验效果如图3(5所示: 图3-5 改进的Retinex增强 光照不均是图像处理常见问题，Retinex算法虽然能够实现偏色情况下的增强，但是图像过亮，色度信息丢失严重。而本章提出一种结合偏色纠正和改进Retinex的彩色图像增强算法，利用线性拟合纠正图像偏色，多尺度Retincx对亮度分量增强，自适应调整亮度，获得亮度增益矩阵进行RGB三分量同比增强，能较好保持色度信息下增强彩色图像，去除小块的暗区域，克服高光现象，把图像的亮度和色度调整到较理想状态。 第四章结合肤色和AdaBoost的人脸检测方法 人脸检测目的是检测图像中是否存在人脸。本章对彩色图像的人脸检测问题进行研究，运用结合肤色的AdaBoost人脸检测算法检测人脸。利用肤色检测，去除量背景，获得肤色区域信息和人脸的大小范围，根据肤色二值图和肤色块分析结果，对图像进行扫描，产生子窗口图像，并计算有效的子窗口图像的积分图特征，调用Adaboost算法检测人脸。 4(1人脸检测方法和特征 人脸作为一种自然形体，能跟别的形体很好区分开来，说明其本身具有非常强的共性，但是由于人脸个体的差异，人脸千变万化，使得人脸具有复杂的模式变化。主要的人脸检测方法有以下几种: (1)基于人脸特征的方法。主要是寻找不依赖于外在条件和属性的人脸特征。首先是输入图像，对图像进行处理，根据结果提取某些特征与人脸的某些特征进行比较，然后判断某个区域是否为人脸区域。常见的人脸特征如边缘、色彩、纹理等特征，人的肤色被证明是检测人脸的一个有效特征。 (2) 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 匹配的方法。模版匹配时一种经典的模式识别方法，对于人脸检测，首先要预定义或参数化一些人脸模板作为标准模板，一般使用正面的人脸模板，单独的眉毛、眼睛、鼻子、嘴模板等。然后计算各待检测区域与标准模板的相关系数，根据相似程度来判断该区域是否为人脸。 (3)基于人脸统计模型的方法。这种方法的思想是通过搜索大量的人脸和非人脸样本作为训练集，用支持向量机、人工神经网络等方法训练出一个分类器来检测人脸。这种方法没有人工分析人脸、抽取模板，没有对输入图像进行复杂处理，而是利用大量的外观信息，用结构化的方法训练出人脸的分类器。本系统人脸检测模块采用基于特征的方法检测人脸。人脸的结构大体相同，原始的人脸数据量太大，而且还会随着拍摄条件而变化，这使得特征提取和选择在人脸检测中极为重要，人脸检测中，可以提取的特征主要有以下几类: (1)肤色特征。人脸肤色聚集在颜色空间中一个较小的区域，因此可利用肤色特征能够有效地检测出图像中的人脸。利用肤色特征检测出的人脸区域可能不够准确，但如果在整个系统实现中作为人脸检测的粗定位环节，它具有直观、实现简单、快速等特点。通过选择合适的色彩空间来建立适当的肤色模型，对描述肤色具有重要意义。常见的肤色模型有高斯模型、直方图模型、三维投影模型、神经网络肤色模型等方法。对彩色图像，结合肤色模型，使用基于肤色特征的方法能快速检测人脸区域。 (2)形状特征。人脸是一种自然流型，人脸及其器官具有典型的边缘和形状特征，近似于椭圆、圆、矩形、直线等几何形状。例如，人脸轮廓可以近似为一个椭圆，则人脸检测可以通过检测椭圆来完成。采用边缘检测的办法可以提取边缘特征，各种常用的算子和变换有Sobel、Log、Robert以及小波变换、Hough变换等来提取边缘特征。 (3)纹理特征。人脸具有特定的纹理特征，采用灰度共生矩阵方法可以计算人脸各方向的纹理特征，另外Gabor小波变换也能很好描述人脸的纹理特征，但是数据量比较大，处理起来不是很方便。 (4)灰度特征。人脸的局部区域受到光照的影响，具有明显的灰度特征。正常情况下，人脸的眼睛、嘴、鼻孔鼻子两侧等区域的灰度值较低，前额、脸颊、 鼻梁等区域的灰度值比较高。但是当光照不均匀时，各个区域的灰度值有不同变 化，可以采用光照拟合和直方图均衡的方法补偿光照的影响。 在应用中，快速有效地进行人脸检测显得极为重要。肤色检测仍然是一个有效的方法，但是存在一些问题，缺乏鉴别能九对类肤色无能为力。AdaBoost检测方法满足无人工干预的要求，准确率也很高，但是训练量比较大，对速度要求无法满 足。采用多特征的人脸检测方法进行人脸检测，能够满足快速的要求。因此，采用结合肤色特征和AdaBoost方法进行人脸检测。 4(2肤色检测 人的肤色各异，但是研究表明人脸肤色在一些色彩空间中因为人种的原因， 的某个区间内具有聚集特性，对于彩色图像，肤色不受表情变化、旋转的影响，并且与背景有较大区别，鲁棒性好。利用肤色特征检测人脸可以去掉大部分背景，加快人脸检测速度。人脸检测常用的色彩空间主要有RGB、HSV、YCbCr等色彩空间。肤色检测采用YCbCr和HSV颜色空间。 4(2(1 YCbCr和HSV颜色空间 YCbCr空间从YUv色彩空间衍生出来的。YCbCr空间将色彩表示为三个分量，Y表示亮度、Cb表示蓝色色度、Cr表示红色色度。YCbCr颜色空间具有将亮度分离的优点。YCbCr与RGB色彩空间的转换关系为: 0.299×R+0.5870×G+0.1140×B (4(1) Y= Cb=-0.1687×R一0.3313×G+0.5000×B (4(2) Cr=0.5000×R一0.4187×G一0.0813×B (4(3) 色彩空间是孟塞尔色彩空间的简化形式，是以色彩的色调(H)，饱和度(S)HSV 和亮度(V)三要素来表示的，嘱于非线性色彩表示系统。HSV色彩空间也具有亮度分离的特点。通过一个线性变换可以将RGB空间的三个分量转换到HSV空间: HBG1,, H,, (4(4) 03601,,HBG, 其中， ,, RGRB,，,/2，，，，,,，，Harcoa1,,,1 (4(5) 22,,，，RGRGGB,，,,，，，，，，，，,, 饱和度和亮度分量表示如下: 3 SRGB,,1min,,，，，， (4(6) ，，RGB，， min,,RGB，， V, (4(7) 255 实验中对H进行归一化，统一数据尺度，减少差异。 4(2(2肤色检测算法 1(肤色分割根据肤色的聚类性，YCbCr空间上肤色在Cb和Cr分量上的范围取值如下: ,,,355Cb, , (4(8) 050,,Cr, 而在HSV空间上，肤色的H分量和S分量的取值范围为: 00.1,,H,0.81,,H, ,, 或 (4(9) 00.7,,S00.7,,S,, 同时满足YCbCr空间和HSV空间上肤色范围的区域认为是肤色区域，对肤色区域进行二值化处理，将其置白色，非肤色区域置成黑色，得N-值化的图像，实现肤色分割，人脸区域与背景分离。 2(形态学处理对二值化的可能肤色区域做形态学处理，消除孤立的类肤色小区域，填充人脸内的眼睛、嘴等空洞部分，得到人脸区域。数学形态学是由一组形态学的代数运算子组成的，其核心是击中与否变换，最基本的运算是膨胀和腐蚀，结合膨胀和腐蚀运算的操作有形态学的开、闭运算等。膨胀和腐蚀操作本质上是用结构元素映射输入图像。 腐蚀是一种消除边界点，使边界向内收缩的过程。腐蚀概念定义为:A、B 2Z为中的集合，集合A被集合B腐蚀可以记为AB,，其定义为 ABXBA,,，，,, (4(10) x 2ZB膨胀运算是腐蚀运算的逆运算，膨胀概念定义为:A、B为中的集合，为B的映像，A被B膨胀可以表示为 ，，ABXBA,,,，，,, (4(1 1) x，， 区域填充定义为: XXBA,,，， k=l，2，((( (4(12) kk XX,Xo=u，u为待填充区域内的一点，B为结构元素，如果满足，则算法迭kk,1代的第k步结束，得到填充后的结果。 腐蚀和膨胀运算分别需要先构造膨胀结构元素D和腐蚀结构元素E，如图4-l所示。结构元素的选择十分重要，其形状、尺寸的选择是能否有效地提取信息的关键。结构元素的中心像素称为原点，它是结构元素参与形态学运算的参考点。基于腐蚀、膨胀这两种基本的数学形态学运算，采用非对称结构元素构造出形态学处理 算法: AAED,,,，， (4(13) 图4-1 膨胀和腐蚀的结构元素 候选肤色区域经过形态学操作后消除细小噪声点，并扩充了肤色区域，进行空洞填充后，基本得到肤色区域。然后对肤色块进行分析，对腐蚀膨胀处理后的二值化图像进行连通区域标记。连通区域的标记是对每个连通区域以唯一的标号标记。 具体步骤为:l、从左到右扫描，从上到下扫描。在同一行的不连通的行程 、由左上向右下扫描，如果两个相邻的标上不同的号，不同的列标不同的号;2 行中有相连通的行程则下行的号改为上行的号。3、由右下向左上扫描，如果两个相邻的行中有相互连通的行程则上行的号改为下行的号。4、进行标号排列。 连通区域标记后，对各区域进行像素统计，小于最大连通区域像素个数的五分之一的区域认为不是人脸区域，去掉这些区域。重新标记连通区域，并计算连通区域的外接矩形的宽和高，若外接矩形的宽高比大于2，则进行连通区域像素计算，若其总像素一半小于最大块的三分之一，则去掉该区域，否则进行连通区域分割。若连通区域的宽高比小于四分之一，则去掉该区域。对剩下的连通区域依据矩形度进行裁剪，保留区域为，新宽度为外接矩形宽度的五分之四，新高度为新宽度的1(2倍，其余去掉。获得到所有标记块的最大高度Hb和最大宽度Wb，Hb和W b及最后处理得到的肤色二值图Bs用于结合AdaBoost算法进行人脸检测，减少搜索区域及 搜索尺度范围。图4—2是肤色检测的流程。 肤色检测的实验结果如图4(3至图4(7所示。 4(3结合肤色检测的AdaBoost人脸检测 肤色分割算法的效果不能满足复杂背景的要求，光照改变，不同人的脸部相接触，存在类肤色等原因，造成检测错误，因此实现快速检测的同时，还要验证所检测得到的区域是不是人脸区域。 2001年，Viola和Jones提出了级联AdaBoost人脸检测方、法。Viola提出将积分图应用到特征值的计算之中心圳，快速计算Harr(1ike矩形特征，将矩形特征作为人脸检测的特征向量，利用AdaBoost学习算法将F{qHarr(1ike特征生成的弱分类器叠加成为强分类器，再将强分类器级联成分级分类器用于人脸检测。积分图的引用，可以只对图像进行一次遍历计算，就能够在用常量时间完成每个特征值的计算，这使得训练和检测的速度大大提升。肤色检测和AdaBoost算法各有优缺点，综合考虑两种算法的优点，利用肤色检测算法去除大量背景，通过对肤色区域的统计和分析，得到可能人脸的大致尺寸范围。将人脸尺寸范围及经过处理后的Bs二值图的特征信息提供给AdaBoost检测算法，确定扫描窗口尺寸和扫描区域，从而减少搜索区域及搜索范围，提高处理的速度。 4(3(1 Haar矩形特征与积分图 将矩形作为人脸检测的特征向量，称为矩形特征。矩形特征对简单图形结构具有较强的描述能力，但是只能描述特定走向的图形结构。简单的矩形组合成特征模板，模板内置黑色和白色两种矩形，交错放置。tlaar矩形特征，即模板的特征值定义为白色矩形内像素和减去黑色矩形内像素和。模板的特征值反映图像局部的灰度变化。最简单的三种类型的矩形模板如图4-8所示。 图4-8矩形模板 矩形模板虽然简单，但是检测窗口内特征矩形的数量仍然是巨大的。为了能够快速完成矩形特征值的计算，Viola提出了积分图像的方法瞳引。引入积分图的概念后，只需要对每个像素进行少量的计算工作，就能得到一整幅图像的“积分图”，积分图能够适应不同尺度，计算不同的特征花费的时间为常量。积分图的使用，显著提高了检测速度。 检测器窗口的每一个矩形特征，都通过积分图计算，但是有很多特征是不起显著作用的，在计算过程中可以考虑忽略这些非显著特征的计算。f(x，y)是原 —9所示。 图，积分图如图4 图4-9积分图 在点(X，Y)的积分图ii(x，Y)定义为 iixyimn(,),,，，, (4.14) mxny,,, ii(x，Y)可以通过迭代的方法求得。 ii(x，Y)=ii(x，y-1)+c(x，Y) (4(15) c(x，y)=c(x，y-1)+i(x，Y) (4(16) 其中c(x，y)为包括点(x，y)在内的y方向上方的所有像素点的灰度值之和，也就是“列积分和”。c(x，y)存在特殊的点，定义c(x，Y)为: cxyixn(,),, (4(17) ，，,ny, 需要指出，c(x，0)==，ii(O，y)=0。 矩形框内任意一个矩形区域的积分图值都可以通过计算它四个顶点对应的矩形的积分图值求得。点“1”的积分图的值是矩形框A中所有像素的灰度值之和。点 “2”的积分图所对应的值为A+B。点“3”是A+C，点“4”是A+B+C+D。所以D 中所有的像素值之和可以用4+1一(2+3)计算。如图4—10所示。 图4—10积分图计算 求得各区域的积分图的值后，根据模版特征，计算模版特征值。例如由A和B区域组成的矩形，模版矩形特征值就是A区域的积分图值减去B区域的积分图值。矩形特征值的计算就是简单的加减运算。矩形特征值与积分图有关，与坐标无关。 4(3(2 AdaBoost算法 1(弱分类器对弱分类器的训练就是在当前权重下，确定特征的最优阈值，使得弱分类器对所有样本的分类误差最低。最佳弱分类器就是在所有的弱分类器中，分类误差最低的那个分类器。设一个有n个训练样本(x1，y1),?，(xn，yn) ={0，1)，i=1，2，„，n。yi=0，对应样本的为假;yi=l，对的训练集，其中yi 应样本为真。样本中有u个假样本，v个真样本;如果某样本的特征数为k，对于 fx，，第i个训练样本xi的第j个特征表示为，其中，j=1，2，„，k。第j个特ji ,ipx()log,,,,,f征的弱分类器由一个特征，一个阈值巳和一个jiij1,,i p指示不等式方向的偏置值构成: j 1ifpfp,,,jjjjhx,，，,j (4.18) 0else, f弱分类器的特征值就是矩形特征的特征值，指向偏置值p=1或p=-1。对每j 一个特征，计算所有训练样本的特征值，并将其排序，扫描排序后的特征值作为元素，就可以为这一特征确定一个最优阈值，从而训练出一个弱分类器。阈值对应的弱分类器把当前元素前面的所有元素分类为人脸(或非人脸，根据偏置确定)，把当前元素后面的所有元素分类为非人脸(或人脸)。 2(强分类器训练改变权重，通过迭代，获得弱分类器，迭代T次将获得T个最佳弱分类器。选择错误率最低的T个最佳弱分类器，最终优化组合成一个强分类器。强分类器的训练过程描述如下: w1、设为第t次循环中第i个样本的误差权重。初始化训练样本中的误差 ii, ww权重:对于yi=0的样本=1/2u，对于yi=1的样本，=1/2v，t=1。 ii,ii, 2、For t=1:T。 wii,,wii,n(1)权重归一化。 ,wij,,j1 hf (2)对于每个特征 ，训练出弱分类器，确定弱分类器闽值巳和偏置jj n ,,,whxy，，,jijjii,p值，使其目标函数达到最小。 ji1, ,(3)从(2)中确定的弱分类器中找出一个具有最小的错误，的弱分类器ih，作为本轮迭代的最佳弱分类器。 i ,,ii,,ww,,,i(4) ，更新每个样本的权重iiiii，1,,，由i,1,i ,,h分类结果确定。若训练样本xi被正确分类，则=0，反之=1。 iij 3、构成强分类器: TT1 ,,hx,1,，，,,,iiiSx,，，2,,11,ii,,,,log，其中 (4(19) ii0,,else 强分类器的作用相当于对图像进行分析，让所有的弱分类器进行决策，按照决策结果对错误率进行加权求和，与平均错误率相比，最终决定是否为人脸或非人脸。当提取的分类器对于某些样本分类正确，则减少相应样本的权重，分类错误则增加其权重，通过权重调整，接下来训练出来的弱分类器将加强对错分样本的训练。 3(训练级联分类器强分类器能够检测出几乎所有的人脸样本，但是仍然有一些非人脸样本通过强分类器检测。使用强分类器级联的方法，进一步排除了非人脸样本，提高检测精度。对级联分类器设置每一层的阈值，使得大多数检测窗口都能通过，丢弃非人脸样本。级联分类器对输入图像采取由粗到精的处理策略，对不同复杂度的输入图像在不同的阶段进行处理，这样能够有效地减少计算时间。只有当输入图像通过级联分类器所有层后(图像才能被归类为人脸(否则都是非人脸。有了这种弹性的分类结构，非常类似人脸的纹理图像就可以由简单特征组成的分类器排除。级联分类器的训练算法如下: 1、设定每层的最大错误率E，单层强分类器的最小通过率P和级联分类器的目标误报率R，人脸样本集合Face和非人脸样本集合Nonface: 2、初始化误报率RI=I，迭代次数k=l: 3、while Rk>R (1)用训练集Face和Nonface练第k层并且设定的阈值为T，使得该层错误 率EkR，则让当前级联检测器检测非人脸样本，集中统计所有 误报信息到集合Nonface。 AdaBoost算法训练样本集采用MIT CBCL人脸库。该人脸库共有6983个样本，其中人脸图像2429幅，非人脸样本4554幅。为了计算方便，取库中2400幅人脸图像，非人脸图像4500幅。部分训练样本如图4-11所示。 级联分类器由多级强分类器构成，强分类器开始的几层较为简单，需要的弱分类器也少，随着层数的增加，构成强分类器的弱分类器也增加。强分类器越复杂，对非人脸的检测能力也就越强，但是也会错误把人脸样本排除。因此要考虑检测率和误检率，一般可取9到12级级联。实验中发现，对单人脸图像的检测比多人脸图像更准确。 图4一11训练样本 4(3(3肤色与AdaBoost检测人脸 AdaBoost人脸检测系统从图像左上角处开始扫描，检测窗口(24x24)以K个像 素为间隔对图像进行逐行扫描，遍历后，检测窗口放大1(25倍，再次扫描图像，产生的检测区域送给级联分类器鉴别，通过所有强分类器后的检测区域就认为是人脸区域。这种方法在图像尺寸合适的时候是有效的，但是随着图像尺寸的增大，将产生较多无用的检测区域，降低了检测速度。 这里运用肤色检测和hdaBoost检测相结合的方法。算法描述如下:首先对图像进行肤色检测，由经过形态学处理的二值化图像获得肤色二值图和可能肤色区域的尺寸大小范围。然后根据肤色处理结果，确定检测窗口的尺寸范围，以窗口大小的1,8为间隔，逐次放大窗口为上一次的1(25倍，遍历扫描整幅图像，产生子窗口图像，丢弃非肤色二值图区域所在的子窗口。计算子窗口图像的积分图，获得特征值，调用级联分类器进行分类，最终完成人脸检测工作。算法流程如图4-12所示。 本章主要对彩色图像的人脸检测问题进行研究。利用肤色检测，去除量背景， 获得肤色区域信息和人脸的大小范围，根据肤色二值图和肤色块分析结果，对图像进行扫描，产生子窗口图像，然后计算有效的子窗口图像的积分图，利用结合肤色的AdaBoost人脸检测算法检测人脸。试验中分别采用肤色检测，AdaBoost检测算法和结合肤色检测的AdaBoost算法对单人脸和多人脸图像进行了检测。测试图像主要来自生活中的数码照片和互联网上收集的图像，单人脸图像150幅，多人脸图像50幅。部分测试结果如图4—13，图4(14所示。单人脸图像和多人脸 图像的肤色检测、AdaBoost人脸检测和结合肤色检测的AdaBoost算法(Skin+AdaBoost)检测实验结果如下表4(1、表4(2所示。 从表中可以看出，肤色检测的正确率很高，但误检率也高，AdaBoost人脸检测算法误检测率低，但是正确率降低。本章算法考虑了正确检测率和误检率两方面，综合体现肤色检测和AdaBoost人脸检测的优点，具有不错的检测效果。 图4一12人脸检测流程图 图4-13单人脸检测 图4-14多人脸检测结果 表4—1单人脸图像不同算法检测结果比较 表4-2多人脸图像不同算法检测结果 第五章测试结果 在系统设计过程中，对人脸识别系统的各组成部分进行了深入研究，对各模块设计算法并实现。本章主要对人脸识别系统进行测试结果分析。分别运用PCA方法、拉普拉斯特征脸算法、正交拉普拉斯特征脸算法和改进的正交拉普拉斯特 人脸库和ORL人脸库的图像进行识别，最后把不同识别算征脸识别算法对Yale B 法在这两个库上的识别结果进行对比。Yale B人脸库共有5760幅图片，包含10个类别，每个类另U576幅图片(分别来自9个不同的角度，每个角度包含64种光照变化)?3。对每个类别，随机选取400幅图片中的280幅作为样本， 其他120幅作为测试。人脸识别模块算法测试结果是1200张图片中有63张分类错误。0RL人脸库由40人，每人lO幅图像组成，人脸姿态，脸部表情和脸部细节有着不同程度的变化。图像的分辨率是112×92。训练样本每人7幅，测试样本每人3幅，改进的正交拉普拉斯特征脸识别算法测试结果是测试120幅图像，有4幅错误。在YaleB和0RL人脸库的不同算法识别结果如表5-1所示。 表5-1不同识别方法在不同数据库识别的结果 从表8-1可以看出，改进的正交拉普拉斯脸算法降维效果较好，人脸的特征维数比另外三种识别算法的低，但是识别结果方面都优于其他三种流形学习的方法，说明分类识别性能有所提高。人脸识别系统中的图像预处理、人脸检测、人脸特征定位、图像归一化这几个模块主要完成图像的入库功能，特征提取和识别模块主要完成训练和测试功能，在实际应用中既可以对已有的标准人脸库进行测试，也可以从图像的预处理开始对图像进行训练和识别。 结论 结论基于图像处理的知识，研究在复杂光照下利用计算机自动识别人脸的技术。文中详细阐述整个人脸识别系统的处理流程，比较系统地介绍了该系统的图像预处理、人脸检测、人脸特征定位、人脸特征提取、人脸识别等组成部分。在人脸识别研究过程中，提出并实现了图像预处理、人脸检测、人脸特征定位、人脸特征提取、人脸识别等算法。 在图像预处理方面，针对图像偏色和亮度不均问题，提出一种结合偏色纠正和一改进Retinex算法的彩色图像增强算法。利用灰度世界和完美反射理论建立偏色纠正的数学模型，通过线牲拟合对偏色图像进行偏色纠正。对彩色图像进行亮度和色度分离，根据改进的Retinex增强算法对亮度分量增强，通过获取的亮度增益矩阵对彩色图像的RGB三分量进行逐点增强。该算法解决了彩色图像增强后色彩变化的问题，对于存在偏色、低亮度等复杂光照下的彩色图像均有较好的增强效果。 在人脸检测方面，针对类肤色和快速检测问题，运用结合肤色检测的AdaBoost算法检测人脸。利用肤色检测算法获得肤色区域信息，去除大量非人脸的背景部分，通过对肤色块的统计分析，得到可能人脸的尺寸范围。将人脸尺寸范围及肤色二值图像提供给AdaBoost人脸检测算法，从而减少搜索区域及搜索尺度范围。该人脸检测方法融合肤色检测和AdaBoost人脸检测的特点，能够快速有效地检测人脸。 在人脸特征定位方面，提出一种基于各向异性滤波的人眼定位方法。构造各向异性滤波器对图像进行滤波，消除光照影响，保留人脸图像特征信息;然后运用形态学操作突出眼睛的特征区域，并采用相关系数法对特征区域块进行匹配，获得眼睛粗定位;最后对粗定位区域进行重定位校正获得精确的眼睛中心点。对彩色图像，采用RGB三分量差分特征定位眼睛，结合红色度信息和RGB差分特征定位嘴。 在人脸识别方面，提出一种改进的正交拉普拉斯特征脸识别算法。对图像进行小波分析，并运用局部二进制模式方法在不同尺度的分块图像上提取人脸特征。在拉普拉斯特征脸识别算法和正交拉普拉斯特征脸识别算法基础上，提出一种改进的正交拉普拉斯特征脸识别算法。该算法在保局投影的目标函数中融入类间离散度，运用Schur分解实现基向量的正交化。这种改进的算法利用类别信息提高分类性能。 论文的几个创新点包括: (1)针对人脸特征定位，提出一种基于各向异性滤波的人眼定位方法。构造各向异性滤波器对图像进行滤波，消除光照影响，保留人脸图像特征信息;然后运用形态学操作突出眼睛的特征区域，并采用相关系数法对特征区域块进行匹配，获得眼睛粗定位;最后对粗定位区域进行重定位校正获得精确的眼睛中心点，解决复杂光照下灰度图像和彩色图像的人眼定位问题。 (2)在特征提取和识别方面，提出改进的正交拉普拉斯特征脸算法。利用小 波分析和多尺度局部二进制模式提取人脸特征，全面准确地描述人脸特征;在识别算法中融入类别信息，schur分解实现投影基向量正交化，减少运算量，提高分类性能。解决高维数据的降维问题，实现有监督学习。 人脸识别是一个富有挑战性的研究课题。对复杂光照下的人脸识别技术进行了较全面深入的研究，取得一定成果，但是由于本人学识和时间限制，很多地方 有待进一步的提高和改进。可以从以下几个方面进行深入研究和改进。 提高人脸检测算法的稳定性。人脸检测是人脸识别的基础，实际应用中对准确性要求高，但是人脸特征变化和环境差异等原因造成算法的稳定性下降。任意条件下实时准确地检测人脸是人们的追求，但是运动和遮挡以及光照影响等问题都亟需解决。 准确提取人脸特征。人脸特征提取是人脸识别的关键。二维人脸图像特征描述受限于人的运动图像信息，空域信息有时不足以描述人脸特征，造成的误差较大;人的年龄和表情变化较大也会影响特征提取的准确性。大规模人脸识别问题。实际应用中，人脸数据库规模是很大的，如何提高大规模应用环境下人脸识别算法的识别率是一个很重要的问题。大规模人脸识别必然带来海量数据的学习问题。传统的人脸识别算法如PCA、LDA等在小规模数据库中容易学习训练，但是对于海量数据的训练过程确难以进行。流行学习都存在这样的问题。 进行应用研究。由于时间和实验室条件限制，所提出的算法没有结合实际工程应用。人脸识别的应用比较广泛，理论和实际相结合，必能促进人脸识别技术的发展。 参考文献 [l]李刚，高政.人脸识别理论研究进展[J](计算机与现代化，2003，(3):1,3( [2]张翠平，苏光大(人脸识别技术综述[J](中国图像图形报，2000，5(1 1): 885,894( [3]Samal A，Iyengar P A(Automatic recognition and analysis ofhuman faces and facial expressions:A survey[J](Pattem Recognition，1992，25(1): 65,77( [4]Dror IE,Florer F L.Nenural networks that recognize faces[A](Proceedings of SPIE[C](1995，2485:123,128( [5]Turk M，Pentland AP(eigenfaces for recognition[J]，Journal of Cognitive Neural science，1991，3(1):71,86( [6]Belhumeur P N，nespm,J P，Krie49nan D J(Eigenfaces VS(Fisherfaces: Recognition using class specific linear projection[J](IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):711,720( [7]Lades M，Vorbrueggen J C，Buhmann J，et a1(Distortion invariant object recognition in thedynamic link architecture[J](IEEE Transactions on Computers，1993，42(3):300,311( [8]崔国勤，李锦涛(基于支持向量机的人脸识别方法叨(计算机学，2003，30(4): 11,15( [9]沈杰，王正群，邹军(基于连续隐马尔可夫模型的人脸识别方法阴(计算机 工程与设计，2008，29(3):707,710( [10]王跃明，潘纲，吴朝晖(三维人脸识别研究综述叽计算机辅助设计与图形 学学报，2008，20(7):819,829( [11]郑建铧，郝重阳，雷方元等(利用色彩直方图特征进行偏色图像的自动检测 和校正[J](中国图象图形学报,2003,8A(9):1001,1007( [12]郭永刚，葛庆平，郭楠(利用白平衡进行偏色图像的颜色校正川(计算机工 程与应用，2005,(20):56,59( [13]GASPARINI F，SCHETHNI R(Color correction for digital photo Graphs[C](Proc ofthe 1 2th International Conference on Image Analysisand Processing(2003:646,651( [14]LAM E(Image restoration in digital photography[J](IEEE Tran on ConsumerElectronics，2003，49(2):269,274( [15]Land E(The retinex[J](American Scientist，1964，52(1):247,264(