基于肤色相似度的人脸检测与定位毕业论文设计40论文41Word文档下载推荐.docx
《基于肤色相似度的人脸检测与定位毕业论文设计40论文41Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于肤色相似度的人脸检测与定位毕业论文设计40论文41Word文档下载推荐.docx（53页珍藏版）》请在冰豆网上搜索。
Inthispaper,theauthorsalgorithmanddesignedasystemforfacedetectionandlocationbasedoncomplexion.Bystrengtheningthecontrastbetweenfacefeaturesandbyadoptingbinaryimageprocessingmethod,thesystem-basedalgorithm,thesystemthroughtheextractionofthefeaturesofeyes,noseandmouth.TakingadvantagesofVisualC++6.0,theauthorsMicrosoftWindows.
Productionofthispapervalue.Experimentresultsprovethatthesystemisvalidindetecting,locatingandextractingfrontalviewfacefeaturesinacertainrange.Anditpossessfavorableperformanceinrapidityandaccuracy.
Keywords:
imagesegmentation;
facelocalization;
complexion;
facedetection;
featureex-traction
毕业论文（设计）原创性声明
本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。
据我所知，除文中已经注明引用的内容外，本论文（设计）不包含其他个人已经发表或撰写过的研究成果。
对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。
作者签名：
日期：
毕业论文（设计）授权使用说明
本论文（设计）作者完全了解**学院有关保留、使用毕业论文（设计）的规定，学校有权保留论文（设计）并向相关部门送交论文（设计）的电子版和纸质版。
有权将论文（设计）用于非赢利目的的少量复制并允许论文（设计）进入学校图书馆被查阅。
学校可以公布论文（设计）的全部或部分内容。
保密的论文（设计）在解密后适用本规定。
指导教师签名：
日期：
日期：
注意事项
1.设计（论文）的内容包括：
1）封面（按教务处制定的标准封面格式制作）
2）原创性声明
3）中文摘要（300字左右）、关键词
4）外文摘要、关键词
5）目次页（附件不统一编入）
6）论文主体部分：
引言（或绪论）、正文、结论
7）参考文献
8）致谢
9）附录（对论文支持必要时）
2.论文字数要求：
理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。
3.附件包括：
任务书、开题报告、外文译文、译文原文（复印件）。
4.文字、图表要求：
1）文字通顺，语言流畅，书写字迹工整，打印字体及大小符合要求，无错别字，不准请他人代写
2）工程设计类题目的图纸，要求部分用尺规绘制，部分用计算机绘制，所有图纸应符合国家技术标准规范。
图表整洁，布局合理，文字注释必须使用工程字书写，不准用徒手画
3）毕业论文须用A4单面打印，论文50页以上的双面打印
4）图表应绘制于无格子的页面上
5）软件工程类课题应有程序清单，并提供电子文档
5.装订顺序
1）设计（论文）
2）附件：
按照任务书、开题报告、外文译文、译文原文（复印件）次序装订
3）其它
引言1
第1章人脸检测与定位概述2
1.1人脸检测的定义、应用及难点2
1.2人脸检测的研究背景及现状2
1.3本文研究的主要内容3
第2章基于肤色模型的人脸检测4
2.1人脸检测方法4
2.2基于肤色的人脸检测4
2.2.1色彩空间的选择4
2.2.2肤色模型5
2.3人脸肤色相似度的计算6
第3章相似度基础上的人脸特征定位10
3.1人脸检测与定位算法10
3.1.1人脸区域分割算法10
3.1.2人脸区域标记算法12
3.1.3人脸检测流程12
3.2人眼的检测算法及标定13
3.2.1有背景灰度人脸图像中的人眼检测与定位14
3.2.2眼睛的标定15
3.3鼻子的标定17
3.4嘴的标定18
3.5设计结果及分析19
结论与展望21
致谢22
参考文献23
附录A引用的外文文献及翻译24
附录B参考文献题录及摘要27
附录C主要源程序29
插图清单
图2-1训练流程图……………………………………………………………………………6
图2-2二值化流程图………………………………………………………………………...7
图2-3原图…………………………………………………………………………………...7
图2-4相似度图……………………………………………………………………………...8
图2-5二值化图……………………………………………………………………………...8
图2-6垂直直方图…………………………………………………………………………...8
图2-7水平直方图…………………………………………………………………………...9
图3-1人脸检测与定位的总体流程……………………………………………………….10
图3-2人脸区域分割系统………………………………………………………………….10
图3-3区域分割算法流程………………………………………………………………….11
图3-4标记人脸区域……………………………………………………………………….12
图3-5人脸检测流程图……………………………………………………………………..13
图3-6LOG算子…………………………………………………………………………….15
图3-7边缘提取流程……………………………………………………………………….15
图3-8边缘提取图………………………………………………………………………….16
图3-9眼睛的定位………………………………………………………………………….16
图3-10眼睛标记流程图……………………………………………………………………17
图3-11眼睛标记……………………………………………………………………………17
图3-12鼻子的标记流程图…………………………………………………………………18
图3-13鼻子标记……………………………………………………………………………18
图3-14嘴巴标记……………………………………………………………………………19
图3-15系统主界面…………………………………………………………………………19
引言
人脸检测和定位是人脸识别中一个重要的组成部分，其检测问题却是一个极赋挑战性的课题。
人脸是一个包含五官、毛发等的极不规则的复杂待测目标，不同的人脸在形状、大小、颜色、质地等方面都有很大的变化；
所考虑的检测对象大多是由图像捕捉设备所采集的数字图。
所以采集条件特别是光照条件包括光源的方向、明暗、色彩等都会对图的效果产生很大的影响，进而影响对人脸的检测；
另外，人脸上还可能长有胡须、戴有眼镜等,这些也同样是人脸检测不可忽视的因素。
人脸检测具有一定的难度和复杂性，对这一问题的深入研究必将推动模式识别等计算机科学的发展。
人脸的检测问题在近10年中得到了广泛的关注，国内外很多研究人士提出了很多方法，在不同领域取得了一定进展。
但是对于一种能够普遍适用于各种复杂情况的，准确率很高的检测算法，还有很大的探索空间。
本文利用VisualC++6.0开发了人脸定位和特征提取的软件，该软件对于一定尺寸范围内清晰的正面人脸图能够正确检测定位并提取特征。
第1章人脸检测与定位概述
1.1人脸检测的定义、应用及难点
人脸检测（facedetection）是指在输入图中确定所有人脸（如果存在）的位置与大小。
人脸检测系统的输入是可能包含人脸的图，输出是关于图中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述。
人脸检测问题最初来源于人脸识别（facerecogznition）。
人脸识别的研究可以追溯到20世纪60—70年代，经过几十年的曲折发展已日趋成熟。
人脸检测是自动人脸识别系统中的一个关键环节，但是早期的人脸识别研究主要针对具有较强约束条件的人脸图（如无背景的图），往往假设人脸位置已知或很容易获得，因此人脸检测问题并未受到重视。
近几年随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对一般环境下的图像具有一定的适应能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。
人脸检测研究的就是如何从静态图或者视频序列中找出人脸，如果存在人脸，则输出人脸数目、每个人脸的位置及大小。
人脸检测是人脸身份识别的前期工作，同时人脸检测作为完整的单独功能模块，在智能视频监控、视频检索和视频内容组织等方面都有直接的应用。
人脸检测的一个最重要的应用是人脸识别技术。
人脸识别技术的研究是本世纪计算机视觉领域最具挑战性的研究课题之一，其应用领域十分广泛：
可用于公安系统的罪犯身份识别、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统、驾驶执照及护照等与实际持证人的核对、银行及海关的监控系统及自动门卫系统等。
今天，人脸检测的应用背景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值。
人脸检测研究具有重要的学术价值，受到学者越来越多的关注。
人脸检测虽然有诱人的应用前景，但是在现实中却还没有开始大规模的使用。
其主要原因之一就是用计算机自动进行人脸的检测和识别十分困难，目前的检测效果（正确率、速度）不如其他的生物识别技术，如指纹识别，视网膜识别等等。
人们在日常生活中就进行了大量的人脸检测和识别工作，对人脸检测与特征的定位取得了一定的成绩，但人脸检测仍然存在着许多难点。
人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于：
1）脸由于外貌、表情、肤色等不同，具有模式的可变性；
2）一般意义上的人脸，可能存在眼镜、胡须等附属物；
3）作为三维物体的人脸的影不可避免地受由光照产生的阴影的影响。
因此，如果能够找到解决这些问题的方法，成功构造出人脸检测，将为解决其它类似的复杂模式检测问题提供重要的启示。
1.2人脸检测的研究背景及现状
人脸检测的研究历史比较悠久。
高尔顿（Galton）早在1888年和1910年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。
最早的研究论文见于1965年陈（Chan）和布莱索（Bledsoe）在PanoramicResearchInc.发表的技术报告，至今已有四十多年的历史。
近年来，人脸检测研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。
尤其是1990年以来，人脸检测更得到了长足的发展。
几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。
人脸检测研究的发展主要分为以下几个阶段：
第一阶段（1964年~1990年）
这一阶段人脸检测通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征（Geometricfeaturebased）的方法。
人工神经网络也一度曾经被研究人员用于人脸识别问题中。
这一阶段是人脸检测识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。
第二阶段（1991年~1997年）
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：
不但诞生了若干代表性的人脸识别算法，而且美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics（现为Identix）的FaceIt系统。
这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。
第三阶段（1998年~现在）
FERET’96人脸检测识别算法评估表明：
主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。
因此，光照、姿态问题逐渐成为研究热点。
与此同时，人脸识别的商业系统进一步发展。
为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。
目前非理想条件下（尤其是光照和姿态）、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。
而非线性建模方法、统计学习理论、基于Boosting的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。
目前国内的，国外的对人脸检测问题的研究很多，比较著名的有MIT，CMU等；
清华大学、北京工业大学、中科院计算所和自动化所等都有人员从事人脸检测相关的研究。
而且，MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。
随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的FG（IEEEInternationalConferenceonAutomaticFaceandGestureRecognition）、ICIP（InternationalConferenceonImageProcessing）、CVPR（ConferenceonComputerVisionandPatternRecognition）等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的近13之多。
1.3本文研究的主要内容
本课题致力于完成VisualC++6.0平台下的人脸检测与定位系统，人脸检测定位的算法限制于基于肤色相似度算法。
第2章基于肤色模型的人脸检测
2.1人脸检测方法
人脸检测传统的方法多是在亮度空间进行，仅有灰度信息的变化,没有任何区域或比例的限制，所以必须做多尺度空间的全搜索，计算量非常大，而利用色度信息则可大大降低搜索区域，其中肤色信息是最为直接有效的。
而且在人脸区域中，肤色一定是占主导地位的像素色彩值。
肤色虽然因人而异,但很多研究表明肤色在色彩空间中的一定范围内还是呈聚类特性的，特别是在排除了光照亮度和在经过变换的色彩空间中。
所以利用肤色这一线索可以排除掉在灰度图像中很像人脸而对应到彩色图像中根本不是肤色的区域，这在人脸检测中会起到积极的作用。
目前人脸检测方法主要可以分为以下4类：
1）基于知识的方法：
利用人脸的几何形状以及脸部器官的比例对称关系来定位人脸；
2）基于特征的方法：
直接利用人脸信息如肤色特征、轮廓特征、纹理特征等；
3）基于模板的方法：
使用模板在待测图像中逐点扫描计算匹配度，根据匹配度来判断有无人脸；
4）基于外观的方法：
如神经网络法、支持向量机法、特征脸法等。
上述的各种方法都存在自身的优缺点和适用领域，很多学者在各自所面临的问题范围内不断探索，也发明了许多卓有成效的检测算法。
但各种检测算法都存在效率与性能上的矛盾，也即在正确率、鲁棒性能方面更好的算法往往会花费更多的时间及系统消耗。
在本文的设计中提出了一种基于肤色相似度的人脸检测与定位的方法，采用了脸部皮肤之间相似度的方法以及二值化方法，使用了基于边界方法和基于区域方法相结合的算法，提取了眼睛、嘴和鼻子等关键特征，最终较好地实现了人脸的检测与定位。
下面就介绍这种方法。
2.2基于肤色的人脸检测
2.2.1色彩空间的选择
根据计算机色彩理论，对一种颜色而言，在计算机中有不同的表达式，这样就形成了各种不同的色彩空间，当然各种色彩空间只不过是颜色在计算机内的不同的表达形式而已，在具体的色彩空间中通过实践找到肤色区间,建立起可操作性的肤色模型,这样就让肤色信息成为了人脸检测的核心方法。
不同肤色模型的建立基于不同的颜色空间,且为颜色空间的一个子空间。
主要的彩色空间有以下几种：
RGB格式（红、绿、蓝三基色模型）、HIS格式（色度、饱和度、亮度模型）和YCbCr（YUV）格式。
对于彩色空间来说，RGB是最常用的颜色表示系统，但是人脸肤色在这一系统中的分布非常广泛，因此不适合表示人脸区域，往往需要转换到其他的彩色空间。
在该文的设计中采用了YCbCr（YUV）格式。
这种色彩空间是以演播室质量标准为目标的CCIR601编码方案中采用的彩色表示模型，被广泛地应用在电视的色彩显示等领域中。
其优点将在下一节介绍。
通过下面的转换公式，可以将像素由RGB空间转换到YCbCr空间。
Y=0.299R+0.587G+0.114B
Cb=-0.1687R-0.3313G+0.5B+128（2-1）
Cr=0.5R-0.4187G-0.0813B+128
我们将统计采集到的多幅图像人脸区域像素RGB值，按上式进行转换，统计在CbCr空间的分布概率，保留概率大于0.1的像素点，得到肤色分布区域。
最终，我们得到的肤色范围是：
Cb∈[90，125]，Cr∈[135，165]。
将肤色范围内的像素置1，其余置0，得到分割后的二值图像，实现人脸的初步定位。
2.2.2肤色模型
肤色是人脸一个重要而明显的特征，利用肤色模型可以快速排除非肤色区域，大大减小搜索空间，提高人脸检测的效率。
1.光线补偿处理
考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色彩的偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即我们通常所说的色彩偏冷、偏暖，照片偏黄、偏蓝等等，这种现象在艺术照片中更为常见。
为了抵消这种整个图像中存在着的色彩偏差,我们将整个图像中所有像素的亮度（是经过了非线性Y--校正后的亮度）从高到低进行排列，取前5％的像素，如果这些像素的数目足够多（例如，大于100），我们就将它们的亮度作为“参考白”（ReferenceWhite），也即将它们的色彩的R、G、B分量值都调整为最大的255。
整幅图像的其他像素点的色彩值也都按这一调整尺度进行变换。
2.非线性分段色彩变换
这是构成我们实际利用肤色模型的主要部分。
这一非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型，这一类肤色模型的建立首先要选取一种合适的色彩空间，我们注意到YCbCr色彩空间具有如下优点：
1）YCbCr色彩格式具有人类视觉感知过程相类似的构成原理；
2）CbCr色彩格式被广泛的应用在电视显示等领域中，也是许多视频压缩解码，如MPEG,JPEG等标准中普遍采用的颜色表示格式；
3）YCbCr色彩格式具有与HIS等其他一些颜色格式相类似的将色彩中的亮度分量分离出来的优点；
4）相比HIS等其他一些色彩格式，YCbCr色彩格式的计算过程和空间坐标表示形式比较简单；
5）实验结果表明在YCbCr色彩空间中肤色的聚类特性比较好。
在YCbCr色彩空间中，肤色聚类事两头尖的纺锤形状，也就是在Y值较大和较小的部分，肤色聚类区域也随之缩减。
由此可见，在值较大和较小的部分，肤色聚类区域也随之缩减。
由此可见，在Y值不同的地方，我们对Cb-Cr子平面进行投影，得到的结果是不同的，由此得到结论，简单地排除Y分类，按照传统地做法在三维的Cb-Cr子平面中寻求肤色的聚类区域是不可行的，我们必须考虑Y值不同造成的影响，从而对YCbCr色彩格式进行非线性分段色彩变换。
首先应用肤色模型进行人脸的初定位，接着提出了一种基于肤色区域分割方法得到包含人脸区域在内的一系列矩形区域，从而进行了定位。
2.3人脸肤色相似度的计算
该文设计的是基于人脸肤色模型,利用相似度方法,对人脸区域进行了检测和定位。
我们定义r=R（R+G+B）,b=B（R+G+B）,这样把三维的RGB降为二维。
而在这个二维平面上，肤色区域服从高斯分布。
我们可以采用训练的方法来计算得到一个分布中心，此过程主要生成可用于识别的参数。
通常，在已有的样本训练集基础上确定某个判定规则，使得按此规则对被识别对象进行分类所造成的错误识别率最小或者结果期望最大。
开始训练命令，打开bmp格式的图像后计算每幅图像的像素数CrList和CbLis
升级会员 