人脸定位算法研究

《人脸定位算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人脸定位算法研究计算机科学与技术专业学生：杨晔指导教师：赵辉煌摘要：人脸定位是指给定静止图像或视频序列，不管图像中人脸的位置、大小、方向、姿势、光照等如何变化，找到并定位所有人脸的确切位置的一种技术。文章对人脸定位问题作了一些探讨，对几种人脸定位算法进行了验证，同时在综合多个标准人脸库的大型人脸图像库中作了大量实验，目的是确定一种可靠的人脸定位算法，满足实际应用的需要。关键词：人脸定位；Matlab；二值化；边缘检测；Adaboost算法1研究背景人脸定位就是利用计算机分析人脸图像，从中提取有效的人脸信息，用来确定人脸位置的一种技术。它涉及到模式识别、图像处理、计

2、算机图形学等诸多学科的知识，并与基于其它生物特征的身份鉴别方法有密切联系。同时，人脸定位是人脸识别技术的一个重要研究方向。在今天，人脸识别技术已经广泛应用，它与指纹、视网膜、虹膜、基因、掌纹等其它人体生物特征识别系统相比，人脸识别技术因其无需用户过多参与、非接触式的数据采集方式、对用户无任何损害、便于隐藏等优点而普遍为人们所看好，被称为21世纪最有前途的身份验证方法。人脸识别技术应用背景十分广泛，可用于公安系统刑侦破案的罪犯身份识别、身份证及驾驶执照等证件验证、银行及海关的监控、自动门卫系统、视频会议、机器人的智能化研究以及医学等方面。因此对于人脸识别中的关键环节

3、之一的人脸定位显得尤为重要。2算法介绍2.1基于肤色分割的人脸定位2.1.1YcbCr颜色空间YCbCr是在世界数字组织视频标准研制过程中作为ITU-RBT1601建议的一部分，其实是YUV经过缩放和偏移的翻版。其中Y与YUV中的Y含义一致,Cb,Cr同样都指色彩，只是在表示方法上不同而已。在YUV家族中，YCbCr是在计算机系统中应用最多的成员，其应用领域很广泛，JPEG、MPEG均采用此格式。一般人们所讲的YUV大多是指YCbCr。YCbCr有许多取样格式，如4：4：4，4：2：2,4：1：1和4：2：0。RGB色彩空间与YCbCr色彩空间的转换关系如下:1)

4、YCbCr转换为RGBR=Y+1.371(Cr-128)G=Y-0.698(Cr-128)-336(Cb-28)B=Y+1.732(Cb-128)2)RGB转换为YCbCrY=(77/256)R+(150/256)G+(29/256)BCr=(131/256)R-(110/256)G-(21/256)B+128Cb=-(44/256)R-(87/256)G+(131/256)B+1282.1.2基于肤色分割的人脸定位的实现利用肤色信息进行人脸的检测与定位，一个完整的人脸检测和定位过程如图2-1所示：彩色图像图像预处理肤色检测肤色分割人脸定位图2-1人脸检测和定位过

5、程Fig2-1Facedetectionandlocalizationprocess图2-1中：（1）对图像进行预处理，主要是直方图均衡和平滑处理。（2）对图片进行颜色空间转换，用建立的肤色模型，对图像中的皮肤像素进行检测。（3）对检测到的肤色区域进行形态学处理。（4）标定出图像中的最大块的肤色区域，作为人脸的候选区域。（5）利用人脸的其它特征来进一步确定人人脸。（6）定位出所检测到的人脸区域。通过比较，本文采用的肤色模型如下，即通过阈值方法对肤色进行判决，对图片中的每一个像素（i,j）（式2-1）这样将图像转变成一个二值图像，白色的区域就是人脸候选区域。然后利用

6、垂直积分投影方法来对人脸候选区域进行判决。算法定位效果如下：图2-2不同情况下人脸定位效果Fig2-2ThedifferentHumanFacepositioningeffect总体而言，从实验结果可以看出本算法有如下特点:（1）对女性人脸的定位效果受到头发的影响比较大，定位精度不高。（2）有一定的抗倾斜的能力。（3）对背景和被检测者的发型、着装、脸部表情没有严格的限制。（4）对于不同的人脸具有较高的鲁棒性。（5）在实际应用中范围有限。2.2基于AdaBoost算法的人脸定位2.2.1AdaBoost算法概述AdaBoost算法是一种基于样本(包括正样本和反样本)

7、训练学习的方法。训练前先从原始的样本图像中计算出相应的Haar特征值，再把Haar特征作为整个训练过程的输入变量，利用算法挑选出部分分类能力较强的Haar特征构成各自对应的弱分类器，然后利用AdaBoost算法按目标驱动的方式将多个弱分类器组合成一个强分类器。AdaBoost算法是第一个实时的人脸定位算法，该方法从本质根除了定位的速度问题，同时拥有较好的定位结果。利用此方法能够将一组弱学习方法提升为一个强学习方法，其核心思想是当分类器对某个样本分类正确时，则降低这个样本的权重;当分类错误时，则增加这个样本的权重，使得在后续的学习中可以集中分类错误的训练样本进行学习

8、，最终得到