CN101916370A

CN101916370A - 人脸检测中非特征区域图像处理的方法

Info

Publication number: CN101916370A
Application number: CN 201010266992
Authority: CN
Inventors: 赵群飞; 卢芳芳
Original assignee: Shanghai Jiaotong University
Current assignee: Xian Lingjing Science and Technology Co Ltd
Priority date: 2010-08-31
Filing date: 2010-08-31
Publication date: 2010-12-15
Anticipated expiration: 2030-08-31
Also published as: CN101916370B

Abstract

一种图像处理技术领域人脸检测中非特征区域图像处理的方法。包括四个步骤：首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图像处理；进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸轮廓线，确定脸部区域；利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对脸部特征进行定位；对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征区域脸部皮肤上的斑点、皱纹和瑕疵。本发明能快速检测和定位数码图像或视频中存在的多个人脸位置，可完整保留人脸图像的细节部分，达到了自动人脸美化的效果。

Description

人脸检测中非特征区域图像处理的方法

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体地说是一种人脸检测中非特征区域图像处理的方法。

背景技术

由于数码成像技术的快速发展，数码图像以及视频在日常工作和生活中越来越普及。随着数码影像器材的成像分辨率的提高，图像以及视频可以非常清晰地显示人脸中的所有细节信息，甚至包括一些斑点、皱纹等影响美观的因素。数码相片和视频不仅带来了拍摄和保存的方便，还使图像以及视频的后期处理和修饰成为可能。人脸美化处理技术就是在较完整地保留脸部细节，例如眉毛等细节部分、嘴巴的边缘等信息的前提下较好地去除掉皮肤上的斑点、皱纹等不理想因素，达到人脸美化的效果。由于其在电视机、数码相机、摄像机、手机、投影仪以及视频会议等多媒体系统中有广泛的应用，解决该技术难题的要求显得越来越突出。

最传统的方法如Photoshop工具，虽然可以理想地去除脸上的斑点和皱纹以达到人脸美化的效果，但是需要手工圈定斑点和皱纹区域，而且实现步骤复杂。与此同时，越来越多的研究人员开始专注于该方面的研究，目前已经有了一些不错的成果。例如柯达相机已经使用了相应的技术来自动地处理人脸皮肤，达到美化人脸的效果，但是该系统对图像的细节信息处理模糊的问题比较严重。另一个是Kevin提出的一个被命名为图像化妆系统的自动人脸美化系统，该系统的主要目的是模拟Photoshop效果，使得图像在保留细节信息的前提下达到平滑皮肤同时淡化斑点皱纹等不理想信息的效果。但是该系统每次只能对单个人脸进行处理，而且为了使处理后的图像看起来自然，还保留了一些眼角、鼻子和嘴角等处的皱纹。最著名的例子即为H.Watabe提出的一个可以自动美化人脸图像的非线性滤波器系统，该方法可以自动地去除脸部皮肤中的斑点、皱纹等不理想因素，尽可能多地保留皮肤的细节信息，使得操作大大简化，达到了很好的普遍推广效果，现在已经应用于多媒体远程会议等系统中。但仍然存在一些不足：(1)由于直接对整幅图像进行处理，所以处理时间较长；(2)对脸部皮肤中大片斑点及较深的皱纹的处理效果不理想。

经对现有技术文献的检索发现，美国专利申请号：US20090512843 20090730，专利号：US2010/0026831 A1.发明名称：Automatic face and skin beautification using facedetection(基于人脸检测的自动人脸和皮肤美化)。该技术首先通过检测图像中的人脸位置得到人脸图像；接着将该人脸图像划分成眼睛、嘴、脸颊等多个子区域，然后对各个子区域的亮度分量分别采用不同的平滑核做局部平滑处理；最后得到一个增强的人脸图像。该方法的不足之处在于：(1)利用局部亮度平滑和模糊来去除脸上的斑点等会造成图像的模糊，降低图像的质量；(2)对脸部特征区域划分太过粗糙，如用矩形区域来表示眼睛和嘴等子区域，造成眼角、嘴角等皱纹处理得不彻底。

发明内容

本发明针对现有技术的不足和缺陷，提供一种人脸检测中非特征区域图像处理的方法。它不仅能快速检测和定位数码图像或视频中存在的多个人脸位置，并通过提取人脸轮廓线进一步确定脸部区域，然后逐个去除人脸图像中脸部皮肤上的斑点、皱纹，而且能较好地调节皮肤的光滑度，同时可以完整地保留人脸图像的细节部分，如眉毛的细节，以及嘴唇边缘纹理，达到自动人脸美化的效果。

本发明是通过以下技术方案实现的：

本发明包括四个步骤：

(1)首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图像处理；

(2)进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸轮廓线，确定脸部区域。

(3)利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对脸部特征进行定位。

(4)对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征区域皮肤上的斑点、皱纹和瑕疵。

步骤(1)中所述的检测定位是通过人脸分类器检测人脸区域，将检测出的若干人脸位置保存到人脸矩形框队列；若未检出人脸，则进行光线补偿，再利用肤色模型重新检测人脸区域，将检测出的人脸位置保存到人脸矩形框队列中。

调整检测出所述的人脸矩形框队列，以及需要处理的人脸矩形框队列，考虑到人脸矩形框覆盖了大部分的人脸，但是还是有下巴等部分区域没有包含进去，所以为了对整个人脸进行完整地人脸美化处理，需要对人脸矩形框进行上下左右适当的扩展，分别扩展5％左右比较合适；与此同时，考虑到图像中存在的人脸如果太小，那么就失去了美化处理的必要性，因此如果人脸矩形框的面积小于图像面积的六十四分之一，就将它们从人脸矩形框队列中去除不作美化处理。

本发明首先检测图像或视频中存在的若干人脸位置，提高了图像处理的针对性，缩小图像处理的范围，在节省处理时间的同时完好地保留了其他背景信息。其中人脸分类器是采用机器学习的方法，在矩形特征的基础上，对大量的人脸灰度图进行训练而得到的。这种人脸检测图像处理法的稳定性好，与其他的人脸检测图像处理法相比速度较快。上述人脸分类器处理的是正面人脸图像，对于侧面人脸图像，可以通过基于YCbCr色彩空间的肤色模型进行人脸区域检测，来避免侧面人脸漏检的情况。但是肤色特征受光照条件的影响较大，在肤色判定前对图像或视频做光线补偿处理，可以有效地降低肤色判定中的漏检率。考虑到图像中存在的人脸如果太小，那么就失去了图像处理的必要性。本发明对于检测得到的人脸矩形框队列进行适当的调整，去除太小的矩形框，以最终确定需要图像处理的人脸矩形框队列。

本发明为了精确地定位人脸的位置，在用人脸矩形框定位人脸的基础上，进一步提取人脸轮廓线来确定脸部区域。由于人脸形状的多样性和复杂性，在使用刚性模型提取轮廓时，遇到了很大的困难，而常规的边缘检测得到的边缘又不连续，因此活动轮廓模型在解决人脸轮廓提取问题上具有很大的优势。

本发明步骤(2)中所述的采用提取人脸轮廓的方法，首先将人脸形状的椭圆性约束作为算子嵌入到几何活动轮廓模型中，并利用几何活动轮廓模型提取任意轮廓的优势来快速抽取出图像中类似椭圆的目标边缘；然后根据图像中人脸的先验知识，通过对检测得到的椭圆目标进一步验证来找到最终的人脸轮廓。

本发明为了在人脸图像处理的同时尽可能的保留图像的细节信息不丢失，需要将人脸图像分为特征区域和非特征区域。针对该过程对图像中的特征区域定位精度要求不是很高，在脸部区域内利用二值化图像处理法分离出人脸图像中的眼睛、鼻子、嘴巴等脸部特征。

本发明采用局部自适应二值化分割图像处理法，这是在许多图像处理法中所有阈值分割图像处理法中效果最好的，而且对于非均匀光线照射的图像有很好的分割效果。通过二值化分割，图像的特征区域均可以比较粗略地区分出来，但是由于人脸图像中的斑点、皱纹等一些皮肤细节部分的影响，二值化有时会出现一些额外的小的区域，可通过设置阈值来剔除这些干扰区域，然后通过腐蚀膨胀图像处理法基本标定出脸部特征区域，为后续的图像处理奠定了较好的基础。

在脸部特征定位的基础上，对脸部非特征区域图像处理的目标是调整斑点皱纹区域的色度值，使其恢复正常的色度值。在人脸的灰度图像中，其皮肤的大部分区域比较平坦，仅在存在斑点皱纹区域的灰度值会有突变，这些突变点可以看作脉冲噪声点，其表现在时空域中为小幅值中高频率噪声。由于非线性滤波器对处理这种噪声信号有很好的作用，同时可以保留图像的细节不被破坏，所以本发明用滤波方法来处理该区域，以达到人脸美化的目的。在保留图像的细节不被破坏的同时，可以很好地去除图像中的不理想部分，如斑点、皱纹等，达到很好的美化效果，使得皮肤变得光滑，漂亮。

与现有技术相比，本发明能够达到基于人脸检测和眼部细节保留的人脸美化的效果，首先检测图像或视频中存在的若干人脸位置，并通过提取人脸轮廓线进一步确定脸部区域，提高了图像处理的针对性，缩小了处理的范围，在节省处理时间的同时完好地保留了其他背景信息。其次，通过将人脸图像分为特征区域和非特征区域，只对非特征区域进行处理，这不仅保留人脸特征区域图像的细节不被破坏，而且图像处理耗时少。此外，本发明使用滤波方法来处理斑点皱纹，取得了很好的美化效果，可以广泛应用于电视机、数码相机、摄像机、手机、投影仪以及其他数码影像装置和设备。

附图说明

图1是本发明原理示意框图；

图2是人脸检测流程示意图；

图3是人脸矩形框队列调整的示意图；

图4是四个不同方向窗口的示意图。

具体实施方式

以下结合附图对本发明的实施例作详细说明：以下实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

实施例

如图1所示，本实施例包括以下步骤：

(1)首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图像处理。

如图2所示，步骤(1)中所述的检测定位是通过人脸分类器检测人脸区域，并将检测出的若干人脸位置保存到人脸矩形框队列中；若未检出人脸，则进行光线补偿，再利用肤色模型重新检测人脸区域，将检测出的人脸位置保存到人脸矩形框队列中。

所述的检测人脸，在检测前，首先要确认图像或视频中的人脸方向，如果人脸横向则需要手工或自动实施旋转校正操作，保持人脸处于竖直方向。

本实施例在用人脸分类器进行人脸检测定位之前需要将彩色图像或视频转换成灰度图像，本实施例采用了由Viola和Jones提出[Viola P.and Jones M.，“Robust real-time objectdetection，”(鲁棒的实时对象检测)，Technical Report 2001/1，Compaq Cambridge Research Lab，2001.]，Li enhart和Maydt改进得到的人脸检测图像处理法[Lienhart R.and Maydt J.，“Anextended set of Haar-like features for rapid object detection，”(用于快速对象检测的类哈尔特征扩展集)，Proc.IEEE ICIP，2002，1：900-903.]，可以有效地检测出正面竖直的人脸。该图像处理法通过机器学习的方法对大量人脸图像的矩形特征训练，从而得到人脸分类器。矩形特征也被称为类哈尔特征(Haar-like feature)，包括边界特征、线条特征和中心包围特征3类，共14种。通过事先对人脸图像的训练，机器学习图像处理法给出用于判别人脸的这些矩形特征在方形区域中的相对位置和阈值，从而构成人脸分类器。人脸分类器在图像或视频中检测出图像中存在的一个或多个人脸，并将人脸的位置用方框标出，同时将检测出的人脸矩形框位置保存到人脸矩形框队列中。

如果人脸分类器没有检测出人脸，本实施例为了避免侧面人脸的漏检，通过肤色模型重新进行人脸检测。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，即常说的色彩偏冷、偏暖、图像偏黄、偏蓝等等，所以在肤色模型检测人脸前需要对图像或视频进行光线补偿。具体是对RGB空间的三个颜色通道分别做直方图均衡化。即每个颜色通道中最亮的小部分像素和最暗的小部分像素的值分别被重新设定为255和0，而其余像素的值则线性映射至1到254的区间内。

经过光线补偿后，本实施例采用的肤色模型基于YCbCr颜色空间，Y、Cb和Cr分别代表色彩的亮度和色度信息。一般的数码图像通常是用RGB颜色空间来表示，在肤色判别的时候需要转换到YCbCr色彩空间进行处理。若将某像素的色彩值分别用R(红)、G(绿)、B(蓝)表示，则将像素从RGB空间根据以下公式转换到YCbCr空间：

(\begin{matrix} Y \\ Cb \\ Cr \end{matrix}) = (\begin{matrix} 0 \\ 128 \\ 128 \end{matrix}) + (\begin{matrix} 0.299 & 0.587 & 0.114 \\ - 0.169 & - 0.331 & 0.500 \\ 0.500 & - 0.419 & - 0.081 \end{matrix}) (\begin{matrix} R \\ G \\ B \end{matrix})

经过大量实验证明，在YCbCr颜色空间中属于肤色的范围是：Cb∈(77，127)，Cr∈(133，173)，可以通过判断像素点的Cb，Cr值是否在上述范围内来判断该像素点是否是肤色，由于肤色的区域相对很集中，可以用Gauss分布来描述这种分布。本实施例采用训练的方法来计算得到一个这样分布的中心，接着本实施例根据像素离该中心的远近来计算该像素的肤色相似度，逐点计算得到原图的相似度图，然后采用最小误差阈值分割得到该相似度图的二值化图，从而将图像分成肤色区域和非肤色区域，最后用投影法来确定人脸的位置，同时将检测出的人脸矩形框位置保存到人脸矩形框队列中。

本实施例考虑到人脸矩形框覆盖了大部分的人脸，但是还是有下巴等部分区域没有包含进去，所以为了对整个人脸进行完整地处理，需要对人脸矩形框进行上下左右适当的扩展。本实施例分别扩展5％左右比较合适。与此同时，考虑到图像中存在的人脸如果太小，那么就失去了图像处理的必要性。因此本实施例定义如果人脸矩形框的面积小于图像面积的六十四分之一，本实施例将它们从人脸矩形框队列中去除不作图像处理。本实施例对于检测得到的人脸矩形框队列进行适当的调整，如图3所示，去除太小的矩形框，以最终确定需要图像处理的人脸矩形框队列。

为了精确地定位人脸的位置，本实施例在人脸矩形框定位人脸的基础上，进一步提取人脸轮廓线来确定脸部区域。由于人脸形状的多样性和复杂性，在使用刚性模型提取轮廓时，遇到了很大的困难，而常规的边缘检测算子得到的边缘又不连续，因此活动轮廓模型在解决人脸轮廓提取问题上具有很大的优势。针对传统的snake模型图像处理法极易陷入局部极值，本实施例采用一种基于Chan-Vese几何活动轮廓模型[Chan T.F.and Vese L.A.，“Active contourswithout edges，”(无边缘线的活动轮廓)，IEEE Transactions on Image Processing，2001，10(2)：266-277.]的人脸轮廓提取方法。为了正确检测出任意背景图像中的人脸，可将椭圆形状作为曲线变形的约束条件，先找出图像中类似椭圆的目标，再利用人脸内部的特征信息，以进行进一步验证。由于人脸本质上是一个具有一定形变的椭圆，因此可以将人脸的基本形状用椭圆曲线

进行描述

\frac{{(x - x_{0})}^{2}}{s^{2}} + \frac{{(y - y_{0})}^{2}}{{(ρs)}^{2}} = 1

其中，(x₀，y₀)为椭圆中心，ρ为椭圆的纵横比，一般在0.8～1.5之间。考虑到图像中人脸的大小和位置未知，故需引入尺度因子γ、旋转矩阵R和位移矩阵T，这样即得到人脸的形状曲线族：

对Chan-Vese提出的几何活动轮廓模型进行如下改进：将人脸的椭圆形状作为约束加入到模型中，目的是使模型最好收敛于椭圆目标边缘。设水平集函数

的零水平集曲线为C′，它与人脸的形状曲线族之间的相似程度可表示为

式中，d²(γRx+T)表示C′上的点到曲线族之间的距离。加入椭圆约束的能量函数可表示为

其中，E_MS为Chan-Vese提出的几何活动轮廓模型的能量泛函，即第1项将模型吸引到图像的边缘；第2项使模型被吸引到图像中的椭圆目标。λ＞0为两项的平衡参数。当模型收敛于椭圆目标边缘时，能量函数取最小值。这样就抽取出人脸图像中类似椭圆的目标边缘，根据人脸的先验知识，然后通过对检测到的椭圆目标进行进一步验证来找到最终人脸轮廓，确定脸部区域。

如图1所示，本实施例为了在人脸图像处理的同时尽可能的保留图像的细节信息不丢失，需要将人脸图像分为特征区域和非特征区域。针对该过程对图像中的特征区域定位精度要求不是很高，在脸部区域，对彩色人脸图像的R、G、B三通道分别应用二值化图像处理法，可以分离出人脸图像中的眼睛、鼻子、嘴巴等脸部特征，将人脸划分为特征部分和非特征部分，为保护人脸细节奠定了很好的基础。在许多图像处理法中，Niblack图像处理法[W.NIBLACK，“An introduction to digital image processing，”(数字图像处理导论)，Prentice-Hall，EnglewoodCliffs，New Jersey，1986：115-116.]是一种常被提出来使用的局部自适应二值化分割图像处理法，是所有阈值分割图像处理法中效果最好的，而且对于非均匀光线照射的图像有很好的分割效果。该图像处理法是基于灰度图像的，将原始图像划分成较小的图像块，再分别对其选取相应的阈值进行分割。其中图像二值化的阈值为

T (x, y) = m (x, y) + [1 + k (1 - \frac{s (x, y)}{R})]

其中m(x，y)为区域图像的灰度平均值，s(x，y)为区域图像的灰度标准差，R为s(x，y)的可能范围，是为了标准化灰度值而设的，由于灰度图像的像素值范围为0～255，所以本实施例取R＝128，k和模板的大小为经验值，取k＝-0.03，模板大小为7×7。通过试验表明，该二值化图像处理法在明暗度不同的区域都可以达到较理想的二值化效果。图像的特征区域均可以比较粗略地区分出来，但是由于人脸图像中的斑点皱纹等一些皮肤细节部分的影响，二值化时会出现一些额外的小的区域，本实施例通过使用设置阈值来剔除这些干扰区域。其判断原则为：对每个像素值为1的点使用大小为7×7的模板，统计该模块内的像素值不为0的点的个数，经过实验得出，若该点数小于10则表示该点为干扰点，修改该点像素值。Niblack二值化图像处理法可以分离出图像的特征信息如：眼睛、鼻子、嘴巴等需要保护的图像特征区域，继而通过腐蚀膨胀图像处理法之后基本标定出特征区域，将人脸图像分为特征区域和非特征区域。

在人脸的灰度图像中，其皮肤的大部分区域比较平坦，仅在存在斑点皱纹区域灰度值会有突变，这些突变点可以看作脉冲噪声点，其表现在时空域中为小幅值中高频率噪声。通过计算N×N区域内的灰度平均值和均方差来进行分析，可以得出，在平滑区域的各个像素灰度值与灰度平均值相等或差值相差很小，而在有斑点或皱纹的区域其灰度值与灰度平均值之差较大且其差值的平均值远大于该区域均方差的值，由于非线性滤波器对处理这种噪声信号有很好的作用，同时可以保留图像的细节不被破坏。本实施例使用了滤波方法来处理该区域，以达到消除人脸上瑕疵的作用。

在脸部特征定位的基础上，对脸部非特征区域，美化处理的目标是调整斑点皱纹区域的色度值，使其恢复正常的色度值。针对某些人脸上存在大颗的痣，可以根据实际需要，通过邻域插值的方法去除。令x(m，n)表示图像在m行n列的灰度值。取变长为L的矩形窗口，这里L＝2N+1，N为整数；然后把该窗口分成四个小窗口，当取L＝5时，如图4所示。x(m-i，n-j)，-N≤i，j≤N表示窗口内的像素点，则四个窗口被定义为：

\{\begin{matrix} W_{1} (m, n) = {x (m, n - i); - N \leq i \leq N)} \\ W_{2} (m, n) = {x (m - i, n); - N \leq i \leq N)} \\ W_{3} (m, n) = {x (m + i, n - i); - N \leq i \leq N)} \\ W_{4} (m, n) = {x (m - i, n - i); - N \leq i \leq N)} \end{matrix}

其中W₁(m，n)，W₂(m，n)，W₃(m，n)，W₄(m，n)分别表示沿水平，垂直，与水平方向成45°及135°的一维窗口。

令Z₁(m，n)，Z₂(m，n)，Z₃(m，n)，Z₄(m，n)分别表示这四个窗口内所有像素点的中值。即：

Z_k(m，n)＝med[x(i，j)∈W_k(m，n)]；k＝1，2，3，4

U_min(m，n)、U_max(m，n)分别表示上式中四个中值的最小和最大值。即：

U_min(m，n)＝min[Z₁(m，n)，Z₂(m，n)，Z₃(m，n)，Z₄(m，n)]

U_max(m，n)＝max[Z₁(m，n)，Z₂(m，n)，Z₃(m，n)，Z₄(m，n)]

那么，这种特殊的滤波器的输出最终由下式给出：

y(m，n)＝med[U_min(m，n)，U_max(m，n)，x(m，n)]

上式的四个窗口中，由于中心点像素值均参与操作，这使得各个方向相互关联，降低了图像对细节的保护。为了满足各个窗口间所含像素点的相互独立性，本实施例需要把四个方向的窗口的中心点像素x(m，n)去除，这样可以得到更好地保留图像细节的效果。改进后的公式表示如下：

通过多次试验，发现当滤波窗口L太小，则计算量会增加，当L太大，则不利于图像细节的保留。因此本实施例取滤波窗口L＝5比较适中。

根据以上的滤波方法，本实施例迭代地处理图像中保留特征区域之后的平坦皮肤部分，可以很好的去除图像中的不理想部分，如斑点、皱纹等，得到了很好的美化效果，使得皮肤变得光滑，漂亮。通过多次试验得出，当该迭代次数为3次左右时可以达到比较好的效果，5次以上对图像的细节损失比较大。

Claims

1.一种人脸检测中非特征区域图像处理的方法，其特征在于，包括四个步骤：

(2)进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸轮廓线，确定脸部区域；

(3)利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对脸部特征进行定位；

2.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(1)中所述的检测定位是通过人脸分类器检测人脸区域，将检测出的若干人脸位置保存到人脸矩形框队列；若未检出人脸，则进行光线补偿，再利用肤色模型重新检测人脸区域，将检测出的人脸位置保存到人脸矩形框队列。

3.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，所述的检测人脸，在检测前，首先要确认图像或视频中的人脸方向，如果人脸横向则需要手工或自动实施旋转校正操作，保持人脸处于竖直方向。

4.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，调整检测出所述的人脸矩形框队列，以及需要处理的人脸矩形框队列，对人脸矩形框进行上下左右的扩展，分别扩展5％左右；与此同时，如果人脸矩形框的面积小于图像面积的六十四分之一，就将它们从人脸矩形框队列中去除。

5.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，所述的人脸分类器是采用机器学习的方法，在矩形特征的基础上，对大量的人脸灰度图进行训练而得到的，人脸分类器处理正面人脸图像，对于侧面人脸图像，通过基于YCbCr色彩空间的肤色模型进行人脸区域检测，在肤色判定前对图像或视频做光线补偿。

6.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(2)中所述的提取人脸轮廓的方法，首先将人脸形状的椭圆性约束作为算子嵌入到几何活动轮廓模型中，并利用几何活动轮廓模型提取任意轮廓的优势来快速抽取出图像中类似椭圆的目标边缘；然后根据图像中人脸的知识，通过对检测到的椭圆目标进行进一步验证来找到最终人脸轮廓。

7.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(4)中所述的非特征区域进行图像处理，目标是调整恢复斑点、皱纹和瑕疵区域的正常的色度值，由于在人脸的灰度图像中，其皮肤的大部分区域比较平坦，仅在存在斑点皱纹区域灰度值会有突变，这些突变点可看作脉冲噪声点，其表现在时空域中为小幅值中高频率噪声，采用滤波方法来处理该区域，在保留图像的细节不被破坏的同时，去除图像中的斑点、皱纹和瑕疵。