CN103218615B - 人脸判定方法 - Google Patents

Abstract

本发明提供一种人脸判定方法，包括：提取识别区域：采集图像，提取图像的中心区域或中间区域为识别区域；基于肤色模型的皮肤像素检测：在亮度色度YCbCr空间下的Cb-Cr平面建立以椭圆描述肤色分布区域的肤色模型，并利用该肤色模型对识别区域像素进行类型判定，<maths num="0001"></maths><maths num="0002"></maths>C为肤色判定阈值，C为与亮度色度空间YCbCr下的亮度分量y相关的函数；判断是否有人脸出现：当判断皮肤像素数目大于人脸出现判定阈值NF，则判断人脸出现；NF为与识别区域平均亮度y_avr相关的函数；若判断人脸出现则进行后续处理；上述的人脸判定方法，将肤色判定阈值与亮度分量关联，以适用各种不同的光照条件，提高在不同光照条件下像素类型判定的准确性。

Description

人脸判定方法

技术领域

本发明涉及数字图像处理及模式识别技术，特别涉及用于一种人脸判定方法。

背景技术

唇读系统可以根据说话者的口型推断其所说内容，唇读的研究在语音识别、人机智能接口、身份验证等领域有着重要的理论意义和实用价值。

唇读问题的解决需要对图像序列中的嘴唇进行检测、特征提取和识别。为保证系统的实时性和准确性，一种比较合理的系统解决方案是采用区域限定的检测识别方式，即当图像中人脸刚好占据整个识别区域，且以正脸姿态出现时才进行嘴唇检测以及唇动特征提取、识别。这样可以将说话者的面部限定在背景简单的区域，省去系统在复杂背景下进行嘴唇检测的开销。同时，这样的限定也减少了唇动特征提取时由嘴唇位置、姿态变化带来的干扰，提高了系统识别率。

皮肤像素检测是人脸判定的重要手段，常在肤色模型的基础上进行。肤色模型是对皮肤像素在色度平面上分布情况的描述，其中，在YCbCr空间下的Cb-Cr平面上建立的、以椭圆描述肤色分布区域的模型被广泛应来进行肤色像素判定。然而，传统的肤色模型只在适中的亮度条件下有效，而在高、低亮度条件下的误差较大。因此，基于此肤色模型的人脸判定方法也就存在着不能适应光照条件大范围变化的缺点。

发明内容

基于此，有必要提供一种提高在不同光照条件下判断人脸是否出现准确性的人脸判定方法。

一种人脸判定方法，包括：

提取识别区域：采集图像，提取图像的中心区域或中间区域为识别区域；

基于肤色模型的皮肤像素检测：在亮度色度YCbCr空间下的Cb-Cr平面建立以椭圆描述肤色分布区域的肤色模型，并利用该肤色模型对识别区域像素进行类型判定，满足如下判定式则判断为皮肤像素：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right](\left[\begin{array}{c}{c}_b\\ c_r\end{array}\right]-\left[\begin{array}{c}{d}_{c_b}\\ d_{c_r}\end{array}\right])$

b²·x²+a²·y²<C

其中：

c_b、c_r为亮度色度空间YCbCr下的色度分量；

为对肤色分布区域进行平移变换的横向、纵向数值；

θ为对肤色分布区域进行旋转变换的旋转角度；

b为适中亮度条件下肤色分布椭圆区域的短轴；

a为适中亮度条件下肤色分布椭圆区域的长轴；

C为肤色判定阈值，C为与亮度色度空间YCbCr下的亮度分量y相关的函数，肤色判定阈值根据研究不同亮度条件下的皮肤像素的分布情况，进行曲线拟合，得到肤色判定阈值-亮度的表达式C＝f(y)；

判断是否有人脸出现：当判断皮肤像素数目大于人脸出现判定阈值NF，则判断人脸出现；n_s>NF；

其中，n_s为识别区域皮肤像素个数；NF为人脸出现判断阈值，与识别区域平均亮度y_avr相关的函数；人脸出现判断阈值NF采用使人脸刚好占据整个识别区域，且为正脸姿态的情况下，保持人脸位置和姿态不变的情况下，记录不同光照条件下识别区域中根据所建立的肤色模型检测到的肤色像素数目，根据检测到肤色像素数目得到不同亮度下的人脸出现判断阈值，对不同亮度下的人脸出现判断阈值进行曲线拟合，得到人脸出现判断阈值-亮度的表达式NF＝f(y_avr)，其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目；

若判断人脸出现则进行后续处理。

在优选的实施例中，所述肤色判定阈值

所述人脸出现判断阈值 $NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目。

在优选的实施例中，还包括图像均衡：对识别区域的图像进行均衡：对亮度色度空间YCbCr下的亮度分量y上的直方图均衡，

对识别区域图像像素逐一进行扫描，统计出亮度分布直方图n(y_k)-y_k，每一个亮度值y_k与拥有该亮度的像素个数n(y_k)之间的对应关系；

对每个亮度值进行变换：

$\begin{array}{cc}{y_k}^{\&prime;}=\underset{j=0}{\overset{k}{\&Sigma;}}\frac{n\left(y_k\right)}{n}& k=0,1,2,...,L-1\end{array}$

其中y_k'亮度值变换结果，n为识别区域像素个数，L为识别区域亮度等级；k为原图当前像素点的灰度级，n(y_k)是原图中亮度为k的点的个数，n是区域总像素；j＝0到k的求和,表示对原图中小于亮度k的所有像素个数的累加；

对上述亮度值的变换结果值进行调整得到均衡化亮度：

y_k ^he＝round[y_k'.{max(Y)-min(Y)}+min(Y)]

其中y_k ^he均衡化亮度，round是取整操作；max(Y)是均衡化亮度最大值；min(Y)是均衡化亮度最小值；

将识别区域的像素亮度替换为相应的均衡化亮度。

在优选的实施例中，还包括：目标图像码格化：截取识别区域上半部分的图像作为目标图像，并将目标图像根据设定单元大小划分子区域，统计子区域中的非皮肤像素的数目，并根据子区域中的非皮肤像素的数目进行标记：若子区域中非皮肤像数超过预设数目则将该子区域标记为非皮肤码格，否则将该子区域标记为皮肤码格。

在优选的实施例中，还包括：眼部码格筛选：将子区域记为码格，将码格左右等分为两部分，针对左侧区域的码格以从上到下及从左到右顺序逐个扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格左方及上方的4个码格，若该非皮肤码格左方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格右方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格。

在优选的实施例中，所述眼部码格筛选，针对右侧区域的码格从上到下及从右到左顺序扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格右方及上方的4个码格，若该非皮肤码格右方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格左方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格。

在优选的实施例中，所述目标图像的边界码格记为非眼部码格。

在优选的实施例中，还包括：计算眼球位置：根据筛选出的眼部码格，采用加权运算计算眼球的位置，以目标图像的左上角为原点，目标图像横向区域为X轴，纵向区域为Y轴，以码格为单元计算眼球位置(x_L,y_L)、(x_R,y_R)：

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

其中，

(x_L,y_L)左侧区域眼球的横纵坐标位置；

(x_R,y_R)右侧区域眼球的横纵坐标位置；

H为目标区域在X轴方向的单元数目；

G为目标区域在Y轴方向的单元数目；

round为取整操作；

P(x)、P(y)为眼部区域横、纵权值。

在优选的实施例中，所述眼部区域横、纵权值：

$P\left(x\right)=\left\{\begin{array}{c}1-\frac{|round\left(\frac{H}{4}\right)-x|}{round\left(\frac{H}{4}\right)},1\&le;x\&le;round\left(\frac{H}{2}\right)\\ 1-\frac{|round\left(\frac{3H}{4}\right)-x|}{round\left(\frac{H}{4}\right)},round\left(\frac{H}{2}\right)<x<H\end{array}\right.$

$P\left(y\right)=1-\frac{|round\left(\frac{G}{2}\right)-y|}{round\left(\frac{G}{2}\right)},1\&le;y\&le;G$

其中，H为目标区域在X轴方向的码格数量，G为目标区域在Y轴方向的码格数量；round为取整操作。

在优选的实施例中，还包括：根据眼球间的横向距离、眼球纵向距离判定人脸是否以正脸姿态出现，若眼球位置(x_L,y_L)、(x_R,y_R)满足如下：

$round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})-\mathrm{\&Delta;}<|x_L-x_R|<round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})+\mathrm{\&Delta;}$

其中：Δ为偏差量，根据人脸判定精度调节；W为识别区域宽度(单位为像素)，W_m为码格宽度(单位为像素)；

眼球纵向距离：|y_L-y_R|<Δ₁

其中：Δ₁为偏差量，根据人脸判定精度调节；

则人脸判定通过。

在优选的实施例中，还包括：

提取识别区域包括：采集到的分辨率为640像素*480像素图像的中心区域340像素*400像素作为识别区域；

图像均衡：对识别区域的图像做YCbCr空间下y分量的直方图均衡；

基于肤色模型的皮肤像素检测：本实施例中，建立的Cb-Cr色度平面上的肤色模型对识别区域像素进行类型判定即判断是否为皮肤像素，并统计其中皮肤像素数目，根据统计的皮肤像数数目是否达到人脸出现判断阈值判断是否有人脸出现；

肤色模型将肤色判定阈值与亮度色度空间YCbCr下的亮度分量y关联起来，

197x²+645y²<C

其中，C为肤色判定阈值，与像素亮度分量y相关，可表示为C＝f(y)的形式，有

判断是否有人脸出现：当识别区域的皮肤像素个数n_s满足n_s>NF时，认为识别区域有人脸出现；NF为阈值，与识别区域平均亮度y_avr相关，表示为NF＝f(y_avr)，

$NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目；

目标图像码格化：截取识别区域上半部分的图像作为目标图像，并将其划分为10像素*10像素大小的子区域；统计子区域中非皮肤像素数目，并根据子区域中非皮肤像素数目对子区域进行标记，如若非皮肤像素数超过60，则将该子区域标记为非皮肤码格，否则标记为皮肤码格；

眼部码格筛选，将目标图像码格化所得码格图像等分为左右两部分，对于左侧区域，从上到下、从左往右逐个扫描码格，遇到非皮肤码格时，扫描其左上方的4个码格，若它们都为非皮肤码格，则将该码格标记为非眼部码格，否则进一步扫描其右下方的4个码格；若周围8个码格中有3个以上为皮肤码格，则将该码格标记为眼部码格；边界处的码格当作非眼部码格处理；右侧区域的眼部码格横向扫描顺序相反，为从右到左，先检测右方及上方的四个码格，再检测左方及下方的四个码格；

计算眼球位置：以筛选出的眼部码格为基础，采用加权运算的方式计算眼球的位置，然后根据眼球间距判断人脸位置和姿态是否合适；

眼球位置(x_L,y_L)、(x_R,y_R)求算方式如下：

目标图像为：34单元*20单元，H＝34，G＝20，

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=18}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(y\right)}\end{array}$

P(x)、P(y)为眼部区域横、纵权值：

$\begin{array}{cc}P\left(x\right)=\left\{\begin{array}{c}1-\frac{|8-x|}{8},1\&le;x\&le;17\\ 1-\frac{|25-x|}{8},18<x<34\end{array}\right.& P\left(y\right)=1-\frac{|10-y|}{10},1\&le;y\&le;20\end{array};$

判定人脸是否以正脸姿态出现：根据眼球横向距离、纵向距离判定人脸是否以正脸姿态出现：

眼球横向距离： $|x_L-x_R|=round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})=round(\frac{2}{5}\&CenterDot;\frac{340}{10})=13$

W为识别区域宽度(单位为像素)，W_m为码格宽度(单位为像素)；

选取Δ＝3，人脸判定式为：

10<|x_L-x_R|<16

选取Δ₁＝3，人脸判定式为：

眼球纵向距离：|y_L-y_R|<3

若眼球位置(x_L,y_L)、(x_R,y_R)满足上述的横向距离及纵向距离，则人脸判定通过。

上述的人脸判定方法，改进传统的肤色模型，将肤色判定阈值与亮度分量关联，使本发明的人脸判定方法适用各种不同的光照条件，提高在不同光照条件下像素类型(即皮肤像素、非皮肤像素)判定的准确性；同时将人脸是否出现的判断阈值也与识别区域的亮度或平均亮度关联，进一步提高判断人脸是否出现的准确性，避免不同光照条件带来的影响。

附图说明

图1为本发明一实施例的人脸判定方法的流程图；

图2为为本发明另一实施例的人脸判定方法的流程图；

图3a为基于传统肤色模型的检测结果效果图；

图3b为基于本发明改进的肤色模型的检测结果效果图；

图4为本发明一实施例的目标图像码格化的效果图；

图5为本发明一实施例的眼部码格筛选规则示意图；

图6为本发明一实施例的眼球位置计算示意图；

图7为本发明一具体优选实施例的眼球位置计算示意图；

图8为本发明一具体优选实施例的人的脸长与脸宽比例示意图。

具体实施方式

本发明的人脸判定方法主要用于唇读系统中，主要包括：人脸是否出现或人脸刚好占据整个识别区域，及人脸是否以正脸姿态出现。

皮肤像素检测是人脸判定的基础，常用到肤色模型。肤色模型在色度平面上建立，并利用函数来描述肤色分布情况。

如图1及图2所示，本发明一实施例的人脸判定方法，包括：

步骤S301,提取识别区域：采集图像，提取图像的中心区域或中间区域为识别区域；

如图2所示，优选的，还包括：步骤S303,图像均衡：对识别区域的图像进行均衡；

步骤S305,基于肤色模型的皮肤像素检测：在亮度色度YCbCr空间下的Cb-Cr平面建立以椭圆描述肤色分布区域的肤色模型，并利用该肤色模型对识别区域像素进行类型判定，满足如下判定式则判断为皮肤像素：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right](\left[\begin{array}{c}{c}_b\\ c_r\end{array}\right]-\left[\begin{array}{c}{d}_{c_b}\\ d_{c_r}\end{array}\right])$

b²·x²+a²·y²<C

其中：

c_b、c_r为亮度色度空间YCbCr下的色度分量；

为对肤色分布区域进行平移变换的横向、纵向数值；

θ为对肤色分布区域进行旋转变换的旋转角度；

b为适中亮度条件下肤色分布椭圆区域的短轴；

a为适中亮度条件下肤色分布椭圆区域的长轴；

x,y是模型的中间输出；

上述的变换是将Cb-Cr坐标系下的肤色分布区域转换到坐标系X-Y下。此时肤色分布区域的中心在X-Y坐标系的原点，肤色分布区域的长、短轴分别在X、Y轴上。

C为肤色判定阈值，C为与亮度色度YCbCr空间下的亮度分量y相关的函数，C＝f(y)；本实施例中，采用将传统的肤色模型的肤色判定阈值与亮度Y关联，使其在多种不同的光照条件下有效。

本实施例中，对肤色分布区域先平移再旋转θ，然后用椭圆进行描述。

以上建立了光照适中情况下肤色模型的椭圆方程，为了描述不同光照情况下的肤色分布情况，引入变量C即肤色判定阈值。本实施例的判定方法认为光照变化只引起肤色椭圆形状的变化，而基本不改变肤色椭圆的位置，C的变化会改变椭圆的长短轴。

步骤S307,判断是否有人脸出现：当判断皮肤像素数目大于人脸出现判定阈值NF，则判断人脸出现：n_s>NF；

其中，n_s为识别区域皮肤像素个数；NF为人脸出现判断阈值，为与识别区域平均亮度y_avr相关的函数；NF＝f(y_avr)；

若判断人脸出现则进行后续处理。

本实施例的肤色判定阈值C，优选的采用研究在不同亮度条件下皮肤像素的分布情况，分别确定相应亮度下肤色判定阈值C。在对不同亮度下的肤色判定阈值C进行曲线拟合，得到肤色判定阈值C与亮度的表达式。

本实施例中，在不同亮度条件下研究皮肤像素的分布情况，确定的相应亮度下的肤色判定阈值C如下表一所示：

表一：

本实施例中，优选的采用MATLAB对以上数据进行曲线拟合，得到肤色判定阈值-亮度表达式：

当亮度极亮或极暗时即230≤y<256或y<20图像中的肤色已经无法辨别，本实施例中认为皮肤像素不会有这样的亮度值，因此本实施例中，将C的值选为负数。

进一步，本实施例中，人脸出现判断阈值NF获取采用在人脸刚好占据整个识别区域，且为正脸姿态的情况下，保持人脸位置和姿态不变，记录不同光照条件下识别区域中根据肤色模型检测到的肤色像素数目；根据得到的肤色像素数目乘以比例系数(如本实施例中一优选实施例中，比例系数优选选用0.6)得到人脸出现判断阈值NF；对不同亮度下的人脸出现判断阈值NF进行曲线拟合，得到人脸出现判断阈值-亮度表达式。

本实施例中，优选的，根据优选选用的比例系数0.6，得到的亮度与人脸出现判断阈值NF的关系如下表二所示：

表二：

本实施例中，优选的采用MATLAB对以上数据进行曲线拟合，得到人脸出现判断阈值NF-亮度表达式：

$NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目。

进一步，本实施例中，步骤S303,图像均衡包括：对亮度色度空间YCbCr下的亮度分量y上的直方图均衡。

本实施例中，对亮度色度空间YCbCr下的亮度分量y上的直方图均衡，优选的如下：

对识别区域像素逐一进行扫描，统计出亮度分布直方图n(y_k)-y_k，每一个亮度值y_k与拥有该亮度的像素个数n(y_k)之间的对应关系；

对每个亮度值进行变换：

$\begin{array}{cc}{y_k}^{\&prime;}=\underset{j=0}{\overset{k}{\&Sigma;}}\frac{n\left(y_k\right)}{n}& k=0,1,2,...,L-1\end{array}$

其中：y_k'亮度值变换结果，n为识别区域像素个数，L为识别区域亮度等级；对上述亮度值的变换结果值进行调整：k为原图当前像素点的灰度级，n(yk)是原图中亮度为k的点的个数，n是区域总像素；j＝0到k的求和,表示对原图中小于亮度k的所有像素个数的累加；

y_k ^he＝round[y_k'.{max(Y)-min(Y)}+min(Y)]

其中：y_k ^he是均衡化亮度，round是取整操作；max(Y)是均衡化量度最大值；min(Y)是均衡化亮度最小值。本实施例中，优选的，可采用max(Y)取255，min(Y)取0进行计算；

将识别区域每个像素的原有亮度替换成相应的均衡化亮度。

本实施例中，当判断识别区域有人脸出现，则进行后续处理；否则，则等待人脸出现。

如图2所示，本实施例中，优选的，还包括：步骤S501,目标图像码格化：截取识别区域上半部分的图像作为目标图像，并将目标图像根据设定单元大小划分子区域，统计子区域中的非皮肤像素的数目，并根据子区域中的非皮肤像素的数目进行标记：若子区域中非皮肤像数超过预设数目则将该子区域标记为非皮肤码格，否则将该子区域标记为皮肤码格。本实施例中，优选的，子区域采用正方形为单位大小进行划分如10×10像素大小的区域。本实施例中，将一个子区域定义为一个码格。本实施例中，步骤S501,目标图像码格化优选的，在判断识别区域有人脸出现后进行。

本实施例中，非皮肤码格判定阈值即用于判断非皮肤码格的非皮肤像素个数的设定可以通过实验获得或通过实验数据总结得出。选取合适的非皮肤码格判定阈值，可使经此判断得出的非肤色码格能够涵盖(如图3b中所示)的所有非肤色区域。

如图2所示，本实施例中，优选的，还包括：步骤S503,眼部码格筛选。

由于目标区域的非肤色块可能含有鬓角的头发、眼睛、眉毛等部分，由于本实施例对人脸识别时感兴趣的是人眼部分，所以需要滤除头发及周边杂点。

如图4所示的滤波前非肤色码格分布图，根据观察可知，眼部码格不会出现在目标区域边缘；由于眼睛呈横向分布，眼部码格块(由相连接的眼部码格组成)的横向码格数应大于纵向码格数。鬓角头发的码格数(由相连接的头发码格组成)则为纵向分布，纵向码格数大于横向码格数；杂点(由检测错误产生的非肤色马格点)分布孤立，其周围无大量非肤色码格分布。

本实施例中，步骤S503,眼部码格筛选：将子区域记为码格，将码格左右等分为两部分，针对左侧区域的码格以从上到下及从左到右顺序逐个扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格左方及上方的4个码格，若该非皮肤码格左方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格右方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格。

进一步，步骤S503,眼部码格筛选，针对右侧区域的码格从上到下及从右到左顺序扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格右方及上方的4个码格，若该非皮肤码格左方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格左方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格。

进一步，本实施例中，将目标图像的边界码格记为非眼部码格。

如图2所示，本实施例中，优选的，还包括：步骤S505,计算眼球位置：根据筛选出的眼部码格，采用加权运算计算眼球的位置。如图6所示，以目标图像的左上角为原点，目标图像的上边沿为X轴，目标图像的左边沿为Y轴，以码格为单位计算眼球位置(x_L,y_L)、(x_R,y_R)：

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round\left(H/2\right)}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

其中，

(x_L,y_L)左侧区域眼球的横纵坐标位置；

(x_R,y_R)右侧区域眼球的横纵坐标位置；

H为目标区域在X轴方向的单元数目；

G为目标区域在Y轴方向的单元数目；

round为取整操作；

P(x)、P(y)为眼部区域横、纵权值。

进一步，本实施例的眼部区域横、纵权值，反应眼睛出现在某位置的可能性。本实施例的眼部区域横、纵权值的选择依据，优选认为眼睛出现在左右区域的中间位置，不出现在区域边缘处，故本实施例中眼部区域横、纵权值函数在左右区域的中间位置处取得最大值，并向边缘递减；为了便于计算，本实施例优选的选取了简单的线性权值函数型式，即认为眼睛出现在某位置的可能性与该位置到中心位置的距离成线性关系：

$P\left(x\right)=\left\{\begin{array}{c}1-\frac{|round\left(\frac{H}{4}\right)-x|}{round\left(\frac{H}{4}\right)},1\&le;x\&le;round\left(\frac{H}{2}\right)\\ 1-\frac{|round\left(\frac{3H}{4}\right)-x|}{round\left(\frac{H}{4}\right)},round\left(\frac{H}{2}\right)<x<H\end{array}\right.$

$P\left(y\right)=1-\frac{|round\left(\frac{G}{2}\right)-y|}{round\left(\frac{G}{2}\right)},1\&le;y\&le;G$

其中，H为目标区域在X轴方向的单元数目，G为目标区域在Y轴方向的单元数目；round为取整操作。

如图2所示，本实施例中，优选的，还包括：步骤S507,判定人脸是否以正脸姿态出现，根据眼球间的水平位置(即眼球横向距离)、垂直距离(即纵向距离)判定人脸是否以正脸姿态出现。

如图8所示，以人的脸长与脸宽的比例符合一般的“三庭五眼”，即其中脸的宽度为五个眼睛的长度，眼球横向距离(即两眼中心之间的距离)为脸宽的五分之二。

当脸恰好占据整个识别区域且以正脸姿态出现时，眼球的横向距离为识别区域宽度的五分之二，可表示为：

$D=\frac{2}{5}W$

其中D为眼球横向距离(单位为像素)，W为识别区域宽度(单位为像素)。

在以码格为单元的坐标下，将上式表示为：

$|x_L-x_R|=round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})$

其中x_L，x_R为左右眼球横坐标(单位为码格)，W_m为码格宽度(单位为像素)，round为取整操作。

当面部图像恰好占据整个识别区域，眼球距离为识别区域宽度的五分之二；当人脸远离摄像头时，面部图像不能占据整个识别区域，眼球横向距离减小；当人脸靠近摄像头时，识别区域装不下整个面部图像，眼球横向距离增大。

实际应用中，允许眼球横向距离存在一定偏差。人脸判定公式可写为：

$round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})-\mathrm{\&Delta;}<|x_L-x_R|<round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})+\mathrm{\&Delta;}$

其中Δ为偏差量，应尽可能小，根据人脸判定精度调节；W为识别区域宽度(单位为像素)，W_m为码格宽度(单位为像素)；

眼球的纵向距离理论值为0，但也允许一定偏差。人脸判定公式写为：

|y_L-y_R|<Δ₁

其中Δ₁为偏差量，应尽可能小，根据人脸判定精度调节。

本发明将采集的图像的中心区域或中间区域作为识别区域，利用本实施例的基于改进肤色模型的皮肤像素检测结果判断该区域是否有人脸出现。若有，则将识别区域上半部分的图像作为目标图像进行后续处理；将目标图像码格化，然后进行眼部码格筛选，之后根据筛选出的眼部码格以加权运算的方式得到眼球位置，最后依据眼球间水平、垂直距离判断人脸是否刚好占据整个识别区域，且以正脸姿态出现。

本实施例中，步骤S501,目标图像码格化，首先将目标图像划分为多个正方形子区域，然后统计子区域中非皮肤像素的数目，并依据此数目将子区域标记为非皮肤区域(码格)或皮肤区域(码格)。本实施例的目标图像码格化能够减少后续处理中的对象数目，加快处理速度。

本实施例中，步骤S503,眼部码格筛选根据眼睛的形态学特征设计筛选规则，从标记出的非皮肤码格中寻找眼部码格。

本实施例中，步骤S505,计算眼球位置，先对筛选出的眼部码格赋权重值，然后采用加权运算的方式求算眼球位置。加权运算的求算方式增加了眼球位置计算的稳定性和准确性。

图像中眼球的水平距离反映人脸到摄像头的距离，眼球的垂直距离反映人脸歪斜程度。本发明认为图像中眼球水平、垂直距离在阈值范围内时，人脸刚好占据整个识别区域，且以正脸姿态出现，人脸判定通过。

为了进一步清楚说明本发明的技术方案，下面采用一个进一步的具体优选的实施例进行详细说明。

步骤S301,提取识别区域：采集图像，提取图像的中心区域或中间区域为识别区域。如本发明采用将摄像头采集到的分辨率为640像素*480像素图像的中心区域作为识别区域，此区域大小为340像素*400像素。本实施例中，优选的选用人脸和摄像头间的距离为40cm。

步骤S303,图像均衡：对识别区域的图像进行均衡。优选的，本发明对识别区域的图像做YCbCr空间下y分量的直方图均衡。

步骤S305,基于肤色模型的皮肤像素检测：本实施例中，利用建立的改进的Cb-Cr色度平面上的肤色模型对识别区域像素进行类型判定即判断是否为皮肤像素，并统计其中皮肤像素数目，然后根据统计的皮肤像数数目是否达到人脸出现判断阈值判断是否有人脸出现。

本实施例的肤色模型将肤色判定阈值与亮度色度空间YCbCr下的亮度分量y关联起来，提高了不同光照条件下像素类型(皮肤像素、非皮肤像素)判定的准确性；判定式如下：

197x²+645y²<C

其中，C为肤色判定阈值，与像素亮度分量y相关，可表示为C＝f(y)的形式，有

如图3a所示，为基于传统肤色模型的检测结果；如图3b所示，为利用本实施例改进的肤色模型对面部皮肤像素进行检测的结果，其中白色用来标记皮肤像素。

步骤S307,判断是否有人脸出现：当识别区域的皮肤像素个数n_s满足n_s>NF时，认为识别区域有人脸出现。NF为阈值，与识别区域平均亮度y_avr相关，表示为NF＝f(y_avr)，

$NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目。

若经上述判断，识别区域有人脸出现，则继续进行后续处理。否则，停留在本步，等待人脸出现。

步骤S501,目标图像码格化：本实施例截取识别区域上半部分的图像作为目标图像(大小为340像素*200像素)，并将其划分为34*20个10像素*10像素大小的子区域。统计子区域中非皮肤像素数目，并根据子区域中非皮肤像素数目对子区域进行标记，如若非皮肤像素数超过60，则将该子区域标记为非皮肤码格，否则标记为皮肤码格。

如图4所示的目标图像码格化结果，其中黑色用来标记非皮肤码格。

步骤S503,眼部码格筛选，如图5所示，本实施例中，将步骤S501,目标图像码格化所得码格图像等分为左右两部分，并采用如下规则对其进行眼部码格筛选：对于左侧区域，从上到下、从左往右逐个扫描码格，遇到非皮肤码格(由黑色标记)时，扫描其左上方的4个码格(由数字1标记)，若它们都为非皮肤码格，则将该码格标记为非眼部码格，否则进一步扫描其右下方的4个码格(由数字2标记)。若周围8个码格中有3个以上为皮肤码格，则将该码格标记为眼部码格。此外，边界处的码格全被当作非眼部码格。

与左侧区域相比，右侧区域的眼部码格筛选规则有以下不同：(1)横向扫描顺序相反，为从右到左。(2)检测顺序相反，先检测右方及上方的四个码格(由数字1标记)，再检测左方及下方的四个码格(由数字2标记)。

本实施例中，步骤S505,计算眼球位置，以筛选出的眼部码格为基础，采用加权运算的方式计算眼球的位置，然后根据眼球间距判断人脸位置和姿态是否合适。

如图7所示，步骤S505,计算眼球位置中所涉及的位置在坐标系中表示：以目标图像左上角为原点，图像区域的左边沿为Y轴，图像区域的上边沿为X轴，码格为单位。

如图7所示，眼球位置(x_L,y_L)、(x_R,y_R)求算方式如下：目标图像为：34单元*20单元，及H＝34，G＝20。

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=18}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a\left(x,y\right)\&CenterDot;P\left(y\right)}\end{array}$

P(x)、P(y)为眼部区域横、纵权值：

$\begin{array}{cc}P\left(x\right)=\left\{\begin{array}{c}1-\frac{|8-x|}{8},1\&le;x\&le;17\\ 1-\frac{|25-x|}{8},18<x<34\end{array}\right.& P\left(y\right)=1-\frac{|10-y|}{10},1\&le;y\&le;20\end{array};$

步骤S507,判定人脸是否以正脸姿态出现，根据眼球间的水平位置(即眼球横向距离)、垂直距离(即纵向距离)判定人脸是否以正脸姿态出现。

本实施例中，采用识别区域宽度为340像素，码格宽度为10像素为例，计算眼球距离：

眼球横向距离： $|x_L-x_R|=round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})=round(\frac{2}{5}\&CenterDot;\frac{340}{10})=13$

W为识别区域宽度(单位为像素)，W_m为码格宽度(单位为像素)；

选取Δ＝3，人脸判定式为：

10<|x_L-x_R|<16

选取Δ₁＝3，人脸判定式为：

眼球纵向距离：|y_L-y_R|<3

若眼球位置(x_L,y_L)、(x_R,y_R)满足上述的横向距离及纵向距离，则人脸判定通过。

若人脸判定通过，唇读系统进行后续的嘴唇检测定位、特征提取和识别操作。否则，返回第一步。

本发明主要针对识别区域行人人脸检测判定，且不希望该人脸判定方法占用太多时间与资源的场合，如唇读，或者人脸识别。本实施例的识别区域处于图像的中心，有一定的尺寸；当人脸与摄像头相距一定距离时，该识别区域可以基本涵盖第一视角下(正面)的整个人脸(包括人脸额头以下及下巴以上区域)。本发明的人脸判定方法主要立足于唇读应用的实际需求，唇读系统着重考虑了人脸判定快速性和稳定性。快速性依赖于简单有效的皮肤像素检测方法和眼球位置计算方法。基于自适应椭圆模型的皮肤像素判定方法简单高效；眼球位置计算中使用的码格化处理方法很大程度上减小了运算量，在此基础上的眼部马格筛选规则简单有效，易于实施。本发明的人脸判定方法的稳定性的实现依赖于环境自适应的皮肤像素检测方法和后续环境自适应的人脸出现判定阈值选择；且本发明给将判断或判定参数和光照强度关联起来，在多种环境条件下有效。

而现有的人脸判定方法多为基于皮肤色彩特征的方法，其中阈值固定的肤色模型被用来进行皮肤像素检测，然而这种模型而在环境亮度偏弱或偏亮时误差较大，不能适应环境变化。也有利用混合肤色模型或进行色彩矫正的方法来解决这一问题，但这些方法复杂，不易实施。另有一种人脸判定方法则使用了Adaboost算法，虽然在判定准确性上有所提高，但该方法计算量大，唇读系统若采用如此方法则会在人脸判定环节浪费大量的时间和资源，很难做到实时性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸判定方法，其特征在于，包括：

提取识别区域：采集图像，提取图像的中心区域或中间区域为识别区域；

基于肤色模型的皮肤像素检测：在亮度色度YCbCr空间下的Cb-Cr平面建立以椭圆描述肤色分布区域的肤色模型，并利用该肤色模型对识别区域像素进行类型判定，满足如下判定式则判断为皮肤像素：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&theta;}& sin\mathrm{\&theta;}\\ -sin\mathrm{\&theta;}& cOS\mathrm{\&theta;}\end{array}\right](\left[\begin{array}{c}{c}_b\\ c_r\end{array}\right]-\left[\begin{array}{c}{d}_{c_b}\\ d_{c_r}\end{array}\right])$

b²·x²+a²·y²＜C

其中：

c_b、c_r为亮度色度空间YCbCr下的色度分量；

为对肤色分布区域进行平移变换的横向、纵向数值；

θ为对肤色分布区域进行旋转变换的旋转角度；

b为适中亮度条件下肤色分布椭圆区域的短轴；

a为适中亮度条件下肤色分布椭圆区域的长轴；

C为肤色判定阈值，C为与亮度色度YCbCr空间下的亮度分量y相关的函数，肤色判定阈值根据研究不同亮度条件下的皮肤像素的分布情况，进行曲线拟合，得到肤色判定阈值-亮度的表达式C＝f(y)；

判断是否有人脸出现：当判断皮肤像素数目大于人脸出现判定阈值NF，则判断人脸出现；n_s＞NF

其中，n_s为识别区域皮肤像素个数；NF为人脸出现判断阈值，与识别区域平均亮度y_avr相关的函数；人脸出现判断阈值NF采用使人脸刚好占据整个识别区域，且为正脸姿态的情况下，保持人脸位置和姿态不变的情况下，记录不同光照条件下识别区域中根据所建立的肤色模型检测到的肤色像素数目，根据检测到肤色像素数目得到不同亮度下的人脸出现判断阈值，对不同亮度下的人脸出现判断阈值进行曲线拟合，得到人脸出现判断阈值-亮度的表达式NF＝f(y_avr)，其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目；

若判断人脸出现则进行后续处理。

2.根据权利要求1所述的人脸判定方法，其特征在于，所述肤色判定阈值

所述人脸出现判断阈值 $NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目。

3.根据权利要求1所述的人脸判定方法，其特征在于，还包括图像均衡：对识别区域的图像进行均衡：对亮度色度空间YCbCr下的亮度分量y上的直方图均衡，

对识别区域图像像素逐一进行扫描，统计出亮度分布直方图n(y_k)-y_k，每一个亮度值y_k与拥有该亮度的像素个数n(y_k)之间的对应关系；对每个亮度值进行变换：

${y_k}^{\&prime;}=\underset{j=0}{\overset{k}{\&Sigma;}}\frac{n\left(y_k\right)}{n},k=0,1,2,...,L-1$

其中y_k'亮度值变换结果，n为识别区域像素个数，L为识别区域亮度等级；k为原图当前像素点的灰度级，n(y_k)是原图中亮度为k的点的个数，n是区域总像素；j＝0到k的求和,表示对原图中小于亮度k的所有像素个数的累加；

对上述亮度值的变换结果值进行调整得到均衡化亮度：

y_k ^he＝round[y_k'.{max(Y)-min(Y)}+min(Y)]

其中y_k ^he均衡化亮度，round是取整操作；max(Y)是均衡化亮度最大值；min(Y)是均衡化亮度最小值；

将识别区域的像素亮度替换为相应的均衡化亮度。

4.根据权利要求1至3任意一项所述的人脸判定方法，其特征在于，还包括：目标图像码格化：

截取识别区域上半部分的图像作为目标图像，并将目标图像根据设定单元大小划分子区域，统计子区域中的非皮肤像素的数目，并根据子区域中的非皮肤像素的数目进行标记：若子区域中非皮肤像数超过预设数目则将该子区域标记为非皮肤码格，否则将该子区域标记为皮肤码格。

5.根据权利要求4所述的人脸判定方法，其特征在于，还包括：眼部码格筛选：将子区域记为码格，将码格左右等分为两部分，针对左侧区域的码格以从上到下及从左到右顺序逐个扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格左方及上方的4个码格，若该非皮肤码格左方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格右方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格。

6.根据权利要求5所述的人脸判定方法，其特征在于，所述眼部码格筛选，针对右侧区域的码格从上到下及从右到左顺序扫描，若扫描到非皮肤码格，则扫描紧邻该非皮肤码格右方及上方的4个码格，若该非皮肤码格右方及上方的4个码格都为非皮肤码格，则将该非皮肤码格标记为非眼部码格；否则，进一步扫描该非皮肤码格左方及下方的4个码格；若该非皮肤码格周围8个码格中具有3个以上的非皮肤码格，则将该非皮肤码格标记为眼部码格；所述目标图像的边界码格记为非眼部码格。

7.根据权利要求6所述的人脸判定方法，其特征在于，还包括：计算眼球位置：根据筛选出的眼部码格，采用加权运算计算眼球的位置，以目标图像的左上角为原点，目标图像横向区域为X轴，纵向区域为Y轴，以码格为单元计算眼球位置(x_L,y_L)、(x_R,y_R)：

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round(H/2)}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round(H/2)}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round(H/2)}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=1}{\overset{round(H/2)}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=round(H/2)+1}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

其中，

(x_L,y_L)左侧区域眼球的横纵坐标位置；

(x_R,y_R)右侧区域眼球的横纵坐标位置；

H为目标区域在X轴方向的单元数目；

G为目标区域在Y轴方向的单元数目；

round为取整操作；

P(x)、P(y)为眼部区域横、纵权值。

8.根据权利要求7所述的人脸判定方法，其特征在于，所述眼部区域横、纵权值：

$P\left(x\right)=\left\{\begin{array}{c}1-\frac{\left|round\left(\frac{H}{4}\right)-x\right|}{round\left(\frac{H}{4}\right)},1\&le;x\&le;round\left(\frac{H}{2}\right)\\ 1-\frac{\left|round\left(\frac{3H}{4}\right)-x\right|}{round\left(\frac{H}{4}\right)},round\left(\frac{H}{2}\right)<x<H\end{array}\right.$

$P\left(y\right)=1-\frac{|round\left(\frac{G}{2}\right)-y|}{round\left(\frac{G}{2}\right)},1\&le;y\&le;G$

其中，H为目标区域在X轴方向的码格数量，G为目标区域在Y轴方向的码格数量；round为取整操作。

9.根据权利要求8所述的人脸判定方法，其特征在于，还包括：根据眼球间的横向距离、眼球纵向距离判定人脸是否以正脸姿态出现，若眼球位置(x_L,y_L)、(x_R,y_R)满足如下：

$round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})-\mathrm{\&Delta;}<|x_L-x_R|<round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})+\mathrm{\&Delta;}$

其中：Δ为偏差量，根据人脸判定精度调节；W为识别区域宽度，单位为像素，W_m为码格宽度，单位为像素；

眼球纵向距离：|y_L-y_R|＜Δ₁

其中：Δ₁为偏差量，根据人脸判定精度调节；

则人脸判定通过。

10.根据权利要求1至3任意一项所述的人脸判定方法，其特征在于，还包括如下：

所述提取识别区域包括：采集到的分辨率为640像素*480像素图像的中心区域340像素*400像素作为识别区域；

图像均衡：对识别区域的图像做YCbCr空间下y分量的直方图均衡；

基于肤色模型的皮肤像素检测：本实施例中，建立的Cb-Cr色度平面上的肤色模型对识别区域像素进行类型判定即判断是否为皮肤像素，并统计其中皮肤像素数目，根据统计的皮肤像数数目是否达到人脸出现判断阈值判断是否有人脸出现；

肤色模型将肤色判定阈值与亮度色度空间YCbCr下的亮度分量y关联起来，

197x²+645y²＜C

其中，C为肤色判定阈值，与像素亮度分量y相关，C＝f(y)：

判断是否有人脸出现：当识别区域的皮肤像素个数n_s满足n_s＞NF时，认为识别区域有人脸出现；NF为阈值，与识别区域平均亮度y_avr相关，NF＝f(y_avr)：

$NF=\left\{\begin{array}{c}40000-20y_{avr},y_{avr}<140\\ 36000-60y_{avr},y_{avr}\&GreaterEqual;140\end{array}\right.$

其中，y_i为识别区域中第i像素的亮度，N为识别区域像素数目；

目标图像码格化：截取识别区域上半部分的图像作为目标图像，并将其划分为10像素*10像素大小的子区域；统计子区域中非皮肤像素数目，并根据子区域中非皮肤像素数目对子区域进行标记，如若非皮肤像素数超过60，则将该子区域标记为非皮肤码格，否则标记为皮肤码格；

眼部码格筛选：将目标图像码格化所得码格图像等分为左右两部分，对于左侧区域，从上到下、从左往右逐个扫描码格，遇到非皮肤码格时，扫描其左上方的4个码格，若它们都为非皮肤码格，则将该码格标记为非眼部码格，否则进一步扫描其右下方的4个码格；若周围8个码格中有3个以上为皮肤码格，则将该码格标记为眼部码格；边界处的码格当作非眼部码格处理；右侧区域的眼部码格横向扫描顺序相反，为从右到左，先检测右方及上方的四个码格，再检测左方及下方的四个码格；

计算眼球位置：以筛选出的眼部码格为基础，采用加权运算的方式计算眼球的位置，然后根据眼球间距判断人脸位置和姿态是否合适；

眼球位置(x_L,y_L)、(x_R,y_R)求算方式如下：

目标图像为：34单元*20单元，H＝34，G＝20，

$\begin{array}{cc}{x}_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_R=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=18}{\overset{34}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{G}{\&Sigma;}}\underset{x=18}{\overset{H}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

$\begin{array}{cc}{x}_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a(x,y)\&CenterDot;x\&CenterDot;P\left(x\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a(x,y)\&CenterDot;P\left(x\right)}& y_L=\frac{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a(x,y)\&CenterDot;y\&CenterDot;P\left(y\right)}{\underset{y=1}{\overset{20}{\&Sigma;}}\underset{x=1}{\overset{17}{\&Sigma;}}a(x,y)\&CenterDot;P\left(y\right)}\end{array}$

P(x)、P(y)为眼部区域横、纵权值：

$\begin{array}{cc}P\left(x\right)=\left\{\begin{array}{c}1-\frac{|8-x|}{8},1\&le;x\&le;17\\ 1-\frac{|25-x|}{8},18<x<34\end{array}\right.& P\left(y\right)=1-\frac{|10-y|}{10},1\&le;y\&le;20\end{array};$

判定人脸是否以正脸姿态出现：根据眼球横向距离、纵向距离判定人脸是否以正脸姿态出现：

眼球横向距离： $|x_L-x_R|=round(\frac{2}{5}\&CenterDot;\frac{W}{W_m})=round(\frac{2}{5}\&CenterDot;\frac{340}{10})=13$

W为识别区域宽度，单位为像素，W_m为码格宽度，单位为像素；

选取Δ＝3，人脸判定式为：

10＜|x_L-x_R|＜16

选取Δ₁＝3，人脸判定式为：

眼球纵向距离：|y_L-y_R|＜3

若眼球位置(x_L,y_L)、(x_R,y_R)满足上述的横向距离及纵向距离，则人脸判定通过。