CN103632132B - 一种基于肤色分割和模板匹配的人脸检测与识别方法 - Google Patents
一种基于肤色分割和模板匹配的人脸检测与识别方法 Download PDFInfo
- Publication number
- CN103632132B CN103632132B CN201310395529.3A CN201310395529A CN103632132B CN 103632132 B CN103632132 B CN 103632132B CN 201310395529 A CN201310395529 A CN 201310395529A CN 103632132 B CN103632132 B CN 103632132B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- skin
- color
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 56
- 238000005286 illumination Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 27
- 210000000887 face Anatomy 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 15
- 210000001747 pupil Anatomy 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004279 orbit Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于肤色分割和模板匹配的人脸检测与识别方法,根据人脸肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来,从而实现迅速对人脸的外脸检测的目的;利用光照补偿技术来克服亮度对人脸检测和识别的影响;利用自适应模板匹配来克服类肤色背景对人脸检测和识别的影响;并通过采用二次匹配算法来减少匹配过程中的计算量,利用提取人脸图像中的奇异值特征来识别人脸,并达到降低人脸特征提取过程中特征值矩阵的维数的目的,该人脸检测与识别方法能快速检测出人脸,并提高人脸检测与识别的准确率,实用性强,具有较强的推广与应用价值。
Description
技术领域
本发明属于模式识别及人工智能领域,尤其涉及一种基于肤色分割和模板匹配的人脸检测与识别方法。
背景技术
人脸检测与识别技术的研究是当前模式识别和人工智能领域的研究热点,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、监控系统及自动门卫系统等。随着图像处理、模式识别、计算机视觉以及神经网络等学科的进一步发展,人脸识别技术必将得到很大的发展。
目前,人脸检测与识别方法有:(1)几何特征法:这类方法主要根据人脸的几何形状以及脸部器官的比例关系检测和识别人脸,它分为自底向上和自顶向下两种,前者先检测人脸的各个特征部位(如眼睛、鼻子、嘴唇等),根据这些特征再构成人脸,后者则先定位可能的人脸,然后根据面部的特征部位对可能的人脸进行验证,此方法中人眼位置的确定非常重要,对图像中人的眼部图像质量要求很高,应用范围受到一定的限制;(2)模板匹配法:使用模板逐点扫描待检测图像,计算图像各点同模板的匹配度,据此检测和识别人脸,由于计算量大,其检测速度、检测效率较低;(3)基于分类的方法:利用人脸的整体特征(如肤色或灰度分布等)进行人脸的检测和识别,避开了对人脸各面部器官的检测,由于基于颜色信息的检测方法计算量小、稳定性好、描述简单且有利于达到实时处理,近年来备受关注,已成为研究热点,但利用颜色信息来检测人脸受到复杂背景,特别是类肤色背景的影响和亮度的影响,且对人脸面部特征 进行显式描述比较困难。
发明内容
本发明提供了一种基于肤色分割和模板匹配的人脸检测与识别方法,旨在解决现有技术提供的基于模板匹配人脸检测与识别算法计算量大和基于肤色分割人脸检测和识别算法识别率低、易受类肤色背景影响的问题。
本发明的目的在于提供一种基于肤色分割和模板匹配的人脸检测与识别方法,该人脸检测与识别方法包括以下步骤:
步骤一,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿;
步骤二,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来;
步骤三,对人脸肤色分割后的图像进行开启和闭合运算操作处理;
步骤四,采用二次匹配误差算法对开启和闭合运算操作处理后的人脸图像进行模板匹配;
步骤五,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位;
步骤六,在对人脸图像进行检测与定位的基础上,对人脸进行提取与识别。
进一步,在步骤一中,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿的实现方法为:
设f(x,y)为人脸图像信号,其反射分量和光照分量分别为r(x,y)和i(x,y),并定义人脸图像的二维多尺度离散正交小波变换为:
式中,Sjf(n,m)是f(x,y)的低频分量;分别代表f(x,y)的垂直、对角和水平高频分量,人脸图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示:
f(x,y)=r(x,y)×i(x,y) (2)
将两边取对数后,等式右边的乘积关系转变为加法关系,得式(3):
lgf(x,y)=lgr(x,y)+lgi(x,y) (3)
具体步骤如下:
Step1:对空间域中的人脸图像f(x,y)进行对数变换,得到对数域中的人脸图像f′(x,y);
Step2:对f′(x,y)进行多级二维多尺度离散正交小波变换,得到低频分量Sjf(n,m),垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分;
Step3:提取出第n级高频近似分量Wnf(n,m);
Step4:对Wnf(n,m)进行n级二维离散小波重建,得到对数域人脸图像f′(x,y)的重建图像
Step5:从f′(x,y)中减去后再加上标准光照,得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明,且不受其它光线或颜色的干扰的光照。
进一步,在步骤二中,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来的实现方法为:
Step1:根据人脸肤色在YCbCr色度空间的高斯分布,对彩色图像中每个像素点,利用式(4)将其从RGB色彩空间转换到YCbCr空间后,计算该点属于人脸肤色区域的概率,即根据该点离高斯分布中心的远近得到和人脸肤色的相似度,将彩色图像转化为灰度图,其中每个像素点的灰度与该点肤色的相似度对应,利用式(5)来建立人脸肤色的2D高斯模型:
其中,是Cb,Cr的均值;V是协方差矩阵;N为人脸像素点的总数,左脸肤色高斯密度函数为:
右脸肤色高斯密度函数为:
其中,和分别为左右脸的方差;kL与kR分别为左右脸高斯模型常数,
Step2:建立人脸高斯模型后,设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割,输入为原始图像,输出是表示皮肤和非皮肤区域的皮肤分割二值图像;
Step3:通过式(8)定义色度颜色,以对f(R,G,B)=g(r,b)标准化处理,将周围光线所引起的人脸区域亮度的变化去除,没有亮度分量时也可以认为是纯色,其中式(8)为:
通过计算,得到式(5)中m的值为[117.4316 148.5599];
Step4:从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类肤色的颜色分布,肤色样本从彩色图像中选取,并通过一个低通滤波器减小样本中噪声干扰,低通滤波器的脉冲响应为:
1/9 [1,1,1;1,1,1;1,1,1];
Step5:通过式(9)聚类准则来进行模糊分类,采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果;
其中,k∈[0,∞]是一个加权系数;fk(X,μ,v)是类内误差的加权平方和目标函数;μij是模糊划分矩阵,用式(10)来计算;vi是模糊聚类中心,用式(11)来计算;dij是类间距离;c聚类类别数;
而且μij需要满足下面三个约束条件:
进一步,在步骤三中,对人脸肤色分割后的图像进行开启和闭合运算操作处理的实现方法为:
开启运算:先对图像进行腐蚀操作,然后对腐蚀的结构做膨胀操作,定义开启运算为:AοB=(A⊙B)⊕B,其中,A和B为Z中的集合,ο为开启运算符,⊕为膨胀算子;
闭合运算:先对图像进行膨胀,然后对膨胀的结果做腐蚀运算,定义闭合运算为:A·B=(A⊕B)⊙B,其中,·为闭合运算符;
利用填孔处理进一步去除人脸肤色分割后图像中的毛刺。
进一步,在步骤四中,采用二次匹配误差算法对开启和闭合运算操作处理后的人脸图像进行模板匹配时,首先使用双眼模板进行粗筛选,再采用区域的欧拉值来计算人脸皮肤区域内的空洞数,计算公式如下:
E=C-H (13)
其中,E为欧拉值;C为连通分支数;H为一个区域中的空洞数;
因每次只处理一个皮肤区域,所以连通分支数为1,则空洞的数量就为H=1-E,二值图像中区域的中心就是质心,可由式(14)来计算,式(14)为:
其中,B是描述区域的n×m阶矩阵,A是区域中的一个子块,以像素为单位,区域的偏角即是区域惯量最小的轴的倾角,轴是使其与区域中的点之间的平均距离和最小的一条直线,可通过计算直线到图像中的点的最小二乘获得,偏角θ为:
由于图像旋转了某一角度θ,区域也要旋转角θ,并重新确定区域的宽和高来设置新的模板脸,使与区域具有相同的大小,而后通过移动4个指针从图像上 下和左右向内移动来确定区域的宽和高,指针遇到的第一个值不为0的像素被认为是一个边界的坐标,找到4个边界,就可以通过相减得到区域的宽和高,并以限定范围的高宽比作为确定候选人脸的一个约束条件;
采用二次匹配误差算法对人脸图像进行模板匹配,第一次模板匹配为粗略匹配,取模板的隔行隔列数据,即四分之一的数据,在被搜索的人脸图像上进行隔行隔列扫描匹配,第二次模板匹配为精确匹配,在第一次模板匹配后误差最小点(imin,jmin)的邻域内,即在对角点为(imin-1,jmin-1)和(imin+1,jmin+1)的矩形内,采用式(16)来进行搜索匹配,得到最后匹配结果,式(16)为:
其中,E(i,j)的最小值处即为匹配目标;Sij为人脸图像;T(m,n)为匹配模板,为了提高运算速度,选取一个误差阈值E0,当E(i,j)>E0时就停止对该点的运算,继续下一点计算,采用式(17)来确定误差阈值E0,式(17)为:
其中,e0为各点的平均最大误差,一般取40-50;m,n为模板的长和宽。
进一步,检测一个皮肤区域是否为人脸的具体匹配步骤如下:
Step1:封闭皮肤区域空洞,并将对应位置的原始图像叠加到区域中;
Step2:根据之前计算的区域高和宽将模板脸调整到与皮肤区域同大小;
Step3:根据偏角θ旋转调整后的模板脸,并去掉由于旋转造成的新图像边缘的混叠部分;
Step4:通过式(14)来计算调整后模板脸的质心;
Step5:创建一个与原始图像有相同大小的灰度图像,此图像与待检测的皮肤区域相同且覆盖了已调整后的模板脸,其他部分为黑色;
Step6:计算Step1到Step5得到的皮肤区域部分和模板脸之间互相关值;
Step7:确定最优阈值为0.6时来分类一个人脸区域;
Step8:重复Step1到Step7处理完每一个候选皮肤区域。
进一步,在步骤五中,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位的实现方法为:
外脸检测:
Step1:选用YCbCr色彩空间对图像进行二值化处理,肤色范围限定在Cb∈[98,127],Cr∈[133,170]内,将满足条件的像素标记为肤色像素,其余标记为非肤色像素;
Step2:在检测过程中通过一个低通滤波器对人脸图像进行了去噪处理,并以每一个肤色点为中心的5×5邻域内统计肤色像素的个数,超过半数时中心点保留为肤色,否则认为是非肤色;
Step3:将二值图像中的肤色块进行区域归并,并对目标区域进行比例、结构分析,过滤掉不可能的人脸区域,目标区域高度和宽度的比例限定在0.8-1.6;
内脸检测和定位:
在外脸区域的上半部,对二值图像进行水平方向和垂直方向的投影,确定两个包含黑点的矩形区域作为双眼的大致区域,在确定的两个区域中,对黑点进行区域膨胀,可以得到眼睛的基本轮廓和左右眼角,黑点坐标的平均值作为瞳孔的位置,设左右瞳孔的坐标分别为(Lx,Ly)和(Rx,Ry),两个瞳孔之间的距离为d,根据人脸的几何特征,可以将内脸区域定义为:宽度=-d×1.6,高度=-d×1.8,左上角坐标为(Lx-d×0.3,(Ly+Ry)/2+d×0.3);
将标准图像的大小设定为256×256像素,以对人脸内脸区域归一化。
进一步,在步骤六中,在对人脸图像进行检测与定位的基础上,对人脸进行提取与识别的实现方法为:
Step1:对归一化的人脸图像,采用小波变换与DCT相结合的方法提取人脸特征:
首先对人脸图像进行三层小波分解,取低频子图像作为人脸特征提取的对象,获得每幅训练样本或测试样本的低频子图像,设第i幅人脸图像的低频子图像的一维向量表示为xi则该向量的协方差矩阵可以用式(18)来表示:
其中,N表示训练样本的总数;表示训练样本集的均值向量,由于C为对称矩阵,将其对角化为:
其中,λi为C的特征值;U为相应的特征向量;{u1,u2,...,ui-1,ui,...,uR-1,uR}为标准正交基;R为C的秩;Λ为对角线上的元素为C的特征值的对角阵,将一个人脸图像看成一个矩阵A,则A的k个非零奇异值以及n-k个0构成了一个n维列向量,称Y为A的奇异值特征向量,对于任意一个实矩阵A,当λ1≥λ2≥...≥λk-1≥λk时,原人脸图像A对应的奇异值特征向量也是唯一的;
Step2:在提取人脸特征的基础上进行人脸识别:
设视频Aj,j表示视频帧,对待识别的人脸图像A先提取其奇异值特征向量Y,其鉴别特征向量Id可以通过Id=HTVTY获取,其中,H=(h1,h2...,hn-c)为奇异值特征向量Y的总体散布矩阵的n-c个最大特征值所对应的特征向量,V=(v1,v2,...vd)为前d个最大特征值所对应的特征向量的投影矢量,每个人脸图像A对应一个Id,为了使测试样本与训练样本具有可比性,提取全部训练样本的特征向量,用式(20)计算所有训练样本的平均特征向量,式(20)为:
其中,N为训练样本数,Vk,i表示第i个样本的第k个特征向量,mk为训练人脸图像样本鉴别特征向量的均值的第k个特征向量,然后对鉴别特征向量Id利用最小距离分类器进行分类,对测试样本A,计算类内间距离d(mk,Id)=||mk-Id||2,如果d(mk,Id)=mind(mk,Id),则A∈ωk。
本发明提供的基于肤色分割和模板匹配的人脸检测与识别方法,根据人脸肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分 割,把接近于人脸肤色的区域从图像中分离出来,从而实现迅速对人脸的外脸检测的目的;利用光照补偿技术来克服亮度对人脸检测和识别的影响;利用自适应模板匹配来克服类肤色背景对人脸检测和识别的影响;并通过采用二次匹配算法来减少匹配过程中的计算量,利用提取人脸图像中的奇异值特征来识别人脸,并达到降低人脸特征提取过程中特征值矩阵的维数的目的,该人脸检测与识别方法能快速检测出人脸,并提高人脸检测与识别的准确率,实用性强,具有较强的推广与应用价值。
附图说明
图1是本发明实施例提供的基于肤色分割和模板匹配的人脸检测与识别方法的实现流程图;
图2是本发明实施例提供的人脸肤色在YCbCr空间中的高斯分布示意图;
图3是本发明实施例提供的人脸肤色的高斯肤色模型示意图;
图4是本发明实施例提供的人脸图像光照补偿的流程图;
图5是本发明实施例提供的人脸肤色分割过程图像的示意图;
图6是本发明实施例提供的人脸检测与识别过程中所选定双眼模板的结构示意图;
图7是本发明实施例提供的人脸图像的三层小波分解图;
图8是本发明实施例提供的实时视频人脸识别的结果示意图;
图9是本发明实施例提供的雕像及像章人脸检测结果示意图;
图10是本发明实施例提供的人脸内脸检测和定位结果示意图;
图11是本发明实施例提供的人眼定位误差与人眼尺度之间的关系图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例 仅仅用以解释本发明,并不用于限定发明。
图1示出了本发明实施例提供的基于肤色分割和模板匹配的人脸检测与识别方法的实现流程。
该人脸检测与识别方法包括以下步骤:
步骤一,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿;
步骤二,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来;
步骤三,对人脸肤色分割后的图像进行开启和闭合运算操作处理;
步骤四,采用二次匹配误差算法对开启和闭合运算操作处理后的人脸图像进行模板匹配;
步骤五,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位;
步骤六,在人脸图像进行检测与定位的基础上,对人脸进行提取与识别。
在本发明实施例中,在步骤一中,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿的实现方法为:
设f(x,y)为人脸图像信号,其反射分量和光照分量分别为r(x,y)和i(x,y),并定义人脸图像的二维多尺度离散正交小波变换为:
式中,Sjf(n,m)是f(x,y)的低频分量;分别代表f(x,y)的垂直、对角和水平高频分量,人脸图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示:
f(x,y)=r(x,y)×i(x,y) (2)
将两边取对数后,等式右边的乘积关系转变为加法关系,得式(3):
lgf(x,y)=lgr(x,y)+lgi(x,y) (3)
具体步骤如下:
Step1:对空间域中的人脸图像f(x,y)进行对数变换,得到对数域中的人脸图像f′(x,y);
Step2:对f′(x,y)进行多级二维多尺度离散正交小波变换,得到低频分量Sjf(n,m),垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分;
Step3:提取出第n级高频近似分量Wnf(n,m);
Step4:对Wnf(n,m)进行n级二维离散小波重建,得到对数域人脸图像f′(x,y)的重建图像
Step5:从f′(x,y)中减去后再加上标准光照,得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明,且不受其它光线或颜色的干扰的光照。
在本发明实施例中,在步骤二中,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来的实现方法为:
Step1:根据人脸肤色在YCbCr色度空间的高斯分布,对彩色图像中每个像素点,利用式(4)将其从RGB色彩空间转换到YCbCr空间后,计算该点属于人脸肤色区域的概率,即根据该点离高斯分布中心的远近得到和人脸肤色的相似度,将彩色图像转化为灰度图,其中每个像素点的灰度与该点肤色的相似度对应,利用式(5)来建立人脸肤色的2D高斯模型:
其中,是Cb,Cr的均值;V是协方差矩阵;N为人脸像素点的总数,左脸肤色高斯密度函数为:
右脸肤色高斯密度函数为:
其中,和分别为左右脸的方差;kL与kR分别为左右脸高斯模型常数,
Step2:建立人脸高斯模型后,设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割,输入为原始图像,输出是表示皮肤和非皮肤区域的皮肤分割二值图像;
Step3:通过式(8)定义色度颜色,以对f(R,G,B)=g(r,b)标准化处理,将周围光线所引起的人脸区域亮度的变化去除,没有亮度分量时也可以认为是纯色,其中式(8)为:
通过计算,得到式(5)中m的值为[117.4316 148.5599];
Step4:从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类肤色的颜色分布,肤色样本从彩色图像中选取,并通过一个低通滤波器减小样本中噪声干扰,低通滤波器的脉冲响应为:
1/9 [1,1,1;1,1,1;1,1,1];
Step5:通过式(9)聚类准则来进行模糊分类,采用基于区域增长算法的 自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果;
其中,k∈[0,∞]是一个加权系数;fk(X,μ,v)是类内误差的加权平方和目标函数;μij是模糊划分矩阵,用式(10)来计算;vi是模糊聚类中心,用式(11)来计算;dij是类间距离;c聚类类别数;
而且μij需要满足下面三个约束条件:
在本发明实施例中,在步骤三中,对人脸肤色分割后的图像进行开启和闭合运算操作处理的实现方法为:
开启运算:先对图像进行腐蚀操作,然后对腐蚀的结构做膨胀操作,定义开启运算为:AοB=(A⊙B)⊕B,其中,A和B为Z中的集合,ο为开启运算符,⊕为膨胀算子;
闭合运算:先对图像进行膨胀,然后对膨胀的结果做腐蚀运算,定义闭合运算为:A·B=(A⊕B)⊙B,其中,·为闭合运算符;
利用填孔处理进一步去除人脸肤色分割后图像中的毛刺。
在本发明实施例中,在步骤四中,采用二次匹配误差算法对开启和闭合运 算操作处理后的人脸图像进行模板匹配时,首先使用双眼模板进行粗筛选,再采用区域的欧拉值来计算人脸皮肤区域内的空洞数,计算公式如下:
E=C-H (13)
其中,E为欧拉值;C为连通分支数;H为一个区域中的空洞数;
因每次只处理一个皮肤区域,所以连通分支数为1,则空洞的数量就为H=1-E,二值图像中区域的中心就是质心,可由式(14)来计算,式(14)为:
其中,B是描述区域的n×m阶矩阵,A是区域中的一个子块,以像素为单位,区域的偏角即是区域惯量最小的轴的倾角,轴是使其与区域中的点之间的平均距离和最小的一条直线,可通过计算直线到图像中的点的最小二乘获得,偏角θ为:
由于图像旋转了某一角度θ,区域也要旋转角θ,并重新确定区域的宽和高来设置新的模板脸,使与区域具有相同的大小,而后通过移动4个指针从图像上下和左右向内移动来确定区域的宽和高,指针遇到的第一个值不为0的像素被认为是一个边界的坐标,找到4个边界,就可以通过相减得到区域的宽和高,并以限定范围的高宽比作为确定候选人脸的一个约束条件;
采用二次匹配误差算法对人脸图像进行模板匹配,第一次模板匹配为粗略匹配,取模板的隔行隔列数据,即四分之一的数据,在被搜索的人脸图像上进行隔行隔列扫描匹配,第二次模板匹配为精确匹配,在第一次模板匹配后误差最小点(imin,jmin)的邻域内,即在对角点为(imin-1,jmin-1)和(imin+1,jmin+1) 的矩形内,采用式(16)来进行搜索匹配,得到最后匹配结果,式(16)为:
其中,E(i,j)的最小值处即为匹配目标;Sij为人脸图像;T(m,n)为匹配模板,为了提高运算速度,选取一个误差阈值E0,当E(i,j)>E0时就停止对该点的运算,继续下一点计算,采用式(17)来确定误差阈值E0,式(17)为:
其中,e0为各点的平均最大误差,一般取40-50;m,n为模板的长和宽。
在本发明实施例中,检测一个皮肤区域是否为人脸的具体匹配步骤如下:
Step1:封闭皮肤区域空洞,并将对应位置的原始图像叠加到区域中;
Step2:根据之前计算的区域高和宽将模板脸调整到与皮肤区域同大小;
Step3:根据偏角θ旋转调整后的模板脸,并去掉由于旋转造成的新图像边缘的混叠部分;
Step4:通过式(14)来计算调整后模板脸的质心;
Step5:创建一个与原始图像有相同大小的灰度图像,此图像与待检测的皮肤区域相同且覆盖了已调整后的模板脸,其他部分为黑色;
Step6:计算Step1到Step5得到的皮肤区域部分和模板脸之间互相关值;
Step7:确定最优阈值为0.6时来分类一个人脸区域;
Step8:重复Step1到Step7处理完每一个候选皮肤区域。
在本发明实施例中,在步骤五中,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位的实现方法为:
外脸检测:
Step1:选用YCbCr色彩空间对图像进行二值化处理,肤色范围限定在Cb∈[98,127],Cr∈[133,170]内,将满足条件的像素标记为肤色像素,其余标记为非肤色像素;
Step2:在检测过程中通过一个低通滤波器对人脸图像进行了去噪处理,并以每一个肤色点为中心的5×5邻域内统计肤色像素的个数,超过半数时中心点保留为肤色,否则认为是非肤色;
Step3:将二值图像中的肤色块进行区域归并,并对目标区域进行比例、结构分析,过滤掉不可能的人脸区域,目标区域高度和宽度的比例限定在0.8-1.6;
内脸检测和定位:
在外脸区域的上半部,对二值图像进行水平方向和垂直方向的投影,确定两个包含黑点的矩形区域作为双眼的大致区域,在确定的两个区域中,对黑点进行区域膨胀,可以得到眼睛的基本轮廓和左右眼角,黑点坐标的平均值作为瞳孔的位置,设左右瞳孔的坐标分别为(Lx,Ly)和(Rx,Ry),两个瞳孔之间的距离为d,根据人脸的几何特征,可以将内脸区域定义为:宽度=-d×1.6,高度=-d×1.8,左上角坐标为(Lx-d×0.3,(Ly+Ry)/2+d×0.3);
将标准图像的大小设定为256×256像素,以对人脸内脸区域归一化。
在本发明实施例中,在步骤六中,在对人脸图像进行检测与定位的基础上,对人脸进行提取与识别的实现方法为:
Step1:对归一化的人脸图像,采用小波变换与DCT相结合的方法提取人脸特征:
首先对人脸图像进行三层小波分解,取低频子图像作为人脸特征提取的对象,获得每幅训练样本或测试样本的低频子图像,设第i幅人脸图像的低频子图像的一维向量表示为xi则该向量的协方差矩阵可以用式(18)来表示:
其中,N表示训练样本的总数;表示训练样本集的均值向量,由于C为对称矩阵,将其对角化为:
其中,λi为C的特征值;U为相应的特征向量;{u1,u2,...,ui-1,ui,...,uR-1,uR}为标准正交基;R为C的秩;Λ为对角线上的元素为C的特征值的对角阵,将一个人脸图像看成一个矩阵A,则A的k个非零奇异值以及n-k个0构成了一个n维列向量,称Y为A的奇异值特征向量,对于任意一个实矩阵A,当λ1≥λ2≥...≥λk-1≥λk时,原人脸图像A对应的奇异值特征向量也是唯一的;
Step2:在提取人脸特征的基础上进行人脸识别:
设视频Aj,j表示视频帧,对待识别的人脸图像A先提取其奇异值特征向量Y,其鉴别特征向量Id可以通过Id=HTVTY获取,其中,H=(h1,h2...,hn-c)为奇异值特征向量Y的总体散布矩阵的n-c个最大特征值所对应的特征向量,V=(v1,v2,...vd)为前d个最大特征值所对应的特征向量的投影矢量,每个人脸图像A对应一个Id,为了使测试样本与训练样本具有可比性,提取全部训练样本的特征向量,用式(20)计算所有训练样本的平均特征向量,式(20)为:
其中,N为训练样本数,Vk,i表示第i个样本的第k个特征向量,mk为训练人脸图像样本鉴别特征向量的均值的第k个特征向量,然后对鉴别特征向量Id利用最小距离分类器进行分类,对测试样本A,计算类内间距离d(mk,Id)=||mk-Id||2,如果d(mk,Id)=mind(mk,Id),则A∈ωk。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
基于高斯肤色模型的人脸肤色分割算法
人脸肤色的高斯模型
肤色是人脸的一个重要特征。虽然不同种族、不同年龄的人的人脸肤色看上去不同,但这主要是由于亮度上的差异造成的。去除亮度后,不同人的人脸肤色分布具有良好的聚类性,且其在YCbCr肤色空间中的统计分布满足式(1):
因此,可以利用这种肤色聚类特性来检测人脸。在三维色度空间中,人脸肤色的区域可以用高斯分布来描述。三种主要人种不同性别和不同年龄段的人脸肤色高斯分布如图2所示。
根据人脸肤色在YCbCr色度空间的高斯分布,人脸肤色样本的Cb、Cr值比较集中,适宜于建立高斯模型。对彩色图像中每个像素点,利用式(2)将其从RGB色彩空间转换到YCbCr空间后,就可以计算该点属于人脸肤色区域的概率,即根据该点离高斯分布中心的远近得到和人脸肤色的相似度,将彩色图像转化为灰度图,其中每个像素点的灰度与该点肤色的相似度对应,利用式(3)来建立人脸肤色的2D高斯模型,如图3所示。
其中,是Cb,Cr的均值;V是协方差矩阵;N为人脸像素点的总数。
左脸肤色高斯密度函数为:
右脸肤色高斯密度函数为:
其中,和分别为左右脸的方差;kL与kR分别为左右脸高斯模型常数。
通过高斯肤色模型将彩色图像转换为相似度灰色图像后,选取合适的阈值,就可以分离肤色与非肤色区域。这种肤色模型的特点是基于统计的肤色模型, 它需要对每一个像素点进行相似度计算,因此运算速度也不是太快。在实际用于肤色检测中,可以直接利用式(4)和(5)中的和 项进行判决,以提高检测速度。
人脸图像光照补偿
由于在二维人脸检测与识别过程中,非均匀光照会使人脸识别率大幅度下降,因此人脸检测与识别过程中有必要对人脸图像进行非均匀光照补偿,从而降低误检率。本发明采用二维多尺度离散正交小波变换来对人脸图像进行光照补偿,人脸图像光照补偿的流程如图4所示。
设f(x,y)为人脸图像信号,其反射分量和光照分量分别为r(x,y)和i(x,y)。则可定义人脸图像的二维多尺度离散正交小波变换为:
式中,Sjf(n,m)是f(x,y)的低频分量;分别代表f(x,y)的垂直、对角和水平高频分量。人脸图像信号与其反射分量和光照分量之间的关系可以用式(7)来表示:
f(x,y)=r(x,y)×i(x,y) (7)
将两边取对数后,等式右边的乘积关系转变为加法关系,得式(8):
lgf(x,y)=lgr(x,y)+lgi(x,y) (8)
在对数域中对人脸图像进行光照补偿就是尽可能消除对数域图像的lgi(x,y)分量,而该分量主要由对数域人脸图像中的高频成分构成。那么,在对数域中对人脸图像进行光照补偿就等效于对人脸图像进行高通滤波。而在图像处理中,小波变换技术对图像具有非常优越的高通滤波处理能力。利用人脸图像的二维多尺度离散正交小波的多级分解算法和重建算法,可以有效地消除对数域人脸 图像中的高频部分,实现人脸图像在对数域的光照补偿。具体步骤如下:
Step1:对空间域中的人脸图像f(x,y)进行对数变换,得到对数域中的人脸图像f′(x,y)。
Step2:对f′(x,y)进行多级二维多尺度离散正交小波变换,得到低频分量Sjf(n,m),垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分。
Step3:提取出第n级高频近似分量Wnf(n,m)。
Step4:对Wnf(n,m)进行n级二维离散小波重建,得到对数域人脸图像f′(x,y)的重建图像
Step5:从f′(x,y)中减去后再加上标准光照,得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明,且不受其它光线或颜色的干扰的光照。
人脸肤色的分割
建立了人脸高斯模型后,人脸的肤色分割可以通过下列步骤来实现:
Step1:设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割,输入为原始图像,输出是表示皮肤和非皮肤区域的皮肤分割二值图像。
Step2:在皮肤分割时,周围光线所引起的人脸区域亮度的变化无法可靠测量。而在YCbCr色度空间中亮度可以从色彩表征中去除。通过f(R,G,B)=g(r,b)的标准化处理,可以通过式(9)来定义色度颜色,在没有亮度分量时也可以认为是纯色。
尽管不同人的肤色在一个较宽的区域内变化,但是这种颜色的不同远小于亮度的不同,据此可以在色度空间中建立一个很好的肤色模型。通过计算,得到式(3)中m的值为[117.4316 148.5599]。
Step3:从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类肤 色的颜色分布。肤色样本从彩色图像中选取,并通过一个低通滤波器减小样本中噪声干扰,低通滤波器的脉冲响应为:
1/9 [1,1,1;1,1,1;1,1,1]
不同人的肤色分布在YCbCr色度空间中是聚合的,因此可以用高斯模型进行数据拟合和描述皮肤颜色。这样一幅彩色图像就转换为一幅灰度级的皮肤概率图像。每个像素点的灰度值表示了该像素点属于皮肤的概率。
Step4:从皮肤概率图像中可以看到皮肤区域(如脸、手)比非皮肤区域的亮度高,因此皮肤区域可以通过阈值处理与非皮肤区域分割开。对于不同肤色、不同人和不同亮度的各种图像,无法确定一个固定的阈值对所有情况下的图像进行准确的分割。因此,需要用模糊分类方法对皮肤和非皮肤进行区分。通过式(10)聚类准则来进行模糊分类,然后采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可以看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果。
其中,k∈[0,∞]是一个加权系数;fk(X,μ,v)是类内误差的加权平方和目标函数;μij是模糊划分矩阵,用式(11)来计算;vi是模糊聚类中心,用式(12)来计算;dij是类间距离;c聚类类别数。
而且μij需要满足下面三个约束条件:
分割图像的开和闭运算操作:
经过肤色建模可能得到一些连通区域,这些区域既包括人脸区域,也包括其他皮肤区域(如手臂、脖子等)。当对噪声图像进行二值化处理时,所得到的边界往往是不平滑的,一些物体区域往往被错判,背景区域上则散布着一些小的噪声。为了进一步改善人脸肤色分割的效果,本发明对人脸肤色分割后的图像采用开和闭运算可以显著的改善分割图像的性能。开启运算就是先对图像进行腐蚀操作,然后对腐蚀的结构做膨胀操作。定义开启运算为:
AοB=(A⊙B)⊕B (14)
其中,A和B为Z中的集合,ο为开启运算符,⊕为膨胀算子。开启运算一般能平滑图像的轮廓,削弱狭窄的部分,去掉细的突出。
闭合运算是先对图像进行膨胀,然后对膨胀的结果做腐蚀运算。定义闭合运算为:
A·B=(A⊕B)⊙B (15)
其中,·为闭合运算符。闭合运算可以平滑图像的轮廓,与开启运算相反,它一般能融合窄的缺口和细长的弯口,去掉小洞。填补轮廓上的缝隙。开闭运算后的图像可以去除图像上的一些细小的毛刺,达到去噪的目的。然后,利用填孔处理可以进一步去除毛刺。人脸肤色分割的分割过程图像如图5所示。
基于肤色分割和模板匹配的人脸检测
模板匹配算法
模板匹配是图像识别、目标跟踪等研究领域中一项非常重要的识别技术。模板匹配就是在一幅大图像中通过匹配算法来搜寻目标,并确定其位置坐标。在人脸检测与识别过程中,首先使用双眼模板进行粗筛选,然后使用不同长宽比 的人脸模板确定出人脸区域的位置和范围,最后利用人脸器官的边缘特征进行人脸的检测与定位。图6是本发明人脸检测与识别过程中选定的双眼模板。
人脸皮肤区域由于存在非肤色的眼睛及颧骨突出的高亮部分,使得人脸皮肤区域至少包含有一个或一个以上的空洞。因此可忽略没有空洞的区域,减少需匹配区域的数量。区域内的空洞数,采用区域的欧拉值来计算,计算公式如下:
E=C-H (16)
其中,E为欧拉值;C为连通分支数;H为一个区域中的空洞数。
因为每次只处理一个皮肤区域,所以连通分支数为1。则空洞的数量就为H=1-E。一旦系统确定皮肤区域含有一个以上的空洞,则进一步分析此区域的质心,偏角、宽和高的比率等其它特征,以便将模板脸放置到与区域相同的状态来进行匹配。二值图像中区域的中心就是质心,可由式(17)来计算。
其中,B是描述区域的n×m阶矩阵,A是区域中的一个子块,以像素为单位。区域的偏角即是区域惯量最小的轴的倾角。轴是使其与区域中的点之间的平均距离和最小的一条直线,可通过计算直线到图像中的点的最小二乘获得,偏角θ为:
由于图像旋转了某一角度θ,区域也要旋转角θ,这样才能保证图像和区域完全垂直。并重新确定区域的宽和高来设置新的模板脸,使其与区域具有相同的大小。而后通过移动4个指针从图像上下和左右向内移动来确定区域的宽和高。指针遇到的第一个值不为0的像素被认为是一个边界的坐标。找到4个边界, 就可以通过相减得到区域的宽和高。
人脸的高宽比几乎接近于1。为了减小误差,以限定范围的高宽比作为确定候选人脸的一个约束条件。分析实验结果认为,比率低于0.8的非人脸,较好的上限约为1.6。但在某些情况(如待识别的人没有穿衬衫或穿衣方式使一部分脖子和下面的皮肤没有被覆盖)下,人脸高宽比高于1.6。所以对超上限的区域并不简单地放弃,而是去除比率为1.6以下的部分。这样的约束改进了分类,但是对于很长的胳膊来说它却是个缺点。如果胳膊的皮肤区域在接近顶部的地方有空洞,就可能产生一个错误分类。
通过以上的方法对区域的预处理将去除大部分的干扰区域得到一个或多个候选人脸区域。对这些候选区域进一步做模板脸的匹配可最终确定是否为人脸。
为了进一步减少数据访问量,提高匹配速度,本发明采用二次匹配误差算法对人脸图像进行模板匹配。第一次模板匹配为粗略匹配。取模板的隔行隔列数据,即四分之一的数据,在被搜索的人脸图像上进行隔行隔列扫描匹配。第二次模板匹配为精确匹配。在第一次模板匹配后误差最小点(imin,jmin)的邻域内,即在对角点为(imin-1,jmin-1)和(imin+1,jmin+1)的矩形内,采用式(19)来进行搜索匹配,得到最后匹配结果。二次匹配误差算法的运算速度比其它匹配算法快了近10倍。
其中,E(i,j)的最小值处即为匹配目标;Sij为人脸图像;T(m,n)为匹配模板。为了提高运算速度,选取一个误差阈值E0,当E(i,j)>E0时就停止对该点的运算,继续下一点计算。采用式(20)来确定误差阈值E0。
其中,e0为各点的平均最大误差,一般取40-50;m,n为模板的长和宽。
基于肤色分割和模板匹配的人脸检测步骤
首先,通过20幅无眼镜和无胡须的男、女性的正面脸来确定人脸模板。然 后利用模板匹配算法来对图像中相应的皮肤区域和模板人脸进行匹配,检测一个皮肤区域是否为人脸。具体匹配步骤如下:
Step1:封闭皮肤区域空洞,并将对应位置的原始图像叠加到区域中。
Step2:根据之前计算的区域高和宽将模板脸调整到与皮肤区域同大小。
Step3:根据偏角θ旋转调整后的模板脸,并去掉由于旋转造成的新图像边缘的混叠部分。
Step4:通过式(17)来计算调整后模板脸的质心。
Step5:创建一个与原始图像有相同大小的灰度图像,此图像与待检测的皮肤区域相同且覆盖了已调整后的模板脸,其他部分为黑色。
Step6:计算Step1到Step5所得皮肤区域部分和模板脸之间的互相关值。
Step7:确定最优阈值来分类一个人脸区域,本发明通过实验得到阈值为0.6时,人脸分类效果最好。
Step8:重复Step1到Step7处理完每一个候选皮肤区域。
人脸的检测和归一化
人脸检测是人脸识别的前提。对于给定的图像,人脸检测的目的在于判断图像中是否存在人脸,如果存在,则返回其位置和空间分布。本发明在人脸检测的过程中,利用人脸肤色高斯分布来建立皮肤分割模型分割出肤色区域,从而检测出人脸的外脸。利用面部几何特征(如双眼、嘴唇、鼻梁等人脸器官的边缘特征及颧骨突出的高亮部分)来建立匹配模板进行人脸的内脸检测和定位。
外脸检测
外脸检测的任务是将待检图像中可能的人脸区域找出来并加以标记,具体检测步骤如下:
Step1:根据人脸肤色分布具有良好的聚类性,且其在YCbCr肤色空间中呈高斯分布的特点,建立人脸肤色高斯模型来分割肤色区域,将可能为人脸的像素检测出来。为更好地利用肤色特征,同时选用YCbCr色彩空间对图像进行 二值化处理,肤色范围限定在Cb∈[98,127],Cr∈[133,170]内。将满足条件的像素标记为肤色像素,其余标记为非肤色像素。
Step2:为了更准确地从图像中检测出人脸的外脸,在检测过程中通过一个低通滤波器对人脸图像进行了去噪处理。并以每一个肤色点为中心的5×5邻域内统计肤色像素的个数,超过半数时中心点保留为肤色,否则认为是非肤色。
Step3:将二值图像中的肤色块进行区域归并,并对目标区域进行比例、结构分析,过滤掉不可能的人脸区域。目标区域的高度和宽度的比例限定在0.8-1.6。
内脸检测和定位
内脸检测是将内脸区域(包含眼、眉、鼻和嘴等)找出来并加以标记。人脸特征可以很好地用内脸区域来表达,且不易受背景、头发等因素的干扰,因此,内脸区域的检测和定位对后续的人脸特征提取和识别至关重要。
在外脸区域的上半部,对二值图像进行水平方向和垂直方向的投影,确定两个包含黑点的矩形区域作为双眼的大致区域。在确定的两个区域中,对黑点进行区域膨胀,可以得到眼睛的基本轮廓和左右眼角,黑点坐标的平均值作为瞳孔的位置。
设左右瞳孔的坐标分别为(Lx,Ly)和(Rx,Ry),两个瞳孔之间的距离为d,根据人脸的几何特征,可以将内脸区域定义为:宽度=-d×1.6,高度=-d×1.8,左上角坐标为(Lx-d×0.3,(Ly+Ry)/2+d×0.3)。人脸内脸检测和定位结果如图10所示,实验表明,该区域能够很好地表达人脸特征。
人脸内脸区域的归一化
由于各待测图像中的人脸的大小具有随机性,因此,有必要对人脸内脸区域进行归一化操作。人脸内脸归一化是指对人脸的内脸区域进行缩放变换,得到统一大小的标准人脸图像,实验中,标准图像的大小设定为256×256像素。人脸内脸归一化处理保证了人脸大小的一致性,体现了人脸在图像平面内的尺寸不变性。
基于肤色分割和模板匹配的人脸识别,人脸特征提取:
对归一化的人脸图像,采用小波变换与DCT相结合的方法提取人脸特征。首先对人脸图像进行三层小波分解(如图7),取低频子图像作为人脸特征提取的对象,从而获得每幅训练样本或测试样本的低频子图像。第i幅人脸图像的低频子图像的一维向量表示为xi则该向量的协方差矩阵可以用式(20)来表示:
其中,N表示训练样本的总数;表示训练样本集的均值向量。由于C为对称矩阵,可以将其对角化为:
其中,λi为C的特征值;U为相应的特征向量;{u1,u2,...,ui-1,ui,...,uR-1,uR}为标准正交基;R为C的秩;Λ为对角线上的元素为C的特征值的对角阵。
由于协方差矩阵C的维数较大,如果直接计算它的特征值和正交归—化特征向量,计算量很大。而对于任意实矩阵A,都可以利用奇异值分解将其转换为对角阵。因此可以采用奇异值分解来进一步降维。
定理(SVD定理)设Am×n∈Rm×n(不失一般性,假设n≥m,且Rank(A)=k,则存在两个正交矩阵Um×m、Vn×n和对角矩阵Λ,使得A=UΛVT成立,其中,Λ=diag(λ1,λ2...,λk-1,λk,0,...,0),且λ1≥λ2≥...≥λk-1≥λk。(i=1,2,...,k)是AAT与ATA的特征值,U和V均为正交矩阵。
将一个人脸图像看成一个矩阵A,则A的k个非零奇异值以及n-k个0构成了一个n维列向量。称Y为A的奇异值特征向量[8-10],对于任意一个实矩阵A,当λ1≥λ2≥...≥λk-1≥λk时,原人脸图像A对应的奇异值特征向量也是唯一的。这些特征向量所代表的就是人脸的代数特征,称为“特征脸”[11,14,15]。奇异值特征对图像噪音、光照变化引起的灰度变化不敏感,能克服光照、图像大小、图像偏转、姿态变化等对识别的影响。因此,可以利用它更有效地识别人脸图像。
人脸识别:进行人脸识别时,对待识别的人脸图像A(视频Aj,j表示视频帧)先提取其奇异值特征向量Y,其鉴别特征向量Id可以通过Id=HTVTY获取。 其中,H=(h1,h2...,hn-c)为奇异值特征向量Y的总体散布矩阵的n-c个最大特征值所对应的特征向量。V=(v1,v2,...vd)为前d个最大特征值所对应的特征向量的投影矢量。每个人脸图像A对应一个Id。为了使测试样本与训练样本具有可比性,提取全部训练样本的特征向量,用式(22)计算所有训练样本的平均特征向量。
其中,N为训练样本数,Vk,i表示第i个样本的第k个特征向量,mk为训练人脸图像样本鉴别特征向量的均值的第k个特征向量。然后,对鉴别特征向量Id利用最小距离分类器进行分类。对测试样本A,计算类内间距离d(mk,Id)=||mk-Id||2,如果d(mk,Id)=mind(mk,Id),则A∈ωk,识别结果如图8所示。
基于肤色分割和模板匹配的人脸检测与识别结果分析
使用典型的ORL、UMIST、CVL等人脸库和即时采集的视频进行实验,并从网络下载了一些人脸图片进行补充实验。人脸图像大小从5k到800k,人脸图片类型包含不同角度拍摄的照片;脸部表情和脸部细节有着不同程度变化的照片(如戴不戴眼镜,眼睛睁或闭,笑或悲伤);人脸姿态有相当程度变化的照片;人脸图像有不同程度旋转的照片;人脸尺度有不同程度变化的照片;光照强弱不同的人脸照片;不同年龄段的人脸照片;不同肤色的人脸照片;衣领的高低不同的人脸照片;和人类有近亲关系的猿猴照片等。本发明选用了200幅单人正面人脸图片、300幅不同偏角和表情的单人人脸图片、400幅不同偏角和表情及姿态的双人人脸图片、400幅不同偏角和表情及姿态的多人人脸图片、100幅多偏角和复杂背景下的人脸图片、10幅不同角度拍摄的同一人脸照片和20幅非人脸图片运用本发明算法和参考文献算法进行人脸检测和识别实验。人脸检测的部分实验结果如图9所示。表明本发明提出的算法能克服模板匹配算法不能检测出戴墨镜的人脸的缺陷。
实验结果说明,本发明算法对各种情况下的人脸具有良好的检测和识别能力。能够很好地克服光照变化、衣领高低、人脸尺寸变化、脸部表情变化、人 脸偏角变化、年龄变化、人脸姿态变化、复杂背景、拍摄角度变化和类肤色背景等影响因素对人脸检测与识别结果的影响。为了比较本发明提出方法与基于Haar特征的Adaboost方法及文献基于贝叶斯决策规则的检测方法的检测效果,定义检测率(DR,Detection rate)和误检率(FDR,Falsedetection rate)作为评价指标。
在相同测试集的条件下进行对比实验,检测结果性能比较见表1,人眼定位结果如图10所示,左图为人眼眼眶的定位;右图为人眼瞳孔的定位。人眼定位误差与人眼尺度之间的关系如图11所示,由图可以看出利用本发明算法能够实现人眼的精确定位,识别结果性能比较见表2。
表1几种人脸图像检测算法检测结果性能比较
表2几种人脸图像识别算法识别结果性能比较
本发明提出了一种基于肤色分割和模板匹配的人脸检测与识别方法,根据人脸肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进 行分割,把接近于人脸肤色的区域从图像中分离出来,并在分割区域内实现中心点的定位,从而实现迅速对人脸的外脸检测的目的,克服了传统形态学处理和边界跟踪的不足;利用光照补偿技术来克服亮度对人脸检测和识别的影响;构建眼睛提取模型来提取眼睛区域,利用自适应模板匹配来克服类肤色背景对人脸检测和识别的影响;并通过采用二次匹配算法来减少匹配过程中的计算量,提高了检测速度。利用提取人脸图像中的多尺度奇异值特征向量并将它应用于基于模版匹配的人脸识别算法来识别人脸,并达到降低人脸特征提取过程中特征值矩阵的维数的目的。这样,提取到人脸图像多种尺度下的局部特征能够更好地反映了图像之间的差异,更全面地反映了图像的鉴别特征,且采用具有较好分类能力的基于模版匹配算法,因此更有利于模式识别。实验表明该方法能检测出偏转角度较大的人脸;对不同的光照条件、姿态以及干扰背景具有较强的适应性;人脸检测与识别率大大提高。该方法操作简单,速度较快,能满足实时处理的要求。
本发明实施例提供的基于肤色分割和模板匹配的人脸检测与识别方法,根据人脸肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来,从而实现迅速对人脸的外脸检测的目的;利用光照补偿技术来克服亮度对人脸检测和识别的影响;利用自适应模板匹配来克服类肤色背景对人脸检测和识别的影响;并通过采用二次匹配算法来减少匹配过程中的计算量,利用提取人脸图像中的奇异值特征来识别人脸,并达到降低人脸特征提取过程中特征值矩阵的维数的目的,该人脸检测与识别方法能快速检测出人脸,并提高人脸检测与识别的准确率,实用性强,具有较强的推广与应用价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于肤色分割和模板匹配的人脸检测与识别方法,其特征在于,该人脸检测与识别方法包括以下步骤:
步骤一,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿;
步骤二,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来;
步骤三,对人脸肤色分割后的图像进行开启和闭合运算操作处理;
步骤四,采用二次匹配误差算法对开启和闭合运算操作处理后的人脸图像进行模板匹配;
步骤五,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位;
步骤六,在对人脸图像进行检测与定位的基础上,对人脸进行提取与识别;
在步骤一中,采用二维多尺度离散正交小波变换对所采集的人脸图像进行非均匀光照补偿的实现方法为:
设f(x,y)为人脸图像信号,其反射分量和光照分量分别为r(x,y)和i(x,y),并定义人脸图像的二维多尺度离散正交小波变换为:
式中,Sjf(n,m)是f(x,y)的低频分量;分别代表f(x,y)的垂直、对角和水平高频分量,人脸图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示:
f(x,y)=r(x,y)×i(x,y) (2)
将两边取对数后,等式右边的乘积关系转变为加法关系,得式(3):
lgf(x,y)=lgr(x,y)+lgi(x,y) (3)
具体步骤如下:
Step1:对空间域中的人脸图像f(x,y)进行对数变换,得到对数域中的人脸图像f′(x,y);
Step2:对f′(x,y)进行多级二维多尺度离散正交小波变换,得到低频分量Sjf(n,m),垂直、对角和水平高频分量分别为 对得到的分量进行高通滤波获得图像的高频部分;
Step3:提取出第n级高频近似分量Wnf(n,m);
Step4:对Wnf(n,m)进行n级二维离散小波重建,得到对数域人脸图像f′(x,y)的重建图像
Step5:从f′(x,y)中减去后再加上标准光照,得到 光照补偿后的图像其中△u为标准光照,标准光照是指环境中的照度为2000-3000流明,且不受其它光线或颜色的干扰的光照。
2.如权利要求1所述的人脸检测与识别方法,其特征在于,在步骤二中,根据人类肤色在YCbCr颜色空间的聚类特性,利用人脸肤色混合高斯模型对人脸进行分割,把接近于人脸肤色的区域从图像中分离出来的实现方法为:
Step1:根据人脸肤色在YCbCr色度空间的高斯分布,对彩色图像中每个像素点,利用式(4)将其从RGB色彩空间转换到YCbCr空间后,计算该点属于人脸肤色区域的概率,即根据该点离高斯分布中心的远近得到和人脸肤色的相似度,将彩色图像转化为灰度图,其中每个像素点的灰度与该点肤色的相似度对应,利用式(5)来建立人脸肤色的2D高斯模型:
其中,是Cb,Cr的均值;V是协方差矩阵;N为人脸像素点的总数,左脸肤色高斯密度函数为:
右脸肤色高斯密度函数为:
其中,和分别为左右脸的方差;kL与kR分别为左右脸高斯模型常数,
Step2:建立人脸高斯模型后,设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割,输入为原始图像,输出是表示皮肤和非皮肤区域的皮肤分割二值图像;
Step3:通过式(8)定义色度颜色,以对f(R,G,B)=g(r,b)标准化处理,将周围光线所引起的人脸区域亮度的变化去除,没有亮度分量时也可以认为是纯色,其中式(8)为:
通过计算,得到式(5)中m的值为[117.4316148.5599];
Step4:从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类肤色的颜色分布,肤色样本从彩色图像中选取,并通过一个低通滤波器减小样本中噪声干扰,低通滤波器的脉冲响应为:
1/9[1,1,1;1,1,1;1,1,1];
Step5:通过式(9)聚类准则来进行模糊分类,采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果;
其中,k∈[0,∞]是一个加权系数;fk(X,μ,v)是类内误差的加权平方和目标函数;μij是模糊划分矩阵,用式(10)来计算;vi是模糊聚类中心,用式(11)来计算;dij是类间距离;c聚类类别数;
而且μij需要满足下面三个约束条件:
3.如权利要求1所述的人脸检测与识别方法,其特征在于,在步骤三中,对人脸肤色分割后的图像进行开启和闭合运算操作处理的实现方法为:
开启运算:先对图像进行腐蚀操作,然后对腐蚀的结构做膨胀操作,定义开启运算为:其中,A和B为Z中的集合,为开启运算符,为膨胀算子;
闭合运算:先对图像进行膨胀,然后对膨胀的结果做腐蚀运算,定义闭合运算为:其中,·为闭合运算符;
利用填孔处理进一步去除人脸肤色分割后图像中的毛刺。
4.如权利要求1所述的人脸检测与识别方法,其特征在于,在 步骤四中,采用二次匹配误差算法对开启和闭合运算操作处理后的人脸图像进行模板匹配时,首先使用双眼模板进行粗筛选,再采用区域的欧拉值来计算人脸皮肤区域内的空洞数,计算公式如下:
E=C-H (13)
其中,E为欧拉值;C为连通分支数;H为一个区域中的空洞数;
因每次只处理一个皮肤区域,所以连通分支数为1,则空洞的数量就为H=1-E,二值图像中区域的中心就是质心,可由式(14)来计算,式(14)为:
其中,B是描述区域的n×m阶矩阵,A是区域中的一个子块,以像素为单位,区域的偏角即是区域惯量最小的轴的倾角,轴是使其与区域中的点之间的平均距离和最小的一条直线,可通过计算直线到图像中的点的最小二乘获得,偏角θ为:
由于图像旋转了某一角度θ,区域也要旋转角θ,并重新确定区域的宽和高来设置新的模板脸,使与区域具有相同的大小,而后通过移动4个指针从图像上下和左右向内移动来确定区域的宽和高,指针遇到的第一个值不为0的像素被认为是一个边界的坐标,找到4个边界,就可以通过相减得到区域的宽和高,并以限定范围的高宽比 作为确定候选人脸的一个约束条件;
采用二次匹配误差算法对人脸图像进行模板匹配,第一次模板匹配为粗略匹配,取模板的隔行隔列数据,即四分之一的数据,在被搜索的人脸图像上进行隔行隔列扫描匹配,第二次模板匹配为精确匹配,在第一次模板匹配后误差最小点(imin,jmin)的邻域内,即在对角点为(imin-1,jmin-1)和(imin+1,jmin+1)的矩形内,采用式(16)来进行搜索匹配,得到最后匹配结果,式(16)为:
其中,E(i,j)的最小值处即为匹配目标;Sij为人脸图像;T(k,l)为匹配模板,为了提高运算速度,选取一个误差阈值E0,当E(i,j)>E0时就停止对该点的运算,继续下一点计算,采用式(17)来确定误差阈值E0,式(17)为:
其中,e0为各点的平均最大误差,一般取40-50;m,n为模板的长和宽。
5.如权利要求4所述的人脸检测与识别方法,其特征在于,检测一个皮肤区域是否为人脸的具体匹配步骤如下:
Step1:封闭皮肤区域空洞,并将对应位置的原始图像叠加到区域中;
Step2:根据之前计算的区域高和宽将模板脸调整到与皮肤区域同大小;
Step3:根据偏角θ旋转调整后的模板脸,并去掉由于旋转造 成的新图像边缘的混叠部分;
Step4:通过式(14)来计算调整后模板脸的质心;
Step5:创建一个与原始图像有相同大小的灰度图像,此图像与待检测的皮肤区域相同且覆盖了已调整后的模板脸,其他部分为黑色;
Step6:计算Step1到Step5得到的皮肤区域部分和模板脸之间互相关值;
Step7:确定最优阈值为0.6时来分类一个人脸区域;
Step8:重复Step1到Step7处理完每一个候选皮肤区域。
6.如权利要求1所述的人脸检测与识别方法,其特征在于,在步骤五中,在对人脸图像进行肤色分割和模板匹配的基础上,对人脸进行检测与定位的实现方法为:
外脸检测:
Step1:选用YCbCr色彩空间对图像进行二值化处理,肤色范围限定在Cb∈[98,127],Cr∈[133,170]内,将满足条件的像素标记为肤色像素,其余标记为非肤色像素;
Step2:在检测过程中通过一个低通滤波器对人脸图像进行了去噪处理,并以每一个肤色点为中心的5×5邻域内统计肤色像素的个数,超过半数时中心点保留为肤色,否则认为是非肤色;
Step3:将二值图像中的肤色块进行区域归并,并对目标区域进行比例、结构分析,过滤掉不可能的人脸区域,目标区域高度和宽度的比例限定在0.8-1.6;
内脸检测和定位:
在外脸区域的上半部,对二值图像进行水平方向和垂直方向的投影,确定两个包含黑点的矩形区域作为双眼的大致区域,在确定的两个区域中,对黑点进行区域膨胀,可以得到眼睛的基本轮廓和左右眼角,黑点坐标的平均值作为瞳孔的位置,设左右瞳孔的坐标分别为(Lx,Ly)和(Rx,Ry),两个瞳孔之间的距离为d,根据人脸的几何特征,可以将内脸区域定义为:宽度=-d×1.6,高度=-d×1.8,左上角坐标为(Lx-d×0.3,(Ly+Ry)/2+d×0.3);
将标准图像的大小设定为256×256像素,以对人脸内脸区域归一化。
7.如权利要求1所述的人脸检测与识别方法,其特征在于,在步骤六中,在对人脸图像进行检测与定位的基础上,对人脸进行提取与识别的实现方法为:
Step1:对归一化的人脸图像,采用小波变换与DCT相结合的方法提取人脸特征:
首先对人脸图像进行三层小波分解,取低频子图像作为人脸特征提取的对象,获得每幅训练样本或测试样本的低频子图像,设第i幅人脸图像的低频子图像的一维向量表示为xi则该向量的协方差矩阵可以用式(18)来表示:
其中,N表示训练样本的总数;表示训练样本集的均值向量,由于C为对称矩阵,将其对角化为:
其中,λi为C的特征值;U为相应的特征向量;
{u1,u2,…,ui-1,ui,…,uR-1,uR}为标准正交基;R为C的秩;Λ为对角线上的元素为C的特征值的对角阵,将一个人脸图像看成一个矩阵A,则A的k个非零奇异值以及n-k个0构成了一个n维列向量,称Y为A的奇异值特征向量,对于任意一个实矩阵A,当λ1≥λ2≥…≥λk-1≥λk时,原人脸图像A对应的奇异值特征向量也是唯一的;
Step2:在提取人脸特征的基础上进行人脸识别:
设视频Aj,j表示视频帧,对待识别的人脸图像A先提取其奇异值特征向量Y,其鉴别特征向量Id可以通过Id=HTVTY获取,其中,H=(h1,h2…,hn-c)为奇异值特征向量Y的总体散布矩阵的n-c个最大特征值所对应的特征向量,V=(v1,v2,…vd)为前d个最大特征值所对应的特征向量的投影矢量,每个人脸图像A对应一个Id,为了使测试样本与训练样本具有可比性,提取全部训练样本的特征向量,用式(20)计算所有训练样本的平均特征向量,式(20)为:
其中,N为训练样本数,Vk,i表示第i个样本的第k个特征向量,mk为训练人脸图像样本鉴别特征向量的均值的第k个特征向量,然后对鉴别特征向量Id利用最小距离分类器进行分类,对测试样本A,计算类内间距离d(mk,Id)=||mk-Id||2,如果d(mk,Id)=mind(mk,Id),则A∈ωk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310395529.3A CN103632132B (zh) | 2012-12-11 | 2013-09-03 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105140663 | 2012-12-11 | ||
CN201210514066 | 2012-12-11 | ||
CN201210514066.3 | 2012-12-11 | ||
CN201310395529.3A CN103632132B (zh) | 2012-12-11 | 2013-09-03 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103632132A CN103632132A (zh) | 2014-03-12 |
CN103632132B true CN103632132B (zh) | 2017-02-15 |
Family
ID=50213161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310395529.3A Expired - Fee Related CN103632132B (zh) | 2012-12-11 | 2013-09-03 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103632132B (zh) |
Families Citing this family (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971344B (zh) * | 2014-05-27 | 2016-09-07 | 广州商景网络科技有限公司 | 一种证件图像的肤色偏色校正方法及系统 |
CN104036254A (zh) * | 2014-06-20 | 2014-09-10 | 成都凯智科技有限公司 | 一种人脸识别方法 |
CN104239411B (zh) * | 2014-08-12 | 2018-04-10 | 中国科学技术大学 | 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法 |
CN104331690B (zh) * | 2014-11-17 | 2017-08-29 | 成都品果科技有限公司 | 一种基于单张图像的肤色人脸检测方法及系统 |
CN104933145A (zh) * | 2015-06-19 | 2015-09-23 | 深圳天珑无线科技有限公司 | 照片处理方法及装置与移动终端 |
CN105046230B (zh) * | 2015-07-27 | 2018-04-10 | 上海交通大学 | 基于图像的人眼角检测的方法及系统 |
CN106407984B (zh) * | 2015-07-31 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 目标对象识别方法及装置 |
CN105335962A (zh) * | 2015-08-31 | 2016-02-17 | 中国烟草总公司广东省公司 | 一种烟田采集图像分割方法 |
CN105354985B (zh) * | 2015-11-04 | 2018-01-12 | 中国科学院上海高等研究院 | 疲劳驾驶监控装置及方法 |
CN105761260B (zh) * | 2016-02-15 | 2018-09-28 | 天津大学 | 一种皮肤图像患处分割方法 |
CN106375747B (zh) * | 2016-08-31 | 2018-11-23 | 广州市百果园网络科技有限公司 | 一种图像处理方法、及设备 |
CN106682571B (zh) * | 2016-11-08 | 2019-09-27 | 中国民航大学 | 基于肤色分割和小波变换的人脸检测方法 |
CN106845328B (zh) * | 2016-11-09 | 2019-10-11 | 广州市贺氏办公设备有限公司 | 一种基于双摄像头的智能人脸识别方法及系统 |
CN106780311B (zh) * | 2016-12-22 | 2019-12-31 | 华侨大学 | 一种结合皮肤粗糙度的快速人脸图像美化方法 |
CN106611415B (zh) * | 2016-12-29 | 2020-01-10 | 北京奇艺世纪科技有限公司 | 一种皮肤区域的检测方法及装置 |
CN106845455B (zh) * | 2017-03-01 | 2021-03-12 | 中国科学院上海高等研究院 | 基于肤色检测的图像处理方法、系统及服务器 |
CN107256376A (zh) * | 2017-03-22 | 2017-10-17 | 武汉布偶猫科技有限公司 | 一种基于序贯主分量分析的人脸高光区处理方法 |
CN107085834A (zh) * | 2017-04-25 | 2017-08-22 | 西安工程大学 | 一种基于图像旋转和分块奇异值分解的图像去噪方法 |
CN107147849A (zh) * | 2017-05-25 | 2017-09-08 | 潍坊科技学院 | 一种摄影设备的控制方法 |
CN107274452B (zh) * | 2017-05-31 | 2020-07-24 | 成都品果科技有限公司 | 一种痘痘自动检测方法 |
CN107273634A (zh) * | 2017-07-03 | 2017-10-20 | 湖南工业大学 | 一种实时在线验证复杂交通控制方法 |
CN107480607B (zh) * | 2017-07-28 | 2020-04-07 | 青岛大学 | 一种智能录播系统中站立人脸检测定位的方法 |
CN107561240A (zh) * | 2017-08-23 | 2018-01-09 | 湖南城市学院 | 一种利用草坪草‑微生物联合修复镉污染土壤的评价方法 |
CN109670386A (zh) * | 2017-10-16 | 2019-04-23 | 深圳泰首智能技术有限公司 | 人脸识别方法及终端 |
CN108021872A (zh) * | 2017-11-22 | 2018-05-11 | 广州久邦世纪科技有限公司 | 一种实现实时匹配模板的相机识别方法及其系统 |
CN109141366A (zh) * | 2018-01-31 | 2019-01-04 | 张月云 | 大数据采集方法 |
CN108460356B (zh) * | 2018-03-13 | 2021-10-29 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
CN108520215B (zh) * | 2018-03-28 | 2022-10-11 | 电子科技大学 | 基于多尺度联合特征编码器的单样本人脸识别方法 |
CN108492421A (zh) * | 2018-03-29 | 2018-09-04 | 成都惠网远航科技有限公司 | 低功耗人脸识别方法 |
CN109033935B (zh) * | 2018-05-31 | 2021-09-28 | 深圳和而泰数据资源与云技术有限公司 | 抬头纹检测方法及装置 |
CN109063542A (zh) * | 2018-06-11 | 2018-12-21 | 平安科技(深圳)有限公司 | 图片识别方法、装置、计算机设备及存储介质 |
CN109033987B (zh) * | 2018-07-02 | 2021-09-24 | 高新兴科技集团股份有限公司 | 一种人脸图像阴阳脸的处理方法及系统 |
JP7067697B2 (ja) * | 2018-07-16 | 2022-05-16 | オナー デバイス カンパニー リミテッド | 肌の検出方法及び電子デバイス |
CN109190529B (zh) * | 2018-08-21 | 2022-02-18 | 深圳市梦网视讯有限公司 | 一种基于唇部定位的人脸检测方法和系统 |
CN109472238B (zh) * | 2018-11-06 | 2021-12-24 | 南通大学 | 一种基于先验概率模型的驾驶员姿态特征提取方法 |
CN109558812B (zh) * | 2018-11-13 | 2021-07-23 | 广州铁路职业技术学院(广州铁路机械学校) | 人脸图像的提取方法和装置、实训系统和存储介质 |
CN109684931B (zh) * | 2018-11-26 | 2023-07-04 | 上海集成电路研发中心有限公司 | 一种基于色彩分通道的人脸识别方法 |
CN109618173B (zh) * | 2018-12-17 | 2021-09-28 | 深圳Tcl新技术有限公司 | 视频压缩方法、装置和计算机可读存储介质 |
CN109800329B (zh) * | 2018-12-28 | 2021-07-02 | 上海依图网络科技有限公司 | 一种监控方法及装置 |
CN109903320B (zh) * | 2019-01-28 | 2021-06-08 | 浙江大学 | 一种基于肤色先验的人脸本征图像分解方法 |
CN110008817B (zh) * | 2019-01-29 | 2021-12-28 | 北京奇艺世纪科技有限公司 | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109919041A (zh) * | 2019-02-16 | 2019-06-21 | 天津大学 | 一种基于智能机器人的人脸识别方法 |
CN110211302B (zh) * | 2019-04-18 | 2022-08-30 | 湖南悟空教育科技有限公司 | 自助寄存柜的控制方法和装置 |
CN110010063A (zh) * | 2019-04-18 | 2019-07-12 | 深圳市华星光电技术有限公司 | 图像显示方法及其装置 |
CN110110644A (zh) * | 2019-04-30 | 2019-08-09 | 重庆邮电大学 | 一种多尺度融合面部特征提取方法及系统 |
CN110097034B (zh) * | 2019-05-15 | 2022-10-11 | 广州纳丽生物科技有限公司 | 一种智能人脸健康程度的识别与评估方法 |
CN110310268A (zh) * | 2019-06-26 | 2019-10-08 | 深圳市同为数码科技股份有限公司 | 基于白平衡统计分区信息的肤色检测方法及系统 |
CN110348347A (zh) * | 2019-06-28 | 2019-10-18 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN110705537B (zh) * | 2019-09-27 | 2023-03-28 | 合肥市智享亿云信息科技有限公司 | 一种基于摄像头的平面图案识别方法及其装置与应用 |
CN110728242A (zh) * | 2019-10-15 | 2020-01-24 | 苏州金羲智慧科技有限公司 | 基于人像识别的图像匹配方法、装置、存储介质及应用 |
CN110751661A (zh) * | 2019-10-28 | 2020-02-04 | 南京泓图人工智能技术研究院有限公司 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
CN110956095A (zh) * | 2019-11-12 | 2020-04-03 | 湖南大学 | 一种基于角点肤色检测的多尺度人脸检测方法 |
CN111265842B (zh) * | 2020-03-09 | 2021-06-18 | 北京奥康达体育产业股份有限公司 | 一种多功能健身管理终端 |
CN111881843B (zh) * | 2020-07-30 | 2023-12-29 | 河南天迈科技有限公司 | 一种基于人脸检测的出租车载客人数统计方法 |
CN112101058B (zh) * | 2020-08-17 | 2023-05-09 | 武汉诺必答科技有限公司 | 一种试卷条码自动识别方法及装置 |
CN112183383A (zh) * | 2020-09-30 | 2021-01-05 | 合肥市嘉辉电子科技有限公司 | 一种复杂化环境下测量人脸图像的信息处理方法和装置 |
CN112686965A (zh) * | 2020-12-25 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
CN112801715B (zh) * | 2021-02-20 | 2023-12-12 | 北京九泉科技有限公司 | 一种净水器智能控制系统 |
CN112801865B (zh) * | 2021-03-22 | 2021-08-06 | 深圳棱镜空间智能科技有限公司 | 旋转不变的模板图像生成方法、装置、设备及存储介质 |
CN113204991B (zh) * | 2021-03-25 | 2022-07-15 | 南京邮电大学 | 一种基于多层预处理的快速人脸检测方法 |
CN113177491A (zh) * | 2021-05-08 | 2021-07-27 | 重庆第二师范学院 | 一种自适应光源人脸识别系统及方法 |
CN113139988B (zh) * | 2021-05-17 | 2023-02-14 | 中国科学院光电技术研究所 | 一种高效高准确率的估计目标尺度变化的图像处理方法 |
CN113298731A (zh) * | 2021-05-24 | 2021-08-24 | Oppo广东移动通信有限公司 | 图像色彩迁移方法及装置、计算机可读介质和电子设备 |
CN113408408A (zh) * | 2021-06-17 | 2021-09-17 | 杭州嘉轩信息科技有限公司 | 一种结合肤色和虹膜特征的视线追踪方法 |
CN114580948B (zh) * | 2022-03-15 | 2022-11-04 | 河北雄安睿天科技有限公司 | 一种水务年度预算分析系统 |
CN114582003B (zh) * | 2022-04-24 | 2022-07-29 | 慕思健康睡眠股份有限公司 | 一种基于云计算服务的睡眠健康管理系统 |
CN114780769B (zh) * | 2022-06-13 | 2022-09-13 | 杭州合众数据技术有限公司 | 基于布隆过滤器的人员核查方法 |
CN115953823B (zh) * | 2023-03-13 | 2023-05-16 | 成都运荔枝科技有限公司 | 一种基于大数据的人脸识别方法 |
CN115953824B (zh) * | 2023-03-14 | 2023-07-28 | 苏州利博软件技术有限公司 | 一种人脸皮肤图像处理方法及系统 |
CN117495852B (zh) * | 2023-12-29 | 2024-05-28 | 天津中荣印刷科技有限公司 | 一种基于图像分析的数字印刷质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
CN102096823A (zh) * | 2011-02-12 | 2011-06-15 | 厦门大学 | 基于高斯模型和最小均方差的人脸检测方法 |
-
2013
- 2013-09-03 CN CN201310395529.3A patent/CN103632132B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
CN102096823A (zh) * | 2011-02-12 | 2011-06-15 | 厦门大学 | 基于高斯模型和最小均方差的人脸检测方法 |
Non-Patent Citations (4)
Title |
---|
Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network;Chiunhsiun Lin *;《Pattern Recognition Letters》;20071201;第28卷(第16期);2190-2200 * |
利用肤色分割和自适应模版匹配的人脸检测;王智文 等;《广西工学院学报》;20130315;第24卷(第1期);1-9 * |
基于肤色分割和模板匹配的人脸检测技术研究与实现;张继涛 等;《河南科技大学学报(自然科学版)》;20090215;第30卷(第1期);41-43 * |
运用肤色信息和模板匹配的彩色人脸检测;江珂 等;《中国测试技术》;20060130;第32卷(第1期);53-55 * |
Also Published As
Publication number | Publication date |
---|---|
CN103632132A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632132B (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
CN105894047B (zh) | 一种基于三维数据的人脸分类系统 | |
CN106446872A (zh) | 一种低照度下的视频人脸检测识别方法 | |
CN107368778A (zh) | 人脸表情的捕捉方法、装置及存储装置 | |
Kheirkhah et al. | A hybrid face detection approach in color images with complex background | |
Mohamed et al. | Automated face recogntion system: Multi-input databases | |
Sahbi et al. | Coarse to fine face detection based on skin color adaption | |
Kalam et al. | Gender classification using geometric facial features | |
Singh et al. | Template matching for detection & recognition of frontal view of human face through Matlab | |
Gürel | Development of a face recognition system | |
Pathak et al. | Multimodal eye biometric system based on contour based E-CNN and multi algorithmic feature extraction using SVBF matching | |
Alsubari et al. | Facial expression recognition using wavelet transform and local binary pattern | |
Karamizadeh et al. | Race classification using gaussian-based weight K-nn algorithm for face recognition | |
Chung et al. | Face detection and posture recognition in a real time tracking system | |
Patil et al. | Forensic sketch based face recognition using geometrical face model | |
Subban et al. | Human skin segmentation in color images using gaussian color model | |
Zhang et al. | Rgb color centroids segmentation (ccs) for face detection | |
Li et al. | 3D face recognition by constructing deformation invariant image | |
Yildirim et al. | Gender classification based on binary haar cascade | |
Bukis et al. | Survey of face detection and recognition methods | |
Aran et al. | A review on methods and classifiers in lip reading | |
KR20160017152A (ko) | 이진 하르 캐스케이드에 기반한 성별 분류 방법 | |
Naruniec | A survey on facial features detection | |
Agada et al. | A model of local binary pattern feature descriptor for valence facial expression classification | |
Sarkar et al. | Face detection and recognition using skin segmentation and elastic bunch graph matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 545006 the Guangxi Zhuang Autonomous Region East Ring Road, Liuzhou, No. 268 Applicant after: Guangxi University of Science and Technology Address before: 545006 the Guangxi Zhuang Autonomous Region East Ring Road, Liuzhou, No. 268 Applicant before: Guangxi University of Technology |
|
CB02 | Change of applicant information | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 Termination date: 20180903 |
|
CF01 | Termination of patent right due to non-payment of annual fee |