簡(jiǎn)單Matlab人臉檢測(cè)

1、創(chuàng)新性實(shí)驗(yàn)研究報(bào)告實(shí)驗(yàn)項(xiàng)目名稱 matlab人臉識(shí)別一、實(shí)驗(yàn)摘要 本實(shí)驗(yàn)主要利用高斯膚色的歸一化概率模型，將靜態(tài)圖像中的每一個(gè)像素限定在0到1的范圍內(nèi)。利用人工閾值法將膚色與非膚色區(qū)域分開，形成二值圖像。對(duì)上述圖像進(jìn)行開閉運(yùn)算，腐蝕膨脹等操作，弱化細(xì)節(jié)。通過(guò)臉部幾何特征選取臉部區(qū)域，排除非臉部區(qū)域。后利用臉部區(qū)域最大最小行列坐標(biāo)得到最小外接矩形。進(jìn)一步分析可得兩眼，嘴部坐標(biāo)，以3點(diǎn)為基礎(chǔ)畫橢圓。最終圈定臉部區(qū)域。二、實(shí)驗(yàn)?zāi)康?在一幅靜態(tài)圖片中找到人的臉部區(qū)域。三、實(shí)驗(yàn)場(chǎng)地及儀器、設(shè)備和材料：實(shí)驗(yàn)場(chǎng)地：J11-428實(shí)驗(yàn)室；儀器：PC機(jī)一臺(tái)；材料：Matlab軟件、待檢測(cè)圖片四、實(shí)驗(yàn)內(nèi)容1、實(shí)驗(yàn)

2、原理高斯膚色概率模型：由于統(tǒng)計(jì)表明不同人種的膚色區(qū)別主要受亮度信息影響，而受色度信息的影響較小，所以直接考慮YCbCr空間的CbCr分量，映射為CbCr空間，在CbCr空間下，受亮度變化的影響少，且是兩維獨(dú)立分布。通過(guò)實(shí)踐，選取大量膚色樣本進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)膚色在CbCr空間的分布呈現(xiàn)良好的聚類特性。 統(tǒng)計(jì)分布滿足：77Cb127 并且滿足：133Cr173根據(jù)膚色在色度空間的高斯分布，對(duì)根據(jù)膚色在色度空間的高斯分布，對(duì)于彩色圖像中每個(gè)像素，將其從RGB色彩空間轉(zhuǎn)換到Y(jié)CbCr空間后，就可以計(jì)算該點(diǎn)屬于皮膚區(qū)域的概率，即根據(jù)該點(diǎn)離高斯分布中心的遠(yuǎn)近得到和膚色的相似度，將彩色圖像轉(zhuǎn)化為灰度圖，其中每

3、個(gè)像素的灰度對(duì)應(yīng)該點(diǎn)與膚色的相似度，相似度的計(jì)算公式如下：其中m為均值，m=E(x)，C為協(xié)方差矩陣，,膚色分布的2D高斯模型G(m,V2)也可表示為 其中，為相應(yīng)的平均值，為協(xié)方差矩陣。為了利用膚色在色度空間的聚類性,選取YCbCr色彩空間進(jìn)行膚色提取。首先將彩色圖片顏色空間轉(zhuǎn)換到Y(jié)cbCr空間，然后對(duì)該區(qū)域的CbCr值進(jìn)行統(tǒng)計(jì)處理。處理的方法就是采用高斯模型。m=E(x) , ，C為協(xié)方差矩陣, 。通過(guò)這個(gè)膚色高斯分布可得到待檢測(cè)彩色圖像中任意一個(gè)像素點(diǎn)屬于皮膚的概率。對(duì)于某像素點(diǎn)s,從RGB空間轉(zhuǎn)換到Y(jié)CbCr色彩空間得到色度值(Cb,Cr)則該像素的膚色概率密度可由下式計(jì)算得到: 式中

4、: 。通過(guò)計(jì)算，得到m和C的值如下： m=117.4316 148.5599;（1） YCbCr色彩空間是數(shù)字視頻常用的色彩模型。在模型中，亮度信息單獨(dú)儲(chǔ)存在Y中，色度信息儲(chǔ)存在Cb和Cr中。Cb和Cr分別表示藍(lán)色分量和紅色分量相對(duì)的參考值。Matlab中實(shí)現(xiàn)YCbCr色彩空間的轉(zhuǎn)換函數(shù)為rgb2ycbcr。YCbCr色彩空間是人臉檢測(cè)非常好的選擇。因?yàn)槠涫芰炼茸兓挠绊懶?，能較好地限制膚色分布區(qū)域，而且在YCbCr色彩空間中膚色聚類特性比較好。因此我們采用構(gòu)建YCbCr色彩空間的膚色模型來(lái)得出膚色概率譜，計(jì)算出每一個(gè)像素與膚色的相似度，并將每一點(diǎn)的灰度值與其為膚色的概率關(guān)聯(lián)起來(lái)，得到膚色似然

5、圖。越靠近膚色灰度值越高，無(wú)關(guān)部分灰度值會(huì)較低。（2） 閾值化是人臉檢測(cè)中非常重要的一步。上一步操作得到膚色似然圖后，由于近似膚色部分灰度值比較高，無(wú)關(guān)部分灰度值比較低，因此，選定合適的閾值后進(jìn)行閾值分割，得到的二值圖像可以有效地將近似膚色區(qū)域和無(wú)關(guān)部分分割開，無(wú)關(guān)部分將作為黑色背景色。便于下一步的操作。經(jīng)過(guò)測(cè)試，閾值在0.5-0.6都能滿足實(shí)驗(yàn)要求。（3） 因?yàn)橐紤]到原圖像的多樣與復(fù)雜性，非膚色區(qū)域中依然有可能有部分區(qū)域顏色與膚色相近，所以閾值分割后的圖像依然存有部分假膚色區(qū)域，經(jīng)過(guò)開閉操作、填洞操作、腐蝕膨脹操作可以有效地去掉毛刺、假膚色區(qū)域等，從而得到一個(gè)較為純凈的膚色區(qū)域。（4） 得

6、到的膚色區(qū)域可能含有較多的人體信息，包括人臉、手臂、手掌、腿部等等。由于實(shí)驗(yàn)?zāi)繕?biāo)是人臉檢測(cè)，所以需要做面部特征定位把人臉和其他膚色區(qū)域區(qū)分開來(lái)。因?yàn)榇龣z測(cè)圖片中的人物信息都是著裝的，所以人臉或者人臉包括頸部和身體的其他部分區(qū)域可以被衣服隔開，一般都是非聯(lián)通的。因此本次實(shí)驗(yàn)使用的方法為對(duì)每個(gè)區(qū)域進(jìn)行掃描，通過(guò)限制長(zhǎng)寬比、區(qū)域的像素個(gè)數(shù)（等同于限制區(qū)域大?。┖途匦味瓤梢杂行У貙⑷四槻糠謴哪w色區(qū)域中篩選出來(lái)，非人臉區(qū)域可以全賦值為0融入背景色。同時(shí)得到結(jié)果與閾值化圖像相與，得到眼嘴特征。（若有）（5） 最終得到的區(qū)域即為人臉區(qū)域，對(duì)其掃描后可以得到其長(zhǎng)寬的最大最小值坐標(biāo)，從而可以輕易畫出此區(qū)域的最小

7、外接矩形，在原待測(cè)圖片上按照相同坐標(biāo)畫出矩形后，矩形框內(nèi)即為人臉；而對(duì)有眼嘴特征的圖像，則掃描定位眼睛和嘴巴的位置，用“*”號(hào)標(biāo)注，以這三點(diǎn)為基準(zhǔn)畫出更貼近人臉的橢圓。這兩種方法都能達(dá)到返回人臉位置大小的目的。2、實(shí)驗(yàn)內(nèi)容實(shí)例一：(1)通過(guò)膚色概率模型得到源圖像概率圖：(2)人工閾值得二值化圖像：(3)選定臉部區(qū)域： (4) 將2,3所得圖像做and運(yùn)算： (5) 通過(guò)眼嘴確定人臉區(qū)域：實(shí)例二：通過(guò)膚色概率模型得到源圖像概率圖： (2) 人工閾值得二值化圖像： (3)選定臉部區(qū)域： (4)將2,3所得圖像做and運(yùn)算： (5)通過(guò)臉部區(qū)域坐標(biāo)確定人臉區(qū)域：3、實(shí)驗(yàn)步驟n 根據(jù)課題要求 ，查閱相

8、關(guān)書籍；n 根據(jù)課題條件，設(shè)計(jì)算法流程；算法步驟如下：n 尋找合適的膚色概率模型。n 對(duì)概率模型進(jìn)行閾值選擇。形成二值化圖像n 將上述的二值化圖像進(jìn)行幾何辨識(shí)，篩選出臉部區(qū)域。n 對(duì)臉部區(qū)域特征掃描，找到眼，嘴坐標(biāo)，若未掃描到眼，跳至(6)。n 對(duì)所得3點(diǎn)坐標(biāo)為基準(zhǔn)畫橢圓，確定出臉部區(qū)域。n 將(3)得到的臉部區(qū)域圖加上最小外界矩形，可粗略確定出臉部區(qū)域。n 在matlab環(huán)境中運(yùn)行根據(jù)算法編寫的程序；n 測(cè)試程序；n 調(diào)試；n 進(jìn)一步優(yōu)化算法，優(yōu)化程序。五、實(shí)驗(yàn)結(jié)果與分析1、實(shí)驗(yàn)現(xiàn)象、數(shù)據(jù)記錄本次人臉檢測(cè)實(shí)驗(yàn)采用了2種圈定人臉的方法(橢圓和最小外接矩形)，如果靜態(tài)圖片人臉檢測(cè)成功，將顯示類似

9、如下結(jié)果：(其中最小外接矩形在掃描不出人眼時(shí)作為備用圈定人臉的方案) 圖1 橢圓圈定人臉 圖2 矩形圈定人臉另外，程序中還有在圖片中定位眼嘴的語(yǔ)句，以方便程序后期調(diào)試，現(xiàn)象類似如下：圖3 人臉特征標(biāo)記2、對(duì)實(shí)驗(yàn)現(xiàn)象、數(shù)據(jù)及觀察結(jié)果的分析與討論：本次實(shí)驗(yàn)程序?qū)φ嫒四樀臋z測(cè)率基本能滿足快速檢測(cè)出圖片中人臉的需要，檢測(cè)率也比較讓人滿意。實(shí)現(xiàn)方法簡(jiǎn)便有效，如果能進(jìn)一步增加濾波、光照補(bǔ)償?shù)炔襟E，將可以在滿足實(shí)驗(yàn)要求的前提下進(jìn)一步提高檢測(cè)率和檢測(cè)精度。3、關(guān)鍵點(diǎn)：本次實(shí)驗(yàn)實(shí)現(xiàn)人臉檢測(cè)的方法為利用人臉的明顯特征,膚色，過(guò)程是把人臉圖像視為一個(gè)高維向量，從而將人臉檢測(cè)問(wèn)題轉(zhuǎn)化為高維空間中分布信號(hào)的檢測(cè)問(wèn)題，

10、這個(gè)轉(zhuǎn)化的數(shù)學(xué)形態(tài)學(xué)思想實(shí)現(xiàn)起來(lái)較為簡(jiǎn)便，不僅省去了訓(xùn)練的過(guò)程，而且對(duì)人臉的表情、臉部細(xì)節(jié)容差也比較大，在符合本次實(shí)驗(yàn)?zāi)康牡那疤嵯逻x用這種方法是很適合的，而這種方法所帶來(lái)的膚色模型、膚色采集、閾值分割等問(wèn)題，也成為了這次創(chuàng)新性實(shí)驗(yàn)的關(guān)鍵。六、實(shí)驗(yàn)結(jié)論這次基于膚色的人臉檢測(cè)膚色分割方法本身就是一種較為基礎(chǔ)的基于特征的靜態(tài)人臉檢測(cè)方法，如果要求更高，還需要更高級(jí)的算法，因?yàn)橐紤]到待測(cè)圖片的多樣性和復(fù)雜性，由于人的姿態(tài)、人種膚色、光照、噪聲等等都有可能影響到圖片質(zhì)量或者圖片色度，這個(gè)人臉檢測(cè)程序還需要進(jìn)一步的完善才能滿足更高的要求。七、指導(dǎo)老師評(píng)語(yǔ)及得分： 簽名： 年 月 日附件：源程序等。clc

11、;clear all;close all;x=imread('f.jpg');y=rgb2ycbcr(x);a b c=size(y);cb=double(y(:,:,2);cr=double(y(:,:,3);for i=1:a; for j=1:b w=cb(i,j) cr(i,j); m=117.4316 148.5599; n=260.1301 12.1430;12.1430 150.4574; p(i,j)=exp(-0.5)*(w-m)*inv(n)*(w-m)'); endendz=p./max(max(p);%-complextion probabili

12、tyimshow(z)%figure;imshow(x);th=0.5;for i=1:a for j=1:b if(z(i,j)>th) z(i,j)=1; else z(i,j)=0; end endendfigure;imshow(z);title('Set threshold')%-thresholdse=strel('square',3);f=imopen(z,se); f=imclose(f,se);%figure,imshow(f);%open and close processing;f=imfill(f,'holes');

13、 %figure,imshow(f);%fill holes in the Imgse1=strel('square',8);f=imerode(f,se1);f=imdilate(f,se1);%figure,imshow(f);%-erosion and expansion;L,num=bwlabel(f,4);for i=1:num;%region loop; r,c=find(L=i); len=max(r)-min(r)+1; wid=max(c)-min(c)+1; area_sq=len*wid; area=size(r,1); for j=1:size(r,1)

14、%pixel loop; if(len/wid<.8)|(len/wid>2.4)|size(r,1)<200|area/area_sq<0.55 L(r(j),c(j)=0;%not zero pixel =0; else continue; end end end figure;imshow(L);title('Face Region')%-eliminate NOT face rengion; w=L&z; figure;imshow(w);title('Face and Features')%-recover the fe

15、atures of face r c=find(L=0); r_min=min(r);r_max=max(r); c_min=min(c);c_max=max(c); figure;imshow(x); hold on %plot(round(.5*(c_max+c_min),round(.5*(r_max+r_min),'+') flg=0; for i=round(.5*(r_min+r_max):-1:round(1/3*(r_max-r_min)+r_min) for j=round(.5*(c_max+c_min):-1:round(1/3*(c_max-c_min)

16、+c_min) if(w(i,round(j)=0) flg=1; break; end end if(flg=1),break,end end w(i,j) if(w(i,j)=0) e1_x=j;e1_y=i; %plot(j,i,'*')%-Note left eye flg=0; for i=round(.5*(r_min+r_max):-1:round(1/3*(r_max-r_min)+r_min) for j=round(.5*(c_max+c_min):round(2.2/3*(c_max-c_min)+c_min) if(w(i,j)=0)flg=1;brea

17、k;end end if(flg=1)break,end; end w(i,j) e2_x=j;e2_y=i; %plot(j,i,'*')%-Note right eye for i=round(1/2*(r_max+r_min):round(r_min+2/3*(r_max-r_min) if(w(round(i),round(.5*(c_max+c_min)=0),break,end end w(i,round(.5*(c_max+c_min) m_x=.5*(c_max+c_min);m_y=i; %plot(round(.5*(c_max+c_min),i,'*')%-Note mouth ox=(e1_x+e2_x+m_x)/3;oy=(e1_y+e2_y-e1_x+e2_x)/2; a=2*(e2_x-e1_x)