1、 基于肤色的 HSV 彩色模型下的人脸检测摘 要 本文研究的是利用人脸肤色色相的特性，即每一种人种皮肤彩色分布在一个较窄的频带上，通过对该人种的人脸皮肤建立模型，进行训练，就能够得到肤色分布的统计。考虑到一般所用的 RGB 彩色模型对光线的亮暗程度比较敏感，而在 HSV 彩色模型中，色相 H 分量表示了图像的彩色信息，受到光线变化的影响缓慢。所以，本文采用的是在 HSV 彩色模型下建立肤色模型，并对其进行训练，从而用训练后的模型对图像进行人脸检测。本文研究的主要目标是了解人脸检测的过程。同时，在实验过程中，进一步了解 RGB 彩色模型和 HSV 彩色模型的区别，了解在 HSV 彩色模型下人脸的
2、肤色特性，了解如何建立皮肤模型进行训练，从而对图像的皮肤区域进行划分，进一步熟悉在 MATLAB 下的数字图像处理方面研究和实现。关键字： RGB 彩色模型，HSV 彩色模型，人脸检测，色相，肤色模型，MATLAB论文类型：应用性研究AbstractThis paper is to study that how to use the skin color characteristic of human face (Its said that the face skin color of each kind of race distributes in a narrower frequency
3、band.) to establish model of human face skin, to carry on the training and to obtain the statistics of the face skin color. Considering RGB Model Space of Color is quite sensitive to the light degree, the chosen model, HSV Model Space of Color, is slow changed by the light for the color information
4、just express in the Hue component. Therefore, the face skin color model is established under the HSV Model Space of Color in this paper. After training the model, it can examine the face area in one picture. The essential goal of this paper is to understand the process of human face detection. As th
5、e same time, in the experimental process, we can further understand the difference between the RGB Model Space of Color and the HSV Model Space of Color, realize the the skin color characteristic under the the skin color characteristic, and know how to establish the face skin model and train it and
6、find out the skin area. Whats more, we will be further familiar with MATLAB.Key words: RGB Model Space of Color, HSV Model Space of Color, Human Face Detection, Hue, Model of Skin Color, MATLABType of Thesis: Application Research目 录第一章 绪论 11.1 人脸检测的意义 .11.2 人脸检测研究现状 .11.3 本文工作 .2第二章 图像的彩色模型 22.1 图像的
7、彩色模型简介 .22.2 RGB 彩色模型 22.2.1 RGB 彩色模型介绍 22.2.2 RGB 彩色模型运用 32.3 HSV 彩色模型 32.3.1 HSV 彩色模型介绍 32.3.2 HSV 彩色模型运用 4第三章 基于肤色的 HSV 彩色模型下的人脸检测 43.1 原理 .43.1.1 人脸皮肤模型的建立 .43.1.2 人脸皮肤模型的训练 .53.2 人脸检测 .5第四章 实验结果 64.1 实验的结果 .64.1.1 10 幅人脸图像训练后进行检测的结果 .64.1.2 20 幅人脸图像训练后进行检测的结果 .84.1.3 H 分量对光线的变化实验结果 94.2 实验程序 10
8、第五章 总结与展望 .125.1 论文工作的总结 125.2 展望 .13参考文献 14第一章 绪 论1.1 人脸检测的意义 随着科技的发展，传统的身份鉴定方法，如身份证和信用卡，开始让人们感到不便。其携带不便，易丢失，甚至有时可能会忘记了必须的密码，以及密码被识破等等，这些问题到会给人带来困扰和麻烦。人们需要一种新的可靠的身份鉴别，一种不可能遗失而且具有其特性的身份证明。这就是人脸、指纹、虹膜、声音等等的生物特征。由于人脸特征是一种更直接、更方便的识别方式，近年来以人脸为特征的识别技术迅速地发展起来。目前，越来越多的学者研究人脸识别这一课题，人脸检测技术受到了学术界和工业界越来越多的关注。人
9、脸识别是一种特定内容的模式识别问题。从广义上来说，人脸识别有两个主要的过程：人脸检测和人脸分类。人脸检测主要研究的是：在一幅图像上，检测出有无人脸存在。如果存在人脸，则判断出人类的位置和大小。简单地说，就是对一幅图像进行检测，并将其划分为存在人脸的区域和不存在人脸的区域。人脸分类是在人脸检测的基础上进一步分析获得的人脸区域，对其进行识别分类。因此，人脸分类主要研究的是：对获得的人脸区域进行比较判别，区分它们脸型、表情、性别、种族和身份等等。因此，在整个人脸自动识别系统中，人脸检测是第一步，也是极其重要的一步。人脸检测技术有着十分重要的作用，为后续步骤人脸分类提供了识别人脸的具体详细的有用信息。
10、人脸自动识别系统不仅能够作为人们身份鉴证，而且它能运用在学多不同的地方，如用于视频电话、监视与监控等场合的人脸实时检测跟踪。1.2 人脸检测研究的现状在国内，八十年代末和九十年代初，人脸检测问题开始吸引了越来越多的研究者的关注，又越来越多感兴趣的研究人员进行探索，取得了一些有意义的研究成果。早期的人脸检测集中对空间域上静止图像的人脸检测为研究。中期开始采用模板的方法，通过建立人脸模型，可以实现在视频图像序列中进行人脸检测。而近期，许多研究人员采用的研究方法各自不同，有采用建立复杂模型的，有从空间域上进行研究的，有在频域上进行研究的，有将一些技术结合在一起研究的，有应用最新的分类决策进行研究的。
11、不论采用和种研究方法，将多种技术结合在一起，利用多种信息可以提高人脸检测方法的效率。国内的研究单位主要是清华大学、哈尔滨工业大学、北京工业大学、中科院计算机所、中科院自动化所、复旦大学、南京理工大学等等，获得了一定的成果。清华大学研究人员提出了基于彩色和特征的自适应人脸检测的方法，还提出了一种基于多模板匹配的单人脸检测的方案。哈尔滨工业大学的研究人员实现了一个复杂背景下的多极结构的人脸检测与跟中系统，能够检测平面内多姿态正面人脸和跟踪任意姿态的运动人脸。北京工业大学的研究人员提出了人脸重心模板这一新技术并运用这一技术建立了一个复杂背景中检测人脸的系统。在国外，如美国、欧洲国家、日本、韩国等许多
12、国家也展开了对人脸检测的研究。以下介绍几种目前的研究方法为：1.模板匹配方法，先设计一个或几个参考模板，计算测试样本与参考模板之间的某种度量，再使用门限值来判断是否为人脸区域。2.基于器官特征的方法，先提取人脸器官图像特征，然后根据人脸中器官的几何关系来确认人脸是否存在。3.使用神经网络的方法，先对人脸样本集和非人脸样本集聚类，以测试样本与人脸样本集和非人脸样本集的子类之间的距离作为识别特征向量，利用多层感知器网络作为分类器。4.基于彩色信息的方法，人脸的肤色在彩色空间中的分布相对比较集中，利用这个特点检测图像的人脸区域。5.频域中的特征提取方法，在人脸检测领域，通过将图像变换到频域上，可以根
13、据频率特性，或提取人脸的特征区域，或获取整个人脸的频域描述特征量来作为分类决策器输入，从而对图像进行人脸区域的划分。1.3 本文工作本文研究的是人脸识别中的人脸检测，采用的是基于彩色信息的方法，通过对肤色在 HSV 彩色模型下建立皮肤模型，对其进行训练，得到不断完善的皮肤模型后，使用模型对任意图像进行人脸检测。对检测的结果进行分析，判断其优劣性和因为。本人的主要任务是：首先，进一步了解各彩色模型，尤其是常用的 RGB 彩色模型和 HSV 彩色模型。在对彩色图像进行人脸检测时，了解各种彩色模型以及其各个参量的意义时十分重要的。其次，深刻了解在 HSV 彩色模型下人脸皮肤的特性，即，每一人种的皮肤
14、彩色在 H 色相中占有一小范围，可以通过建立皮肤模型找出这一范围。再次，懂得在 HSV 彩色模型下如何建立皮肤模型，进行训练，并且找出一幅图像的皮肤区域。最后，利用 MATLAB 编程实现在 HSV 彩色模型下的人脸检测。MATLAB 语言是当今国际上科学界最具影响力、也是最有活力的软件。掌握 MATLAB 语言是必须的。通过本文的工作可以进一步加深掌握 MATLAB 语言。第二章 图像的彩色模型2.1 图像的彩色模型简介彩色模型也称为彩色空间，或者彩色系统，彩色模型的用途是在某些标准下用通常可接受的方式简化彩色的规范。建立彩色模型可看作建立一个 3D 的坐标系统，其中每个空间点都代表某一特定
15、的彩色。在彩色图像处理中，选择合适的彩色模型是很重要的。而彩色模型可分为，面向硬设备的彩色模型和面向视觉感知的彩色模型。面向硬设备的彩色模型非常适合在输出显示场合使用，包含：RGB 彩色模型，CMY 彩色模型，I1,I2,I3 模型，归一化颜色模型和彩色电视颜色模型。面向视觉感知的彩色模型与人类颜色视觉感知比较接近，其独立于显示设备，包含：HSI 彩色模型，HCV 彩色模型，HSV 彩色模型，HSB 彩色模型和 L*a*b*模型。在数字图像处理中，实际上最常用的是面向硬件的模型RGB 模型，其模型用于彩色监视器和彩色视频摄像机。CMY ，CMYK 模型是针对彩色打印机的。HIS 模型更接近人对
16、颜色的描述和理解。现在，人们所使用的彩色模型众多，主要是因为彩色学科是一个包含了许多应用场合的比较宽的领域。在不同的研究领域或不同的情形下，应该选择合适的彩色模型进行研究。下面主要介绍本文研究中，所涉及到的两个彩色模型RGB 彩色模型和 HSV 彩色模型。2.2 RGB 彩色模型2.2.1 RGB 彩色模型介绍在 RGB 彩色模型中，每一种颜色都是由红（Red，记为 R） 、绿（Green ，记为 G） 、蓝（Blue，记为 B）三种颜色所表示，如白色表示为：R=G=B=1，黑色表示为：R=G=B=0。在一幅 RGB 图象中，每一个像素点所表示的色彩都是由这三个分量构成的，即由三幅分别表示红、
17、绿、蓝亮度的灰度图像所表示而成的。RGB 彩色立方体示意图如下图所示。图 2.1 RGB 彩色立方体示意图在图 2.1 的坐标系里，RGB 彩色模型可以用一个三维的立方体来表示，坐标原点代表黑色（0，0，0） ，坐标顶点代表白色（1，1，1） ，坐标轴上的三个立方体顶点分别表示 R、G、B 三个基色，而剩下的三个顶点则表示每一个基色的补色，它们分别由同一平面上的两个相邻的顶点加色混合而成。从黑色原点到白色顶点的主对角线上的所有色彩，是无彩色系的灰度颜色。 2.2.2 RGB 彩色模型运用RGB 彩色模型是数字色彩最典型、也是最常用的色彩模型。它属于加色法混合，是一种光源色的混合模式。与它互补的
18、色彩模型是 CMY 彩色模型。R、G、B 三色是常用的光的三原色，是计算机显示器及其它数字设备显示颜色的基础。因此，RGB 彩色模型使用在用计算机进行主要电子显示色彩的情况下。RGB 彩色模型采用的是 DIE 三维色彩空间，R、G、B 三种颜色的色彩数值从 0255， 共 256 极。0 表示色彩强度最弱的状态，呈黑色；255 表示色彩强度最强的状态，呈最饱和色。当三种颜色的色彩数值都是 0 时，它所表现的区域就呈黑色；当三种颜色的色彩数值都是 255 时，它所表现的区域就呈白色。现在，RGB 彩色模型不仅使用于许多计算机显示设备中，而且也使用于一些图片储存和压缩中。2.3 HSV 彩色模型2
19、.3.1 HSV 彩色模型介绍HSV 彩色模型是从 CIE 三维颜色空间演变而来。在 HSV 彩色模型中，每一种颜色都是由色相（Hue，简 H） ，饱和度（Saturation，简 S）和色明度（Value ，简 V）所表示的。HSV 彩色模型是一个倒立的六菱锥，如图 2.2 所示，不含黑色的纯净颜色都处于六菱锥顶面的一个色平面上。在 HSV 六菱锥色彩模型中，色相 H 处于平行于六菱锥顶面的色平面上，它们围绕中心轴 V 旋转和变化，红、黄、绿、青、蓝、品红六个标准色分别相隔 60 度。色彩明度沿六菱锥中心轴 V 从上至下变化，中心轴顶端呈白色 V = 1，底端呈黑色 V = 0，它们表示无彩
20、色系的灰度颜色。色彩饱和度 S 沿水平方向变化，越接近六菱锥中心轴的色彩，饱和度越低。六边形正中心的色彩饱和度为零 S = 0，与最高明度的 V = 1 相重合，最高饱和度的颜色则处于六边形外框的边缘线上 S = 1。由于 HSV 颜色模型所代表的颜色域是 CIE 色度图的一个子集，它的最大饱和度的颜色的纯度值并不是 100。需要注意的几处是，在圆锥的顶点处，V=0，H 和 S 无定义，代表黑色，圆锥顶面中心处 S=0，V=1，H 无定义，代表白色，从该点到原点代表亮度渐暗的白色，即不同灰度的白色。任何 V=1，S=1 的颜色都是纯色。图 2.2 左边的六凌锥图为 HSV 彩色模型的立体示意图
21、，中间的为六凌锥的侧截面图，右边的为顶角图2.3.2 HSV 彩色模型运用HSV 色彩模型在计算机软件里常用 HSB 色彩模式来表示，跟 HSV 色彩模型一样，H表示色相，S 表示色彩饱和度，B 表示色彩明度（相当于 V） 。最直观的表示法是 corel DRAW 中的“CMYK 3D 减色法” 。HSV 颜色模型就如画家的配色方法一样，用改变色浓和色深的方法来获得某种不同的颜色。具体地说，就是在一种纯色中加入白色以改变色浓，加入黑色以改变色深，加入白色或黑色的比例不同时，可得到不同色调的颜色。因此，可以说 HSV 彩色模型采用的是用户直观的色彩描述方法。在一些需要为人直观处理的彩色系统中，可
22、以选用 HSV 彩色模型。第三章 基于肤色的 HSV 彩色模型下的人脸检测3.1 原理3.1.1 人脸皮肤模型的建立在一幅 RGB 彩色图像中，每一个像素点由 R、G、B 三个分量所组成。每一个分量的变化都能直接导致彩色图像中该像素点颜色的改变。如，在阳光灿烂的天气下所拍摄的图像颜色鲜艳，色彩饱和；相同背景和情形下，在阴雨天所拍摄的相同图像，其颜色暗淡，色彩灰沉。这样，在同一像素点处，所表示的颜色大不相同，其 RGB 分量的灰度值也大不一样。也就说 RGB 彩色模型受光照的变化影响很大。在这种情况下，如果选择 RGB 彩色模型来进行人脸皮肤颜色建模的话，可能对同一个人的人脸皮肤检测会应光线亮暗
23、的不同，而导致检测的结果有所出入。在恶劣的情况下，甚至会导致无法判别出人脸区域。考虑到光线影响的情况，选择了 HSV 彩色模型作为人脸皮肤模型建立的彩色空间。对于 HSV 彩色模型来说，它能将亮度信息和色度信息从输入图像中分离出来，并且能够独立表示。H 分量代表图像的纯色彩信息，即其表示的是图象的颜色信息；S 分量代表图像的饱和度信息，即其表示的是图象的颜色的深浅；V 分量代表图像的亮度信息，即其表示的是图像的颜色的亮度。由此可见，H 分量只表示目标的彩色信息，相对 RGB颜色模型来说，受光照变化的影响缓慢。选择 H 分量作为人脸皮肤颜色统计的参数，可以降低光照影响的作用。人类有白色，黄色和黑
24、色人种，其人脸皮肤颜色也各自不同，建立模型的时候需要分别对待，本为研究的是黄色人种的人脸皮肤检测。在每一人种中，其人脸皮肤颜色都是分布在一个较窄的频带上，皮肤颜色分布范围集中在某一区域。即，在色相 H分量中，表示为集中在某一小区域范围内。这样就可以，基于 HSV 彩色模型下，利用 H 分量受光照影响变化缓慢的性质，来建立一个人脸皮肤彩色模型，即人脸皮肤色相的统计表，将人脸的颜色区域估计出来，再利用这个人脸皮肤彩色模型对任意图像进行人脸检测。由此，在建立人脸皮肤模型时，需要先将在 RGB 彩色模型下的图像转换为 HSV 彩色模型的图像。通过对一定数量的人脸皮肤进行统计后，获得关于人脸皮肤颜色的区
25、域范围。而这个范围包含了人脸皮肤的颜色信息。 3.1.2 人脸皮肤模型的训练在 3.1.1 节里介绍了人脸皮肤模型的建立，实际上该模型就是色相 H 的颜色表。通过对一定数量的人脸皮肤进行估计就可以得到比较完善的人脸皮肤模型，所以对人脸皮肤模型进行训练时必须的。以下介绍人脸皮肤模型的训练的步骤：1.建立 H 分量的颜色表。在 HSV 彩色模型中，H 分量是 01 范围内的值。考虑到在 HSV 彩色模型的立体图里（图 2.2）H 为一个旋转分量，每一度数就表示一个颜色。这样可以制定一个大小为 360 的颜色表，这个颜色表就是人脸皮肤模型，人脸皮肤模型的初始值为。2.人脸皮肤模型的颜色统计。将一幅要
26、进行估计的人脸图像转变为 HSV 彩色模型下的图像，取 H 分量的图像，并且将从 01 的数字范围转变为 0359 的数字范围。统计变换后的 H 分量图像中，每像素值出现的次数，将其加入表中对应的位置上。即，变换后的 H 分量中为 200 的像素点出现了 99 次，则在人脸皮肤模型中对应的 200 位置上，在原来的数目上再加上 99。3.训练人脸皮肤模型。将要进行训练的人脸皮肤图像，重复步骤 2 进行统计。一般来说，进行训练的人脸皮肤图像越多，人脸皮肤颜色模型越完善，人脸的区域的正确检测性越高。4.训练的模型概率化。训练完人脸皮肤模型后，得到的颜色表中数值比较大。为了便于直观分析，可以利用下式
27、进行概率化，即归一化。 1()isjjfPiMN其中， 表示颜色表中第 i 个颜色数值出现的概率， 表示第 i 个颜色数字的()i if出现个数， 表示有 幅人脸皮肤图像进行训练，第 j 幅图像的宽和高分别为 和ss jM。jN5.获得人脸皮肤模型。经过步骤 4 后得到了概率化后的人脸皮肤模型，颜色数值对应的概率值大小可以表示该颜色数值为人脸皮肤颜色的可能性的大小。概率大的，为人脸的可能性大；概率小的，为人脸的可能性小。通过对人脸皮肤模型进行训练后，获得了比较完善的人脸皮肤模型，这一模型里包含了比较完善的人脸皮肤信息。根据概率值的大小，可以判断出人脸皮肤区域集中的颜色空间，从而能够对任意的图像
28、进行人脸检测。3.2 人脸的检测通过第 3.1 节的模型建立和训练后，将会获得一个比较完善的人脸皮肤模型，通过这个人脸皮肤模型，就可以对图像进行人脸检测。由于人脸皮肤模型是一些概率值，这些概率值表示了某一个颜色数字与人脸皮肤颜色的距离。由此可以通过判断某一点的颜色数字的概率值大小来区分该点是否为人脸。而这样的判断需要通过给予一个门限值来划分，这个门限值的给定影响人脸检测的结果。可以通过多次试验后，给出一个直观的合理的门限值。本文中门县值设为 0.01。门限值给定了以后，就能对一幅图像进行人脸检测。首先，需要就图像转换为 HSV彩色模型下，取其 H 分量的图像；其次，将 H 分量的图像转换到 0
29、359 内，这样将会便于进行快速查表进行判断；再次，由于已知给定的门限值可以对皮肤颜色模型进行判断，得到为人脸皮肤颜色的颜色数字范围，所以，能够把变换后的 H 分量图像中每一像素点上的数字进行判断；最后，得到为人脸区域的像素点，这样就可以检测出人脸区域和非人脸区域。在人脸检测的过程中，主要注意的是人脸皮肤模型的判断门限值。如果进行训练的人脸皮肤样本比较多时，门限值对人脸检测的影响不大；相反，如果进行训练的人脸皮肤样本比较少时，门限值对人脸检测的影响比较大。一般来说，在训练人脸皮肤模型时，为了达到人脸检测的准确性要求，训练的人脸皮肤样本足够多，因此，该门限值只要取在适当的范围内，对人脸的检测结果
30、影响不大。第四章 实验结果4.1 实验的结果本实验分别用了 10 幅和 20 幅人脸皮肤图像对人脸皮肤模型进行训练。选用的人脸皮肤图像是使用 Photoshop 对一幅图像进行手工分割，把图像中人脸的部分切割出来再去掉眼睛和眉毛部分而得的。如图 4.1.1 和图 4.1.2 所示。图 4.1.1 人脸皮肤图 图 4.1.2 人脸皮肤图经过对人脸皮肤进行训练后，获得人脸皮肤模型，可以通过颜色的接近程度判断出人脸区域。由于人体的皮肤颜色和人脸的皮肤颜色大致一样，所以进行人脸检测的图像中如果含有人体其他皮肤区域的话，同样能够被检测出来。如图 4.1.3 所示。所以，进行人脸检测的时，选择了一些不包含
31、人体其他皮肤区域的图像进行检测。图 4.1.3 左边为检测的图像，右边为检测的结果图，可以发现手会被检测出来另外，为了了解 H 对光的亮暗变化的反应，对在不同的光线下同一幅图像进行了人脸检测，并且分析了实验的结果4.1.1 10 幅人脸图像训练后进行检测的结果用 10 幅人脸图像进行训练后，对一些人脸图像进行检测，其中一部分的检测的结果如下：图 4.1.1.1 左边为 test1 图，右边是检测结果图 图 4.1.1.2 左边为 test2 图，右边是检测结果图图 4.1.1.3 左边为 test3 图，右边是检测结果图 图 4.1.1.4 左边为 test4 图，右边是检测结果图图 4.1.
32、1.5 左边为 test5 图，右边是检测结果图 图 4.1.1.6 左边为 test6 图，右边是检测结果图图 4.1.1.7 左边为 test7 图，右边是检测结果图 图 4.1.1.8 左边为 test8 图，右边是检测结果图由上面 8 幅测试图的结果图来看，图 4.1.1.5 和图 4.1.1.6 的结果是最好的，基本可以检测出整个人脸出来。而图 4.1.1.1，图 4.1.1.2 和图 4.1.1.8 中把部分头发和背景留下来了，是因为这些部分都偏有一定的橙红颜色，含有一定的人脸皮肤颜色在，所以被误判，经过更多的皮肤样本训练后其检测结果将会变得更好。图 4.1.1.4 中，把人脸都检
33、测出来，但是，部分头发也被检测为人脸区域。而在图 4.1.1.3 和图 4.1.1.7中，只把本分的人脸区域提取出来，而且人脸内部还是离散的，其提取结果不佳。总的来看，用 10 幅人脸模型进行训练得到的人脸检测结果还是良好，但是为了得到更好的检测结果，为了能够得到更加完好的人脸区域，则需对人脸皮肤模型训练更多。也就是，增加人脸皮肤图像的训练数目。4.1.2 20 幅人脸图像训练后进行检测的结果为了获得更好地实验结果，用 20 幅人脸图像进行训练，并对同样的几幅人脸图像进行检测，检测的结果如下：图 4.1.2.1 左边为 test1 图，右边是检测结果图 图 4.1.2.2 左边为 test2
34、图，右边是检测结果图图 4.1.2.3 左边为 test3 图，右边是检测结果图 图 4.1.2.4 左边为 test4 图，右边是检测结果图图 4.1.2.5 左边为 test5 图，右边是检测结果图 图 4.1.2.6 左边为 test6 图，右边是检测结果图图 4.1.2.7 左边为 test7 图，右边是检测结果图 图 4.1.2.8 左边为 test8 图，右边是检测结果图从上面测试的结果图来看，图 4.1.2.5 和图 4.1.2.6 的结果仍然是最不错的，把整个人脸都检测出来，同时与 10 幅时的结果相比，其结果图中边沿变得比较平滑，非人脸区域的毛刺部分也变少了。图 4.1.2.
35、1，图 4.1.2.2 和图 4.1.2.8 中尽管部分头发和背景仍没有完全被检测掉，但是与 10 幅时的结果相比，其人脸区域检测的结果更加完好，把一些属于人脸部分的区域填补上去了。图 4.1.2.4 中，人脸也都检测出来，而且一些属于人脸的部分同样填补上去了，头发被误判为人脸的区域变少了。图 4.1.2.3中人脸的离散性降低了，一些脸部区域被检测到了，结果比 10 幅时的结果较好。图4.1.2.7 中的结果图明显比图 4.1.1.7 中的要好，人脸区域基本被提取出来，虽然有一小部分头发区域也被检测为人脸，但是总体效果比 10 幅时的检测结果好得多。经过以上的分析，20 幅人脸模型进行训练得到
36、的人脸检测结果比 10 幅时要好，每幅检测的图像结果都有所改善。这说明了，人脸皮肤模型需要多大量的人脸皮肤进行训练才能得到更好地更完善的检测结果。为了得到更完好的人脸区域，对人脸皮肤模型进行更多训练是必需的。4.1.3 H 分量对光线的变化实验结果为了了解 H 分量对光线变化的快慢，用了在不同光线下的同一幅图像进行人脸检测。此时，选用的人脸皮肤模型为 20 幅的人脸皮肤模型。检测后的实验结果图如下：图 4.1.3.1 左图为 picture1，右图为检测的结果图图 4.1.3.2 左图为 picture2，右图为检测的结果图图 4.1.3.3 左图为 picture3，右图为检测的结果图图 4
37、.1.3.4 左图为 picture4，右图为检测的结果图图 4.1.3.5 左图为 picture5，右图为检测的结果图图 4.1.3.1图 4.1.3.5 中的一系列左图为同一幅图像在不同的光线下的图像，光线强度从强到弱，相应的一系列右图为人脸检测结果图。从这些结果图中，可以知道，图 4.1.3.1 与图 4.1.3.2 中的检测结果图中人脸内部的某些区域没有检测出来，但是整体的人脸部分还是被检测到了。而从图 4.1.3.3 和图 4.1.3.4 中的检测结果均能人脸完好的检测出来。而图 4.1.3.5 中检测结果图有某些部分没有被检测出来。从图 4.1.3.1 的左图到图 4.1.3.5
38、 的左图光线差异逐渐减弱，但是检测的人脸区域总体来说变化不是很大，也就是说，在 HSV 彩色模型下利用 H 分量对光线强弱变化的缓慢性，对皮肤颜色建模和训练后得到人脸检测模型受光线的变化影响不大。所以，选择基于肤色的 HSV 颜色模型下的人脸皮肤建模能够有效的对人脸进行检测。4.2 实验程序根据第三章中的介绍，使用 MATLAB 语言，可以编程实现人脸检测模型建立和训练过程，以及人脸检测过程。人脸皮肤模型建立和训练的程序如下：function Hmap=testHSV(Ima,map)% Ima 为输入的皮肤图象 % map 为 HSV 格式中 H 的统计表 % Hmap 为输出的新统计表 %
39、 统计表为 0356 %HSVIma = RGB2HSV(Ima); % 将输入的皮肤图象转换为 HSV 格式 H=HSVIma(:,:,1); % 分别提出 H,S,V 图象 %S=HSVIma(:,:,2);V=HSVIma(:,:,3);Hm,Hn=size(H); % 取图象的大小 %Hmap=map;for i=1:Hm % 进行皮肤的色相统计 %for j=1:Hnif V(i,j)=1 %色相图象像素值转到 359 内进行统计Hmap(x)=Hmap(x)+1;endendend以上是人脸检测模型的子程序，主要实现对一幅皮肤样本的像素值做统计，应注意的是 H 的像素值范围的转变。
40、另外，对干幅皮肤图像进行统计时，进行训练的程序如下：% 训练的色相概率统计表后 %HSVmap=zeros(360,1);M=imread(1.jpg);Hmap=testHSV(M,HSVmap);M=imread(2.jpg);Hmap=testHSV(M,Hmap);M=imread(3.jpg);Hmap=testHSV(M,Hmap);M=imread(4.jpg); sumH=sum(Hmap); % 计算概率 %Hmap=Hmap/sumH上面程序是对皮肤样品进行训练而后得到比较完善的人脸皮肤模型，注意训练的最后需要将人脸皮肤模型概率化，便于后续的人脸检测过程的使用。最后，是对一
41、幅图像进行人脸检测，经过以下程序可以获得人脸检测后的皮肤区域，其实验程序如下：% 得到训练的色相概率统计表后 % % 对任意皮肤图象进行检测的主程序 % Ima=imread(test11.jpg); % 读入图象RIma=Ima(:,:,1);GIma=Ima(:,:,2);BIma=Ima(:,:,3);HSVIma = RGB2HSV(Ima); % 转换图象格式subplot(2,2,1),imshow(Ima);title(输入的检测皮肤的图象);HIma = HSVIma(:,:,1); % 提取色相图象VIma = HSVIma(:,:,3); % 提取明亮度图象m,n=size
42、(HIma); % 获取图象大小for x=1:m % 判断图象中的皮肤区域for y=1:nPixel=fix(HIma(x,y)*359)+1; if Hmap(Pixel)0.01|VIma(x,y)=0% 當檢測的像素點為黑色時或該像素點出現胡概率小于 0.01 時賦予 0HIma(x,y)=0; % 顯為黑色，非了皮膚區域RIma(x,y)=255;GIma(x,y)=255;BIma(x,y)=255; elseHIma(x,y)=1; % 皮膚區域顯為白色endendend% 顯示結果圖像subplot(2,2,2),imshow(HIma,);title(检测所得的皮肤的黑白图
43、象); skinRGB=cat(3,RIma,GIma,BIma);subplot(2,2,3),imshow(skinRGB,);title(检测所得的皮肤的 RGB 图像);第五章 总结与展望5.1 论文工作的总结通过本文的实验可以知道，根据人脸皮肤颜色只占颜色区域的一个小区域的特性，在 HSV 颜色模型建立人脸皮肤模型，再用人脸皮肤图像对其进行训练，当训练的人脸皮肤图像足够多时，这一方法能够有效的检测出人脸区域和非人脸区域。本文分别用了 10幅和 20 幅人脸皮肤图像进行训练，再对任意图像进行检测。首先，用 10 幅的人脸皮肤图像进行训练，所得人脸皮肤模型，对一幅图像进行人脸检测的结果还
44、可以，但是其有待于训练加强才能更好的得到良好的检测效果。其次，用20 幅的人脸皮肤图像进行训练后，所得人脸皮肤模型进行实验的结果总的要比 10 幅时的要好，能够摒弃一些非人脸的区域所产生的毛刺，更完善地检测出人脸区域。这实验结果表明，要得到更完善的人脸皮肤模型需要增加人脸皮肤图像训练的数目，使人脸皮肤模型的训练逐渐达到完善，能检测出任意图像的人脸区域。一般来说，用 100 幅人脸皮肤图像进行训练后得到的人脸皮肤模型能够有效的对任意一幅图像（不含人体其他皮肤区域的）进行人脸检测，检测率为 99%。另一方面，本文进行的实验也进一步说明了在 HSV 彩色模型下利用 H 分量对光线强弱变化的缓慢性，对
45、人脸皮肤建立模型进行训练，得到的人脸皮肤模型受光线的变化缓慢，对人脸检测的结果影响不大。与 RGB 彩色模型对光线的亮暗具有明显地反应相比较，这是基于肤色的 HSV 彩色模型下的人脸检测的一大优点。总之，在这次实验中，懂得了人脸皮肤颜色的特性，懂得了 RGB 彩色模型和 HSV 彩色模型对光线亮暗程度的差异，懂得了如何建立人脸皮肤模型和对其进行训练，懂得了如何在 MATLAB 的基础下实现本次试验，以及，最重要的是，懂得了什么是人脸检测和人脸检测的意义。5.2 展望不管是国内还是国外，人脸识别仍然是一个重要的研究领域。得到众多的研究人员和学者们的关注，这些研究人员和学者们将会在这个领域内进行研
46、究，不断的提出一些更有效更适合的人脸检测和识别的方法。相信通过他们的努力，人脸识别这一领域将会得到更进一步的发展，跨进更高层次的研究。在不远的将来，人脸检测的研究和发展趋势将会是：研究如何将多种技术结合在一起，并且利用多种信息来提高人脸检测方法的效率上。同时，最近研究者还集中在如何建立实时的人脸检测的算法上，努力于创建一个实时的人脸检测系统上。随着人脸识别技术的发展和市场对生物特征鉴定技术的认可，实时人脸检测技术已成为了一个迫切的要求。在人脸实时检测这一领域研究得到完善时，随之而来的将会是把研究成果运用到人们的日常生活上。这样，在一些以前需要传统的身份鉴证的地方里，将不会再需要这样身份证件，则需通过人脸检测系统就可以识别人们的身份，给人们的生活带来极大的方便。这种方便正是人们所渴望的，也是研究人员努力实现的方向和目标。参考文献1.冈萨雷斯，数字图像处理（第二版） ，美Rafael C.Gonzalez 和 Richard E.Woods 著，阮秋琦、阮宇智等译，电子工业出版社。2.人脸图像检测及分类系统的研究 ，陈茂林，戚飞虎，电子学报，第12A期，2001年12月。3. 生物特征识别及研究现状，张敏贵，周德龙，潘泉，张洪才，张绍武，生物物理学报第十八卷第二期，2002年6月。
