MATLAB人脸检测系统
课题介绍
人脸检测是人脸识别、人机交互、智能视觉监控等工作的前提。近年来,在模式识别与计算机视觉领域,人脸检测己经成为一个受到普遍重视、研究十分活跃的方向。 本文针对复杂背景下的彩色正面人脸图像,将肤色分割、模板匹配与候选人脸图像块筛选结合起来,构建了人脸检测实验系统,并用自制的人脸图像数据库在该系统下进行了一系列的实验统计。 本文首先介绍了人脸检测技术研究的背景和现状,阐明人脸检测技术发展的重要意义,对目前常用的一些检测算法进行了总结,然后着重阐述了基于肤色分割和模板匹配验证的人脸检测算法。 肤色是人脸重要特征,在通过肤色采样统计和聚类分析后,确立一种在YCbCr空间下的基于高斯模型的肤色分割方法。在YCbCr色彩空间中建立肤色分布的高斯模型,得到肤色概率似然图像,在最佳动态阈值选取算法下完成肤色区域的分割。 采用数学形态学和一些先验知识对所得到的肤色区域进行人脸特征筛选,进一步剔除非人脸肤色区域,减少候选人脸数量,简化后续检测过程的处理。 本文使用平均模板匹配方法对候选人脸进行确认,并针对图像中的人脸通常有一定角度旋转和尺寸大小不确定的问题,通过计算候选人脸图像块的偏转角度和面积,并以此调整模板,优化模板配准,提高模板匹配的准确性,同时避免使用多尺度模板进行多次匹配运算,提高算法效率。提出利用候选人脸图像区域和模板质心作为配准的原点,抑制人脸图像噪声的干扰。 最后构建了基于肤色分割和模板验证的人脸检测试验系统,并对该系统采用自制人脸图像数据库进行测试。实验结果表明,系统算法是有效的,具有较高的检测性能和低的误判率。
对于图象的线性变化,各公司基本都是以如下步骤来解决的(可能各公司的具体算法各异,但基本思路一致)
1,先对图象进行一个直方图分析.质量好的图象,在直方图上,一定是有两个"高峰".一个是峰是图象中较明的部分,一个峰是图象中较暗的部分.
2,在图象发生线性变化的时候,这两个峰会发生平移:图象整体变亮,两峰一起向右移;图象整体变暗,两峰一起向左移.
3,根据两峰,来取阀值.通常取峰高度的20%~30%(当然,这个值是可设置的).由这个峰高度的20%所对应的灰度值,就是系统自行找出的新阀值.
这个方法已经相当可靠,可以对付图象的线性变化.所以,目前可公司(注意,指的是作实际应用系统的公司,而不是指提供软件包的公司),几乎都采取这个方法来进行测量与检测.上面这位朋友一再提到的BLOB的算法,各公司(提供软件包的公司)的在自己的BLOB分析控件中,设下的hard thresould以外其他选项,其实都是来对付图象明暗线线变化的手段.
源码如下:
1.色彩空间转换
function [r,g]=rgb_RGB(Ori_Face)
R=Ori_Face(:,:,1);
G=Ori_Face(:,:,2);
B=Ori_Face(:,:,3);
R1=im2double(R); % 将uint8型转换成double型
G1=im2double(G);
B1=im2double(B);
RGB=R1+G1+B1;
row=size(Ori_Face,1); % 行像素
column=size(Ori_Face,2); % 列像素
for i=1:row
for j=1:column
rr(i,j)=R1(i,j)/RGB(i,j);
gg(i,j)=G1(i,j)/RGB(i,j);
end
end
rrr=mean(rr);
r=mean(rrr);
ggg=mean(gg);
g=mean(ggg);
2.均值和协方差
t1=imread('D:\matlab\皮肤库\1.jpg');[r1,g1]=rgb_RGB(t1);
t2=imread('D:\matlab\皮肤库\2.jpg');[r2,g2]=rgb_RGB(t2);
t3=imread('D:\matlab\皮肤库\3.jpg');[r3,g3]=rgb_RGB(t3);
t4=imread('D:\matlab\皮肤库\4.jpg');[r4,g4]=rgb_RGB(t4);
t5=imread('D:\matlab\皮肤库\5.jpg');[r5,g5]=rgb_RGB(t5);
t6=imread('D:\matlab\皮肤库\6.jpg');[r6,g6]=rgb_RGB(t6);
t7=imread('D:\matlab\皮肤库\7.jpg');[r7,g7]=rgb_RGB(t7);
t8=imread('D:\matlab\皮肤库\8.jpg');[r8,g8]=rgb_RGB(t8);
t9=imread('D:\matlab\皮肤库\9.jpg');[r9,g