人臉檢測的研究及其實現(xiàn)大學論文+程序

唐山學院畢業(yè)設計設計（論文)題目：靜止圖像人臉檢測技術(shù)研究及其實現(xiàn)信息工程系信息工程系電子信息工程系別:_________________________電子信息工程胡彥雷專業(yè)：_________________________胡彥雷岳姝姓名:_________________________岳姝指導教師：_________________________岳姝輔導教師：_________________________岳姝2013年6月8日PAGE1靜止圖像人臉檢測技術(shù)研究及其實現(xiàn)摘要本次設計的目的主要是完成背景比較復雜的情況下靜止圖像的人臉檢測。在查閱了大量資料的情況下，發(fā)現(xiàn)單獨使用一種方法誤檢率比較高,而使用兩種或兩種以上方法則大大提高檢測的效率。在對比了各種檢測方法的優(yōu)缺點后，本次論文使用AdaBoost算法對提取的Haar特征訓練出分類器，并使用積分圖的方法加快訓練的速度，用訓練好的級聯(lián)強分類器對待檢測圖像進行初步檢測。然后根據(jù)HSV膚色模型中H分量對光線變化的影響非常小的特性，提取H分量建立一個人臉皮膚彩色模型，即人臉皮膚色相的統(tǒng)計表,將人臉的顏色區(qū)域估計出來，再利用這個人臉皮膚彩色模型對人臉做進一步篩選、過濾,得到最后的結(jié)果.大量實驗結(jié)果表明，二者結(jié)合的方法能夠較為快速準確實現(xiàn)人臉的檢測及定位。與單一的一種方法相比較,大大降低了誤檢率，在實際應用中有一定的參考價值。關(guān)鍵詞：人臉檢測Haar特征AdaboostHSVFaceDetectionTechnologyResearchandImplementationofStaticImageAbstractThepurposeofthisdesignismainlytoimplementfacedetectionofstaticimageundercomplexsituations.Onconsultingalargeamountofdata,Ifoundthattheerrordetectionrateishigherwhenonlyonemethodisused，whiletheefficiencyofdetectionwasgreatlyimprovedbyusingtwoormoremethods。Aftercomparingtheadvantagesanddisadvantagesofvariousdetectionmethods，thisdesignusedAdaBoostalgorithmtotraintheclassifierbyusingtheHaarfeatures,andtheintegralgraphmethodisusedtospeedupthetraining,withstrongtrainedcascadeclassifiertodetectimageinpreliminarytests.AccordingtothisfeaturethattheHcomponentofHSVcolormodelisslowtothechangeoflight，tobuildahumanfaceskincolormodel，namelythefaceskincoloroftheTAB,andthenthecolorofthefaceareaisestimated，whichisusedforfurtherscreeningandfiltering，togetthefinalresult。Alotofexperimentsshowthatthecombinationofthetwomethodscanimplementfacedetectionquicklyandaccurately.Ithasreferrecevalueinpracticalapplication.Keywords：Facedetection;Haarclassifier；Adaboost;HSV目錄TOC\o”1-3”\h\uHYPERLINK\l”_Toc359236765”第一章緒論 1HYPERLINK\l”_Toc359236766”1。1人臉檢測的背景及意義 1HYPERLINK\l”_Toc359236767”1。2人臉檢測研究的現(xiàn)狀 11。3人臉檢測研究的難點 2HYPERLINK\l”_Toc359236769”1。4人臉檢測評價標準 2_Toc359236775”第二章人臉檢測方法 5HYPERLINK\l”_Toc359236776”2。1基于知識的方法 5HYPERLINK\l”_Toc359236777”2.2特征不變方法 52。3模板匹配方法 63。2Haar-like特征 8HYPERLINK\l”_Toc359236784"3.2.1幾種常見的特征分類 8HYPERLINK\l”_Toc359236785”3。2。2Haar特征數(shù)量計算 10HYPERLINK\l”_Toc359236787”3.3積分圖 11HYPERLINK\l”_Toc359236788"3.4Adaboost算法簡介 12HYPERLINK\l”_Toc359236790"3.5Adaboost算法之訓練 13HYPERLINK\l”_Toc359236791”3.5。1弱分類器 13HYPERLINK\l”_Toc359236793”3。5。2強分類器 15_Toc359236813"3.6Adaboost算法之檢測 193。7用Haar分類器對圖像進行檢測 21HYPERLINK\l”_Toc359236815”第四章HSV膚色模型 24HYPERLINK\l”_Toc359236816"4。1HSV膚色模型原理 24HYPERLINK\l”_Toc359236817"4.1.1HSV人臉皮膚模型的建立及其必要性 244。1.2人臉皮膚模型的訓練 25HYPERLINK\l”_Toc359236819"4.2人臉檢測 26HYPERLINK\l”_Toc359236820"4。3實驗結(jié)果 26HYPERLINK\l”_Toc359236822"第五章Haar分類器與HSV膚色模型結(jié)合檢測 29_Toc359236824”第七章總結(jié) 31_Toc359236826"參考文獻 33附錄一人臉檢測程序 34HYPERLINK\l”_Toc359236828”附錄二積分圖程序 48PAGE48第一章緒論1。1人臉檢測的背景及意義隨著科技的發(fā)展，傳統(tǒng)的身份鑒定方法，如身份證和信用卡,開始讓人們感到不便。其攜帶不便，易丟失，甚至有時可能會忘記了必須的密碼，以及密碼被識破等等，這些問題到會給人帶來困擾和麻煩。人們需要一種新的可靠的身份鑒別，一種不可能遺失而且具有其特性的身份證明,這就是人臉、指紋、虹膜、聲音等等的生物特征。由于人臉特征是一種更直接、更方便的識別方式，近年來以人臉為特征的識別技術(shù)迅速地發(fā)展起來。人臉檢測問題最初來源于人臉識別,對人臉識別前首先當然是要對人臉進行定位,而且要準確，只有這樣才能更好進行下一步,因此人臉檢測顯的越來越重要。與其他生物特征識別方法相比，人臉識別具有更加直接、方便、友好的特點，而且易于被人所接受，畢竟不會侵犯到人們的隱私，尤其在這個人們對自己隱私越來越重視的時代。而且,通過對人臉的表情、姿勢等作分析，還可以得出更多其他有用信息，比如通過表情可以判斷一個人的心情,性情。因此,人臉識別具有其他識別方式無法比擬的優(yōu)勢，發(fā)展?jié)摿薮?而且具有巨大的市場前景,是未來新技術(shù)發(fā)展的一個方向?，F(xiàn)在,隨著科學技術(shù)和電子商務的發(fā)展，人臉檢測的應用背景已經(jīng)遠遠超出了人臉識別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、計算機視覺、人機交互等方面都有著重要的應用價值。早期的人臉識別研究對背景條件、圖像中人臉個數(shù)等有嚴格限制,當時的優(yōu)秀算法非常少，而且沒有強大的輔助工具，因此假設人臉容易獲得或在手工交互下運用，而人臉檢測問題并未得到重視。現(xiàn)在的人臉識別技術(shù)是通過計算機根據(jù)預先設定好的程序自動的提取人臉的一些基本特征，然后根據(jù)這些特征判斷是否為人臉。粗略來說，可以認為人臉識別包括三個步驟：人臉檢測、人臉特征提取、人臉的識別.其流程如下圖所示:識別驗證特征提取人臉檢測輸入圖像人臉圖像人臉特征輸出結(jié)果識別驗證特征提取人臉檢測圖1-1人臉識別的一般步驟1.2人臉檢測研究的現(xiàn)狀在國內(nèi)，八十年代末和九十年代初，人臉檢測問題開始吸引了越來越多的研究者的關(guān)注，又越來越多感興趣的研究人員進行探索，取得了一些有意義的研究成果。早期的人臉檢測集中對空間域上靜止圖像的人臉檢測為研究。中期開始采用模板的方法，通過建立人臉模型，可以實現(xiàn)在視頻圖像序列中進行人臉檢測.而近期，許多研究人員采用的研究方法各自不同,有采用建立復雜模型的，有從空間域上進行研究的，有在頻域上進行研究的，有將一些技術(shù)結(jié)合在一起研究的，有應用最新的分類決策進行研究的.不論采用和種研究方法，將多種技術(shù)結(jié)合在一起，利用多種信息可以提高人臉檢測方法的效率。從目前國內(nèi)外對人臉檢測研究的現(xiàn)狀來看,雖然針對人臉檢測已經(jīng)提出了多種算法,也取得了一定的成果,但是由于人臉檢測本身的復雜性，使得人臉檢測問題成為一個極富挑戰(zhàn)性的課題，沒有任何一種檢測算法能夠適應所有情況，即使幾種算法的結(jié)合也無法適應任意條件下采取的圖像，即沒有絕對的最優(yōu)算法，所以在人臉檢測問題上還有很大的研究空間。1.3人臉檢測研究的難點人臉檢測是一個復雜的極具挑戰(zhàn)性的模式檢測，雖然一些科學大家們研究出了多種多樣基于不同理論的算法，基于那些算法的檢測方法也是多種多樣,可是人們卻悲哀的發(fā)現(xiàn)一個事實，沒有一種算法或者方法能夠適用于所有的情況，人臉檢測仍面臨各種各樣的問題。至于其難點，通過大量的實驗驗證，歸納總結(jié)，主要有以下幾點:(1）人臉具有很復雜的表情變化。人的表情是千變?nèi)f化的，但是即使是一些小細節(jié)的不同都會對人臉檢測造成不可預知的影響，如眼、嘴的開與閉等,還有外貌特征臉形、膚色等。(2)其他物體對人臉的遮擋.比如有人會戴著眼鏡，或者頭發(fā)比較長，一些少數(shù)民族或者非洲一些部落由于習俗會佩戴大量頭部飾物以及其他外部物體等.(3）拍攝的角度問題.為了拍出的圖像有更好的效果，拍攝圖像時會用上各種手法和角度，比如旋轉(zhuǎn)。（4)光照的影響,拍攝圖像時的環(huán)境各異，或者光線充足，或者光線太暗；（5)圖像的成像條件，如攝像設備的焦距、成像距離，圖像獲得的途徑等等。以上的這些問題是當下常用到的一些檢測方法時經(jīng)常會遇到的，好一些的算法能夠忽略其中某幾項，但是沒有哪種算法能很好的忽略所有問題，或者說即使有一種特別好的算法能忽略以上所有的問題，但是還是會遇到更多其他的問題。因此，對人臉檢測的研究依舊任重而道遠。1.4人臉檢測評價標準評價一種檢測算法到底好不好，一個關(guān)鍵的評價標準是檢測的效率。這個效率問題不僅僅是人臉檢測時不得不面對，面對其他問題也是一樣。而人臉檢測系統(tǒng)性能評價標準，其效率，主要體現(xiàn)在這幾個方面：檢測率，誤檢率，檢測速度以及魯棒性:(1)檢測率顧名思義，檢測率就是能夠檢測正確的人臉數(shù)占圖像中所有人臉的比重，這個比重越高，說明檢測率越高，越具有實用價值.（2)誤檢率假設被誤檢為人臉的非人臉子窗口數(shù)為n1，圖像內(nèi)被檢測的所有非人臉子窗口數(shù)為n2，那么誤檢率=n1/n2。檢測率只能反映系統(tǒng)對人臉的檢測能力,但是通過大量實驗會發(fā)現(xiàn)出現(xiàn)了這種情況：所有人臉都被檢測到，但同時很多非人臉的區(qū)域被誤檢為人臉。因此引入誤檢率來衡量一個系統(tǒng)對非人臉的排除能力是否符合要求是非常必要的.誤檢率低，說明該檢測系統(tǒng)對非人臉的排除能力就強.反之，就弱，甚至不可用。(3）檢測速度檢測效率的關(guān)鍵點除了正確率外就是檢測速度。大部分應用領(lǐng)域需要在線實時地檢測人臉，如人臉識別、人臉跟蹤，視頻監(jiān)控等.在檢測率和誤檢率達到滿意的前提下在保證檢測率的情況下,檢測速度越快越好,甚至可以犧牲部分檢測率換取速度的提高。（4）魯棒性魯棒性簡單點來說就是檢測系統(tǒng)的適應能力。就是在各種條件下如復雜背景的干擾，人臉表情、光照條件、遮擋等因素的影響，該系統(tǒng)仍有很好的檢測能力。其實這四個標準并不是互相獨立的,甚至有些情況下是彼長此長,彼消此消的，不能和諧。比如經(jīng)大量的實驗發(fā)現(xiàn),誤檢率隨著檢測率的提高而提高,檢測率隨著誤檢率的降低而降低。1。5本次設計的工作本文針對的是人臉識別中的人臉檢測，采用的是Haar分類器結(jié)合HSV膚色模型的方法。先用Haar分類器對圖像人臉進行初步定位，Haar分類器能夠較好的檢測出人臉的位置，但背景會產(chǎn)生一定影響，然后通過HSV膚色模型進一步過濾，HSV膚色模型能夠很好的過濾掉背景產(chǎn)生的影響，可以在一定程度上降低誤檢率.人臉檢測流程如圖1-2。本人的主要任務是,查閱大量相關(guān)文獻資料，了解Haar分類器和HSV膚色模型的原理，了解其在人臉檢測時的優(yōu)缺點.利用MATLAB編程實現(xiàn)該方法下的人臉檢測。圖像輸入Haar分類器檢測圖像輸入Haar分類器檢測最后結(jié)果HSV膚色模型過濾最后結(jié)果HSV膚色模型過濾圖1-2流程圖第二章人臉檢測方法人臉檢測方法分為以下四種:基于知識的方法（Knowledge-basedMethods)、特征不變方法（FeatureInvariantApproaches)、模板匹配方法（TemplateMatchingMethods）、基于外觀的方法（Appearance—basedMethods）.當然，有許多人臉檢測的方法可能不屬于上述中的某一類，而是幾類的組合。也可以將人臉檢測的方法簡單地分為兩類：基于特征和基于圖像［1]?；谔卣鞯姆椒ㄖ敢阅撤N特征為最小處理單元的方法；基于圖像的方法指以圖像中的像素為處理單元的方法.或者也可以簡單的把人臉檢測方法分為基于統(tǒng)計和基于知識這兩種。雖然分類的標準不一樣，但是目前所有的方法都可以歸為以下之一或之二三.2。1基于知識的方法基于知識的方法主要根據(jù)的是人們關(guān)于人臉的先驗知識。通俗點來說就是每個人都有兩只眼睛，一個鼻子，一張嘴，而且兩只眼是對稱的，大小一樣.兩只眼睛之間或者眼睛與鼻子之間，鼻子跟嘴之間的相對距離以及它們的相對位置都有一定的關(guān)系，這都可以當成檢測的規(guī)則。檢測時，提取這些特征，通過這些特征之間的關(guān)系進行人臉定位，當圖像中的待測區(qū)域符合準則，即被檢測為人臉［2]。人臉及器官具有典型的邊沿和形狀特征，通常人們利用采用Laplacian,Sobel和Canny等算子來提取邊沿特征，將這些特征用于人臉的定位。邊沿和形狀對于光照條件的變化具有很好的魯棒性，灰度特征對光照比較敏感.有一種方法是基于知識規(guī)則的由粗到細的三級結(jié)構(gòu)來檢測人臉。具體做法是通過平均和采樣的方法得到原圖像在不同分辨率下的圖像。然后根據(jù)不同分辨率的圖像使用不同的判定標準進行判定，比如說低分辨率圖像里主要判斷人臉的大致輪廓,而在分辨率高的圖像里則判斷人臉的一些細節(jié)特征。然而，這個方法檢測效率很低，但是這種由粗至細的檢測思想對以后的研究工作產(chǎn)生了積極的影響［3]。但是人臉的類型有千差萬別，如果制定的規(guī)則太細，真正的人臉可能會被漏掉；如果制定的規(guī)則太籠統(tǒng)，有可能造成較高的誤檢率。而且該種方法對人姿態(tài)的變化要求比較高,因為不可能列舉出所有的姿勢變化,這也大大局限了該方法的使用。2.2特征不變方法這個方法可以說是基于知識方法的升級版.基于知識的方法,可能由于人姿態(tài)的變化而降低檢測的效率，因而這個方法的目的就是尋找一些即使當位姿、取圖視角和光線變化時卻依舊存在的結(jié)構(gòu)特征,然后利用這些不變特征來定位檢測人臉。顯而易見，人們能很輕松的識別即使不同光線不同姿態(tài)下的人臉，因此有人提出這樣一個假設：是否存在一些關(guān)于人臉的不依賴于外在條件的屬性或者特征[4].有許多方法就是按照這個潛在假設,先是去尋找這種屬性或特征（通過大量樣本學習的方法），然后用尋找到的屬性或特征去檢測人臉.該類方法中所采用的特征不變量主要有：面部特征、紋理、皮膚顏色和多種特征的融合。而使用最多的是人的膚色作為特征，因為顏色信息和運動信息是一種有效減少搜索空間的特征.最近,人臉檢測最常采用的方法是幾種不同的特征方法結(jié)合檢測。比如，可以先利用膚色信息確定人臉候選區(qū)域，減小搜索范圍，在利用眼睛、鼻子、嘴唇等特征來確認最終的人臉區(qū)域.就像基于知識的方法存在多種問題，這個方法也無法避免。由于光照或者遮擋物等因素使圖像中的人臉特征遭到嚴重的破壞，人臉的特征邊界被大大弱化，這些都使得該方法的實用價值大為降低。2.3模板匹配方法模板匹配,簡單來說就是利用人臉的外部特征，如眼睛、鼻子、嘴、人臉輪廓建模，然后跟候選圖像區(qū)域?qū)Ρ?，比較其相似性,得到表示相似程度的值，然后與相應閾值比較判斷候選圖像區(qū)域是否為人臉區(qū)域.由于模板本身比較粗略，所以模板匹配的人臉檢測方法往往精度不是很高,而且計算量較大，速度較慢。模板匹配通常被用于人臉檢測的驗證，這樣可以更進一步提高人臉檢測系統(tǒng)的準確率,它的主要思想是利用模板與待檢測圖像之間的相關(guān)程度來對圖像中的入臉進行判斷[5]?？勺冃文０搴皖A先定義的模板是人臉檢測常用的模板。然而，在實際的檢測中，由于人臉的尺度、形狀等的變化較大時往往檢測效果較差，此種方法也沒有獲得較廣泛的應用.2。4基于外觀的方法跟模板匹配中的模板是由人預定義的不同，基于外觀方法的“模板”是靠學習得到的。它是利用統(tǒng)計分析和機器學習等方法來獲得人臉和非人臉特征，再使用各自的特征構(gòu)建分類器[6］，使用分類器完成人臉檢測。由于人臉圖像的復雜性，只使用基本特征與簡單規(guī)則很難有效地描述人臉與背景的本質(zhì)區(qū)別,因此基于統(tǒng)計和學習的方法越來越受到重視。這類方法是把人臉區(qū)域看作一類模式，利用統(tǒng)計分析與機器學習的方法對大量人臉樣本和非人臉樣本進行學習得到各自的統(tǒng)計特征，然后根據(jù)這些特征構(gòu)造分類器，通過判別圖像中所有可能區(qū)域?qū)儆谀念惸Ｊ降姆椒▽崿F(xiàn)人臉檢測。實際上，人臉檢測問題被轉(zhuǎn)化為統(tǒng)計模式識別的二分類問題。屬于這類的方法，除了本次設計用到的Boosting（Haar分類器）方法，還有子空間方法，神經(jīng)網(wǎng)絡方法，支持向量機方法，隱馬爾科夫模型方法。第三章Haar分類器分類器是一種使待分對象被劃歸為某一類而使用的分類裝置或數(shù)學模型。它是一種計算機程序，其設計目標是通過學習后，可自動將數(shù)據(jù)分到已知類別。對于本次設計而言，分類器就是指對人臉和非人臉進行分類的算法.與基于知識的方法或者基于特征不變量的方法相比，使用分類器能夠很好的區(qū)分人臉和背景，在人臉檢測時能最大程度上減少背景的影響，提高檢測率。本次設計使用Haar分類器。Haar分類器實際上是Boosting算法的一個應用，它用到了Boosting算法中的Adaboost算法,只是把Adaboost算法訓練出的強分類器進行了級聯(lián)，并在底層的特征提取中采用了高效率的矩形特征和積分圖方法。Haar分類器是強分類器級聯(lián)的結(jié)果，因單個強分類器檢測率低，而Haar分類器卻能大大提高檢測的效率，彌補其不足。Haar分類器算法的要點如下：①使用Haar—like特征[7]做檢測。②使用積分圖（IntegralImage）對Haar—like特征求值進行加速。③使用AdaBoost算法訓練區(qū)分人臉和非人臉的強分類器。④使用篩選式級聯(lián)把強分類器級聯(lián)到一起，提高準確率.在Adaboost算法中,每一個訓練樣本都被賦予一個權(quán)值，以反映該樣本的重要性，表明它被某個子分類器選入訓練集的概率。如果某個樣本已經(jīng)被正確分類，那么它的權(quán)值就要降低，在構(gòu)造下一個訓練集時，它被選中的概率就減少；相反,如果某個樣本沒被正確分類，那么它的權(quán)值就提高，它被選中的概率就增大,通過這樣的方式,使權(quán)值較大樣本對分類器的訓練影響較大，分類器更加關(guān)注這些錯誤分類的樣本，因為這些被錯誤分類的樣本通常在決策邊界附近,這樣做可使算法能夠“聚焦于”那些分類困難的樣本上。3。1樣本的選取在訓練分類器之前，需要輸入的數(shù)據(jù)有人臉樣本、非人臉樣本、矩形特征。樣本的選取對最終的輸出結(jié)果會有很多的影響，如果選擇的人臉樣本都是正面的,那么檢測時對側(cè)面和傾斜旋轉(zhuǎn)人臉的漏檢率就會比較高；如果選擇的人臉樣本表情單一，那么檢測時對有其他表情的人臉就會漏檢；如果選擇的人臉照片光照強度分布均勻，那么檢測時對光照強弱差異較大的人臉漏檢率同樣很高。人臉樣本的選取本文主要使用ORL人臉庫。ORL人臉庫是由英國劍橋大學建立的，圖像來自40人，每人10張照片，包括表情變化，微小姿態(tài)變化，20％以內(nèi)尺度變化。3—1ORL人臉庫其中一人的圖像由于人活動范圍比較大，所以在選擇非人臉樣本時要注意圖片背景不能過于單一，否則訓練時會出現(xiàn)非人臉樣本不足而退出訓練的情況.本文所用的幾千張非人臉的樣本均來自網(wǎng)絡。圖3—2部分非人臉樣本圖3.2Haar-like特征3。2。1幾種常見的特征分類Haar型特征的定義是黑色矩形和白色矩形在圖像子窗口中對應的區(qū)域的灰度級總和之差，它可以反映圖像局部的灰度變化。Haar-like特征如圖3-3：圖3—3（1）Viola使用的幾種特征圖3—3(2)邊緣特征(2e）（2f）（2g）（2h）圖3-3（3）線特征(3b)圖3-3(4)中心環(huán)繞特征圖3-3（5）對角線特征將上面的任意一個矩形放到人臉區(qū)域上，然后把白色區(qū)域內(nèi)的所有像素值加到一起，再求得黑色區(qū)域內(nèi)的像素值的和，最后二者相減，得到的差值我們暫且稱之為人臉特征值。同樣的，如果把這個矩形放到一個非人臉區(qū)域，那么計算出的特征值應該和人臉特征值是不一樣的，而且越不一樣越好，所以這些方塊的目的就是把人臉特征量化，以區(qū)分人臉和非人臉。為了增加區(qū)分度，可以對多個矩形特征計算得到一個區(qū)分度更大的特征值。下圖3-2中的3個特征就能很好的描述圖像中人臉的眼部的灰度的分布特點。圖(a）覆蓋了兩只眼睛的位置,圖（b)圖(c）分別覆蓋左眼和右眼。矩形特征可以反映待檢測人臉的一些具體特征，比如說眼睛部分在圖像中比眼睛下方的部分要暗。不過，人臉的所有特點是無法用一個矩形特征來表征完全的,需要不停的變換矩形特征的大小，而這些特征需要通過大量的樣本訓練得到的，而不是人工指定的，否則就與機遇模板匹配的檢測方法沒有區(qū)別了，因為模板匹配中的模板是人為事先確定的，而統(tǒng)計模式識別方法中的矩形特征具體參數(shù)事先是不知道的[8].

圖3—4一種Haar特征舉例3.2.2Haar特征數(shù)量計算對于一個樣本為m×n的子窗口，只需要確定了矩形左上頂點和右下頂點，即可以確定一個矩形;如果這個矩形必須滿足下面兩個條件（稱為（s，t）條件）：（1)x方向邊長能被自然數(shù)s整除.（2）y方向邊長能被自然數(shù)t整除。滿足(s,t）條件的矩形稱為條件矩形。令，,則矩形特征的數(shù)目的計算方法如下：設初始化時特征矩形個數(shù)為0，逐漸放大矩形特征大小到，其中,，以步長為1的距離平行移動矩形特征，直至遍歷圖像中的每個像素點，在每一個掃描到的位置計算特征值。圖示如下：圖3-5特征值計算示意圖則總的特征值為：（3—1)（3—1)若樣本尺寸為，則m=20，n=20，代入上述公式計算得到該樣本圖像的矩形特征數(shù)為74309個。如果樣本選擇的尺寸為,則最后得出的特征數(shù)量將非常巨大，達到數(shù)十萬之多。如果每一個這樣的Haar特征都對應一個弱分類器,要想從這樣龐大數(shù)目的弱分類器中訓練出強分類器將是一個非常巨大的工程，其訓練時間也將達到數(shù)天之長。因此，這是下面將要介紹到積分圖是的Adaboost性能改進的一個關(guān)鍵點所在。3.3積分圖積分圖像就是將原圖像中任一點的左上方的全部像素灰度值相加作為當前點像素值所得到的圖像。通過積分圖像可以方便的計算出原圖像中任意矩形區(qū)域內(nèi)的像素點灰度值的和，而不用每次都重新計算，從而達到加快計算的目的。積分圖是Haar分類器能夠?qū)崟r檢測人臉的保證。圖3-6左上角積分的和每遇到一個圖片樣本,每遇到一個子窗口圖像，我們都面臨著如何計算當前子圖像特征值的問題，一個Haar-like特征在一個窗口中怎樣排列能夠更好的體現(xiàn)人臉的特征，這是未知的，所以才要訓練,而訓練之前我們只能通過排列組合窮舉所有這樣的特征[9］。上一節(jié)我們知道，僅以Viola提出的最基本四個特征為例，在一個24×24size的窗口中任意排列至少可以產(chǎn)生數(shù)以10萬計的特征，對這些特征求值的計算量是非常大的。而積分圖就是只遍歷一次圖像就可以求出圖像中所有區(qū)域像素和的快速算法，大大的提高了圖像特征值計算的效率.積分圖的構(gòu)造方式是點i（x，y）處的積分值ii(x,y）是原圖像該點上方和左方所有像素值的和：（3-2）其中ii（i，j）為積分圖，i（x,y)為原始圖像.為了看的更清楚，看下圖所示：原圖像積分圖像原圖像部分像素值對應積分圖圖像部分像素值圖3—7積分圖實例圖積分圖構(gòu)建算法：1）用s（i,j）表示行方向的累加和,初始化s(i,—1)=0；2)用ii(i,j）表示一個積分圖像，初始化ii（-1，i）=0；3）逐行掃描圖像，遞歸計算每個像素（i,j）行方向的累加和s(i，j)和積分圖像ii(i，j)的值（3-3）（3—4)4)掃描圖像一遍，當?shù)竭_圖像右下角像素時，積分圖像ii就構(gòu)造好了.積分圖構(gòu)造好之后，圖像中任何矩陣區(qū)域的像素累加和都可以通過簡單運算得到如圖所示：圖3-8積分圖設D的四個頂點分別為α、γ、δ、β，則D的像素和可以表示為（3-5）而Haar—like特征值無非就是兩個矩陣像素和的差，同樣可以在比較短的時間內(nèi)完成。（詳細程序見附錄二)3。4Adaboost算法簡介Adaboost是一種迭代算法,其核心思想是針對同一個訓練集(訓練樣本）訓練不同的分類器（弱分類器）,然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器）。其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確,以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來,作為最后的決策分類器。使用Adaboost分類器可以排除一些不必要的訓練數(shù)據(jù)，并放在關(guān)鍵的訓練數(shù)據(jù)上面。Adaboost算法是1995年提出的一種快速人臉檢測算法，是人臉檢測領(lǐng)域里程碑式的進步，這種算法根據(jù)弱學習（學習是指基于某些簡單規(guī)則的組合和對樣本集的性能評估)的反饋,適應性地調(diào)整假設的錯誤率，使在效率不降低的情況下，檢測正確率得到了很大的提高［9]。下圖給出了Adaboost人臉檢測算法進行訓練和檢測的流程圖，本文也將分訓練和檢測兩人臉非人臉Adaboost訓練分類器人臉非人臉Adaboost訓練分類器檢測結(jié)果Adaboost檢測輸入圖像訓練過程檢測過程圖3—9Adaboost人臉檢測算法流程圖圖3—9Adaboost人臉檢測算法流程圖3.5Adaboost算法之訓練3。5.1弱分類器弱分類器就是根據(jù)某些單一依據(jù)來進行粗略分類的分類器，其分類的準確度要求很低，只要達到50%以上即可。將很多這樣很簡單的、精度不高的分類器按照一定的方式組合起來就可以提到一個很高準確率的強分類器.最初的弱分類器［10］只是一個最基本的Haar—like特征，計算輸入圖像的Haar—like特征值，和最初的弱分類器的特征值比較，以此來判斷輸入圖像是不是人臉.然而這個弱分類器太簡陋了，可能并不比隨機判斷的效果好，對弱分類器的孵化就是訓練弱分類器成為最優(yōu)弱分類器，這里的最優(yōu)不是指強分類器，只是一個誤差相對稍低的弱分類器，訓練弱分類器實際上是為分類器進行設置的過程。一個弱分類器由子窗口圖像x，一個特征f，指示不等號方向的p和閾值θ組成.p的作用是控制不等式的方向，使得不等式都是<號，p的取值為-1或者+1。其數(shù)學結(jié)構(gòu)為：h(x，f,p,θ)=（3—6）訓練最優(yōu)弱分類器的過程實際上就是在尋找合適的分類器閾值，使該分類器對所有樣本的判讀誤差最低.具體操作過程如下：對于每個特征f，計算所有訓練樣本的特征值,并將其排序。為了表達更清楚，可以建立如下一個表，存儲所有的特征值。表3—1特征1特征2...特征n樣本111…27樣本234…56..。415…88樣本D628…115(2)掃描一遍排好序的特征值，對排好序的表中的每個元素，計算下面四個值:全部人臉樣本的權(quán)重的和t1；全部非人臉樣本的權(quán)重的和t0;在此元素之前的人臉樣本的權(quán)重的和s1;在此元素之前的非人臉樣本的權(quán)重的和s0；設樣本總數(shù)為D，l為人臉樣本數(shù)，m為非人臉樣本數(shù)，,為第k個樣本的權(quán)值，則（3-8）（3-7）（3-8）（3-7）(3—10）（3-9)(3—10）（3-9)其中,當?shù)趉個樣本為人臉樣本時，為+1，為非人臉樣本時，為-1。這樣，當選取當前第k個元素的特征值作為閾值時，所得到的弱分類器就在k元素處把樣本分開--也就是說這個閾值對應的弱分類器將k元素前的所有元素分類為人臉(或非人臉)，而把k元素后的所有元素分類為非人臉（或人臉）?？梢哉J為這個閾值所帶來的分類誤差為:（3-11）于是，通過把這個排序的表從頭到尾掃描一遍就可以為弱分類器選擇使分類誤差最小的閾值（最優(yōu)閾值），也就是選取了一個最佳弱分類器。同時，選擇最小權(quán)重錯誤率的過程中也決定了弱分類器的不等式方向。3。5.2強分類器強分類器由若干弱分類器組成，強分類器的誕生是在訓練好的弱分類器基礎上經(jīng)過T輪的迭代得到的，組合T個最優(yōu)弱分類器得到強分類器，組合方式如下：C(x）=（3-12）其中x為待檢測的窗口，為構(gòu)成該強分類器的第t個弱分類器，為該強分類器閾值，C(x）的結(jié)果為0或者1,1表示人臉，0表示非人臉.那么,這個強分類器對待一幅待檢測圖像時，相當于讓所有弱分類器投票，再對投票結(jié)果按照弱分類器的錯誤率加權(quán)求和，將投票加權(quán)求和的結(jié)果與平均投票結(jié)果比較得出最終的結(jié)果。(1)強分類器的訓練檢出率=被正確檢出的人臉數(shù)/人臉樣本總數(shù)（2)強分類器的訓練誤判率=被誤判為人臉的非人臉樣本數(shù)/非人臉樣本總數(shù)根據(jù)這兩個式子，設強分類器訓練誤判率目標值為，訓練檢出率的目標值為。Adaboost算法將根據(jù)這兩個目標值來確定強分類器包含的弱分類器數(shù)目T［11］。組成強分類器的弱分類器個數(shù)隨著級數(shù)的增加而增加，每層的強分類器經(jīng)過閾值調(diào)整，使得每一層都能讓幾乎全部的人臉樣本通過，而拒絕很大一部分非人臉樣本。而且，由于前面的曾使用的矩形特征數(shù)很少,計算起來很快，越往后通過的候選匹配圖像越少，盡管矩形特征增多，計算量卻減少，檢測的速度加快，使系統(tǒng)具有很好的實時性.預設強分類器包含的弱分類器個數(shù)為，然后根據(jù)個弱分類器訓練一個強分類器,統(tǒng)計其檢測率和誤判率,當滿足且時，可認為滿足條件，不必在繼續(xù)訓練弱通過的候選匹配圖像分類器。若不滿足上述條件,則對進行調(diào)整。具體依據(jù)如下：（1）強分類器的檢出率（誤判率）隨著閾值的減小而增大，隨著閾值的增加而減小。極端的情況，如果將閾值設置為0，那么強分類器會將所有的樣本分類為人臉，這時檢出率和誤判率最大，為100%。（2）增加弱分類器的數(shù)目可以減小誤判率。根據(jù)以上兩條，可以得到如下強分類器訓練流程圖：分類結(jié)果分類結(jié)果訓練強分類器訓練強分類器統(tǒng)計檢出率和誤判率統(tǒng)計檢出率和誤判率Y繼續(xù)訓練Y繼續(xù)訓練NN減小閾值減小閾值NNNNYY終止終止圖3-10訓練流程圖3。5.3Adaboost算法的具體描述Adaboost算法的具體描述如下:輸入:一組訓練集：，其中為樣本空間，為樣本標識—1或者1；其中-1，1分別表示正樣本和反樣本。在人臉檢測中,可以定義—1為非人臉，1為人臉。初始化：初始化訓練樣本的權(quán)重,其中或者（人臉樣本和非人臉樣本初始化為不同的值，m為非人臉樣本總數(shù)，l為人臉樣本總數(shù)）。對，循環(huán)執(zhí)行下面的步驟：1。歸一化權(quán)重:（3—13）2。對每個特征f，訓練一個弱分類器；計算所有特征的弱分類器的加權(quán)錯誤率(3-14）(3-14）（3-15)3.選取最佳弱分類器，按最小錯誤率。（3-15)（3—16）（3—16）4。按照這個最佳弱分類器，調(diào)整權(quán)重：(3—17）(3—17）其中,表示被正確分類，表示被錯誤分類。最后的強分類器為：（3—18）（3—18）其中：Adaboost算法是目前在人臉檢測方面檢測速度較快、檢測效果較好的一種檢測方法,它是一種把弱分類器采用級聯(lián)的方式訓練成為強分類器的方法。這些弱分類器只需要滿足比隨機猜測好一點，就能通過不斷的修正每個弱分類器的權(quán)值,即挑選那些比較好的分類器，拋棄不好的分類器,從而最終形成由這些弱分類器組成的強分類器，相比較其他的方法而言，Adaboost方法對每個弱分類器的權(quán)值的形成都是無人值守的，完全自動化的，因而Adaboost算法有著比較好的易用性。大量的實驗證明，Adaboost算法是有效的將多弱分類器強化成為強分類器的一種方法，經(jīng)過訓練的分類器具有比較好的分類效果,而且速度較快。Adaboost算法首先提取圖像中的haar特征，再將訓練得到的haar特征轉(zhuǎn)換成弱分類器，最后將得到的弱分類器進行優(yōu)化組合用于人臉檢測。3.5.4級聯(lián)強分類器Haar分類器是有兩個體系的,訓練的體系和檢測的體系。訓練的部分大致都提到了，還剩下最后一部分就是對篩選式級聯(lián)分類器的訓練。我們看到了通過AdaBoost算法辛苦的訓練出了強分類器，然而在現(xiàn)實的人臉檢測中，只靠一個強分類器還是難以保證檢測的正確率，這個時候，訓練出多個強分類器將它們強強聯(lián)手，最終形成正確率很高的級聯(lián)分類器，這就是我們最終的目標—Haar分類器。在級聯(lián)分類器中,每一個待檢測窗口只有通過了當前層的強分類器才能進入下一層.這樣大連的待檢測窗口之需要最初幾層簡單的判斷就可以被迅速淘汰，使得平均檢測成本大大降低。多層級聯(lián)結(jié)構(gòu)中，每一層的強分類器都是由Adaboost算法訓練出來的.它的結(jié)構(gòu)如圖所示：圖3—11級聯(lián)分類器級聯(lián)強分類器的策略是,將若干個強分類器由簡單到復雜排列,希望經(jīng)過訓練使每個強分類器都有較高檢測率，而誤識率可以放低，比如幾乎99％的人臉可以通過，但50%的非人臉也可以通過，這樣如果有20個強分類器級聯(lián),那么他們的總識別率為0。99^20約等于98％，錯誤接受率也僅為0。5^20約等于0。0001%.訓練L層級聯(lián)分類器的步驟如下:

（1)訓練第i層強分類器fn；（2）保存強分類器的參數(shù)，即各弱分類器的參數(shù)、強分類器的閾值以及被fn誤判為人臉的非人臉樣本;(3）補充非人臉樣本集，組合前i層強分類器對候選非人臉樣本進行檢測，將被誤判為人臉的非人臉樣本加到樣本集中；（4）訓練第i+1層強分類器。系統(tǒng)檢測率和系統(tǒng)誤檢率的計算：（3-19）（3-19）D為級聯(lián)分類器的檢測率,為強分類器的檢測率。（3—20)（3—20)F為級聯(lián)分類器的誤檢率，為強分類器的誤檢率。n為級聯(lián)數(shù)目,由系統(tǒng)所要達到的檢測率和誤檢率決定。級聯(lián)分類器的優(yōu)勢：（1)降低訓練難度對于一個強分類器與一個L層的級聯(lián)分類器,假設它們誤判率相同為F，可知級聯(lián)分類器的各層強分類器的誤判率要大于F,訓練一個誤判率較高的強分類器難度相對較小.

(2)降低非人臉樣本選取難度

訓練級聯(lián)結(jié)構(gòu)的分類器，通過程序“自舉”非人臉樣本，逐層增加訓練難度,可以很好的解決非人臉樣本選取的難題。3.6Adaboost算法之檢測人臉檢測過程需要對圖像進行有效的掃描,有效地掃描方式有如下兩種:

（1）圖像放縮法檢測人臉

將檢測圖像按比例縮放成一系列圖像，稱為“圖像金字塔”。對圖像金字塔中的每一個圖像進行與訓練樣本窗口大小一樣的掃描。放縮檢測窗口時要考慮到兩個方面的因素：既不能使相鄰大小的窗口放大的倍數(shù)過大,因為這樣會漏檢過小的人臉；同時又要考慮到，如果相鄰窗口的大小相隔太小,檢測過程會有很多多余的計算，檢測速度會變慢［12]。如下圖所示：

圖3—12圖像放縮法檢測（2）檢測窗口放大法檢測人臉

放大檢測窗口法將圖像保持不變,按比例不斷放大檢測窗口，直到檢測窗口達到圖像大小，停止放大。但是此方法需要重新調(diào)整計算Haar特征值，如果調(diào)整不好將會降低檢測率。

圖3—13檢測窗口放大法檢測采用了逐級等比放大檢測窗口后，通常同一個人臉會在不同的尺度和相鄰的位置上被檢測到很多次,所以還需要一個合并的過程將所檢測出來的矩形進行合并以得到唯一的人臉圖像位置和人臉圖像尺度。

在同一尺度下，當檢測到人臉的兩個子窗口重疊部分超過當前窗口大小的1/2時，合并重疊的子窗口，合并的方法就是取平均值.此外，在不同尺度下檢測到的窗口如果發(fā)生重疊也需要合并,合并的方法也取平均值。

圖(a）是同一尺度下多個窗口重疊的結(jié)果，圖(b)是在不同尺度下多個窗口相互重疊的情況,圖（c）是最終合并的結(jié)果。圖(d）是檢測流程圖。圖3-14(a）多窗口重疊圖3—14(b)不同尺度的重疊圖3-14(c)最終合并圖輸入圖像輸入圖像灰度圖像灰度圖像積分圖積分圖多尺度檢測多尺度檢測當前尺度合并當前尺度合并NNN是否為單一圖框N是否為單一圖框YY輸出結(jié)果輸出結(jié)果圖3-14（d)檢測流程圖3.7用Haar分類器對圖像進行檢測Haar分類器構(gòu)造好了之后就可以用來檢測圖像中的人臉個數(shù)了。以下是用訓練好的Haar分類器對輸入圖像進行檢測，部分結(jié)果為：圖3—15（1)檢測結(jié)果圖圖3-15（2）檢測結(jié)果圖從網(wǎng)上隨機找?guī)讖垐D片進行檢測，其中效果較好的結(jié)果圖如下：圖3—16(1）隨機圖檢測結(jié)果圖3-16（2）隨機圖檢測結(jié)果不僅從網(wǎng)絡上直接找的圖片會出現(xiàn)誤檢情況，現(xiàn)實中拍攝的圖像也會出現(xiàn)，還會出現(xiàn)漏檢。如下圖:圖3-17出現(xiàn)漏檢圖3—18出現(xiàn)誤檢從實驗結(jié)果可以看出,不管是從網(wǎng)上隨機選取的圖片還是親自拍攝的圖片，Haar分類器的檢測率還是很高的，然而也不難發(fā)現(xiàn)這種檢測人臉的方法的漏檢率誤檢率還是存在的。從有限的實驗結(jié)果來分析，漏檢的原因主要在于待檢測的人臉中眼睛部分不夠清晰。這主要是因為訓練集數(shù)量太少，而且非人臉樣本比重偏低.事實上,世界上的非人臉樣式要遠遠大于人臉樣式，因此有足夠多的非人臉樣本,才能夠讓分類器對非人臉圖案的“分辨”能力大大提高。而出現(xiàn)誤檢則是由于Haar分類器自身的缺點導致,或者是背景過于復雜。接下來要介紹的HSV膚色模型則可以在一定程度上降低誤檢的概率，彌補Haar分類器的不足.第四章HSV膚色模型HSV［13］模型是面向用戶的,是一種復合主觀感覺的色彩模型。HSV模型對應于圓柱坐標系中的一個圓錐子集，如圖4—1所示：圖4—1HSV色彩模型HSV模型中，H即色調(diào)(Hue），表示顏色的種類，取值范圍為［0,1],相應的顏色從紅、黃、綠、藍綠、藍、紫到黑變化,且它的值由繞V軸的旋轉(zhuǎn)角決定，每一種顏色和它的補色之間相差108。。S即飽和度（Saturation）,它的取值范圍也是[0，1］,相應的顏色從未飽和（灰度）向完全飽和（無白色元素）變化。V即亮度（Value），其取值范圍同樣是［0,1],相應的顏色逐漸變亮,它和光強度之間并沒有直接的聯(lián)系.4.1HSV膚色模型原理4.1。1HSV人臉皮膚模型的建立及其必要性在一幅RGB彩色圖像中,每一個像素點由R、G、B三個分量所組成。每一個分量的變化都能直接導致彩色圖像中該像素點顏色的改變.如,在陽光燦爛的天氣下所拍攝的圖像顏色鮮艷,色彩飽和；相同背景下，在陰雨天所拍攝的相同圖像，其顏色暗淡，色彩灰沉.這樣,在同一像素點處，所表示的顏色大不相同,其RGB分量的灰度值也大不一樣。也就說RGB彩色模型受光照的變化影響很大.在這種情況下，如果選擇RGB彩色模型來進行人臉皮膚顏色建模的話,可能對同一個人的人臉皮膚檢測會應光線亮暗的不同,而導致檢測的結(jié)果有所出入。在惡劣的情況下，甚至會導致無法判別出人臉區(qū)域?？紤]到光線影響的情況，本次設計中特地選擇了HSV彩色模型作為人臉皮膚模型建立的彩色空間。對于HSV彩色模型來說，它能將亮度信息和色度信息從輸入圖像中分離出來，并且能夠獨立表示。H分量代表圖像的純色彩信息，即其表示的是圖象的顏色信息；S分量代表圖像的飽和度信息，即其表示的是圖象的顏色的深淺；V分量代表圖像的亮度信息，即其表示的是圖像的顏色的亮度。由此可見，H分量只表示目標的彩色信息，相對RGB顏色模型來說,受光照變化的影響緩慢。選擇H分量作為人臉皮膚顏色統(tǒng)計的參數(shù),可以降低光照影響的作用[14］。人類有白色，黃色和黑色人種，其人臉皮膚顏色也各自不同,建立模型的時候需要分別對待，本次論文研究的是黃色人種的人臉皮膚檢測。在每一人種中，其人臉皮膚顏色都是分布在一個較窄的頻帶上，皮膚顏色分布范圍集中在某一區(qū)域。即，在色相H分量中,表示為集中在某一小區(qū)域范圍內(nèi)。這樣就可以，基于HSV彩色模型下，利用H分量受光照影響變化緩慢的性質(zhì)，來建立一個人臉皮膚彩色模型，即人臉皮膚色相的統(tǒng)計表，將人臉的顏色區(qū)域估計出來，再利用這個人臉皮膚彩色模型對任意圖像進行人臉檢測.由此，在建立人臉皮膚模型時,需要先將在RGB彩色模型下的圖像轉(zhuǎn)換為HSV彩色模型的圖像.通過對一定數(shù)量的人臉皮膚進行統(tǒng)計后，獲得關(guān)于人臉皮膚顏色的區(qū)域范圍。而這個范圍包含了人臉皮膚的顏色信息。4。1。2人臉皮膚模型的訓練在上一節(jié)里介紹了人臉皮膚模型的建立，實際上該模型就是色相H的顏色表。通過對一定數(shù)量的人臉皮膚進行估計就可以得到比較完善的人臉皮膚模型,所以對人臉皮膚模型進行訓練是必須的。以下介紹人臉皮膚模型的訓練的步驟：1。建立H分量的顏色表。在HSV彩色模型中，H分量是0—1范圍內(nèi)的值?？紤]到在HSV彩色模型的立體圖里H為一個旋轉(zhuǎn)分量，每一度數(shù)就表示一個顏色。這樣可以制定一個大小為360的顏色表，這個顏色表就是人臉皮膚模型,人臉皮膚模型的初始值為0。2。人臉皮膚模型的顏色統(tǒng)計。將一幅要進行估計的人臉圖像轉(zhuǎn)變?yōu)镠SV彩色模型下的圖像，取H分量的圖像,并且將從0—1的數(shù)字范圍轉(zhuǎn)變?yōu)?—359的數(shù)字范圍。統(tǒng)計變換后的H分量圖像中，每個像素值出現(xiàn)的次數(shù)，將其加入表中對應的位置上。即,變換后的H分量中為200的像素點出現(xiàn)了99次,則在人臉皮膚模型中對應的200位置上,在原來的數(shù)目上再加上99。3。訓練人臉皮膚模型。將要進行訓練的人臉皮膚圖像,重復步驟2進行統(tǒng)計。一般來說，進行訓練的人臉皮膚圖像越多,人臉皮膚顏色模型越完善，人臉的區(qū)域的正確檢測性越高。本次設計將用二十幅人臉皮福圖進行訓練。4.訓練的模型概率化。訓練完人臉皮膚模型后，得到的顏色表中數(shù)值比較大。為了便于直觀分析，可以利用下式進行概率化,即歸一化:（4—1)（4—1)其中,表示顏色表中第i個顏色數(shù)值出現(xiàn)的概率,表示第i個顏色數(shù)字的出現(xiàn)個數(shù)，表示有幅人臉皮膚圖像進行訓練,第j幅圖像的寬和高分別為和。5.獲得人臉皮膚模型。經(jīng)過步驟4后得到了概率化后的人臉皮膚模型，顏色數(shù)值對應的概率值大小可以表示該顏色數(shù)值為人臉皮膚顏色的可能性的大小.概率大的,為人臉的可能性大；概率小的，為人臉的可能性小。通過對人臉皮膚模型進行訓練后，獲得了比較完善的人臉皮膚模型，這一模型里包含了比較完善的人臉皮膚信息。根據(jù)概率值的大小，可以判斷出人臉皮膚區(qū)域集中的顏色空間，從而能夠?qū)θ我獾膱D像進行人臉檢測。4.2人臉檢測通過第4。1節(jié)的模型建立和訓練后，將會獲得一個比較完善的人臉皮膚模型，通過這個人臉皮膚模型，就可以對圖像進行人臉檢測。由于人臉皮膚模型是一些概率值,這些概率值表示了某一個顏色數(shù)字與人臉皮膚顏色的距離。由此可以通過判斷某一點的顏色數(shù)字的概率值大小來區(qū)分該點是否為人臉.而這樣的判斷需要通過給予一個門限值來劃分，這個門限值的給定影響人臉檢測的結(jié)果?？梢酝ㄟ^多次試驗后，給出一個直觀的合理的門限值。本文中門限值設為0。01。門限值給定了以后,就能對一幅圖像進行人臉檢測。首先,需要就圖像轉(zhuǎn)換為HSV彩色模型下,取其H分量的圖像；其次，將H分量的圖像轉(zhuǎn)換到0—359內(nèi)，這樣將會便于進行快速查表進行判斷；再次，由于已知給定的門限值可以對皮膚顏色模型進行判斷，得到為人臉皮膚顏色的顏色數(shù)字范圍,所以，能夠把變換后的H分量圖像中每一像素點上的數(shù)字進行判斷；最后，得到的為人臉區(qū)域的像素點,這樣就可以檢測出人臉區(qū)域和非人臉區(qū)域.在人臉檢測的過程中，主要注意的是人臉皮膚模型的判斷門限值。如果進行訓練的人臉皮膚樣本比較多時,門限值對人臉檢測的影響不大;相反,如果進行訓練的人臉皮膚樣本比較少時，門限值對人臉檢測的影響比較大。一般來說，在訓練人臉皮膚模型時,為了達到人臉檢測的準確性要求，訓練的人臉皮膚樣本足夠多，因此，該門限值只要取在適當?shù)姆秶鷥?nèi)，對人臉的檢測結(jié)果影響不大。4.3實驗結(jié)果本實驗用20幅人臉皮膚圖像對人臉皮膚模型進行訓練.選用的人臉皮膚圖像是使用Photoshop對一幅圖像進行手工分割,把圖像中人臉的部分切割出來再去掉眼睛和眉毛部分而得的。部分人臉皮膚圖為:圖4-2。1人臉皮膚圖圖4-2。2人臉皮膚圖圖4-2。3人臉皮膚圖經(jīng)過對人臉皮膚進行訓練后，獲得人臉皮膚模型，可以通過顏色的接近程度判斷出人臉區(qū)域。由于人體的皮膚顏色和人臉的皮膚顏色大致一樣，所以進行人臉檢測的圖像中如果含有人體其他皮膚區(qū)域的話，同樣能夠被檢測出來。如圖下圖所示。所以，進行人臉檢測的時,選擇了一些不包含人體其他皮膚區(qū)域的圖像進行檢測。但是即使這樣還是會有誤檢的地方，有些背景跟皮膚顏色相近，檢測時便不會被檢測出來。圖4—3。1待檢測的圖像圖4-3.1檢測結(jié)果圖圖4—4。1待檢測的圖像圖4—4。2檢測的結(jié)果圖(a）（b）圖4-5誤檢圖像從圖4—5第一張圖可以看出,除了人臉部位，還有很多其他部分被檢測出來，主要原因是膚色不好，跟提取的閾值相近。第五章Haar分類器與HSV膚色模型結(jié)合檢測通過大量實驗表明,先用Haar分類器檢測,再通過HSV膚色模型進一步過濾能大大降低誤檢的概率,部分結(jié)果如下圖所示:圖5—1。1原圖圖5—1。2Haar分類器檢測圖圖5-1。3膚色過濾圖圖5-2。1原圖圖5—2。2Haar分類器檢測圖圖5—2.3膚色過濾圖然而即使兩種方法的結(jié)合依然不夠完美，通過大量的實驗可知,有些圖像還是會有誤檢,如下圖:圖5-3.1原圖圖5-3。2Haar分類器檢測圖圖5—3。3膚色過濾圖從圖5—3可以看出，雖然經(jīng)過HSV膚色模型過濾后仍有一處誤檢。其原因是，經(jīng)HSV膚色模型檢測后如圖4—5圖（b），誤檢的位置被認定為皮膚區(qū)域，所以無法排除。因此今后的研究方向可以分為三個,一是改進算法,Haar分類器還有很大的提升空間，也可以增加HSV模型的訓練樣本，二是考慮在這兩種方法的基礎上增加更多的方法，用兩種以上方法的結(jié)合，比如SMQT特征和SNOW分類器等等，三是充分考慮各種算法的優(yōu)缺點，在其基礎上開發(fā)出更好用、檢測效率更高的算法.第六章圖形界面圖形用戶界面（GraphicalUserInterface，簡稱GUI［15］，又稱圖形用戶接口）是指采用圖形方式顯示的計算機操作用戶HYPERLINK"/view/240704.htm”界面。為本次畢業(yè)設計的人臉檢測系統(tǒng)設計GUI界面，實現(xiàn)一個簡易的人機交互界面,包括人臉檢測的各個檢測結(jié)果,查看圖像，退出等多項功能.GUI界面下圖所示：圖6-1gui圖像圖6—2檢測圖像第七章總結(jié)這次畢業(yè)設計，完成了復雜背景下靜止圖像的人臉檢測設計，并用MATLAB軟件仿真實現(xiàn).本次設計用的是Haar分類器對待檢測圖像進行初步檢測定位,然后根據(jù)HSV膚色模型對待檢測圖像進一步過濾.最后綜合二者檢測結(jié)果的相同之處,相當于取二者的交集，得到最后的檢測結(jié)果。本次設計用的是Adaboost算法訓練分類器.針對一幅樣本中數(shù)以十萬計的Haar特征，而每一個這樣的特征都可以當成一個弱分類器。利用Adaboost算法先訓練出最優(yōu)弱分類器，然后訓練弱分類器為強分類器，最后訓練強分類器為級聯(lián)強分類器，即Haar分類器。分類器訓練好了就可以對待檢測圖像進行檢測了.Adaboost算法的一個缺點是訓練時間長，而積分圖可以大大減少訓練的時間。訓練的結(jié)果表明,該分類器的誤檢率有點高，主要原因是訓練的樣本不夠大.HSV膚色模型利用的是H分量對光線變化不敏感的特性，提取20幅人臉皮膚模型中的H分量，然后對待檢測圖像進行檢測。實驗結(jié)果表明,該方法能很好的區(qū)別出皮膚區(qū)域與非皮膚區(qū)域，然而也不難發(fā)現(xiàn),誤檢率也是很高，主要原因是背景或其他衣物的顏色跟皮膚顏色相近時會被誤認為是皮膚區(qū)域。大量實驗結(jié)果表明，利用這兩種方法的結(jié)合能夠在一定程度上降低誤檢率，由于是取的二者的共同之處，以Haar分類器為主，HSV膚色模型為輔，所以當Haar分類器檢測出現(xiàn)漏檢時，HSV膚色模型也無法降低誤檢率。當Haar分類器誤檢的區(qū)域被HSV膚色模型認為是皮膚區(qū)域時,該處會被誤檢。從檢測結(jié)果中可以看出來，很多圖像仍有誤檢、漏檢的區(qū)域，還有就是檢測的時間仍然很長。訓練時，Adaboost算法在每輪迭代后，一些樣本的權(quán)值會被更新為小于初始權(quán)值，這些樣本在下一輪迭代時仍可能會被選中，這樣就會出現(xiàn)重復選取樣本的現(xiàn)象。今后的思考方向,就是如何避免這一點.謝辭一篇論文的完成不可能是自己一個人獨自研究的結(jié)果，在寫論文期間離不開一些人的幫助。謹在此萬分感謝岳姝岳老師對我不厭其煩的諄諄教導。岳老師盡職盡責，對我們要求嚴格，百忙之中仍舊惦記著我們的進度，并對我們遇到的問題提供及時的幫助.仍記得開學之初岳老師指點我改開題報告的那個夜晚，當時應該都晚上十點多了，收到岳老師的短信，說開題報告已經(jīng)看完了，需要修改的地方已經(jīng)標注好了。我迫不及待打開郵箱,發(fā)現(xiàn)岳老師非常有心的用不同的顏色把需要修改的地方給我標注了出來.按照岳老師的指導，我的理解，我改完后，自我感覺良好，然后順便發(fā)了回去。第一次改完已經(jīng)十一點多了,我接著干別的事情。半個小時后,郵箱提醒有新的郵件，我好奇打開后發(fā)現(xiàn)是岳老師給我的回復,開題報告還是有些問題。我接著修改，發(fā)給岳老師，并希望她早點休息.正當我以為這次岳老師應該休息了吧，半個小時又過去后郵箱再次提醒有岳老師的新郵件,我繼續(xù)修改，發(fā)送，接收,修改…當我終于改的基本達到岳老師的要求后，已經(jīng)凌晨一點多了.接下來做畢業(yè)設計的日子里，岳老師依舊兢兢業(yè)業(yè),對我們四個耳提面命,電話短信也是很頻繁,總是憂心我們的畢設不能按時完成。岳老師，您辛苦了！除了岳老師幫助，我對我們組其他三人也是充滿感激，由于他們的鼓勵，對我的扶持，才能完成此次論文。只有我們四個的設計有相通之處,遇到無法解決的一些小問題，我總是習慣向他們?nèi)齻€請教。雖然有時意見不同，免不了爭吵，可是我們之間的友情卻在這一次次“斗嘴”中更加深厚。感謝你們！還有好多其他同學，雖然他們?yōu)槲业脑O計幫不上什么忙，可是當我因為畢設頭痛心煩，遇到難題無法解決幾欲崩潰時，是他們始終陪在我身邊，陪我打幾局游戲，陪我去操場散散心，傾聽我的抱怨，陪我去發(fā)泄，鼓勵我，安慰我，為我出謀劃策…有你們真好！還有不得不提到的是這四年教過我的所有老師，謝謝你們！沒有你們教給我的基礎知識，我不可能順利完成本次設計。

最后再次感謝在大學傳授給我知識以及給我?guī)椭凸膭畹睦蠋?，同學和朋友，謝謝你們！

參考文獻[1]趙書蘭.MATLAB數(shù)字圖像處理與分析實例教程[M］。第一版。北京：化學工業(yè)出版社，2009[2]YangM-H，KriegmanD.Asurveyonfacedetectionmethods。IEEETransonpatternAnalysisandMachineIntelligence，2002,20(1）：23-38。[3]趙麗紅,劉紀紅，徐心和。人臉檢測方法綜述［J].人工智能與機器人研究所.2004,09-0001-04[4]孫寧，鄒采榮,趙力.人臉檢測綜述[A］。電路域系統(tǒng)學報.2006,06—0101-08［5］梁路宏，艾海舟.人臉檢測研究綜述。計算機學報2002，25（5）：449-458[6］邵林昌.基于混合方法的人臉檢測綜述[A]。濮陽職業(yè)技術(shù)學院學報.2005，04-0013-02［7]ViolaP，JonesM。Rapidobjectdetectionusingaboostedcascadeofsimplefeature［C］.Kauai,Hawaii：ProceedingIEEEconfonComputerVisionandPatternRecognition,2001，511-518[8]鄧亞峰,蘇光大，傅博。一種基于AdaBoost的快速動態(tài)人臉檢測算法[A].計算機工程.2006,11—0222—03［9]付煒,孔祥棟.基于膚色和Adaboost算法的人臉檢測[A]。2012,06—131—04[10］涂程勝，刁力力，魯明羽，陸玉昌.Boostjing家族AdaBoost系列代表算法。計算機科學.2003,30(4）[11]謝淑麗。基于雙膚色模型及Adaboost算法的人臉檢測。莆田學院學報［A]。2009,05—0064-04[12］趙江，徐魯安.基于Adaboost算法的目標檢測［A].計算機工程。2004,04—0125—0213]王偉，張佑生，方芳.人臉檢測與識別技術(shù)綜述［A］。合肥工業(yè)大學學報。2006,02-0518—06[14]張強,王正林。精通MATLAB圖像處理［M］.第一版。北京:電子工業(yè)出版社，2009［15]李顯宏。MATLAB7。x界面設計與編譯技巧［M］。第一版.北京：電子工業(yè)出版社，2006附錄一人臉檢測程序function[output_args]=Match_best_gui（input_args)f=figure（'Visible’,'off'，'Position'，［0，0,900，800]，'ToolBar’，'none')；hopenfile=uicontrol(’Style’,’pushbutton','String',’打開圖像’，...'Position’，[45，10,75，30]，'FontSize',10，。..’Callback',{@openfile_button_Callback}）;hstart1=uicontrol('Style'，'pushbutton’，’String’,'人臉檢測’，.。.’Position'，[125,10,75，30]，’FontSize',10，..。’Callback’,{＠start1_button_Callback｝）；set([f，hopenfile,hstart1]，’Units'，’normalized’）；set(f,’Name’，'人臉檢測’)movegui（f,’center’)subplot(2，2，1）；imshow（’。\empty.jpg’)；title(’請輸入要檢測的圖像')；subplot(2,2,2);imshow（'。\empty.jpg'）；subplot（2,2,3）；imshow('.\empty.jpg'）;subplot（2,2，4）；imshow('。\empty。jpg’)；set（f,'Visible','on'）;functionopenfile_button_Callback（source，eventdata)[appoint_filename，pathname]=uigetfile('＊。bmp；＊。jpg'，'請選擇圖片’)；ifisequal(appoint_filename，0）｜|isequal(pathname,0)elsemy_show_other(strcat(pathname,appoint_filename)，appoint_filename）；endendglobalcurrent_x1；current_x1=0；globalcurrent_x2;current_x2=0;functionstart1_button_Callback(source，eventdata)％%訓練的色相概率統(tǒng)計表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’)；Hmap=testHSV(M，Hmap）；M=imread('5.jpg’);Hmap=testHSV(M，Hmap)；M=imread('6。jpg'）;Hmap=testHSV（M,Hmap);M=imread（’7.jpg’);Hmap=testHSV（M，Hmap)；M=imread（'8.jpg');Hmap=testHSV(M,Hmap）;M=imread（’9.jpg')；Hmap=testHSV（M，Hmap);M=imread（'10.jpg'）；Hmap=testHSV(M，Hmap）;M=imread（’11。jpg’）;Hmap=testHSV（M，Hmap）;M=imread（’12.jpg'）;Hmap=testHSV（M,Hmap）;M=imread（’13。jpg’）;Hmap=testHSV（M，Hmap）；M=imread('14。jpg');Hmap=testHSV（M，Hmap);M=imread('15.jpg’）;Hmap=testHSV(M,Hmap)；M=imread(’16.jpg’）；Hmap=testHSV（M,Hmap）；M=imread(’17。jpg’);Hmap=testHSV（M,Hmap)；M=imread（’18.jpg'）；Hmap=testHSV（M，Hmap）；M=imread（’19。jpg'）;Hmap=testHSV（M,Hmap)；M=imread（'20。jpg');Hmap=testHSV(M，Hmap)