基于肤色人脸检测可上传

数字图像处理课程设计报告设计课题:基于肤色的人脸检测姓名:姚望学院:计算机科学与工程学院专业:电子信息工程班级:11级（4）班学号:20111595日期2013年12月24日—2013年12月27日指导教师:目录1设计目的...............................................................错误!未定义书签。2课程设计背景3人脸检测系统设计方案3.1流程图........................................................................错误!未定义书签。3.2实验原理4仿真实验4.1YCbCr空间.............................................................................................64.2噪声消除.................................................................................................84.3图像填孔.................................................................................................84.4图像重构.................................................................................................94.5脸部提取.................................................................错误!未定义书签。4.6人脸区域确定...........................................................错误!未定义书签。结论..............................................................................................................13参考文献.....................................................................................................14一．设计目的（1）建立人的肤色模型；（2）标定人脸区域；二．课题设计背景近些年来，随着工农业、医学、军事等领域自动化和智能化需求的迅猛发展，对图像处理技术的要求也越来越高。其中，对图像的自动识别与理解就是一项重要任务，而对图像进行分割来提取目标是其关键步骤之一，如果得不到合理的图像分割图，也就无法对图像进行正确的识别与理解。图像分割(ImageSegmentation)就是按照一定的规则将一幅图像分成若干部分或子集的过程。简单的说，就是把图像中的物体与背景或物体与物体分割开。在有关图像分割技术的文献中，由于不同领域的侧重点不同，有时也以诸如边缘检测技术、阈值化技术、目标检测技术、目标轮廓技术等提法出现。虽然近年来研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大的突破性的进展。仍然存在的问题主要有两个:其一是没有一种普遍使用的分割算法；其二是没有一个好的通用的分割评价标准。从图像分割研究的历史来看,可以看到对图像分割的研究有几个明显的趋势:一是对原有算法的不断改进；二是新方法、新概念的引入和多种方法的有效综合运用。人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断的引入图像分割领域的同时,也更加重视把各种方法综合起来运用。在新出现的分割方法中,基于小波变换的图像分割方法就是一种很好的方法。三是交互式分割研究的深入.由于很多场合需要对目标图像进行边分割分析,例如对医学图像的分析,因此需要进行交互式分割研究。事实证明,交互式分割技术有着广泛的应用。四是对特殊图像分割的研究越来越得到重视。目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究,也有对运动图像及视频图像中目标分割的研究,还有对深度图像、纹理(Texture)图像、计算机断层扫描(CT)、磁共振图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术的研究。五是对图像分割评价的研究和对评价系数的研究越来越得到关注.相信随着研究的不断深入,存在的问题会很快得到圆满的解决。三．设计内容1.实验流程图2.设计原理3.2.1RGB模型这是最常用的颜色模型。国际照明委员会(CIE)选择红色(波长=700.0nm)，绿(波长=546.1nm)，蓝色(波长=435.8nm)三种单色光作为表色系统的三基色。这个模型基于笛卡尔坐标系统，三个轴分别是R,G,B。我们感兴趣的部分是个正方体。原点对应黑色，离原点最远的顶点对应白色。为方便我们将立方体归一化为单位立方体，这样所有R,G,B值都在区间[0,1]中。图2.1RGB颜色模型原始图像RGB成分与Ycbcr成分进行变换分割阈值得出二值图片恢复原图片识别人脸一般摄像系统都采用RGB色系坐标系、通常图像的颜色也用这一色系坐标系表示。一般以RGB色系坐标系为基础描述其它色系坐标系，将其它色系坐标系的基色描述为RGB三色的线性或者非线性函数。3.2.2YCbCr模型这是常用于彩色图像压缩时的一种颜色模型。Y:代表亮度;Cb,Cr:代表色差。它充分考虑了色彩组成时RGB三色的重要因素。RGB成份通过下列公式与YCbCr成份进行变换:1、RGB到YCbCr的转换:)YR)(299.01(2C)YB)(114.01(2CB114.0G587.0R99.20Yrb(2.2)2.YCbCr到RGB的转换:bbbbrrrrCkYBCk587.0114.0Ck587.0299.0YGCkYR(2.3)这里，)114.01(21k,)299.01(21kbr因为亮度信息包含在Y成份中，色度信息在Cb和Cr中。因此可以轻松地去掉亮度信息。3.2.3图像的去噪获取图像过程中，人脸图像不可避免的会出现噪声。图像中的噪声种类很多，对图像信号幅度和相位的影响十分复杂，有些噪声和图像信号互相独立不相关，有些是相关的，噪声本身之间也有些相关。因此要减小图像中的噪声，必须针对不同情况采用不同的方法，否则难有令人满意的结果。1.图像噪声噪声可以理解为“妨碍人们感觉器官对所接受的信源信息理解的因素”。图像在生成和传输过程中会常常受到各种噪声源的干扰和影响而使图像质量变差。噪声干扰可以由电子成像系统传感器、信号传输过程、信道误差或者胶片颗粒性等造成。为了抑制噪声改善图像质量，必须对图像进行去噪处理。一般情况下，在空间域内可以用邻域平均来减小噪声。在频率域，因为噪声频谱多在高频段，因此可以采用各种形式的低通滤波的方法来减小噪声。各种噪声中尤以椒盐噪声最为常见。椒盐噪声是指黑图像上的白噪声点，白图像上的黑噪声点，常由图像分割所产生。对人脸图像而一言，图像中除了山于光照、灯光、阴影等形成的大块干扰之外，大部分噪声都是椒盐噪声，对于椒盐噪声，比较好的滤波方法是采用中值滤波的方法。本文就是采用中值滤波来去除图像的噪声。2.中值滤波中值滤波是一种去除噪声的非线性处理方法，它是由Turky在1971年提出的。起初中值滤波用于时间序列分析，后来被用于图像处理，在去噪复原中得到了较好的效果。它在一定条件下，可以克服线性滤波器如最小均方滤波、平均值滤波等所带来的图像细节模糊的缺陷。而且对滤除脉冲干扰及图像扫描噪声最为有效。中值滤波在实际运算过程中并不需要图像的统计特性，这带来了不少方便。中值滤波的基本原理是把数字图像或数字序列中某一点的值用该点的一个邻域中各点值的中值代替。其中，中值的定义如下:一组数n21x,x,x，把n个数按值的大小顺序排列为in2i1ixxx，)12n(i)2n(i)21n(in21xx21xx,,x,xMedy为偶数为奇数nn（3.3）y称为序列n21x,,x,x的中值。把一个点的特定长度或形状的邻域称为窗口。在一维情形下，中值滤波器是一个含有奇数个像素的滑动窗口。窗口正中间那个像素的值用窗口内像素值的中值代替。设输入序列为Ii,xi,I为自然数集合或子集，窗口长度为n。则滤波器输出为uiiuiiixxxMedxMedy（3.4）其中2)1n(u,Ii。中值滤波器的工作步骤如下:(1)将模板在图像中滑动，并将模板中心与图中某个像素位置重合；(2)读取模板对应像素值，将这些灰度值从小到大排成一列；(3)按公式(3.3),(3.4)得到模板输出值，将输出值赋给对应模板中心位置的像。中值滤波的窗口形状和尺寸设计对滤波效果影响较大。不同的图像内容和不同的应用要求，往往采用不同的窗口形状和尺寸。中值滤波器的模板邻域越大，虽然消除噪声的能力越强，但是图像的细节也去除得越多。为了在滤除噪声的同时保持图像的细节，本文实验采用了(3×3)邻域的中值滤波。噪声被滤出的同时，肤色区域仍能保持连贯的轮廓。4.仿真实验4.1YCbCr空间光照强度的不同、人脸肤色的不同、图片背景的不同往往导致每张图片都具有自身的特色，将人脸区域从背景、衣着、发型等非人类区域中分割出来。一般使用的RGB图片不适合于建立人脸皮肤模型，因为在RGB空间中，使用三基色（r,g,b）表示图片的亮度以及颜色。在不同的环境下光照条件的改变，很难将肤色点从非肤色点中分离出来，如果在RGB图像上进行处理，将产生离散的肤色点，图片中间嵌有很多的非肤色点，提高了人脸检测的难度，容易产生不可靠的肤色分割。解决方法是隔离颜色表达式中的亮度信息与色度信息，充分利用色度空间中肤色所表示出来的聚类性。为此需要创造这样一个色彩空间，这个空间能把R、G、B所代表的色度信息与亮度信息分开表示。色彩空间常用的的转换颜色模型主要有：YIQ、YCbCr、HSV等。这里，采用YCrCb色彩空间作为报告的设计空间[5]。YCbCr色彩空间一般是在数字视频领域内应用于高品质的视频播放。在这种色彩空间中，用单个分量Y来表示亮度信息，用两个色差分量Cb和Cr来存储彩色信息。其中分量Cb表示蓝色分量和一个参考值的差，分量Cr表示红色分量和一个参考值的差[5]。RGB转换为YCbCr所用的变换公式是：BGRCCY214.18786.93000.112000.112203.74797.37966.24553.128481.6512812816rb转换函数是：YCBCR=rgb2ycbcr(RGB)。灰度图像就是一个数组描述，通常由一个uint8、uint16或双精度类型表示，是使用一个特殊的图像来表示图片中的所有像素[5]。这个特殊图像就是灰度，一般表示为图像的最黑暗色到图像的最白亮色。灰度图像不同于黑白图像，黑白图像只有0、1两种取值颜色，而灰度图像的实质是一个数据矩阵I，该矩阵中使用了一定范围内的灰度级来代表图片中的数据，每一个元素对应着图像中的一个像素点，灰度级的取值范围[0,255][5]。（0代表黑色，255代表白色）在数字图像中，不同的肤色在YCbCr彩色空间内呈现不同的聚类分布，分布在很小的范围，其色度上的区别远大于在亮度上的区别，同样的肤色在YCbCr彩色空间中，在不同的光照条件下只有亮度值Y会随之改变。不同的肤色可以具有相同的2D模型G(m，V^2)。为此笔者借助设定门限值实现肤色的区分。人体肤色在YCbCr色度空间的灰度范围为：170cr138,