一種基于膚色分割和模板匹配的人臉檢測與識別方法
【專利摘要】本發(fā)明公開一種基于膚色分割和模板匹配的人臉檢測與識別方法,根據(jù)人臉膚色在YCbCr顏色空間的聚類特性,利用人臉膚色混合高斯模型對人臉進行分割,把接近于人臉膚色的區(qū)域從圖像中分離出來,從而實現(xiàn)迅速對人臉的外臉檢測的目的;利用光照補償技術來克服亮度對人臉檢測和識別的影響;利用自適應模板匹配來克服類膚色背景對人臉檢測和識別的影響;并通過采用二次匹配算法來減少匹配過程中的計算量,利用提取人臉圖像中的奇異值特征來識別人臉,并達到降低人臉特征提取過程中特征值矩陣的維數(shù)的目的,該人臉檢測與識別方法能快速檢測出人臉,并提高人臉檢測與識別的準確率,實用性強,具有較強的推廣與應用價值。
【專利說明】—種基于膚色分割和模板匹配的人臉檢測與識別方法
【技術領域】
[0001]本發(fā)明屬于模式識別及人工智能領域,尤其涉及一種基于膚色分割和模板匹配的人臉檢測與識別方法。
【背景技術】
[0002]人臉檢測與識別技術的研究是當前模式識別和人工智能領域的研究熱點,應用領域十分廣泛,可用于公安系統(tǒng)的罪犯身份識別、安全驗證系統(tǒng)、信用卡驗證、醫(yī)學、檔案管理、視頻會議、人機交互系統(tǒng)、駕駛執(zhí)照及護照等與實際持證人的核對、監(jiān)控系統(tǒng)及自動門衛(wèi)系統(tǒng)等。隨著圖像處理、模式識別、計算機視覺以及神經(jīng)網(wǎng)絡等學科的進一步發(fā)展,人臉識別技術必將得到很大的發(fā)展。
[0003]目前,人臉檢測與識別方法有:(I)幾何特征法:這類方法主要根據(jù)人臉的幾何形狀以及臉部器官的比例關系檢測和識別人臉,它分為自底向上和自頂向下兩種,前者先檢測人臉的各個特征部位(如眼睛、鼻子、嘴唇等),根據(jù)這些特征再構成人臉,后者則先定位可能的人臉,然后根據(jù)面部的特征部位對可能的人臉進行驗證,此方法中人眼位置的確定非常重要,對圖像中人的眼部圖像質量要求很高,應用范圍受到一定的限制;(2)模板匹配法:使用模板逐點掃描待檢測圖像,計算圖像各點同模板的匹配度,據(jù)此檢測和識別人臉,由于計算量大,其檢測速度、檢測效率較低;(3)基于分類的方法:利用人臉的整體特征(如膚色或灰度分布等)進行人臉的檢測和識別,避開了對人臉各面部器官的檢測,由于基于顏色信息的檢測方法計算量小、穩(wěn)定性好、描述簡單且有利于達到實時處理,近年來備受關注,已成為研究熱點,但利用顏色信息來檢測人臉受到復雜背景,特別是類膚色背景的影響和亮度的影響,且對人臉面部特征進行顯式描述比較困難。
【發(fā)明內(nèi)容】
[0004]本發(fā)明提供了一種基于膚色分割和模板匹配的人臉檢測與識別方法,旨在解決現(xiàn)有技術提供的基于模板匹配人臉檢測與識別算法計算量大和基于膚色分割人臉檢測和識別算法識別率低、易受類膚色背景影響的問題。
[0005]本發(fā)明的目的在于提供一種基于膚色分割和模板匹配的人臉檢測與識別方法,該人臉檢測與識別方法包括以下步驟:
[0006]步驟一,采用二維多尺度離散正交小波變換對所采集的人臉圖像進行非均勻光照補償;
[0007]步驟二,根據(jù)人類膚色在YCbCr顏色空間的聚類特性,利用人臉膚色混合高斯模型對人臉進行分割,把接近于人臉膚色的區(qū)域從圖像中分離出來;
[0008]步驟三,對人臉膚色分割后的圖像進行開啟和閉合運算操作處理;
[0009]步驟四,采用二次匹配誤差算法對開啟和閉合運算操作處理后的人臉圖像進行模板匹配;
[0010]步驟五,在對人臉圖像進行膚色分割和模板匹配的基礎上,對人臉進行檢測與定位;
[0011 ] 步驟六,在對人臉圖像進行檢測與定位的基礎上,對人臉進行提取與識別。
[0012]進一步,在步驟一中,采用二維多尺度離散正交小波變換對所采集的人臉圖像進行非均勻光照補償?shù)膶崿F(xiàn)方法為:
[0013]設f(x,y)為人臉圖像信號,其反射分量和光照分量分別為r(x,y)和i(x,y),并定義人臉圖像的二維多尺度離散正交小波變換為:
【權利要求】
1.一種基于膚色分割和模板匹配的人臉檢測與識別方法,其特征在于,該人臉檢測與識別方法包括以下步驟: 步驟一,采用二維多尺度離散正交小波變換對所采集的人臉圖像進行非均勻光照補償; 步驟二,根據(jù)人類膚色在YCbCr顏色空間的聚類特性,利用人臉膚色混合高斯模型對人臉進行分割,把接近于人臉膚色的區(qū)域從圖像中分離出來; 步驟三,對人臉膚色分割后的圖像進行開啟和閉合運算操作處理; 步驟四,采用二次匹配誤差算法對開啟和閉合運算操作處理后的人臉圖像進行模板匹配; 步驟五,在對人臉圖像進行膚色分割和模板匹配的基礎上,對人臉進行檢測與定位; 步驟六,在對人臉圖像進行檢測與定位的基礎上,對人臉進行提取與識別。
2.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟一中,采用二維多尺度離散正交小波變換對所采集的人臉圖像進行非均勻光照補償?shù)膶崿F(xiàn)方法為: 設f(x,y)為人臉圖像信號,其反射分量和光照分量分別為r(x,y)和i(x,y),并定義人臉圖像的二維多尺度離散正交小波變換為:
3.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟二中,根據(jù)人類膚色在YCbCr顏色空間的聚類特性,利用人臉膚色混合高斯模型對人臉進行分割,把接近于人臉膚色的區(qū)域從圖像中分離出來的實現(xiàn)方法為:Stepl:根據(jù)人臉膚色在YCbCr色度空間的高斯分布,對彩色圖像中每個像素點,利用式⑷將其從RGB色彩空間轉換到YCbCr空間后,計算該點屬于人臉膚色區(qū)域的概率,即根據(jù)該點離高斯分布中心的遠近得到和人臉膚色的相似度,將彩色圖像轉化為灰度圖,其中每個像素點的灰度與該點膚色的相似度對應,利用式(5)來建立人臉膚色的2D高斯模型:
4.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟三中,對人臉膚色分割后的圖像進行開啟和閉合運算操作處理的實現(xiàn)方法為: 開啟運算:先對圖像進行腐蝕操作,然后對腐蝕的結構做膨脹操作,定義開啟運算為:
5.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟四中,采用二次匹配誤差算法對開啟和閉合運算操作處理后的人臉圖像進行模板匹配時,首先使用雙眼模板進行粗篩選,再采用區(qū)域的歐拉值來計算人臉皮膚區(qū)域內(nèi)的空洞數(shù),計算公式如下: E = C-H(13) 其中,E為歐拉值;C為連通分支數(shù);H為一個區(qū)域中的空洞數(shù); 因每次只處理一個皮膚區(qū)域,所以連通分支數(shù)為1,則空洞的數(shù)量就為H= 1-E,二值圖像中區(qū)域的中心就是質心,可由式(14)來計算,式(14)為:
6.如權利要求5所述的人臉檢測與識別方法,其特征在于,檢測一個皮膚區(qū)域是否為人臉的具體匹配步驟如下: Stepl:封閉皮膚區(qū)域空洞,并將對應位置的原始圖像疊加到區(qū)域中; Step2:根據(jù)之前計算的區(qū)域高和寬將模板臉調整到與皮膚區(qū)域同大?。? St印3:根據(jù)偏角Θ旋轉調整后的模板臉,并去掉由于旋轉造成的新圖像邊緣的混疊部分; Step4:通過式(14)來計算調整后模板臉的質心; Step5:創(chuàng)建一個與原始圖像有相同大小的灰度圖像,此圖像與待檢測的皮膚區(qū)域相同且覆蓋了已調整后的模板臉,其他部分為黑色; St印6:計算Stepl到St印5得到的皮膚區(qū)域部分和模板臉之間互相關值; Step7:確定最優(yōu)閾值為0.6時來分類一個人臉區(qū)域; Step8:重復Stepl到Step7處理完每一個候選皮膚區(qū)域。
7.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟五中,在對人臉圖像進行膚色分割和模板匹配的基礎上,對人臉進行檢測與定位的實現(xiàn)方法為: 外臉檢測: Stepl:選用YCbCr色彩空間對圖像進行二值化處理,膚色范圍限定在Cb e [98,127],Cr e [133,170]內(nèi),將滿足條件的像素標記為膚色像素,其余標記為非膚色像素; Step2:在檢測過程中通過一個低通濾波器對人臉圖像進行了去噪處理,并以每一個膚色點為中心的5X5鄰域內(nèi)統(tǒng)計膚色像素的個數(shù),超過半數(shù)時中心點保留為膚色,否則認為是非膚色; Step3:將二值圖像中的膚色塊進行區(qū)域歸并,并對目標區(qū)域進行比例、結構分析,過濾掉不可能的人臉區(qū)域, 目標區(qū)域高度和寬度的比例限定在0.8-1.6 ; 內(nèi)臉檢測和定位: 在外臉區(qū)域的上半部,對二值圖像進行水平方向和垂直方向的投影,確定兩個包含黑點的矩形區(qū)域作為雙眼的大致區(qū)域,在確定的兩個區(qū)域中,對黑點進行區(qū)域膨脹,可以得到眼睛的基本輪廓和左右眼角,黑點坐標的平均值作為瞳孔的位置,設左右瞳孔的坐標分別為(Lx,Ly)和(Rx,Ry),兩個瞳孔之間的距離為d,根據(jù)人臉的幾何特征,可以將內(nèi)臉區(qū)域定義為:寬度=-dX1.6,高度=-dX1.8,左上角坐標為(Lx-dX0.3,(Ly+Ry)/2+dX0.3); 將標準圖像的大小設定為256X256像素,以對人臉內(nèi)臉區(qū)域歸一化。
8.如權利要求1所述的人臉檢測與識別方法,其特征在于,在步驟六中,在對人臉圖像進行檢測與定位的基礎上,對人臉進行提取與識別的實現(xiàn)方法為: Stepl:對歸一化的人臉圖像,采用小波變換與DCT相結合的方法提取人臉特征:首先對人臉圖像進行三層小波分解,取低頻子圖像作為人臉特征提取的對象,獲得每幅訓練樣本或測試樣本的低頻子圖像,設第i幅人臉圖像的低頻子圖像的一維向量表示為Xi則該向量的協(xié)方差矩陣可以用式(18)來表示:
【文檔編號】G06K9/62GK103632132SQ201310395529
【公開日】2014年3月12日 申請日期:2013年9月3日 優(yōu)先權日:2012年12月11日
【發(fā)明者】王智文, 劉美珍, 羅功坤, 夏冬雪, 蔡啟先, 李紹滋, 唐新來, 陽樹洪, 劉智, 徐奕奕 申請人:廣西工學院