复杂静态彩色背景下人耳检测研究

论文摘要

人耳识别作为生物识别一个新的研究方向,由于其独特的生理特征越来越受到更多人的关注。一个完整的人耳识别系统主要包括以下几个部分:图像读取、人耳检测、特征提取和识别。最初的人耳识别研究主要集中在人耳特征的提取及识别领域,对人耳检测尚未有深入的研究。随着人耳识别研究的深入,人耳检测作为人耳识别系统中关键的一步也开始引起人们的重视。但目前所进行的人耳检测多针对简单背景的图像,对于复杂背景下的人耳检测研究则比较少。本文在借鉴人脸检测算法的基础上,对现有的人耳检测方法进行研究,针对人耳区域小、共性特征少、复杂背景下难以检测等特点,提出了一种分阶段优化的静态彩色复杂背景下的人耳检测方法,对无正面人脸干扰的静态彩色图像进行检测,以期为复杂背景下人耳识别系统的发展提供一种可行的思路。该方法分四个阶段进行,第一阶段利用彩色图像中的肤色信息进行图像区域分割,筛选出人耳可能的候选区域。在分析和对比了多种颜色空间下肤色分布的特点后,本文选择YCbCr空间作为肤色分割空间,采用高斯模型作为肤色分布模型,得到肤色分布隶属度函数的参数,依据此参数进行肤色似然度转换并对转换后图像进行动态阈值分割。第二阶段,对分割出的每个区域,用形态学处理加以优化,然后根据侧脸的先验知识如高宽比例、侧脸肤色在图像中的面积占有率等进行肤色区域筛选,尽可能地排除不含人侧脸的肤色区域,减少干扰。第三阶段,根据人耳内部有丰富边缘信息的特点,采用小波模极大值方法在不同尺度下检测图像边缘,并将不同尺度下的边缘二值图像进行叠加,既精确地检测出人耳的内外边缘,又极大程度地抑制了噪声干扰。第四阶段,统计分析第三阶段所得到的边缘二值图像,发现侧脸肤色范围内只有耳朵区域有密集的边缘线,其他部分只有稀疏的轮廓线。依此特点对边缘图像进行膨胀、填充、细化和重构等操作,耳朵部分密集的边缘线被填充为边缘区域,与此同时独立轮廓线则被消除。此时对边缘图像进行边缘区域搜索,就可以实现人耳的判断和定位,从而实现人耳检测。总体而言,本文主要针对复杂背景下人耳检测的难点,在借鉴人脸检测算法的基础上,对人耳候选区域的筛选、边缘提取、人耳共性特征的确定等方面进行了有益的探索,提出了一种在复杂背景下快速检测正面人耳的可行方案。实验结果表明,该方法取得了较好的结果,有望为人耳自动识别系统的开发提供有益的参考。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 静态图像人耳检测技术研究现状
• 1.2.1 简单背景下的静态图像人耳检测研究
• 1.2.2 复杂背景下的静态图像人耳检测研究
• 1.3 复杂背景下的人耳检测所面临的难题
• 1.4 本文工作
• 2 肤色检测
• 2.1 颜色空间及其特性
• 2.1.1 RGB 颜色模型
• 2.1.2 RGB 的线性转换空间
• 2.1.3 RGB 的非线性转换空间
• 2.1.4 颜色空间选取
• 2.2 肤色模型选取
• 2.2.1 区域模型
• 2.2.2 简单高斯模型
• 2.2.3 混合高斯模型
• 2.2.4 直方图模型
• 2.3 肤色模型建立
• 2.4 肤色分割
• 2.4.1 肤色似然度转换
• 2.4.2 阈值分割
• 2.5 本章小结
• 3 肤色区域筛选
• 3.1 二值图像的形态学滤波
• 3.1.1 腐蚀
• 3.1.2 膨胀
• 3.1.3 开运算和闭运算
• 3.1.4 重构
• 3.2 连通区域标号
• 3.3 肤色区域形态学处理结果
• 3.4 基于侧脸统计特征的区域优化
• 3.4.1 肤色区域矩特征计算
• 3.4.2 侧脸先验特征统计
• 3.4.3 区域优化结果
• 3.5 本章小结
• 4 图像边缘检测
• 4.1 图像边缘检测的基本原理
• 4.2 传统边缘检测算子及其应用
• 4.2.1 几种常用的边缘检测算子
• 4.2.2 传统边缘检测算子在图像边缘检测中的应用
• 4.3 小波变换在图像边缘检测中的应用
• 4.4 基于小波模极大值的图像边缘检测
• 4.4.1 小波模极大值算法的原理
• 4.4.2 快速多尺度边界检测
• 4.4.3 图像边缘检测过程
• 4.5 人耳区域检测
• 4.6 本章小结
• 5 人耳检测系统实现及结果分析
• 5.1 系统结构模块及流程
• 5.1.1 系统模块简介
• 5.1.2 系统的算法流程
• 5.2 结果及分析
• 5.2.1 检测算法评价指标
• 5.2.2 人耳检测图像库
• 5.2.3 检测结果分析
• 5.2.4 部分实验结果展示
• 5.3 本章小结
• 6 总结与展望
• 致谢
• 参考文献
• 附录