人脸检测实现及眼睛定位算法研究

论文摘要

在智能科技日新月异的今天,自动识别技术已经受到众多研究人员及生产应用者的普遍重视。尤其是人脸识别,它是利用生物技术进行个人身份鉴定的一种重要手段,具有极高的研究价值,同时是人机界面,视频会议及监视系统中的关键技术,具有巨大的商业价值。作为人脸识别的第一步,人脸检测的结果对识别结果有着决定性的影响,是关键性的环节。今天,随着电子商务技术的发展,人脸检测在数字视频处理,基于内容的检索等领域的应用价值得到了充分体现。本文从基于AdaBoost的人脸检测算法出发,通过后端优化提高该算法的检测率,再进行眼睛定位对检测出的人脸图像归一化处理,从而得到规范统一的人脸图片检测结果。开发出了完整的,且可作为人脸识别前期阶段性模块的人脸检测系统。首先,对经典的AdaBoost算法进行研究,分析其训练过程及检测过程。同时针对肤色像素在YCrCb颜色空间中的分布进行了分析。鉴于由AdaBoost算法检测得到的人脸结果虚警率较高,提出在后端加入肤色过滤模块,以提高系统性能。然后,提出了一种新的基于块(based on blobs)的眼睛定位算法,将图像二值化并划分为块,利用两只眼睛的相似性和眼睛对的唯一性将一系列的块进行匹配,以此确定一对眼睛的位置。由于我们利用两眼睛固有的位置关系与相互间的相似性,将两眼睛成对考虑,所以本文的方法能检测各种角度(平面旋转)人脸的眼睛,得到较高的检测准确率。此外,实验显示本算法在一定程度上能适应不同光照条件和表情变化。在大量人脸图片上的实验结果表明了本算法的可靠性及快速性。通过对检测出的人脸图片进行眼睛定位,使系统得到尺寸统一,角度规范的归一化检测结果,且利于后续操作,如人脸识别。

论文目录

• 目录
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.1.1 人脸检测的概念
• 1.1.2 人脸检测的意义
• 1.2 人脸检测的现状
• 1.2.1 人脸检测技术简介
• 1.2.2 人脸检测的难点
• 1.3 本文研究内容
• 1.3.1 论文总体思路
• 1.3.2 主要研究内容
• 第二章 AdaBoost算法研究与分析
• 2.1 引言
• 2.1.1 PAC（Probably Approximately Correct）学习模型
• 2.1.2 弱学习与强学习
• 2.2 AdaBoost算法概述
• 2.2.1 Haar特征
• 2.2.2 积分图
• 2.3 AdaBoost算法训练过程的实现
• 2.3.1 训练样本的选择
• 2.3.2 训练过程的实现
• 2.4 级联分类器的设计
• 2.5 AdaBoost算法检测过程实现
• 2.6 AdaBoost改进方法
• 2.6.1 针对Haar特征的改进方法
• 2.6.2 针对分类器的改进方法
• 2.7 本章小结
• 第三章 肤色过滤
• 3.1 颜色空间简介
• 3.1.1 RGB颜色空间
• 3.1.2 CIEL*a*b*国际照明委员会三度色彩空间
• 3.1.3 HSI颜色空间
• 3.1.4 YCrCb颜色空间
• 3.2 肤色模型
• 3.2.1 门限模型
• 3.2.2 贝叶斯模型
• 3.2.3 高斯模型
• 3.3 肤色过滤实现
• 3.4 实验结果与分析
• 3.4.1 数据库的选择
• 3.4.2 人脸检测与肤色过滤实验
• 3.5 本章小结
• 第四章 眼睛定位
• 4.1 眼睛定位方法概述
• 4.1.1 投影函数法
• 4.1.2 对称变换法
• 4.1.3 模板匹配法
• 4.2 基于块的方法
• 4.2.1 块的定义
• 4.2.2 块匹配
• 4.3 特征圆
• 4.3.1 特征点的选取
• 4.3.2 特征值的选取
• 4.3.3 Gabor特征
• 4.3.4 特征圆提取
• 4.4 基于块（Based on Blocks）的眼睛定位算法的实现
• 4.5 实验结果与分析
• 4.5.1 数据库的选择
• 4.5.2 实验结果的度量
• 4.5.3 实验
• 4.6 本章小结
• 第五章 人脸检测系统的开发
• 5.1 系统简介
• 5.1.1 开发平台
• 5.1.2 系统功能简介
• 5.2 系统流程
• 5.3 运行结果
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 主要工作总结
• 6.2 将来工作展望
• 附录一 硕士期间发表的论文
• 参考文献
• 致谢