动态图像序列中的人耳检测技术研究

论文摘要

人耳识别是生物特征识别技术研究中一个新兴领域,它旨在根据人的外耳特征进行身份识别。人耳识别可以作为其他生物识别技术的有益补充,也可以单独应用于一些个体识别场合。实时人耳检测与跟踪作为人耳识别系统的第一个也是非常关键的一个环节,具有重大的研究意义和实用价值。目前国内外对人耳检测与跟踪的研究尚处于初步探索阶段,还没有形成系统的理论和技术,因此该课题的研究具有很大的挑战性。本文在目前常用的运动物体检测跟踪技术的基础上,提出了一种动态图像序列中检测人耳的新方法。该方法主要包括三大部分:第一部分利用图像的运动信息,首先采用简单的背景差分法从运动图像中检测出运动人体,然后采用自适应阈值分割图像得到运动人体的二值图像,最后做开运算和形态学梯度运算得到运动人体的二值边缘图像。第二部分利用图像的肤色信息,首先在线计算HSV色彩空间下的色调肤色直方图,然后计算肤色的概率分布,并在此概率分布基础上应用CamShift算法得到侧面人脸这个包含人耳的感兴趣区域(ROI),最后将ROI应用到二值边缘图像中得到只包含人耳的二值边缘图像,实现人耳的粗定位。第三部分利用灰度轮廓信息,针对耳朵自身包含丰富的轮廓信息这一特点,对人耳边缘图像按一定规则做轮廓提取和最小二乘椭圆拟合,得到人耳在视频序列图像中的大小和位置信息,实现对人耳的定位和跟踪。根据以上所提出的人耳检测跟踪算法,本文设计并实现了动态图像序列中的人耳检测系统。实验结果表明,该方法能对视频序列图像中出现的人耳进行实时准确的跟踪。同时算法具有速度快、检测率高和鲁棒性好的特点,能够满足实时性的要求,对于耳朵自身一定角度内的偏转和有干扰目标存在的情况都具有较好的适应性。此外,该算法对于诸如眼镜之类饰物的影响也不敏感,大大提高了其实际应用的可能性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景和意义
• 1.2 人耳检测研究综述
• 1.2.1 人耳检测与人耳识别的关系
• 1.2.2 人耳检测方法综述
• 1.2.3 人耳检测技术存在的问题
• 1.3 本文主要研究内容
• 2 用于人耳检测的数字图像处理技术
• 2.1 动态图像的定义
• 2.2 图像平滑滤波
• 2.2.1 图像中的噪声
• 2.2.2 频率域高斯低通滤波
• 2.2.3 中值滤波
• 2.3 图像阈值分割
• 2.3.1 阈值分割图像的原理
• 2.3.2 类间方差阈值分割
• 2.3.3 自适应阈值分割
• 2.4 形态学图像滤波
• 2.5 本章小结
• 3 运动人体检测
• 3.1 运动目标检测与跟踪算法
• 3.1.1 运动目标检测
• 3.1.2 运动目标分类
• 3.1.3 运动目标跟踪
• 3.2 人耳检测系统中的运动人体检测
• 3.3 实验结果及分析
• 3.4 本章小结
• 4 人耳候选区域的定位与跟踪
• 4.1 色彩空间与色彩空间的聚类
• 4.2 色彩直方图
• 4.3 应用 CamShift 算法进行人耳粗定位
• 4.3.1 Back Projection 计算
• 4.3.2 Mean Shift 算法描述
• 4.3.3 CamShift 算法描述
• 4.3.4 CamShift 算法特点
• 4.4 实验结果及分析
• 4.5 本章小结
• 5 人耳精确定位
• 5.1 最小二乘法原理
• 5.2 最小二乘法椭圆拟合原理
• 5.3 最小二乘法椭圆拟合的实现
• 5.3.1 椭圆方程的线性化
• 5.3.2 变量代换
• 5.3.3 最小二乘法求解代换变量
• 5.3.4 计算理想椭圆的实际参数
• 5.4 实验结果及分析
• 5.5 本章小结
• 6 人耳检测系统的实现
• 6.1 系统实现流程
• 6.2 系统实现环境
• 6.2.1 系统实现的硬件环境
• 6.2.2 系统实现的软件环境
• 6.3 系统实现功能模块介绍
• 6.4 实验结果及分析
• 6.5 本章小结
• 7 结论与展望
• 致谢
• 参考文献
• 附录