人脸检测混合算法研究

论文摘要

人脸检测是确定人脸的位置、大小、数目的图像处理过程。人脸检测是人脸识别、人机交互、智能视觉监控等工作的前提。近年来,在模式识别与计算机视觉领域,人脸检测已经成为一个受到普遍重视、研究十分活跃的方向。本文针对复杂背景下的彩色正面人脸图像,将肤色分割、候选人脸图像块筛选、Gabor小波特征提取与神经网络分类识别结合起来,提出了一种人脸检测混合算法。本文首先介绍了人脸检测技术研究的背景和现状,阐明人脸检测技术发展的重要意义,对目前常用的一些检测算法进行了总结,然后着重阐述了基于肤色分割、候选人脸图像块筛选、Gabor小波特征提取与神经网络分类识别的人脸检测算法。肤色是人脸重要特征,在通过肤色采样统计和区域聚类分析后,确立一种在YCbCr空间下的肤色分割方法,在最佳阈值选取算法下完成肤色区域的分割,得到类肤色区域。再利用人脸图像的几何属性和拓扑属性对所得到的类肤色区域进行人脸特征筛选,进一步剔除非人脸肤色区域,得到更精确的候选人脸区域,最后使用Gabor小波对候选人脸进行特征提取得到特征向量,并利用训练好的BP神经网络对输入的特征向量进行分类识别,最终检测出人脸。本文提出的人脸检测混合算法可以从复杂背景中有效的检测姿态、方向、大小、数目不同的人脸。实验结果表明,该算法是有效的,具有较高的检测性能和低的误判率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 研究背景
• 1.1.2 不同生物识别技术比较
• 1.1.3 研究意义
• 1.2 人脸检测技术的研究现状
• 1.2.1 国外研究现状及水平
• 1.2.2 国内研究现状
• 1.3 本文研究内容与目标
• 1.3.1 研究内容
• 1.3.2 研究目标
• 1.4 论文的主要内容和组织结构
• 1.4.1 主要内容
• 1.4.2 组织结构
• 第二章 人脸检测的相关理论及其方法
• 2.1 人脸检测
• 2.1.1 人脸检测结果的评价标准
• 2.1.2 人脸检测的难点
• 2.2 人脸检测的主要方法
• 2.2.1 模板匹配方法
• 2.2.2 基于几何特征的方法
• 2.2.3 示例学习
• 2.2.4 基于神经网络的方法
• 2.2.5 基于隐马尔可夫模型的方法
• 2.2.6 基于ADABOOST的方法
• 2.2.7 基于肤色信息的方法
• 2.2.8 特征脸方法
• 2.2.9 频域中的特征提取
• 第三章 基于肤色的人脸检测算法研究
• 3.1 人脸的肤色特征
• 3.2 各种彩色空间
• 3.2.1 RGB彩色空间
• 3.2.2 HSI彩色空间
• 3.2.3 YIQ彩色空间:
• 3.2.4 YUV彩色空间
• 3.2.5 YCBCR彩色空间
• 3.3 基于肤色的人脸检测通用模型
• 3.4 基于肤色的人脸检测混合算法
• 3.4.1 肤色检测加特征验证的算法
• 3.4.2 肤色检测加聚类分割再加特征验证算法
• 3.4.3 肤色检测加模板匹配方法
• 3.4.4 肤色检测加神经网络验证的方法
• 3.4.5 其它方法
• 第四章 建立肤色模型
• 4.1 肤色模型的获取方法
• 4.1.1 区域模型
• 4.1.2 简单高斯模型
• 4.1.3 高斯混合模型
• 4.2 不同彩色空间中的肤色模型
• 4.2.1 RGB空间肤色模型
• 4.2.2 HSL空间肤色模型
• 4.2.3 YUV空间肤色模型
• 4.2.4 YCBCR空间肤色模型
• 4.3 肤色模型的建立
• 第五章 肤色分割
• 5.1 图像增强
• 5.2 图像二值化
• 5.3 图像去噪
• 5.3.1 图像噪声
• 5.3.2 中值滤波
• 5.4 数学形态学处理
• 5.4.1 膨胀运算和腐蚀运算
• 5.4.2 开运算和闭运算
• 5.5 图像标注
• 5.5.1 像素的邻域
• 5.5.2 像素的连通性
• 5.5.3 像素的标记
• 5.6 备选人脸区域的获取
• 5.7 人脸形状和结构特征分析
• 5.7.1 人脸几何特征
• 5.7.2 人脸拓扑特征
• 第六章 基于区域特征匹配的人脸检测
• 6.1 模式识别系统的构成
• 6.2 图像预处理
• 6.2.1 直方图均衡化
• 6.2.2 图像尺寸归一化
• 6.3 基于GABOR的特征提取
• 6.3.1 小波变换
• 6.3.2 GABOR小波变换简介
• 6.3.3 GABOR变换
• 6.3.4 GABOR滤波具体步骤
• 6.4 人工神经网络简介
• 6.4.1 BP神经网络
• 6.4.2 BP网络模型
• 6.4.3 BP算法简介
• 6.4.3.1 正向传播（张立明,1993年）
• 6.4.3.2 反向传播（张立明,1993年）
• 6.5 BP神经网络的训练策略及训练结果
• 6.5.1 确定BP网络的结构
• 6.5.2 误差的选取
• 6.5.3 BP网络训练结果
• 6.6 最终训练后的神经网络结构
• 第七章 人脸检测实验与结果分析
• 7.1 算法流程
• 7.2 实验及结果分析
• 7.2.1 人脸检测算法评价指标
• 7.2.2 测试图像及结果
• 第八章 总结与展望
• 8.1 全文工作总结
• 8.2 进一步工作展望
• 致谢
• 参考文献