1、 本科 毕业 设计 (论文 ) （二零 届） 人脸检测关键技术研究与实现 所在学院 专业班级 计算机科学与技术 学生姓名 学号 指导教师 职称 完成日期 年 月 摘要 ： 人脸识别技术，是生物识别技术中一个非常重要的领域。这一技术有着广阔的应用前景和迫切的显示需求。但由于人脸模式的多样性和图像获 取过程中的不确定性都导致人脸的检测和识别是一项十分困难的工作。其中，人脸检测是人脸识别系统的基础。并且近几年来，由于人脸检测在人脸处理和分析中的地位，人脸检测已经引起了越来越多研究者的注意，并逐渐发展成为一个相对独立的研究方向。虽然在研究方法和手段上出现了各种各样的人脸检测算法，但是还存在许多不足。因
2、此，本文主要致力于人脸检测关键技术的研究与实现。 本文的重点就是利用 Matlab 建立起一个人脸检测平台。选用相关方法对大量图片样本进行人脸特征值的提取并转换为数字图像样本的工作。把样本分成学习和测试两组数据，在 人脸的识别部分，采用泛化能力很强的支持向量机（ SVM）技术，对学习数据进行练习并研究，再利用测试数据进行人脸检测的实现。 关键词： 人脸检测；支持向量机技术 (SVM)；数字图像； Matlab Face Detection and Implementation of Key Technologies Abstract： Human face recognition is a v
3、ery important field in biological technology. It has a wide application prospect and urgent current demand. However, the uncertainty in the course of obtaining face image and the variety of face modes cause the difficulty of face detection and recognition. Among them, face detection is the basis of
4、face recognition system. In these years, face detection has caused more and more scholars attention and developed into a relatively independent research direction, because of it is a very important status. Although appeared a variety of face detection algorithm in the research methods, but it also h
5、as many shortcomings. So this article mainly devotes to the research the key technology of the face detection and make it implementation. The focus of this paper is to build a platform for face detection by use matlab. Then choose the relevant method to extraction the face eigenvalue in large pictur
6、e samples and convert them to the digital image samples. Divided the samples into two sets of data named study and test, in the face recognition part, to learn to practice and study the data, re-use test data for implementation of face detection by use a strong generalization ability of support vect
7、or machine (SVM) technology. Key words: Face Detection; Support Vector Machine (SVM); Digital Image; Matlab 目录 1 引言 . 1 1.1 课题研究的背景和意义 . 1 1.2 人脸检测识别技术研究的现状与发展动态 . 1 1.3 人脸检测识别技术的应用 . 2 1.4 人脸检测识别技术的目前存在的困难 . 3 1.5 论文中的安排 . 3 2 人脸检测方法概述 . 4 2.1 肤色区域分割法 . 5 2.2 模板匹配的方法 . 5 2.3 基于启发式模型的方法 . 5 2.4 基于统计
8、模型的方法 . 6 3 人脸判别方法研究 . 7 3.1 人脸判别方法的选择 . 7 3.1.1 基于人工神经网络的方法 . 7 3.1.2 基于特征脸的方法 . 7 3.1.3 基于支持向量机的方法 . 8 3.2 判别方法比较 . 8 4 支持向量机理论概述 . 10 4.1 支持向量机的前提研究 . 10 4.2 对学习机的研究 . 10 4.2.1 机器学习的基本问题 . 11 4.2.2 经验风险最小化 . 12 4.2.3 复杂性与推广能力 . 12 4.3 统计学习理论 . 13 4.3.1 VC维 . 14 4.3.2 结构风险最小化 . 15 4.4 支持向量机 . 16 5
9、 人脸检测的实现 . 18 5.1 人脸样本的提取 . 18 5.2 基于 SVM下的分类 . 19 5.3 主要程序代码 . 19 5.4 实验截图 . 20 结束语 . 21 致谢 . 错误 !未定义书签。 参考文献 . 22 1 1 引言 1.1 课题研究的背景和意义 随着科技的不断进步，人脸检测的应用也会越加广泛，在现今我们可以看到在视屏会议、图像与视屏检索、智能人机交互等方面都有重要的作用。可 以这么说，只要有将人脸作为内容的视屏或者图像必然会使用到人脸检测技术。 人脸检测问题最初来源于人脸识别，人脸自动识别的研究最早可以追溯到 20世纪 60-70年代。经过几十年的曲折发展，人脸自
10、动识别已经有了一些较为成功的方法，目前正日趋成熟。早期的人脸识别研究主要针对具有强约束条件的人脸图像（如无背景或背景简单的图像），往往假设人脸位置已知货很容易获得，因此人脸检测问题并未受到重视。在 20世纪 90年代以后，随着网路安全的电子商务等应用需要的剧增人脸识别成为最有潜力的生物身份鉴别方式，出现了实际的人脸识别系统和商用 产品，这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的适应能力，由此所面临的一系列问题使得人们对人脸检测的各个重要方面引起了极大的研究兴趣，并逐渐独立分离出来 1,2。 人脸是常见而复杂的视觉模式，人脸所反映的视觉信息在人与人交流和交往中有着重要的作用和意
11、义，对人脸进行处理和分析在视屏监控、出入口控制、视屏会议以及人迹交互等领域都有着广泛的应用前景，因此是模式识别和计算机视觉领域持续的研究热点。对人脸进行处理和分析包括人脸识别、人脸跟踪、姿态估计和表情识别等，早期的人脸处理和分析一般都假设已知 图像中的人脸的位置和大小，但对于一个人脸自动处理和分析系统而言，人脸检测是关键性的第一步，人脸检测算法的精度直接影响着整个系统的性能。 近几年来，由于人脸检测在人脸处理和分析中的地位，人脸检测已经引起了越来越多研究者的注意，并逐渐发展成为一个相对独立的研究方向，其研究方法和等手段上也逐渐成熟出现了各种各样实用的人脸检测算法 3。 1.2 人脸检测识别技术
12、研究的现状与发展动态 人们很早就对人类的面部带给我们的而信息感兴趣，并且也作了一些早期的研究 4。人脸检测问题的探索开始于八十年代末、九十年代初，这 一课题吸引了越来越多的研究者的兴趣，并在近 10年多取得了一定的研究成果。但是由于人脸是一个极为普通而又十分复杂的2 模式。它所蕴含的信息量非常的大，所以他和一般的物体的检测 有较大的区别。 在国外许多国家进行了人脸检测技术的研究，著名的研究机构有美国的 MIT 麻省理工学院的多媒体实验室和人工智能实验室，卡内基美隆大学的 CUM 的 Human-Computer Interface Institute， SRI（斯坦福大学）研究中心， Micr
13、osoft Research 的 Vision Technology Grope以及英国 的 Department ofEngineering in unversity of Cambridge 等。纵观这些国家的有关文献，人脸检测的的方法主要分为基于显示特征的方法和基于隐式特征的方法。所谓的特征法就是集合了人脸的肤色、纹理、脸部轮廓等等，通过这些显示的特征来达到检测的目的。而隐式法就是把人脸与非人脸作为两个类别分别进行学习，从而得到判别人脸的数据以及标准，再来判定出测试数据中的人脸与非人脸。 在国内进行人脸检测研究的主要机构有哈工大、中科院计算机所、清华大学、北京工业大学等。其中哈工大实现了
14、一个 复杂背景下的多级结构的人脸检测与跟踪系统；清华大学对肤色进行了较为系统的分析；北京工业大学的研究着重在基于人脸器官的的特征；中科院研制的“面像检测与识别核心技术”的成功案例标志着我国在这方面的研究水平已经达到了国际领先水平 5。 人脸的复杂模式，并且受到多种因数的影响。找到一种行之有效的方法进行人脸建模，是人脸检测的关键。国内外相关文献中提出的许多方法，概括而言，目前的技术可分为基于特征的方法（ Feature-based）和基于模板的方法（ Template-based）。在未来，人们已经认识到将多种技术综 合起来，利用多种的信息可以提高人脸检测的速度，这也必将是未来的发展趋势。今后，
15、将支持向量机、多模态信息融合的方法以及与各种技术相融合的方法也必将是研究者近期的研究方向 6。 1.3 人脸检测识别技术的应用 虽然在古代，人们就懂得使用人体的生物特征的测量来鉴别身份。但是真正意义上的生物识别技术兴起于 20 世纪末。随着信息技术的迅猛发展和人类生活空间的不断扩大，现在对人类自身的身份识别的准确性、安全性与实用性都提出了更高的要求，于是现在的身份识别物如：钥匙、证件、银行卡、包括用户名和密码等已经不能满足人们的需 求，而生物识别的单一性、稳定性、简洁性、可靠性等诸多的优点都是将这一技术推上历史舞台的原因。今后，其在商务、物业身份认证、军事、司法、医学、银行、网络安全等领域都有
16、很大的发展前景 7。而在生物识别技术中，人脸特征在提取上的具有主动性、非侵犯性和用户友好性等3 优点让它在于其他生物特性的竞争中脱颖而出。在以后需求量的扩大和法律的完善之下，人脸识别技术必将得到长足的发展，越来越多的研究者会参与到这个领域中 8。 1.4 人脸检测识别技术的目前存在的困难 人脸检测问题的目前存在的困难在于 9： （ 1） 人脸由于外貌、 表情、肤色等不同而存在很大的差异，具有模式可变性； （ 2） 人脸上可能存在眼镜、胡须、假睫毛等附属物而时检测变得更有难度； （ 3） 作为三维物体的人脸影像不可避免地会受到光照的影响，光照的不均匀、偏光等因素都极大的破坏了人脸特征空间分布的规
17、律性； （ 4） 自然景物中存在大量与人脸相似的图像，如老式的房屋、枯树叶的外表面等，这些复杂背景都极易与人脸图像相混淆。 1.5 论文中的安排 论文中的研究的方法与技术路线：先通过对支持向量机（ SVM）原理的学习研究，然后结合肤色建模、肤色分割、边缘分割等相关技术，设计算法并在 Matlab工具 中运行相应程序和使用有关方程，通过实验将静态图像进行人脸匹配提取，对大量的人脸图像样本进行人脸识别测试，得出实验结果，进而论证该算法是否有较好的高效性和准确性。 研究难点：弄懂支持向量机的基本原理和如何运用，如何选取现有的相关提取特征的技术之一，跟有效的分析不同情况下的人脸识别的关键点，确定识别点
18、，再根据相应的分割技术屏除不是人脸的区域等，及大量的人脸样本的建立、转换和测试。最后还要考虑如何优化这些工作，比较处理结果，得出结论和见解。 预期达到的目标：在静态图像的背景下检测图像中有无人脸 ,通过与学习样本结果 的比较，从而判断人脸是否存在。 4 2 人脸检测方法概述 人脸检测的问题从不同的角度可分成很多种方法。按照图像源来分可分为金泰图像和动态图像；按色彩来分科分为彩色图像和灰度图像；按图像的背景复杂度来分科分为简单背景和复杂背景等等。总之，人脸检测的过程实际上就是对人脸各种信息进行综合判断的过程。下面我们就简单的说明一下现有的几种人脸检测算法的思想，当然以下的分类的标准也不是绝对的，
19、而且结合了几种思想为一体的人脸检测方法也必然成为以后的一种趋势。 以下是一个大概的人脸检测的分类表： 表 1 人脸检测问题的分 类 分类依据 类别 图像类型 图像来源 静止图像 (包括数字化的照片、数码相机拍摄的图片等目前主要考虑的问题是算法的适应性和鲁棒性，算法的速度在其次 ) 动态图像 (即视频序列，包括工作台前的人脸序列，保安监控录像、影视资料等，往往与人脸跟踪问题交织在一起，对算法的速度有很高的要求 ) 颜色信息 彩色 灰度 图像前景 镜头类型 头肩部图像 半身、全身图像 人脸姿态 正面 (包括端 lE及平面内旋转 ) 侧面 (包括俯仰、侧影及旋转 ) 人脸数目 单人 (又称为人脸定位
20、，是人脸检测在已知人脸数目情况下的特例 ) 未 知 (需要判定图像中是否存人脸，人脸的数目以及各个人脸的尺度和位置，即是完全的检测问题 ) 图像背景 复杂程度 简单背景 (指无背景或背景的特征被严格约束，在该条件下只利用人脸的轮廓、颜色、运动等少量特征，就能够进行准确检测 ) 复杂背景 (指背景的类型和特征不受约束，某些区域可能在色彩、纹理等特征上与人脸相似，必须利用较多的人脸特征才能做到准确检测 ) 应用领域 人脸信息处理系统 (验证、识别等 )、视频会议或远程教育系统、视觉监视与跟踪、基于内容的图像与视频检索等等 5 2.1 肤色区域分割法 在一般的图像中， 肤色是人脸中一个显著的特征。对
21、输入的图像，我们首先会进行图像分割，也就是大概的区分出人脸部分和非人脸部分，继而得到二值化的分割结果，然后对已经分割出来的图像进行区域标记，并且去除一些较少的区域，得到人脸候选的样本区，同时利用几何特征或者灰度特征对其是否是人脸进行判断，以排除其它类似的物体。其中的区域分割和验证在很多地方都是会紧密结合的。类聚 归并 验证是一种最普遍的解决方法。它是将相似的肤色像素按照一定的条件进行类聚，然后利用一定的规则归并，最后利用其它的特征来进行验证。这是一种最基本的方法，还有其它的一些 方法还可以利用肤色模板或者混合特征等来形成特征项，以便来验证图像中是否为人脸。 2.2 模板匹配的方法 如果使用模板
22、匹配方法都是要事先定义一个标准的人脸模板，然后再利用这个模板对后来输入的图像进行相似度的匹配，最后计算出一个似然度阎值，用这个值去判断再输入的图像中是否有人脸。不过这个人脸模板可以是一个固定的模板，也可以是一个有变量的曲线函数。综合诸多文献，可以得出一般会采用平均脸模板匹配法、双眼 人脸模板法等比较简单实用的方法。不过同多另一些文献我们也的得知了， Yuille等人提出了一种可变形的的人脸模板 ，采用了一些优化的算法，对函数进行极小化来验证是否有人脸。也有人提出过利用广义的 Hong变换思想研究出了一种匹配人像边缘曲线可变形模板提高了其通用性。还有人也提出过一种由粗到细的面部提取法，解决了一般模板中参数的最初值必须确定的问题，提高了其灵活性 10。 2.3 基于启发式模型的方法 基于启发式模型也称为知识建模方法。该方法在对人脸样本图像的分析基础上，再对人脸图像的灰度、边缘、纹理、几何形状等特征建立起一个模板库。在进行人脸检测的的时候，先从这个模板库中提取这些信息来匹配要进行检测的图像中是否有人脸 。根据很多文献的综合得出 Govindaraju等人提出过认知模型方法，将人脸模型建立为两条直线，通过弧线的变化来判定人脸。 Yang等也提出过利用马赛克图来进行人脸的检测，根据五官的结构构成一定比例的划分出符合的马赛克图来验证人脸是否存在。 Kouzani等人也提出过利用人工神经
