基于肤色和adaboost算法的人脸检测方法研究.doc

目  录
摘 要 3
第一章   绪 论 4
1.1人脸检测研究的背景和意义 4
1.2人脸检测研究的国内外动态 6
1.3人脸检测的算法 7
1.3.1基于知识的方法 7
1.3.2基于模板的方法 9
1.3.3基于统计理论 11
1.4人脸检测算法的评价 13
1.5本文的主要工作和内容安排 14
第二章 基于肤色的人脸检测技术研究 15
2.1色彩空间 15
2.1.1 RGB色彩空间 16
2.1.2归一化RGB空间 17
2.1.3 HSV色彩空间 17
2.1.4 HSI色彩空间 18
2.1.5 YCbCr 空间 20
2.2 肤色模型的选择和建立 21
2.2.1肤色采样 21
2.2.2肤色在各色彩空间中和聚类特性 22
2.2.3肤色模型的建立 24
2.3人脸图象的预处理 25
2.3.1彩色图像的光线补偿 25
2.3.2灰度直方图均衡化 25
2.3.3空间低通滤波去噪 27
2.4肤色区域的分割 28
2.4.1  转换到YCbCr空间并进行参数计算 28
2.4.2 似然度计算和似然图的绘制 29
2.4.3阈值分割 29
2.4.4二值图的形态学滤波处理 30
2.5人脸候选区域的筛选 32
2.5.1区域的长宽比 32
2.5.2区域的面积 32
2.5.3区域的中心 32
2.6算法实验结果 33
2.7本章小结 33
第三章  基于AdaBoost算法的人脸检测 35
3.1 Haar-like特征和积分图象 35
3.1.1原始Haar-like特征 35
3.1.2扩展的Haar-Like特征 36
3.1.3积分图象 37
3.2基于AdaBoost学习训练算法 39
3.2.1 Adaboost算法概述 39
3.2.2 Adaboost算法的训练过程描述 40
3. 3强分类器的训练 43
3. 3. 1检测率和误检率 43
3.3.2级联分类器的使用与设计 44
3.4本章小结 46
第四章  基于肤色和AdaBoost算法相结合的人脸检测 47
4.1算法框架及工作流程 47
4.2人脸检测结果和分析 48
4.2.1人脸检测结果 48
4.2.2试验结果分析 50
4.3本章小结 50
第五章 总结和展望 51
参考文献 52

摘 要
人脸识别技术是近年来图象处理、模式识别、人工智能等领域内最为活跃的研究课题之一。它具有广泛的应用领域和重要的理论研究价值。在目前的人脸图像信息处理领域中，包含有人脸识别、人脸跟踪、姿态估计、表情识别等多个研究方向，然而，所有这些研究方向都涉及到一个人脸标识和定位的问题，即必须知道人脸在图像中的位置以及尺寸—人脸检测。因此，对于一个完整的、自动的人脸信息分析系统来说，人脸检测算法是必不可少的。
人脸检测方法研究己经有二十多年了，然而，到目前为止，由于人脸检测问题自身的复杂性，使得虽然有众多研究人员潜心研究多年，仍旧米能得到彻底解决。本文对彩色图像人脸检测问题作了一些探讨。主要工作体现在以下三个方面:
（1）研究了基于肤色的人脸检测技术。首先研究了肤色检测技术涉及到的相关理论，包括人脸图像预处理、色彩空间的转换、肤色建模等。在此基础上，研究了基于肤色的人脸检测系统，该系统主要包括光线补偿、肤色建模、闭运算处理、去除非人脸区域和人脸区域标定等几个功能模块。实验证明，该系统能够实现复杂背景下24位RGB图像的人脸检测，并且对于光照、表情等变化具有较高的鲁棒性。
（2）探讨了基于Adaboost的人脸检测方法，该方法采用一种称为“积分图像”的图像表示方法，快速计算出弱分类器用到的特征，然后基于Adaboost学习算法，从一个较大的特征集中选择少量的关键的视觉特征，产生一个高效的强分类器，再用级联的方式将单个的分类器合成为一个更加复杂的分类器，从而实现人脸的检测。此方法对于单人脸正面图像的检测效果较好.误检率也比较低.但是对于侧面及多人脸图像检测正确率不高。
（3）将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来，提出一种新的人脸检测方法，实验表明，该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点，可以有效地运用于多姿态、多人脸和复杂背景的情况，具有一定的实用价值。

关键词：人脸检测  肤色分割  Adaboost  cascade