英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

---

一种新的混合肤色模型人脸检测方法

Shalini Yadav¹ · Neeta Nain¹

^{收到：2016年5月31日/接受：2016年2月copy;Springer国际出版瑞士2016}

摘要：人脸检测已经成为各种生物识别应用，如人群监控感兴趣的一个领域，人类–计算机交互，和许多与安全相关的领域。它是C的一个主要领域目前的研究因为没有确定性算法寻找面（S）在一个给定的图像。人脸检测是具有挑战性的，由于不同的照明条件，姿态变化，复杂性噪声和图像背景。本文提出了一种基于肤色分割和人脸特征的人脸检测方法。算法熟练分析各种皮肤颜色模型，如R G B，Y C BC R，H S V和它们的组合的肤色检测，因为皮肤分割降低了计算复杂度。分割的人脸区域的研究R分类使用一组面部特征，如眼口孔检测，包围盒，偏心率。这种方法是在四个数据测试基地：宝数据库包含157个图像，M UCT大数据库包含751幅图像，F E我数据库包含2800个图像和G T AV数据库包含1188幅图像。该算法实现的平均精度为97.85%。与Viola Jones相比，人脸检测采用肤色模型和基于肤色分割和人脸特征的快速人脸检测方法。此外，我们将这种方法应用到卡通人物。我们的方法工作有条件的TH图像。首先，输入图像不是单色图像，而是彩色图像。二、人物皮肤颜色要接近真人肤色。从图像中提取颜色区域，并在此之后应用面部有限元分析来定位图像中的人脸。所提出的方法对卡通人物的人脸检测表现良好，达到良好的精度为76%。

关键词：图像分割/人脸检测[颜色模型·中值滤波·欧拉数·偏心率

1. 引言

随着安全系统和媒体的关注，更有效和有用的人机交互技术（HCI）被过滤，不依赖于传统的来源，如键盘鼠标和显示器。快速增长的研究面处理是基于这样的事实，可用于图像的提取用户的身份信息，状态，根据状态，计算进口商可以反应。检测人脸在图像处理领域和各种应用的一个主要问题，如时间跟踪服务，室外监控摄像头服务，智能验证码，安全接入，视频聊天服务。我们相信，卡通人物的人脸检测和识别也是重要的研究课题，因为可以使用各种应用程序和卡通人物是世界的Wi-Fi广泛传播。卡通人物的人脸检测有很多应用。字符搜索是最重要的应用之一。包含一个卡通人物的图像作为输入，它是可以自动搜索包含相同的卡通人物的网页或数据库的图像。此功能目前无法使用现有的搜索系统（例如，谷歌图片搜索CH）。什么是人脸检测？“人脸检测”作为关键词本身揭示了它在图像中搜索人脸的意义，如果存在，则返回图像的位置和可靠的智能环境[J].人脸检测的挑战可以描述为以下因素：

1. 由于相机的不同位置和姿势（正面，45◦，剖面，颠倒），图像中的人脸面部特征各不相同，有的眼睛或鼻子可能会部分或完全隐藏。

（2）存在或不存在结构组件的面部特征，例如胡须，眼镜可能会或可能不存在，并有这些组件之间的变化，包括形状，颜色和大小。

（3）面部表情，表情包括悲伤、高兴、生气，这些可能会改变面部表情。

（4）闭塞的面孔可能部分类似其他组件。由于图像中的多个面孔，面孔可能部分相互吻合。（5）图像方向根据摄像机光轴的改变，人脸图像会发生不同的旋转变化。

（6）形成的图像的成像条件，如照明条件和相机特性的因素影响的外观。

为了处理这些困难，研究人员提出了不同的方法[ 1 ]。人脸检测技术是广泛分布在传统的和改进的方法。错误率高的传统传统方法因为他们的照明环境和剖面方向等的影响。这些技术是工作在哈尔的功能，或模板，这是不有效的时下。在添加对有传统方法有时增加误报率检测规则少。每种形式的增强方法比传统技术更好，因为它处理的情况在不利的条件下，例如，遮挡，照明变化等，这些技术给出了详细的描述的每一个功能，并作出强大的规则检测。增强技术使用一些进展在人脸检测的方法，如神经网络、肤色分割，提出了人脸检测，即等各种增强技术的s-adaboost算法[ 2 ]，基于ALG的肤色神经网络算法[3,4]，[5,6]，贝叶斯分类器[ 7 ]，[ 8 ]高金融基础。

在本文中，我们提出了一种人脸检测技术，它是基于肤色分割使用各种颜色的MOD，如R G B，Y C BC R和H S V，并结合这些颜色模型.在图像中，人脸是前景区域，其余区域为背景区域。区分肤色区域和非肤色区域是人脸检测算法中的一个重要步骤降低了算法的时间复杂度。在这里，我们分析，混合肤色模型提供了一个更好的结果比单一肤色模型。本文使用COM检测图像中的人脸—肤色分割和人脸特征的组合。已经发现，使用肤色分割，精度对算法进行了改进，并给出了比其他方法更好的结果。这种方法也适用于卡通脸，卡通皮肤的颜色应该接近人类皮肤的颜色。该方法是测试大量的卡通人物，并取得了良好的准确性。

本文的组织方式如下：第2节介绍了相关工作。第3节介绍所提出的方法。第4节给出了实验结果。5节总结的结论结论。

2相关的工作

人脸检测方法大致可分为四个方面：模板匹配方法，特征不变的方法，基于知识的方法和基于外观的方法[ 9 ]。

（1）模板匹配方法在这种方法中，它存储了几个标准的模式来描述的脸作为一个整体或作为一组独立的面部特征[ 10 - 12 ]。它找到了人脸的位置基于相关值与标准人脸模式。该方法面临一些困难，如难以代表适合不同的标准模板：姿势，方向，面部表情，IL路测条件，等等。

（2）特征不变的方法，它使用面部特征，如眼睛，鼻子，耳朵，嘴唇和皮肤颜色[ 13 - 18 ]人脸检测。这些方法可以处理不同的照明条件下，从平面旋转或平面旋转。

（3）基于知识的方法，这些方法都是基于规则[19,20]描述面部特征之间的关系。这些方法主要用于人脸定位。但精度这些方法的效率，大大影响了规则设计的人脸检测。如果施加高约束规则，那么它给出了低的检出率，而容易的规则给出错误检测率。

（4）基于外观的方法，这些方法需要训练的一些图像集。在此之后，测试图像应用于这个训练有素的人脸检测模型[ 21 - 25 ]。不需要预定义的TEmplates。基于神经网络的人脸检测技术。

3 提出的方法

在本文中，使用混合方法，因为我们结合了功能不变和知识为基础的方法。在这里，有限元不变量包括肤色分割和知识为基础的方法组成欧拉计算，包围盒和偏心率。图像上的信息的RGB属性，用来提高皮肤像素和非皮肤像素之间的隔离度。在我们的方法中，皮肤区域分割的基础上的R、G、B边界规则和新规则的H SV和Y C BC R颜色空间。

图1给出了人脸检测算法的概述，其中包括两个阶段：训练阶段和检测阶段。皮肤颜色范围确定使用从D的一些图像集数据库。三流行的颜色空间R G B，H V和Y BC BC被用来开发混合肤色模型的皮肤分割。根据皮肤的颜色分布，每个颜色的边界规则R模型的构造。

在第一阶段的检测阶段，我们采用图像增强过程，以尽量减少光照变化的影响。然后皮肤区域分割的基础上的R G B边界规则，也H V和Y C BC R颜色空间的附加新规则。之后，将面部特征组合应用于提取的皮肤区域以消除可能的非面部皮肤区域。最后，最后一步标记图像中的所有区域，并将它们返回为检测面。

3.1图像增强

肤色分割是依赖于光的变化。肤色分割受图像光照条件的影响。为了提高肤色分割的准确性，我们执行图像E人眼对图像的过程[ 26 ]。我们通过调整图像的光对比度来增强图像的重要细节。图像增强过程已经完成，因为如果光线太暗R太亮，皮肤分割不能很好地执行，并给出虚假的结果或没有结果。为了这个目的，我们使用YCbCr颜色模型（图2）。以下步骤总结图像增强过程：

1. 将R b图像转换成y R R图像并归一化Y分量。
2. 计算Y的平均值。

这里的w和H分别为图像的宽度和高度。根据y均值值设置阈值t。我们分析了不同的图像与不同的光源从黑暗到光明设置Y均值和t的阈值。T的初始值为1，这意味着如果照明的图像是好的，那么像素值不改变。

1. 修改R（红）、G（绿）使用阈值的图像组件，并结合rnew，gnew和B（蓝色）得到最终的彩色图像。

3.2皮肤区域分割

在皮肤区域分割的基础上利用RGB边界规则和附加的新规则对HSV和Y的CbCr颜色空间。有两个步骤的皮肤分割：首先，准备皮肤颜色模型使用训练图像，第二，应用边界规则的测试图像。这些步骤如下

3.2.1肤色模型的制备

为了建立颜色空间的肤色边界规则，利用一组训练图像分析了不同颜色子空间的肤色分布范围。我们的训练集由60色I法师获得的各种来源，如互联网，涵盖了广泛的肤色变化和种族。这个训练集包含在正常拍摄的图像均匀照明，日光或闪光灯照明。

3.2.2肤色边界规则

分析训练的图像，在R G B，H S V和Y C BC R空间[ 27 ]。由R G B颜色空间表示的图像是不太有效的构造肤色模型，因为肤色注册是不是在所有三个通道的离子强度[28,29]的区分。从训练图像得到的边界值：

RGB

V = [ R, G, B];

= [ R，G，B ]；

( R gt; 95 cap; G gt; 40 cap; B gt; 20 cap; (max(V ) minus; min(V ) gt;15) cap; (abs( R minus; G) ge; 15) cap; R gt; G cap; R gt; B)

YCbCr

分量

(85 le; C b le; 135) cap; (10 le; C r le; 45) cap; (Y ge; 80)

HSV

( H gt; 0 cap; H lt; 35) cup; ( H gt; 325 cap; H lt; 360) cap; (S gt;0.2 cap; S lt; 0.6) cap; (V ge; 20)

我们的分割技术，它使用所有三个颜色为了提高人脸检测的准确性，检查实验结果。使用各种颜色模型的图像分割结果如图3所示，

图1提出的人脸检测算法框架

图2输入图像和b增强图像

像素接近皮肤颜色变白，而其他为黑色。

3.3噪声去除

噪声是在处理图像时产生误差的结果，其结果是像素值不能反映真实场景的真实强度。噪声可以被引入到图像由于某些原因部件如：

1在胶片上拍摄照片时，胶片颗粒是噪声的来源。如果胶片损坏，会产生噪音。

2如果图像是直接以数字格式，用于收集数据的机制，可以引入噪声。

3电子传输的图像数据可以引入噪声。

为了获得更好的性能，需要对噪声进行滤波。不同类型的噪声过滤器，如低通滤波器，FFT和中值滤波。我们使用中值平滑滤波器的图像moothen噪声。对于噪声去除，可以使用低通滤波器或FFT，但与这些过滤器的问题是，有时他们也删除重要信息。中值滤波器进行带比这些过滤器。其次是中值滤波的过程：

它类似于平均滤波器，每个输出像素被设置为相应输入像素邻域中像素值的平均值。

图3肤色颜色分割结果与R G B，Y BC BC和H V V颜色模型

图4肤色分割图像的噪声去除效果 图5蒙皮分割图像的欧拉计算结果

1输出像素的值取决于邻域像素的中位数，而不是平均值。

2中位数比平均值极端值要少得多（称为离群值）。

中值滤波是因此能够更好的去除这些骗子不降低图像的清晰度。图4显示了噪声消除的结果

3.4欧拉计算

由于面临包含由于眼睛和嘴巴，所以计算孔数孔，我们丢弃的，不包含任何孔区。要执行欧拉数计算，我们考虑每个滑雪作为个体的区域和过程采用欧拉数计算。为了这个目的，使用欧拉公式：

E = C minus; H

(5)

其中E是欧拉数，C是连通数组件和H是孔数结果

欧拉计算如图16所示

图7不同肤色模型的人脸检测结果

3.5框箱比和偏心率

对于人脸的进一步验证，我们处理图像边界盒比和偏心确定的可能性皮肤区域为脸部区域的。这两个条件

如图所示。边界框的高度大于宽度。边界框的阈值由分析100张人脸的宽高比互联网和数据库。.我们计算的宽度W的比例包围盒的高度h：

由于人脸是椭圆形的，所以这里偏心测量小轴与长轴的比值边界椭圆。

这里Ei是偏心值。经过计算毕和Eci，我们将和（Bi和Eci）约束区。如果条件为真，则标记为人脸区域，否则丢弃.图7显示人脸检测结果与各种颜色模型。

完整的方法说明算法1：

算法1人脸检测算法

开始

1。读取图像。

2。将RGB图像为Y CbCr图像。

3..闪电补偿执行以下步骤：

a.求Y分量的最小最小值（y）和最大值（y）值，并对其进行归一化处理Y分量。

b.计算Y的平均值。

c设置阈值与下列条件：

d使用阈值修改图像的R（红色）和G（绿色）分量

e.结合Rnew，gnew和B（蓝色）得到最终的彩色图像。

4。使用下列阈值执行肤色分

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[27413]，资料为PDF文档或Word文档，PDF文档可免费转换为Word