人臉識別畢業(yè)論文--人臉檢測技術(shù)研究及matlab實現(xiàn)

1、<p>　　本科畢業(yè)設(shè)計(論文)</p><p>　　題 目： 人臉檢測技術(shù)研究及MATLAB實現(xiàn)</p><p>　　學(xué) 院： 信息科學(xué)與工程學(xué)院 </p><p>　　專業(yè)(方向)： 電子信息工程 </p><p>　　2012 年 5 月 20 日&

2、lt;/p><p><b>　　摘 要</b></p><p>　　人臉檢測是當今視覺領(lǐng)域里非常重要和實用的研究課題，它應(yīng)用于現(xiàn)實生活中的各個領(lǐng)域，如公安、金融、網(wǎng)絡(luò)安全、物業(yè)管理以及考勤等?；谝曨l的人臉檢測屬于動態(tài)檢測，方法是先提取視頻文件的幀，然后再對幀（圖像）進行人臉檢測，利用膚色特征的檢測算法先對圖像（幀）進行處理，然后建模，運用適當?shù)乃惴ò讶四槞z測出來，

3、運用該方法完成了視頻之中的的人臉檢測。本文采用MATLAB軟件進行仿真，包括實現(xiàn)提取視頻文件的幀，對輸入圖像檢測有人臉（如果存在）的位置，大小和位姿，程序運行結(jié)果基本實現(xiàn)了上述功能。</p><p>　　關(guān)鍵詞:人臉檢測；視頻檢測；膚色特征</p><p>　　Research of Face Detection and Implementation of Matlab</p>

4、<p>　　Abstract：Face detection is very important and practical research topic in the visual field，it is applied to many areas in our lives Such as public security, finance, network security, property management and

5、 attendance, Based on the video's face detection is dynamic detection ,The idea is to extract video file frame, then as the image face to detectionUse the skin color characteristics of the detection algorithm , first

6、 to do processing testing, Then modeling.Use appropriate algorithm, the face </p><p>　　Key Words：Face Detection；Video Detection；Skin color characteristics</p><p><b>　　目 次</b></p&

7、gt;<p><b>　　摘 要I</b></p><p>　　AbstractII</p><p><b>　　1 緒論1</b></p><p>　　1.1 論文的研究歷史背景及目的1</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀2</p><p

8、>　　1.3 論文的主要內(nèi)容安排3</p><p>　　2 人臉檢測及其算法簡介5</p><p>　　2.1 人臉檢測介紹5</p><p>　　2.2 人臉檢測的常用方法5</p><p>　　2.2.1基于特征的人臉檢測方法5</p><p>　　2.2.2模塊匹配法的人臉檢測6</p&

9、gt;<p>　　2.2.3基于adaboost算法的人臉檢測方法7</p><p>　　3 基于視頻的人臉檢測研究及其實現(xiàn)8</p><p>　　3.1 matlab圖像處理工具箱中的視頻操作8</p><p>　　3.2提取AVI視頻文件的幀9</p><p>　　3.3 對圖像進行膚色特征的人臉檢測11<

10、/p><p>　　3.3.1色彩空間及其內(nèi)容介紹11</p><p>　　3.3.2對圖像進行預(yù)處理11</p><p>　　3.3.3對人臉膚色進行建模13</p><p>　　3.3.4 檢測人臉區(qū)域的選定14</p><p>　　3.4圖像向AVI視頻文件的轉(zhuǎn)換16</p><p>

11、　　4 人臉檢測在MATLAB軟件下仿真實現(xiàn)18</p><p>　　4.1 設(shè)計條件18</p><p>　　4.2 設(shè)計流程18</p><p>　　4.4.1基于視頻的人臉檢測的總設(shè)計模塊圖18</p><p>　　4.4.2對圖像進行人臉檢測具體框圖19</p><p>　　4.3 人臉檢測的MATL

12、AB實現(xiàn)19</p><p>　　4.3.1人臉檢測運行結(jié)果19</p><p>　　4.3.2人臉檢測結(jié)果分析21</p><p><b>　　5 結(jié)論22</b></p><p><b>　　致 謝23</b></p><p><b>　　參考文

13、獻24</b></p><p><b>　　附 錄25</b></p><p><b>　　1 緒論</b></p><p>　　當前，人臉檢測越來越受到大家的關(guān)注，它作為生物特征識別中一個非常重要的一個分支，已成為計算機視覺與模式識別領(lǐng)域中非?；钴S的一個研究領(lǐng)域。而基于視頻的人臉檢測更是學(xué)術(shù)界的一

14、個難點。數(shù)字視頻是數(shù)字圖像在時間軸上的擴展，可以將視頻的每一個幀視為一副靜止的圖像，而本文先會對視頻進行處理，然后再對圖像進行人臉檢測[3]。</p><p>　　作為圖像與視頻中最重要的視覺圖像之一，人臉包含很多信息，，通過人臉檢測，我們可以很快的知道一個的部分基本資料，如性別，表情，年齡和身份等基本信息，在現(xiàn)實生活中如在公安、金融、網(wǎng)絡(luò)安全、物業(yè)管理以及考勤等都會用到人臉檢測，因此人臉檢測技術(shù)具有很高的學(xué)術(shù)的

15、研究價值和商業(yè)價值，這就引起了在人臉識別這方面的廣大科學(xué)研究工作者的濃厚興趣，可以這么說，人臉檢測已經(jīng)成為當前科學(xué)界最熱門的一個課題之一。</p><p>　　1.1 論文的研究歷史背景及目的</p><p>　　近年來，由于視頻監(jiān)控，人機交互和視頻檢索等應(yīng)用的需求，視頻中的人臉</p><p>　　檢測研究得到迅速發(fā)展。視頻中人臉檢測可以劃分為三個環(huán)節(jié):先提取視頻

16、文件中的幀，對圖像進行人臉檢測，再還原成視頻，完成視頻中人臉的檢測。</p><p>　　人臉檢測最初來源于人臉識別。是指對于任意一副給定的圖像，采用一定的策略對其進行搜索以確定其中是否含有人臉，如果是則返回一臉的位置、大小和姿態(tài)，并把有人臉的地放識別出來。</p><p>　　早期，人臉檢測技術(shù)主要服務(wù)于人臉識別課題的研究；但是，隨著生物識別技術(shù)的快速發(fā)展，入臉檢測技術(shù)己經(jīng)被廣泛的應(yīng)用于

17、其它相關(guān)領(lǐng)域，產(chǎn)生一定的商業(yè)價值。例如：國家軍事、安全系統(tǒng)驗證、視頻會議、人機智能交，各類金融卡、身份驗證等等方面具有重要的應(yīng)用價值，所以，現(xiàn)在人們有許多人對人臉識別越來越重視了。</p><p>　　人臉檢測的研究同時也具有非常重要的的學(xué)術(shù)價值，人臉是一類具有相當復(fù)雜的細節(jié)變化的自然結(jié)構(gòu)目標，對此類目標的挑戰(zhàn)性在于：人臉由于外貌、表情、膚色等不同，具有模式的可變性；一般意義下的人臉上，可能存在眼鏡、胡須等附屬物

18、；作為三維物體的人臉影像不可避免地受由光照產(chǎn)生的陰影的影響。因此，如果能夠找到解決這些問題的方法，成功地構(gòu)造出人臉檢測系統(tǒng)，將為解決其他類似的復(fù)雜模式的檢測問題提供重要的啟示。</p><p>　　人臉檢測的目的是檢測一張圖像是否由人臉，如果有人臉，就把它從圖像背景中分離出來，然后對特征進行人臉識別。而在視頻中的人臉檢測在信息處理中，已經(jīng)成為是一項相當難突破的技術(shù)，越來越受到計算機視覺界的廣泛關(guān)注，作為這個有價值

19、課題，已經(jīng)滲透到各不同領(lǐng)域中。</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀</p><p>　　目前，越來越多的國家開始對人臉檢測及其識別的研究。并且發(fā)展得很快，已經(jīng)由原來的靜態(tài)識別到動態(tài)識別，由單向多張臉識別，還有從最初的二維臉識別到現(xiàn)在的三圍立體的識別。</p><p>　　在國內(nèi)，最早研究人臉檢測識別的，當屬于中科院計算所跟哈工大的一個聯(lián)合面像實驗室。該實驗室

20、的高文教授，陳熙林教授，山世光教授，直到今天，都一直活躍在人臉識別領(lǐng)域，更可貴的是，在IEEE上面發(fā)表了很多paper。這一點，很值得國內(nèi)的同行學(xué)習(xí)。后來，該實驗室，成為上海銀晨的研發(fā)中心，專門為上海銀晨做技術(shù)研發(fā)和技術(shù)支持。其次是中科院生物識別研究所的李子青教授，以及下屬的中科奧森公司。李子青教授，當年在微軟亞洲研究院的時候，就從事人臉識別方面的研究工作。后來，在中科院組建了專門的人臉識別研究團隊。該研究團隊，首先提出了基于近紅外的人

21、臉識別技術(shù)，并將該項人臉識別技術(shù)用于08年北京奧運會。同時，基于近紅外的人臉識別技術(shù)，得到了國際上同行業(yè)專家的認同和一致肯定。接著，是清華大學(xué)的丁曉青教授。丁曉青教授在OCR(字符識別)領(lǐng)域，可謂國內(nèi)第一人。不過，最近幾年轉(zhuǎn)行做人臉識別，也是非常有成就的。不說別的，就只從FRVT2006（美國國家標準研究所2006年全球人臉識別供應(yīng)商系統(tǒng)性能測試）的測試結(jié)果來看，丁曉青教授的研究團隊是唯一一個完成大規(guī)模3D人臉識別性能測試的參賽團隊。由

22、此可見，在國內(nèi)人臉識別領(lǐng)域來說，</p><p>　　國外主要有美國、歐洲國家、日本等著名的科研機構(gòu)有美國的MIT和CMU，英國的劍橋大學(xué)。在人臉識別領(lǐng)域中，國際上逐步形成了一下幾個研究方向：基于幾何特征的方法、基于膚色模型的方法、基于模板匹配的方法、基于KL變換的特征臉方法、基于隱馬爾可夫模型的方法和神經(jīng)網(wǎng)絡(luò)識別的方法等等。它們可以被歸類到基于顯式特征和基于隱式特征的兩大類方法中。</p><

23、;p>　　發(fā)展至今，人臉識別的方法越來越多，最有代表的是基于Haar特征的人臉識別方法是其中較為典型的方法，該算法不僅具有較高的檢測率，同時也能夠滿足實時檢測的要求?；贖aar特征的人臉識別方法始于2001年P(guān)aul Viola和Michael Jones兩者撰寫的一篇論文，他們在論文中提出了Haar特征和Adaboost算法，并利用它們進行人臉檢測。但是此方法只能用于檢測正面無旋轉(zhuǎn)的人臉。為此，Rainer Lienhart等

24、人于2002年對此方法進行了擴展, 增加了傾斜特征的定義，此后此方法被擴展到全旋轉(zhuǎn)縮放情況下的人臉檢測。自從以上幾位學(xué)者運用基于Haar特征和Adaboost算法進行人臉檢測取得長足進步之后，基于Haar特征的人臉檢測方法備受專家學(xué)者的青睞，國內(nèi)外相關(guān)內(nèi)容的研究成果也是層出不窮。</p><p>　　1.3 論文的主要內(nèi)容安排</p><p>　　本文首先介紹人臉檢測的基本內(nèi)容，介紹人臉檢

25、測及其的方法，然后就是基于視頻的人臉檢測設(shè)計及其實現(xiàn)，在這部分中首先從視頻中提取視頻文件的幀，再對圖像進行膚色特征的人臉檢測，然后把檢測后的圖像還再轉(zhuǎn)換成視頻，再播放，以達到人臉檢測的目的。檢測圖像是否有人臉，如果有，則把人臉從圖像中標識出來達到預(yù)想的目的。最后再通過Matlab軟件仿真，達到我們?nèi)四槞z測的目的。</p><p>　　本論文的章節(jié)安排和主要內(nèi)容如下:</p><p>　　

26、第一章緒論。主要介紹了本文的歷史背景，著重介紹了人臉檢測技術(shù)的研究現(xiàn)狀以及國內(nèi)外研究現(xiàn)狀，并明確了本文的工作內(nèi)容和章節(jié)安排。</p><p>　　第二章是對人臉檢測及其算法的介紹。首先進行人臉檢測的介紹；然后介紹了當前國內(nèi)外用到的人臉檢測技術(shù)；其次介紹人臉檢測的幾種方法，當前人臉檢測的幾種方法，如基于特征的人臉檢測，模塊匹配的人臉檢測，基于統(tǒng)計的的人臉檢測和基于adaboost算法的人臉檢測方法。對本設(shè)計中所用到

27、的關(guān)鍵技術(shù)進行重點闡述。</p><p>　　第三章介紹基于視頻的人臉檢測研究及其實現(xiàn)。在這章中首先matlab圖像處理工具箱中的視頻操作，因為我們首先要對視頻進行提取幀的處理，然后介紹幀（圖像）基于膚色特征的人臉檢測的設(shè)計?？梢苑譃槿蟛襟E：</p><p>　　（1）對圖像初步處理。詳細利用色彩平衡、光照補償對人臉圖像進行預(yù)處理的方法。</p><p>　?。?

28、）基于膚色特征的人臉檢測。介紹了色彩空間的相關(guān)知識，通過膚色分析選擇YCbCr色彩空間建立膚色模型，再運用該膚色模型進行了人臉膚色分割，并對圖像進行膨脹腐蝕以及平滑操作，得到人臉候選區(qū)域，完成對人臉的粗檢測。</p><p>　　檢測完后的圖像再進行轉(zhuǎn)化為視頻，以達到在視頻中檢測人臉的目的。</p><p>　　第四章，人臉檢測的Matlab實現(xiàn)及仿真。并對其進行分析，首先對軟件的硬件做了

29、簡單介紹；然后從整體上描述基于視頻的人臉檢測的流程圖。展示了人臉檢測的實驗結(jié)果并進行了比較分析。運用編寫好的程序?qū)D片進行人臉檢測。看是否能達到我們所想要的效果。</p><p>　　最后部分是對整個畢業(yè)設(shè)計工作進行了總結(jié)和展望。</p><p>　　2 人臉檢測及其算法簡介</p><p>　　2.1 人臉檢測介紹</p><p>　　人

30、臉檢測（face detection）是指在輸入圖像中確定所有人臉（如果存在）的位置、大小、位姿的過程。人臉檢測作為人臉信息處理中的一項關(guān)鍵技術(shù)，近年來成為模式識別與計算機視覺領(lǐng)域內(nèi)一項受到普遍重視、研究十分活躍的課題。</p><p>　　人臉檢測（face detection）問題來源于人臉識別（face recognition）問題。人臉檢測是對給定的圖像，判斷其中是否有人臉，若有，將所有人臉從背景中分割提

31、取出來，并確定每個人臉在圖像中的位置和大小。人臉檢測技術(shù)可以應(yīng)用于人臉識別、視頻會議、圖像與視頻檢索、刑偵破案和證件驗證等領(lǐng)域。</p><p>　　人臉檢測是對于輸入的人臉圖像或視頻，首先判斷其中是否存在人臉，如果存在人臉，則進一步給出每個人臉的位置、大小以及各個主要面部器官的位置信息，并依據(jù)這些信息，進一步提取每個人臉中所蘊含的特征，并將其與已知人臉庫中的人臉圖像進行對比，從而得到識別結(jié)果。由此可見，一個完整

32、的人臉識別過程應(yīng)包括人臉檢測與人臉識別兩大部分。</p><p>　　人臉識別由兩部分工作組成：(l)人臉檢測:在輸入的圖像或視頻畫面當中確定存在的人臉位置、尺寸等的過程，這是識別工作的基礎(chǔ)課題，在減少算法復(fù)雜度等方面對識別工作有關(guān)鍵性影響。(2)人臉識別:通過與計算機相連的攝像頭動態(tài)捕捉人的面部信息，并把捕捉到的人臉與預(yù)先錄入的人臉數(shù)據(jù)庫中存儲的人臉進行比較識別。</p><p>　　人

33、臉檢測的基本思想是建立人臉模型，比較所有可能的待檢測區(qū)域與人臉模型的匹配程度，從而得到可能存在人臉的區(qū)域。</p><p>　　2.2 人臉檢測的常用方法</p><p>　　隨著科學(xué)技術(shù)的不斷發(fā)展，人臉檢測技術(shù)的方法越來越多，如早期的模塊匹配法，基于特征的方法，還有中期的神經(jīng)網(wǎng)絡(luò)，統(tǒng)計模型，色彩信息，形狀分析，還有最近的支持向量法，多模塊信息融合，Adaboost算法等，下面我們來介紹這

34、些方法。</p><p>　　2.2.1基于特征的人臉檢測方法</p><p>　　特征是人從肉眼看到的特性，人臉檢測基于特征我們可以從膚色，臉部，還有五官特征進行。下面我們來簡單介紹這些東西。</p><p>　　整體輪廓法：我們知道人的臉看起來有點圓，所以我們可以通過圓形的檢測以完成對人臉檢測的進行，在前人研究中，有人把人臉分割為三個輪廓區(qū)：即頭頂輪廓區(qū)，左臉輪

35、廓區(qū)和右臉輪廓區(qū)，檢測任何一張圖像，先進行邊緣區(qū)域測試，然后提取臉部特征，最后運用評估函數(shù)來檢測人臉。</p><p>　　膚色檢測法：我們知道人臉膚色在去除亮度后具有聚類性，所以人臉的膚色在一定程度上可以把人臉統(tǒng)大部分背景中分離區(qū)分出來，因此我們可以運用膚色模型來檢測人臉，關(guān)于這類方法我們會在第三章中詳細介紹。</p><p>　　器官分布法：人臉的人和人可以不同，但人臉的大致器官的分布

36、都差不多的，就是人的五官的幾何分布。在這方面yang等人提出的mosaic方法，它給出了人臉區(qū)域灰度分布的規(guī)則，依據(jù)這些規(guī)則對圖像進行篩選，以樣本滿足這些規(guī)則的程度作為檢查的依據(jù)。也可以先檢測器官的位置，然后將這些位置排列組合，運用器官的分布規(guī)律進行檢測，基本上找到人臉的位置[4]。</p><p>　　2.2.2模塊匹配法的人臉檢測</p><p>　　這種方法首先要把人臉的模板進行建立

37、并保存，如人的正面人臉或是眼睛，鼻子，嘴巴等。接著利用一些算法來計算各待測區(qū)域與標準模板的相似程度(或稱相關(guān)性)，利用這一相似程度來判斷某一區(qū)域是否為人臉。</p><p>　　(1)鑲嵌圖法(又稱為馬賽克圖)：就是將圖像劃分為一組大小相同的方格，每個方格的灰度為格中各個像素的平均值。鑲嵌圖特征是指這些塊的值應(yīng)滿足的約束規(guī)則Yang[6]等人將人臉的五官區(qū)域分別劃分為和個馬賽克塊，使用一組規(guī)則進行檢驗，并且利用邊

38、緣特征進一步驗證。盧春雨等對鑲嵌圖方法進行了改進，按照人臉器官的分布將人臉劃分為個馬賽克塊，在檢測中自適應(yīng)的調(diào)整各塊的大小，使用一組基于各</p><p>　　塊灰度和梯度統(tǒng)計特征的知識規(guī)則檢驗該區(qū)域是否為人臉，取得了較好的實驗結(jié)果。</p><p>　?。?)預(yù)定模板匹配法：根據(jù)人臉的先驗知識確定出人臉輪廓模板以及各個器官特征的子模板，先通過計算圖像中區(qū)域和人臉輪廓模板的相關(guān)值來檢測出人

39、臉候選區(qū)域，然后利用器官特征子模板驗證上一步檢測出的人臉候選區(qū)域是否包含人臉。采用“雙眼一人臉”模板，將平均臉的雙眼模板剪裁出來，濾波時先使用雙眼模板再使用人臉模板，用以提高匹配速度并取得更好的性能。將人臉圖像二值化后得到人臉輪廓，然后與模板庫中的人臉模板匹配，根據(jù)圖像與模板之間的Hausdroff 距離及相關(guān)閉值判定取舍。這種方法的缺點在于不能有效處理尺度、姿態(tài)和形狀的變化。</p><p>　　(3)變形模板

40、法：其主要思想是定義一個可變形的參數(shù)模板和一個能量函數(shù)來描述特征，通過一個非線性最優(yōu)化方法求得能使能量函數(shù)最小的參數(shù)模板，此模板即被認為是所求特征的描述。Yullie 等人提出來基于彈性模板的方法用于人臉的檢測。當用彈性模板進行人臉檢測時，將可調(diào)模板在待檢測圖像中移動并動態(tài)的調(diào)整其參數(shù)，計算能量函數(shù)。當能量函數(shù)達到最小值時，根據(jù)其位置和參數(shù)所決定的可調(diào)模板形狀應(yīng)該達到與人臉形狀的最佳擬合，由此檢測到人臉。這種方法的優(yōu)點是由于使用的彈性模

41、板可調(diào)，能夠檢測不同大小、具有不同偏轉(zhuǎn)角度的人臉。但缺點是檢測前必須根待測人臉的形狀來設(shè)計彈性模板的輪廓，否則影響收斂的效果；當對圖像進行全局搜索時，由于要動態(tài)的調(diào)整參數(shù)和計算能量函數(shù)，計算時間過長[8]。</p><p>　　2.2.3基于adaboost算法的人臉檢測方法</p><p>　　前面我們已經(jīng)介紹了基于特征和和模塊匹配的的方法，接下來我們介紹有關(guān)人臉識別的另一種方法，那就是

42、基于adaboost算法，來檢測人臉位置，真正實現(xiàn)人臉識別的目的。</p><p>　　Adaboost算法是將大量的分類能力弱的弱分類器通過的特定的方法組合起來，構(gòu)成一個強的分類器。</p><p>　　目前基于haar特征的Adaboost算法比較受廣大學(xué)者的歡迎，關(guān)于其具體算法，在這里就不必做詳細的說明[9]。</p><p>　　3 基于視頻的人臉檢測研究

43、及其實現(xiàn) </p><p>　　在日常生活中，基于視頻的人臉檢測與跟蹤作為人臉信息處理中的一項關(guān)鍵技術(shù)，在基于內(nèi)容的圖像檢索、視頻會議、可視電話、遠程視頻監(jiān)控以及人機交互等方面都有著很重要的應(yīng)用價值。在實際應(yīng)用中，由于客觀因素的影響，如人臉本身復(fù)雜的細節(jié)變化、人臉多姿態(tài)、各種遮擋、光照不均勻、以及復(fù)雜背景時，人臉檢測和識別普遍存在計算量大、速度慢、魯棒性差的弱點.所以我們可以采用提取視頻文件的幀，然后對圖像進行膚

44、色檢測，再把檢測過的圖像還原成視頻，然后播放視頻，以基本上完成了視頻下的人臉檢測。</p><p>　　3.1 matlab圖像處理工具箱中的視頻操作</p><p>　　圖像文件格式有多種，包括BMP，JPEG和PNG等，MATLAB都提供支持，可以直接讀取這些文件。</p><p>　　視頻也有許多種格式可以從不同的角度進行分類。最常見的是沒有壓縮的視頻文件是Y

45、UV，它是由相互關(guān)聯(lián)的若干幀靜態(tài)圖像所組成的圖像序列。由于視頻的數(shù)據(jù)量大，通常以壓縮后的形式進行存儲和傳輸，壓縮后的視頻可以分為兩大類：一類是面向存儲的，包括avi　mpg　mpeg　rm　等；另一類是面向流式媒體的，在在線實況和流媒體電影等中應(yīng)用廣泛。</p><p>　　下面我們重點介紹AVI　AVI—Audio Video Interleave，即音頻視頻交叉存取格式。1992年初Microsoft公司推出

46、了AVI技術(shù)及其應(yīng)用軟件VFW（Video for Windows）。在AVI文件中，運動圖像和伴音數(shù)據(jù)是以交織的方式存儲，并獨立于硬件設(shè)備。這種按交替方式組織音頻和視像數(shù)據(jù)的方式可使得讀取視頻數(shù)據(jù)流時能更有效地從存儲媒介得到連續(xù)的信息。構(gòu)成一個AVI文件的主要參數(shù)包括視像參數(shù)、伴音參數(shù)和壓縮參數(shù)等。AVI文件用的是AVI RIFF形式，AVI RIFF形式由字符串“AVI”標識。所有的AVI文件都包括兩個必須的LIST塊。這些塊定義了

47、流和數(shù)據(jù)流的格式。AVI文件可能還包括一個索引塊。 只要遵循這個標準，任何視頻編碼方案都可以使用在AVI文件中。這意味著AVI有著非常好的擴充性。這個規(guī)范由于是由微軟制定，因此微軟全系列的軟件包括編程工具VB、VC都提供了最直接的支持，因此更加奠定了AVI在PC上的視頻霸主地位。由于AVI本身的開放性，獲得了眾多編碼技術(shù)研發(fā)商的支持，不同的編碼使得AVI不斷被完善，現(xiàn)在幾乎所有運行在PC上的通用視頻編輯系統(tǒng)，都是以支</p>

48、<p>　　下面就簡單介紹幾種常用的函數(shù)</p><p><b>　　AVIREAD()</b></p><p>　　AVIREAD()函數(shù)的功能是讀/寫一個AVI文件到MATLAB視頻結(jié)構(gòu)中。它的使用語法如下。</p><p>　　MOV= AVIREAD(FILENAME)</p><p>　　其中，參

49、數(shù)FILENAME是生成的AVI文件的文件名稱，如果沒有擴展名，系統(tǒng)將會自動默認其擴展名為avi，而返回值MOV有兩個字段：cdata和colormap。</p><p>　　ADDFRAME()</p><p>　　ADDFRAME()函數(shù)的功能是添加單一的視頻到AVI文件中。他的使用語法如下。</p><p>　　AVIOBJ= ADDFRAME(AVIOBJ,

50、FRAME)</p><p>　　添加FRAME中的數(shù)據(jù)到使用FRAME創(chuàng)建的AVIOBJECT中去。FRAME既可以是一個索引圖像，也可以是一個真彩色圖像。如果FRAME不是添加到AVI文件的第一幀，它是維數(shù)必須和前面的幀一致。</p><p>　　3.2提取AVI視頻文件的幀</p><p>　　類似地，也可以編寫一個簡單的函數(shù)avi2bmp(),將AVI文件紅

51、的視頻幀單獨存儲為JPG格式的靜止圖像。函數(shù)的MATLAB代碼如下。</p><p>　　mov=aviread(example.avi)</p><p>　　mov=aviread('example.avi')</p><p>　　mov=aviread</p><p>　　mov=aviread('example1

52、.avi')</p><p>　　temp=size(mov)</p><p>　　temp=size(mov)</p><p>　　for i=1:20,strtemp=strcat(exmbmp,int2str(i),'.jpg ');</p><p>　　imwrite(mov(i).cdata(:,:,:),s

53、trtemp)</p><p><b>　　end</b></p><p><b>　　imshow</b></p><p>　　imshow('exmbmp20.jpg')</p><p><b>　　clc</b></p><p>&

54、lt;b>　　imshow(f)</b></p><p><b>　　效果圖如下：</b></p><p>　　圖3-1為提取出來的20張圖像</p><p>　　以上為AVI文件轉(zhuǎn)換為JPG圖像</p><p>　　對上述avi2bmp()函數(shù)稍作修改，即可將AVI文件中的視頻的幀單獨存儲為BMP,P

55、NP等格式的靜止圖像。</p><p>　　3.3 對圖像進行膚色特征的人臉檢測</p><p>　　3.3.1色彩空間及其內(nèi)容介紹</p><p><b>　　色彩空間</b></p><p>　　“色彩空間”一詞源于西方的“Color Space”，又稱作“色域”，色彩學(xué)中，人們建立了多種色彩模型，以一維、二維、三維

56、甚至四維空間坐標來表示某一色彩，這種坐標系統(tǒng)所能定義的色彩范圍即色彩空間。我們經(jīng)常用到的色彩空間主要有RGB、CMYK、Lab等。本文主要介紹RGB色彩空間的相關(guān)知識。</p><p><b>　　RGB色彩空間</b></p><p>　　RGB，就是紅、綠、藍(red、green、blue)的縮寫。RGB色彩空間可以表示所有顏色，因此應(yīng)用十分廣泛。</p&g

57、t;<p>　　在RGB模式中，圖像中每一個像素點的RGB分量的強度值都可從0(黑色)到255(白色)變化。三種顏色按照不同的比例混合，將各種色彩表現(xiàn)出來，這一道理十分易于理解。將圖像由RGB色彩空間轉(zhuǎn)換到rgb色彩空間rgb模型的轉(zhuǎn)換公式為</p><p><b>　　YCbCr色彩空間</b></p><p>　　對于YcbCr色彩空間我們可能不太熟

58、悉，我們下面介紹一下，它是一種常見的顏色模型，在電視視頻傳輸中經(jīng)常用到，它的優(yōu)勢是占用的帶寬及存儲資源較少。YCbCr是CCIR601編碼方案中采用的彩色表示模型，在電視盒的色彩顯示等領(lǐng)域中應(yīng)用較多。在此色彩空間中，Y是亮度，即灰度值，Cb和Cr是色度信息，它同樣具有HIS格式中將亮度分量分離的特點。它可以由RGB格式經(jīng)線性變化得到，因此很少直接應(yīng)用于物體色彩的聚類分析，而在其基礎(chǔ)上的變換模型應(yīng)用則更為普遍。</p>&l

59、t;p>　　RGB各分量通過線性變換即可得到Y(jié)CbCr色彩空間的系數(shù)，如公式3-2所示。不同于HSV，YCbCr的亮度分量并不完全獨立于色度信息，Y不同的情況下，膚色的聚類區(qū)域隨之呈非線形變化。</p><p><b>　　（3-2）</b></p><p>　　3.3.2對圖像進行預(yù)處理</p><p>　　在現(xiàn)實生活中我們知道，獲取人

60、臉圖像有著不可變化的復(fù)雜性，會受到很多因數(shù)的影響，如光照，時間、地點、設(shè)備、各類技術(shù)參數(shù)等變化，使得我們對獲取圖像中的人臉信息造成影響。還有一些隱性的因素，如我們在攝影攝像的過程中經(jīng)常遇到的飽和度不足、過飽和、偏色等現(xiàn)象都是這種差異干擾的實例。正是因為這樣，為了消除光照等不確定因素對圖像中膚色的影響，我們必須在進行人臉檢測前進行色彩平衡、光照補償?shù)阮A(yù)處理操作。[9]</p><p><b>　　對圖像進

61、行色彩平衡</b></p><p>　　首先在檢測的圖像中，我們要消除來自圖像色彩的干擾，就要調(diào)整色彩度的變量，所以我們要先對圖像進行色彩平衡的處理操作。色彩平衡處理的實現(xiàn)，是利用輸入圖像中的RGB三個分量的平均值averR，averG,averB，算出這三個分量的總平均值，公式如下:</p><p>　?。?-3） </p>&

62、lt;p>　　隨后，將所有像素的分量值乘以總平均值和相應(yīng)分量平均值的比值，即完成圖像中所有像素分量值的統(tǒng)一化，這就很好的的對檢測圖像進行色彩平衡操作。為什么要這樣做呢 ？因為檢測中圖像的色彩的是既是變化無常，也是相互獨立的，所以我們必須先對圖像進行色彩平衡，而運用公式計算出的平均值應(yīng)該是接近于圖像的像素值的。</p><p><b>　　光線補償</b></p><

63、p>　　為什么我們要對圖像進行光線補償？因為在現(xiàn)實生活中因為光照強度、光源色彩、圖像獲取設(shè)備的數(shù)值偏差等因素可能都會對待測圖像中的膚色信息的影響。。在這里我們可以通過亮度來進行調(diào)節(jié)。通過將圖像亮度灰度范圍內(nèi)的兩端區(qū)域進行壓縮,降低過亮和過暗區(qū)域的對比度;再用對數(shù)函數(shù)做非線性變換函數(shù),使變換后圖像的對比度增加。該方法能夠?qū)^亮、過暗以及中間區(qū)域的像素灰度值進行修正,為后續(xù)的膚色分割、人臉檢測奠定基礎(chǔ)。</p><

64、p>　　關(guān)于補償系數(shù)公式為:</p><p><b>　?。?-4）</b></p><p>　　其中，N為亮度值排在前面的像素總數(shù)，為包含有這些像素的像素集合，Y為這些像素的亮度值。圖像中余下像素的亮度值均與此補償系數(shù)相除，再進行對比度的拉伸，使得剩余像素的色彩值都按照“參考白”的尺度統(tǒng)一調(diào)整變換。</p><p>　　3.3.3對人臉

65、膚色進行建模</p><p>　?。?）選擇了YCbCr色彩空間</p><p>　　在研究中我們會發(fā)現(xiàn)，人和人的臉部膚色差別在于亮度值，而不是別的色度值。如果我們能夠選取合適的色彩空間，完全分離并去除掉亮度因素，將膚色在單純的色度范圍內(nèi)進行統(tǒng)計，那么膚色的分布將產(chǎn)生明顯的聚類特性。以此為依據(jù)建立膚色模型，就能有效避免光照的可變性對膚色的影響，無論圖像是在何種光照條件下獲取的，我們都能依據(jù)

66、膚色在純“色度”范疇內(nèi)的聚類特性進行準確的膚色分割和區(qū)域提取。</p><p>　　在色彩空間變換中，膚色分布聚集在一個較小的區(qū)域內(nèi)，形成了明晰的聚類特性。膚色在YCbCr空間下聚集得更緊密，聚類性更強。其優(yōu)點是亮度Y和色度Cb、Cr分離，這是不同于RGB的典型特征。更重要的是，在數(shù)學(xué)上，YCbCr可以直接通過線性變換從RGB得到，這就大大提高了計算效率，而且不會產(chǎn)生奇異點。相比較之下，RGB與HSV之間的轉(zhuǎn)換需

67、要經(jīng)過非線性變換，算法復(fù)雜費時，而且HSV空間中存在有奇異點。</p><p>　　所以，YcbCr色彩空間在膚色建模方面比較實用。所以我們我們才選擇了YCbCr色彩空間進行膚色的建模。</p><p><b>　　（2）建立高斯模型</b></p><p>　　根據(jù)彩色圖像像素屬于膚色模型的可能性的大小，來表示灰度的大小，將一幅彩色圖像轉(zhuǎn)變?yōu)?/p>

68、灰度圖像，灰度值對應(yīng)于該點屬于皮膚區(qū)域的可能性，根據(jù)膚色在色度空間的高斯分布，得到高斯分布的中心，然后根據(jù)圖像所有像素離該中心點的遠近計算膚色的相似度，得到膚色相似度灰度圖。高斯模型不是一般的二值膚色像素定位，而是通過計算像素的概率值構(gòu)成連續(xù)的數(shù)據(jù)信息并得到一個膚色概率圖，根據(jù)數(shù)值大小來完成膚色的確認。它克服了幾何模型的缺點，同時不必考慮神經(jīng)網(wǎng)絡(luò)模型中關(guān)于非膚色樣本難以準確提取的問題。</p><p>　　用以下

69、二維高斯型函數(shù)來表達膚色分布：</p><p>　?。?-5） </p><p>　　其中：x為樣本像素在YCbCr顏色空間的值，M為膚色在YCbCr顏色空間的樣本均值，C為膚色相似度模型的協(xié)方差矩陣。</p><p>　　（3）膚色區(qū)域的處理</p><p>　　在人臉檢測中，我們要圖像處理，而人臉的膚色分割就是其中

70、一個必不可少的步驟。在本文中，我們選用圖像閾值分割方法分割出膚色區(qū)域。閾值的選取很重要,過低會使膚色的數(shù)量增加,過高則會使過多的膚色點被誤認為背景,二者都會影響后續(xù)檢測的效果。因此,能夠依據(jù)待檢測圖像本身自動優(yōu)選閾值就顯得非常重要和必要。</p><p>　　經(jīng)過分析比較,本文最終選用由Otsu提出的最大類間方差閾值分割算法,它是在最小二乘法原理基礎(chǔ)上推導(dǎo)出來的，其基本思路是將直方圖在某一閾值處理分割成兩組，當被

71、分成的兩組的方差為最大時決定閾值。對于輸入系統(tǒng)的圖像，系統(tǒng)會依據(jù)膚色特征測算所有像素的膚色相似度，并建立相似度直方圖，然后按照該算法計算出最佳閾值，進行圖像的二值化，將膚色區(qū)域分割為白色，將非膚色區(qū)域分割為黑色。</p><p>　?。?）對圖像進行形態(tài)學(xué)處理</p><p>　　形態(tài)學(xué)圖像處理的基本操作包括4個方面：即膨脹，腐蝕，開操作和閉操作，以得到干凈整潔的膚色分割圖。</p&

72、gt;<p>　　3.3.4 檢測人臉區(qū)域的選定</p><p>　　經(jīng)過膚色分割和形態(tài)學(xué)處理之后，我們會得出原圖像的二值化圖像，其中白色區(qū)域就是膚色區(qū)域。這樣我們就完成了對候選人臉區(qū)域的選定。</p><p><b>　　程序部分代碼如下：</b></p><p>　?。?）將RGB空間轉(zhuǎn)換為YCbCr空間。</p>

73、<p>　　f=rgb2ycbcr(f);</p><p>　?。?）將彩色圖像轉(zhuǎn)換為灰度圖像，皮膚顏色在YCbCr色度空間的分布范圍為:100<=cb<=127,138<=cr<=170，可以將彩色圖像轉(zhuǎn)換為二值圖像。</p><p>　　f_cb=f(:,:,2);</p><p>　　f_cr=f(:,:,3);</

74、p><p>　　f = (f_cb>=100) & (f_cb<=127) & (f_cr>=138) &(f_cr<=170) ;</p><p>　　（3）中值濾波和形態(tài)學(xué)操作：使用中值濾波和開閉運算的方法消除噪聲。</p><p>　　K=medfilt2(f,[5 5]);%5×5中值濾波，去除噪聲<

75、;/p><p>　　se=strel('square',3);</p><p>　　f=imopen(f,se); </p><p>　　f=imclose(f,se);</p><p>　?。?）對圖像進行重構(gòu)，即利用重構(gòu)進行開運算，可準確恢復(fù)腐蝕后的對象形狀。</p><p>　　fe=imerode(

76、f,ones(8,7));</p><p>　　fo=imopen(f,ones(8,7));</p><p>　　f=imreconstruct(fe,f);</p><p>　　（a）原彩色圖像 （b）膚色分割后的圖像 （c）形態(tài)學(xué)處理后的圖像</p><p>　　圖3-2膚色分割以及形態(tài)學(xué)處理效果圖</p>

77、<p>　　圖3.2是人臉圖像經(jīng)過膚色分割，再進行形態(tài)學(xué)處理的效果圖。在圖中，白色區(qū)域即為膚色區(qū)域，黑色區(qū)域即為非膚色部分。我們可以看出原圖像中人體的膚色區(qū)域以及背景中的類膚色區(qū)域都被分割出來了，</p><p>　　對圖像進行膚色分割 和形態(tài)學(xué)處理后，再根據(jù)模塊匹配的原則,進行對人臉的檢測。其程序部分代碼如下：</p><p>　　for i=1:num;</p>

78、<p>　　[r,c]=find(L==i);</p><p>　　r_temp=max(r)-min(r);</p><p>　　c_temp=max(c)-min(c);</p><p>　　temp=size(r);</p><p>　　sum=sum+temp(1);</p><p>　　area_

79、sq=r_temp*c_temp;</p><p>　　area=size(find(L==i),1);</p><p>　　ratio=area/area_sq;</p><p>　　if (r_temp/c_temp<0.8)|(r_temp/c_temp>2)|temp(1)>2000|temp(1)<200|ratio<0.6&

80、lt;/p><p><b>　　檢測的效果圖如下：</b></p><p>　　圖3.3為人臉檢測后的20 張圖像</p><p>　　3.4圖像向AVI視頻文件的轉(zhuǎn)換</p><p>　　前面我們已經(jīng)對圖像運用膚色特征的方法進行了人臉檢測，得到了一張張檢測了圖像，那接下來，我們就要對圖像向AVI視頻文件的轉(zhuǎn)換，以完成視頻的

81、最終處理，然后播放出來。</p><p>　　視頻是由連續(xù)幀組成?？梢跃帉懸粋€簡單的函數(shù)jpg2avi(),將多幀的jpg格式的靜止圖像自動地轉(zhuǎn)化為AVI文件。函數(shù)的MATLAB代碼如下。</p><p>　　Function jpg2avi(framestart,frameend,sourcefile,avifile)</p><p><b>　　%參數(shù)

82、說明：</b></p><p>　　% sourcefile—jpg文件的共同的文件名</p><p>　　% framestart—待轉(zhuǎn)換的jpg文件名中的起始編號</p><p>　　% frameend —待轉(zhuǎn)換的jpg文件名中的終止編號</p><p>　　% avifile —轉(zhuǎn)換后的AVI

83、文件名</p><p><b>　　% </b></p><p>　　% 創(chuàng)建AVI文件，并設(shè)置其參數(shù)</p><p>　　Aviobj= avifile(aviname);</p><p>　　Aviobj.Quality=100</p><p>　　Aviobj.compression=No

84、ne;</p><p>　　%將命名為1 sourcefile,2 sourcefile,3 sourcefile,4 sourcefile…的jpg文件轉(zhuǎn)換為AVI文件</p><p>　　在MATLAB工作目錄下準備20張相同的分辨率的jpg文件，假設(shè)文件名依次為10jpgfile.jpg 11 jpgfile.jpg,,,,29 jpgfile.jpg.在MATLAB命令窗口輸入以下

85、語句：</p><p>　　jpg2avi（0,29，‘jpgfile,jpg’avinanme.avi ）;</p><p>　　該語句可將這些jpg文件轉(zhuǎn)換為一個名為avinanme.avi的AVI文件，并使用暴風(fēng)影音播放。</p><p>　　4 人臉檢測在MATLAB軟件下仿真實現(xiàn)</p><p><b>　　4.1 設(shè)計條

86、件</b></p><p><b>　　(1)硬件條件</b></p><p>　?、儆嬎銠C要能滿足MATLAB的運行的基本條件</p><p>　?、贑PU:1GHZ及以上;內(nèi)存:256MB及以上。</p><p><b>　　(2)軟件環(huán)境</b></p><p&

87、gt;　?、倌軌驖M足該軟件的可靠性，可用性和安全性的要求。</p><p>　?、谂渲糜谐掷m(xù)工作能力、高穩(wěn)定性、高度可集成的開放式標準的操作系統(tǒng)，如WindowsXP/Vista/7等。</p><p>　?、叟鋫浞螦NSI/ISO標準的高級程序設(shè)計語言處理軟件。如:VisualC++6.0,另外有圖像處理軟件Matlab7.0或者MatlabR2009b版本。</p>&

88、lt;p><b>　　4.2 設(shè)計流程</b></p><p>　　本文設(shè)計主要由兩大模塊設(shè)計系統(tǒng)組成：先從視頻中提取幀，然后對幀進行檢測。下面主要介紹了本設(shè)計具體的人臉檢測設(shè)計流程。</p><p>　　4.4.1基于視頻的人臉檢測的總設(shè)計模塊圖</p><p>　　圖4.1基于視頻的人臉檢測的總設(shè)計模塊圖</p><

89、;p>　　下面就對各模塊功能目的進行介紹：</p><p>　　提取視頻文件的幀：主要目的是把動態(tài)視頻轉(zhuǎn)化為看做是靜態(tài)圖片的一張張幀，這就把復(fù)雜動態(tài)難以檢測的視頻分解出來，為后續(xù)的圖片檢測做好準備。</p><p>　　對圖像進行膚色特征的人臉檢測：主要目的是對圖像進行處理，包括色彩平衡，膚色建模和形態(tài)學(xué)處理等。</p><p>　　將檢測后的圖像轉(zhuǎn)換成視頻：

90、把處理后的圖像再轉(zhuǎn)化為視頻，然后播放，以完成視頻里的人臉檢測。</p><p>　　完成視頻的人臉檢測：通過暴風(fēng)影音，播放出來，能否達到預(yù)期的效果。</p><p>　　4.4.2對圖像進行人臉檢測具體框圖</p><p>　　圖4-2對圖像進行人臉檢測具體框圖</p><p>　　4.3 人臉檢測的MATLAB實現(xiàn)</p>&

91、lt;p>　　本文通過對matlab編程，從而給出一個運算速度很快的人臉檢測matlab程序，其中包括視頻文件轉(zhuǎn)化為幀的程序編寫，還有利用膚色特征對圖像進行人臉檢測的程序編寫，最后是圖像轉(zhuǎn)化為視頻的程序的編寫。</p><p>　　4.3.1人臉檢測運行結(jié)果</p><p>　?。?）提取AVI視頻的文件的幀</p><p>　　先在matlab輸入一段AVI

92、視頻，然后對其進行編寫程序，實現(xiàn)提取AVI視頻的文件的幀的功能。</p><p><b>　　仿真效果圖如下：</b></p><p>　?。╝）AVI幀的播放 （b）幀的圖像</p><p>　　圖4-3為幀的播放截頻圖及其圖像</p><p>　　（2）人臉檢測部分效果圖

93、</p><p>　　圖4-4為單張臉檢測效果圖</p><p>　　（3）多張臉檢測效果圖</p><p>　　檢測率:75% 漏檢率0% 誤檢率:25%</p><p>　　圖4-5為多張臉檢測效果圖</p><p>　　4.3.2人臉檢測結(jié)果分析</p><p>　　通過對上述人臉檢測分

94、析，我們知道基于膚色的人臉檢測：這種檢測方法相對比較好，首先通過膚色分割排除非膚色區(qū)域，再結(jié)合人臉所在圖像中的像素比排除非人臉的膚色區(qū)域，最后再通過算法檢測實現(xiàn)人臉的準確標記。這種方法對張臉的檢測效果還可以，但對多張臉的檢測會有一些誤差，從總體上看，當然，這種方法還是有很多缺陷，比如當圖像的背景比較復(fù)雜或者人臉有膚色的情況下，檢測效果就不理想，檢測率只能達到75%。這也是以后的研究中需要改進的地方。</p><p&g

95、t;　　通過對上述檢測，然后再把檢測后的圖像轉(zhuǎn)化為視頻播放，基本上實現(xiàn)了基于視頻的人臉檢測的功能，雖然方法沒有什么較大的錯誤，但在技術(shù)上有待加強。</p><p><b>　　5 結(jié)論</b></p><p>　　在大量閱讀有關(guān)人臉檢測的論文和書籍的基礎(chǔ)上，實現(xiàn)了人臉檢測系統(tǒng)。本文系統(tǒng)地闡述了該系統(tǒng)基本上實現(xiàn)基于視頻的人臉檢測。首先先提取視頻文件的幀，然后再對其進行圖

96、像檢測，再還原成視頻。而在圖像檢測中，我們解決了如何將膚色信息應(yīng)用到人臉檢測中去。提出了將膚色檢測作為人臉檢測的方案，提高了人臉檢測的正確率，降低了漏檢率率。</p><p>　　本文主要設(shè)計工作如下：</p><p>　　(1)提取視頻文件的幀，</p><p>　?。?）對圖像進行基于膚色特征的人臉檢測</p><p>　?。?）將檢測后

97、的圖像還原視頻，并播放。</p><p>　　總體來說，由于本文中人臉檢測出現(xiàn)誤檢的情況，以下幾個方面需要繼續(xù)研究和改善:</p><p>　　(l)運用自適應(yīng)光照補償方法，對圖像進行更好的光照補償，以便后續(xù)處理。</p><p>　　(2)運用自適應(yīng)膚色分割方法以便更好的分割出膚色區(qū)域提高檢測人臉的準度。</p><p>　　(3)針對背景

98、復(fù)雜及有遮擋的人臉提出更好的檢測方法</p><p><b>　　致 謝</b></p><p>　　在論文即將完成之際，也預(yù)示著我大學(xué)生涯告一段落，首先我要感謝幫助過我的老師、同學(xué)和朋友們，感謝你們陪我度過這一難忘的歷程。</p><p>　　首先我要感謝是的**老師，他那的治學(xué)態(tài)度、腳踏實地的工作態(tài)度、樂觀求實的生活態(tài)度、寬容隨和的待人風(fēng)

99、格和忘我的奉獻精神，感染了我 ，同時也感動了我，從論文的選題，到最后的定稿都離不開你精心的指導(dǎo)。</p><p><b>　　參考文獻</b></p><p>　　[1] 精通MATLAB 6.5版 張志涌等編著 北京航空航天大學(xué)出版社</p><p>　　[2] MATLAB 與外部接口 蘇金明等編著 電子工業(yè)出版社、</p>

100、<p>　　[3]蔣貴生等.人臉檢測技術(shù)研究[J].電子學(xué)報，2001,12 （1）：94-102.</p><p>　　[4] 梁路宏，艾海舟，肖習(xí)攀，等.基于模板匹配與支持矢量機的人臉檢測[J].計算機學(xué)報，2002，25（1）:22-29.</p><p>　　[5]、PKrishnan Nallaperumal, Subban Ravi, PC Nelson Kenned

101、y Babu, et al.Skin detection using color pixel classification with application to face detection: a comparative study [C].Proceedings of the International Conference on Computational Intelligence and Multimedia Applicati

102、ons,2007.</p><p>　　[6]、姜軍,張桂林.一種基于知識的快速人臉檢測方法[J].中國圖象圖形學(xué)報,2002,7(1):6-10</p><p>　　[7]、Yang Ming-Hsuan,Kriegman D J, Ahuja N.Detecting Face in Images:A Survey[J]. Pattern Analysis and Machine

103、Intelligence,24(1), 2002:34-58.</p><p>　　[8]葉艷芳等，一種基于膚色和模板匹配的人臉檢測方法，重慶工學(xué)院學(xué)報</p><p>　　[9]曾憲貴等，基于顏色和模板匹配的人臉檢測，計算機工程與設(shè)計</p><p><b>　　附錄</b></p><p><b>　　膚色

104、分割代碼：</b></p><p>　　function bwycbcr = skincut(imgrgbfile)</p><p>　　imgrgb = imread(imgrgbfile);</p><p>　　imgrgb3=rgb2ycbcr(imgrgb); </p><p>　　[m,n,size1] = size(i

105、mgrgb);</p><p>　　y=imgrgb3(:,:,1); </p><p>　　cb=imgrgb3(:,:,2); </p><p>　　cr=imgrgb3(:,:,3); </p><p>　　%====%在Ycbcr色彩空間中分割膚色區(qū)域，</p><p>　　cb=double(cb); <

106、;/p><p>　　cr=double(cr); </p><p>　　y=double(y); </p><p>　　bwycbcr=zeros(m,n); </p><p>　　for i=1:m </p><p>　　for j=1:n </p><p>　　if y(i,j)<125

107、</p><p>　　cb1=108+(125-y(i,j))*10/109; </p><p>　　cr1=154-(125-y(i,j))*10/109; </p><p>　　wcb=23+(y(i,j)-16)*23.97/109; </p><p>　　wcr=20+(y(i,j)-16)*18.76/109; </p>

108、<p>　　cb1=(cb(i,j)-cb1)*46.97/wcb+cb1; </p><p>　　cr1=(cr(i,j)-cr1)*38.76/wcr+cr1; </p><p>　　elseif y(i,j)>188 </p><p>　　cb1=108+(y(i,j)-188)*10/47; </p><p>　　

109、cr1=154+(y(i,j)-188)*22/47; </p><p>　　wcb=14+(235-y(i,j))*32.97/47; </p><p>　　wcr=10+(235-y(i,j))*28.76/47; </p><p>　　cb1=(cb(i,j)-cb1)*46.97/wcb+cb1; </p><p>　　cr1=(cr

110、(i,j)-cr1)*38.76/wcr+cr1; </p><p><b>　　else</b></p><p>　　cb1=cb(i,j); </p><p>　　cr1=cr(i,j);</p><p><b>　　end</b></p><p>　　x1=[-0.81

111、9 0.574]*[cb1-109.38;cr1-152.02]; </p><p>　　y1=[-0.574 -0.819]*[cb1-109.38;cr1-152.02]; </p><p>　　if (x1-1.60).^2/644.6521+(y1-2.41).^2/196.8409<=1 </p><p>　　bwycbcr(i,j)=1; <

112、/p><p><b>　　else</b></p><p>　　bwycbcr(i,j)=0; </p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b><