4.2 人脸检测与识别系统的实现

　　该系统中图像处理、人脸检测与定位算法、人脸识别算法及界面设计都是在 VS2008编程环境下实现的。该系统采用的是面向对象人脸检测与识别技术研究。高度集成化的开发环境和面向对象的程序开发方法，使该系统具有如下优点：

　　1.模块化的面向对象的开发方法，把许多功能作了封装定义成类，对象只是通过接口与外界通信，程序代码相对简单，便于修改与维护。

　　2.图形界面的操作环境，增强了系统人机交互的友好性，在系统中几乎所有操作都可以用鼠标完成，界面清晰明了，为用户的使用提供了方便。

　　图4-3 系统主界面图

　　该系统的主程序界面，如图4-3所示。主界面主要包括两个部分：人脸检测与定位和人脸特征标注。其中，人脸检测与定位模块有相似度计算、二值化、垂直和水平投影、标记人脸区域这五个功能。人脸特征标注模块主要实现有边缘提取、眼睛标注、嘴巴标注、鼻子标注这四个功能。

　　4.2.1 人脸检测的实现

　　由于条件与技术的限制，该系统针对静态单一的正面人脸进行检测。该系统首先对图像进行相似度灰度图处理，要通过对人脸的进行二值化处理后，再进行垂直方向投影与水平水平方向投影后，最终标注出人脸的检测区域。下面介绍人脸检测的步骤。

　　第一步：打开BMP位图。如图4-4所示。

　　图4-4 打开BMP图

　　第二步，进行相似度计算。

　　相似度计算方法的定义公式为：r=R/(R+G+B)和r=B/(R+G+B)，该公式是将的三维的向量空间转为二维的平面，因为人脸肤色区域在这个平面上要更集中些。然后，将RGB色彩空间转化为YCbCr空间，在高斯模型的基础上，计算出一个像素点的概率值，该概率值用于判定此像素点是否包含肤色区域，相似度的计算公式如下：

(4-1)

　　其中，用m来表示均值，用C来表示方差。

　　第一步中打开的BMP图像经过相似度处理后，图像转换为如图4-5所示。

　　图4-5 相似度灰度图

　　第三步：选择适当的阈值，在相似度灰度图的基础上，对图像进行二值化处理。经过二值化处理之后的图像如图4-6所示。

　　图4-6 二值化图像

　　第四步，用直方图形式对二值化之后的图像进行垂直投影和水平投影，形成

　　的垂直直方图和水平直方图，分别如图4-7和图4-8所示。

　　图4-7 垂直直方图

　　图4-8 水平直方图

　　投影法实质上是统计方法中的一种，利用待检测图像在向量空间上的投影的分布特征来进行人脸检测的，可以分为垂直投影和水平投影两类。其基本思想为:第一步采用垂直投影法，得到的两个最小点对应于人脸头部的左端和右端。第二步采用水平投影法，得到的两个最小点，分别对应于人脸头部的上端和下端。这样就可以得到一个粗略的人脸头像范围。

　　第五步，经过相似度计算，对相似度灰度图进行二值化处理，然后再对所得的二值化图像进行垂直方向投影，水平方向投影，最后人脸区域范围也就标记出来了，如图4-9所示。

　　图4-9 人脸标识图

　　4.2.2 人脸特征提取的实现

　　在人脸特征提取阶段，该系统首先采用边缘提取法，先把人脸及面部器官的边缘提取出来，然后利用人脸面部器官的几何特性，定位出人眼的位置。其过程如下：

　　第一步，在该系统已经标记好的人脸矩形框中，提取人脸的边缘，包括眉毛、眼睛、鼻子和嘴巴。如图4-10所示。

　　图4-10 边缘检测图

　　第二步，标注眼睛。主要根据人眼在人脸的位置以及各个面部器官之间的相

　　互联系和几何特性来进行判定的，如图4-11与图4-12所示。

　　图4-11 对眼睛进行区域鉴定

　　图4-12 眼睛标识图

　　眼睛的区域鉴定之后，就比较容易找出嘴巴与鼻子位置。分别对它们进行肤色鉴定，再由人眼的对称分布，就可以标记出嘴巴与鼻子。如图4-13与图4-14所示。

　　图4-13 嘴巴标识图

　　图4-14 鼻子标识图

　　4.2.3 人脸识别的实现

　　在该系统中，分别对人脸区域中得眼睛、嘴巴和鼻子进行特征提取后，并且将特征信息记录下来，通过对依次打开的两幅图像进行特征提取，并将其特征信息进行对比，看是否为同一个人。结构如图4-15所示。

　　图4-15 人脸识别结果图

　　工作总结与展望

　　随着计算机信息技术的迅猛发展，相关应用领域的需求也不断增长，越来越多的学者开始研究人脸检测与识别的相关技术。研究人脸检测与识别的算法繁多，并且国内外相关领域的学者不断研制开发出新的成果，很多己经投入使用。但是由于影响人脸检测与识别的因素比较多，有静态的和动态的因素，而且人脸自身也包含了丰富的数据信息。静态因素一般为人脸的遮盖物、化妆或者背景因素的影响，而动态的因素一般为人脸表情的变化或者人脸图像可以有不同的角度旋转。因此，要对任意情况下，在给定的图像中检测人脸区域，或者任意情况下，跟踪监测人脸，难度是很大的。所以，人脸检测与识别的研究也只是处于初步阶段，而对于某种特定条件下的人脸检测与识别问题，依然是这个领域所要研究的重点。

　　5.1 工作总结

　　人脸检测与定位的算法多种多样，并且各个算法也可以交叉使用，现在很多算法都是针对某个特定的问题进行研究的，加上影响人脸检测的因素有很多，使用各个人脸检测与定位算法所得到的效果也是不一样的。在综合理解与学习了前人的基础上，分析与比较了各个算法的优缺点，以及技术能力与环境条件的限制，该系统主要采用的是人脸检测与特征提取相结合的方法，采用的图像是利用摄像头采集的正面静态单一格式为BMP的图像，然后对图像进行人脸的检测及人脸器官如眼睛、嘴巴、鼻子定位的过程。该算法的优点在于使用的是一种新的色彩空间，方便进行肤色分割，对图像进行预处理，提高了检测速度。具体工作如下：

　　(1)在比较分析几种常见的彩色空间的基础上，采用了色彩空间，此色彩空间的肤色类聚度比较好，然后，在此空间上，本系统可以对图像进行肤色检测算法，如归一化处理等得到待检测图像的肤色样本在色彩空间的边界，从而得到肤色区域，然后再分别进行垂直和水平直方图的处理，得到人脸器官的边缘轮廓，这些轮廓也包括人脸面部主要器官的轮廓。

　　(2)在得到候选人脸区域的基础上，再对眼睛、嘴巴和进行定位。在进行特征定位时，首先要把眼睛定位出来，然后根据人脸器官的几何特性对嘴巴进行定位，最后是鼻子。那么重点就是对眼睛进行定位。由于在人脸灰度和色度信息中，人眼比较特殊，然后该系统釆用的是把色彩空间和人脸的几何特性相结合的方法进行定位的。

　　5.2 对未来的展望

　　5.2.1 存在不足

　　(1)由于环境条件和个人技术能力所限，该系统仅仅针对的是正面静态单一的人脸图像进行检测，对于有一定旋转角度的人脸图像，该系统的误检率比较高。有待于以后改进。

　　(2)一个好的系统就要有一个良好的鲁棒性。因此一定要解决好系统的主要问题，并选择一个鲁棒性好的肤色模型是很重要的。这就需要大量的对人脸图像进行训练和检测，这是在以后的工作中需要做的主要工作。

　　5.2.1 改进

　　在后续的工作中，需要从以下方面进行改进：

　　(1)主成分分析方法是在灰度图像的统计值基础上进行的运算，所以它无法

　　区分外在因素带来的图像差异和人脸本身带来的差异。因此光照、角度、尺寸、

　　姿态、表情等外在因素的变化均会干扰其识别效果。以后如果加入对面部局部特

　　征的识别，识别效果应会有所提高。

　　(2)需要对人脸识别算法做一个深入的分析。目前大多数的人脸检测方法是

　　综合了多种脸部特征，如头发、肤色、人脸模板等，需要采用多种分类方法才

　　可以区分出人脸，比较复杂。

　　(3)对自动的动态跟踪人脸识别技术的研究。该设计主要研究的内容还是正面静态单一的人脸图像，对于动态的人脸跟踪研究的不够。随着信息技术的发展，人们社会安全意识的提高，就更需要对跟踪系统进行深入的研究。