论文部分内容阅读
9.11事件后安全问题日益引起全球各国重视,基于生物特征的身份鉴别也越来越受关注。人脸作为一种常用的生物特征,相对于指纹、虹膜等生物特征具有非接触优良特性,这使得人脸识别在安保、刑侦、视频监控、社交等各种场合中应用广泛。作为人脸识别的首要步骤,人脸检测直接影响识别的结果。人脸所处场景的千差万别,并且容易受到光照条件、人脸表情、头部姿态以及面部附属物遮挡等因素影响,因此人脸检测目前还是一个亟待解决的难题。本文提出一种结合肤色分割结合人脸图像的梯度、纹理特征的检测算法,克服上述各种不利因素影响。首先,针对人脸肤色的特点,在YIQ颜色空间对肤色样本聚类分析,分别建立I和Q分量高斯肤色模型,依据模型计算待检测图像每点的I、Q肤色概率值,形成肤色概率图,对两幅肤色概率图加权平均并二值化,形态学运算,最终分割出疑似肤色区域,作为人脸检测的预检测环节。然后,多种特征可以包含人脸图像的丰富信息,本文提出在人脸区域提取多种图像特征,包括HOG和LBP特征,前者提取人脸的梯度轮廓信息,后者提取人脸的纹理信息。鉴于两类特征的总维数较大,并不是所有的特征对人脸检测都有效,因此对它们分别作了特征选择,降低特征维数,不仅能节约计算时间和存储空间,而且还能提高后续分类器的泛化能力。最后,设计了基于级联分类器的多特征融合分类模型,采用训练方便快速、分类效果较好的SVM分类器算法,有效地把两种特征结合起来区别人脸和非人脸区域。级联分类器的第一级需要在优先保证检测率高、耗时短的前提下,尽量排除误检测、降低误检率,因此本文采用基于HOG特征的SVM分类器。而级联分类器的第二级分类器采用基于LBP特征的SVM分类器,再对第一级分类器的误检测进一步排除,最终使级联分类器具有较高检测率和较低误检率。本文研究的人脸检测算法在多个图像数据库上进行实验验证,实验结果表明本文的特征选择算法有效提升了特征的分辨性能,大幅减少了特征维数,提高检测效率。同时本文的级联分类器能很好地兼顾检测率、误检率以及检测速度,对不均匀光照、不同表情、各种姿态及部分遮挡条件下的人脸图像具有较好的鲁棒性。