基于肤色模型的人脸检测研究
2．3 阈值分割
由于人体皮肤区域的像素与肤色模型的相似程度较高，计算得到的相似度值就比较大，因此在类肤色灰度图中，皮肤区域显得比其他部分更亮。这样一来，通过选取合适的阈值即可分割出肤色区域。
本文实验选择的阈值以0．1为间隔从0．65逐渐减小到0．05。通过对选择的相邻两个阈值的图像相减，可以找到分割区域数量变化最小的阈值取值点，这个阈值就是最佳阚值。根据这个阈值，就可以将类肤色灰度图转换为二值图。
图2为转换后的二值图。本文引用地址：http://www.eepw.com.cn/article/195034.htm
2．4 区域特征分析
由于阈值分割得到的二值图中包含多个类肤色区域，这就需要先对这些区域进行标记，以便逐个处理。为了不影响对人脸整体形状的检测，采用形态学操作对标记后的肤色区域进行特征分析，以决定该区域是否包含一个人脸。这些特征主要包括孔洞、质心坐标、方向角、面积和高宽比。
由于人脸上包含有眼睛、眉毛、鼻子和一张嘴，因此在分割出来的人脸区域中至少包含一个孔洞，而且人脸的高宽比值通常接近1，这个特征参数就可以排除掉大部分的非人脸区域。实验中的高宽比值限定在0．6～1．2之间，当检测区域的高宽比值落在该区间时，则认为该区域是一个人脸候选区域。
3 模板匹配
模板匹配就是将预先建立的人脸模板与筛选出来的人脸候选区域进行相关性匹配。匹配时，首先根据候选区域的大小、质心坐标和方向角度调整人脸模板的尺寸、方向和位置，然后才进行匹配。预先建立的人脸模板如图3所示。首先用16个不同的人脸灰度图像计算得到一张平均脸，然后从中分割出人脸的主要部分，作为实验中使用的人脸模板。
模板匹配常用的一种测度为模板与原图像对应区域的误差平方和。确定这个值的一种方法便是使用归一化互相关系数(以下简称相关系数)。
两个图像矩阵的相关性匹配通过计算式(3)得到：
经过多次测试发现，当相关系数取值大约为0．6时，两个矩阵匹配较好。如果人脸模板矩阵和人脸候选区域矩阵的相关系数是0．6或者更高，则认为该区域包含一个人脸。测试完所有的肤色区域后，在原图中用矩形框标示检测到的每个人脸。检测结果如图4所示。
4 结语
实验中用包含有60个不同人脸(包括黑人、白人和黄色人种)的20幅图像对算法进行测试，其中相关系数和高宽比值都选择最佳值。测试结果表明，本文算法对实际生活中人脸图像的正确检测率达到了84％，对姿态和表情同样具有较高的鲁棒性，基本上达到了预期的目标。
评论