人脸检测技术研究及MATLAB实现毕业论文.docx
- 文档编号:1453396
- 上传时间:2022-10-22
- 格式:DOCX
- 页数:22
- 大小:528.26KB
人脸检测技术研究及MATLAB实现毕业论文.docx
《人脸检测技术研究及MATLAB实现毕业论文.docx》由会员分享,可在线阅读,更多相关《人脸检测技术研究及MATLAB实现毕业论文.docx(22页珍藏版)》请在冰豆网上搜索。
人脸检测技术研究及MATLAB实现毕业论文
人脸检测技术研究及MATLAB实现毕业论文
摘要I
AbstractII
1绪论1
1.1论文的研究历史背景及目的1
1.2国外研究现状2
1.3论文的主要容安排3
2人脸检测及其算法简介5
2.1人脸检测介绍5
2.2人脸检测的常用方法5
2.2.1基于特征的人脸检测方法5
2.2.2模块匹配法的人脸检测6
2.2.3基于adaboost算法的人脸检测方法7
3基于视频的人脸检测研究及其实现8
3.1matlab图像处理工具箱中的视频操作8
3.2提取AVI视频文件的帧9
3.3对图像进行肤色特征的人脸检测11
3.3.1色彩空间及其容介绍11
3.3.2对图像进行预处理11
3.3.3对人脸肤色进行建模13
3.3.4检测人脸区域的选定14
3.4图像向AVI视频文件的转换16
4人脸检测在MATLAB软件下仿真实现18
4.1设计条件18
4.2设计流程18
4.4.1基于视频的人脸检测的总设计模块图18
4.4.2对图像进行人脸检测具体框图19
4.3人脸检测的MATLAB实现19
4.3.1人脸检测运行结果19
4.3.2人脸检测结果分析21
5结论22
致谢23
参考文献24
附录25
1.1论文的研究历史背景及目的
近年来,由于视频监控,人机交互和视频检索等应用的需求,视频中的人脸
检测研究得到迅速发展。
视频中人脸检测可以划分为三个环节:
先提取视频文件中的帧,对图像进行人脸检测,再还原成视频,完成视频中人脸的检测。
人脸检测最初来源于人脸识别。
是指对于任意一副给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果是则返回一脸的位置、大小和姿态,并把有人脸的地放识别出来。
早期,人脸检测技术主要服务于人脸识别课题的研究;但是,随着生物识别技术的快速发展,入脸检测技术己经被广泛的应用于其它相关领域,产生一定的商业价值。
例如:
国家军事、安全系统验证、视频会议、人机智能交,各类金融卡、身份验证等等方面具有重要的应用价值,所以,现在人们有许多人对人脸识别越来越重视了。
人脸检测的研究同时也具有非常重要的的学术价值,人脸是一类具有相当复杂的细节变化的自然结构目标,对此类目标的挑战性在于:
人脸由于外貌、表情、肤色等不同,具有模式的可变性;一般意义下的人脸上,可能存在眼镜、须等附属物;作为三维物体的人脸影像不可避免地受由光照产生的阴影的影响。
因此,如果能够找到解决这些问题的方法,成功地构造出人脸检测系统,将为解决其他类似的复杂模式的检测问题提供重要的启示。
人脸检测的目的是检测一图像是否由人脸,如果有人脸,就把它从图像背景中分离出来,然后对特征进行人脸识别。
而在视频中的人脸检测在信息处理中,已经成为是一项相当难突破的技术,越来越受到计算机视觉界的广泛关注,作为这个有价值课题,已经渗透到各不同领域中。
1.2国外研究现状
目前,越来越多的国家开始对人脸检测及其识别的研究。
并且发展得很快,已经由原来的静态识别到动态识别,由单向多脸识别,还有从最初的二维脸识别到现在的三围立体的识别。
在国,最早研究人脸检测识别的,当属于中科院计算所跟哈工大的一个联合面像实验室。
该实验室教授,直到今天,都一直活跃在人脸识别领域,更可贵的是,在IEEE上面发表了很多paper。
这一点,很值得国的同行学习。
后来,该实验室,成为上海银晨的研发中心,专门为上海银晨做技术研发和技术支持。
其次是中科院生物识别研究所教授,以及下属的中科奥森公司。
当年在微软亚洲研究院的时候,就从事人脸识别方面的研究工作。
后来,在中科院组建了专门的人脸识别研究团队。
该研究团队,首先提出了基于近红外的人脸识别技术,并将该项人脸识别技术用于08年北京奥运会。
同时,基于近红外的人脸识别技术,得到了国际上同行业专家的认同和一致肯定。
接着,是清华大学的教授。
教授在OCR(字符识别)领域,可谓国第一人。
不过,最近几年转行做人脸识别,也是非常有成就的。
不说别的,就只从FRVT2006(美国国家标准研究所2006年全球人脸识别供应商系统性能测试)的测试结果来看,丁晓青教授的研究团队是唯一一个完成大规模3D人脸识别性能测试的参赛团队。
由此可见,在国人脸识别领域来说,她们的算法,在3D领域,绝对排名第一。
国外主要有美国、欧洲国家、日本等著名的科研机构有美国的MIT和CMU,英国的剑桥大学。
在人脸识别领域中,国际上逐步形成了一下几个研究方向:
基于几何特征的方法、基于肤色模型的方法、基于模板匹配的方法、基于KL变换的特征脸方法、基于隐马尔可夫模型的方法和神经网络识别的方法等等。
它们可以被归类到基于显式特征和基于隐式特征的两大类方法中。
发展至今,人脸识别的方法越来越多,最有代表的是基于Haar特征的人脸识别方法是其中较为典型的方法,该算法不仅具有较高的检测率,同时也能够满足实时检测的要求。
基于Haar特征的人脸识别方法始于2001年PaulViola和MichaelJones两者撰写的一篇论文,他们在论文中提出了Haar特征和Adaboost算法,并利用它们进行人脸检测。
但是此方法只能用于检测正面无旋转的人脸。
为此,RainerLienhart等人于2002年对此方法进行了扩展,增加了倾斜特征的定义,此后此方法被扩展到全旋转缩放情况下的人脸检测。
自从以上几位学者运用基于Haar特征和Adaboost算法进行人脸检测取得长足进步之后,基于Haar特征的人脸检测方法备受专家学者的青睐,国外相关容的研究成果也是层出不穷。
1.3论文的主要容安排
本文首先介绍人脸检测的基本容,介绍人脸检测及其的方法,然后就是基于视频的人脸检测设计及其实现,在这部分中首先从视频中提取视频文件的帧,再对图像进行肤色特征的人脸检测,然后把检测后的图像还再转换成视频,再播放,以达到人脸检测的目的。
检测图像是否有人脸,如果有,则把人脸从图像中标识出来达到预想的目的。
最后再通过Matlab软件仿真,达到我们人脸检测的目的。
本论文的章节安排和主要容如下:
第一章绪论。
主要介绍了本文的历史背景,着重介绍了人脸检测技术的研究现状以及国外研究现状,并明确了本文的工作容和章节安排。
第二章是对人脸检测及其算法的介绍。
首先进行人脸检测的介绍;然后介绍了当前国外用到的人脸检测技术;其次介绍人脸检测的几种方法,当前人脸检测的几种方法,如基于特征的人脸检测,模块匹配的人脸检测,基于统计的的人脸检测和基于adaboost算法的人脸检测方法。
对本设计中所用到的关键技术进行重点阐述。
第三章介绍基于视频的人脸检测研究及其实现。
在这章中首先matlab图像处理工具箱中的视频操作,因为我们首先要对视频进行提取帧的处理,然后介绍帧(图像)基于肤色特征的人脸检测的设计。
可以分为三大步骤:
(1)对图像初步处理。
详细利用色彩平衡、光照补偿对人脸图像进行预处理的方法。
(2)基于肤色特征的人脸检测。
介绍了色彩空间的相关知识,通过肤色分析选择YCbCr色彩空间建立肤色模型,再运用该肤色模型进行了人脸肤色分割,并对图像进行膨胀腐蚀以及平滑操作,得到人脸候选区域,完成对人脸的粗检测。
检测完后的图像再进行转化为视频,以达到在视频中检测人脸的目的。
第四章,人脸检测的Matlab实现及仿真。
并对其进行分析,首先对软件的硬件做了简单介绍;然后从整体上描述基于视频的人脸检测的流程图。
展示了人脸检测的实验结果并进行了比较分析。
运用编写好的程序对图片进行人脸检测。
看是否能达到我们所想要的效果。
最后部分是对整个毕业设计工作进行了总结和展望。
人脸检测及其算法简介
2.1人脸检测介绍
人脸检测(facedetection)是指在输入图像中确定所有人脸(如果存在)的位置、大小、位姿的过程。
人脸检测作为人脸信息处理中的一项关键技术,近年来成为模式识别与计算机视觉领域一项受到普遍重视、研究十分活跃的课题。
人脸检测(facedetection)问题来源于人脸识别(facerecognition)问题。
人脸检测是对给定的图像,判断其中是否有人脸,若有,将所有人脸从背景中分割提取出来,并确定每个人脸在图像中的位置和大小。
人脸检测技术可以应用于人脸识别、视频会议、图像与视频检索、刑侦破案和证件验证等领域。
人脸检测是对于输入的人脸图像或视频,首先判断其中是否存在人脸,如果存在人脸,则进一步给出每个人脸的位置、大小以及各个主要面部器官的位置信息,并依据这些信息,进一步提取每个人脸中所蕴含的特征,并将其与已知人脸库中的人脸图像进行对比,从而得到识别结果。
由此可见,一个完整的人脸识别过程应包括人脸检测与人脸识别两大部分。
人脸识别由两部分工作组成:
(l)人脸检测:
在输入的图像或视频画面当中确定存在的人脸位置、尺寸等的过程,这是识别工作的基础课题,在减少算法复杂度等方面对识别工作有关键性影响。
(2)人脸识别:
通过与计算机相连的摄像头动态捕捉人的面部信息,并把捕捉到的人脸与预先录入的人脸数据库中存储的人脸进行比较识别。
人脸检测的基本思想是建立人脸模型,比较所有可能的待检测区域与人脸模型的匹配程度,从而得到可能存在人脸的区域。
2.2人脸检测的常用方法
随着科学技术的不断发展,人脸检测技术的方法越来越多,如早期的模块匹配法,基于特征的方法,还有中期的神经网络,统计模型,色彩信息,形状分析,还有最近的支持向量法,多模块信息融合,Adaboost算法等,下面我们来介绍这些方法。
2.2.1基于特征的人脸检测方法
特征是人从肉眼看到的特性,人脸检测基于特征我们可以从肤色,脸部,还有五官特征进行。
下面我们来简单介绍这些东西。
整体轮廓法:
我们知道人的脸看起来有点圆,所以我们可以通过圆形的检测以完成对人脸检测的进行,在前人研究中,有人把人脸分割为三个轮廓区:
即头顶轮廓区,左脸轮廓区和右脸轮廓区,检测任何一图像,先进行边缘区域测试,然后提取脸部特征,最后运用评估函数来检测人脸。
肤色检测法:
我们知道人脸肤色在去除亮度后具有聚类性,所以人脸的肤色在一定程度上可以把人脸统大部分背景中分离区分出来,因此我们可以运用肤色模型来检测人脸,关于这类方法我们会在第三章中详细介绍。
器官分布法:
人脸的人和人可以不同,但人脸的大致器官的分布都差不多的,就是人的五官的几何分布。
在这方面yang等人提出的mosaic方法,它给出了人脸区域灰度分布的规则,依据这些规则对图像进行筛选,以样本满足这些规则的程度作为检查的依据。
也可以先检测器官的位置,然后将这些位置排列组合,运用器官的分布规律进行检测,基本上找到人脸的位置[4]。
2.2.2模块匹配法的人脸检测
这种方法首先要把人脸的模板进行建立并保存,如人的正面人脸或是眼睛,鼻子,嘴巴等。
接着利用一些算法来计算各待测区域与标准模板的相似程度(或称相关性),利用这一相似程度来判断某一区域是否为人脸。
(1)镶嵌图法(又称为马赛克图):
就是将图像划分为一组大小相同的方格,每个方格的灰度为格中各个像素的平均值。
镶嵌图特征是指这些块的值应满足的约束规则Yang[6]等人将人脸的五官区域分别划分为和个马赛克块,使用一组规则进行检验,并且利用边缘特征进一步验证。
卢春雨等对镶嵌图方法进行了改进,按照人脸器官的分布将人脸划分为个马赛克块,在检测中自适应的调整各块的大小,使用一组基于各
块灰度和梯度统计特征的知识规则检验该区域是否为人脸,取得了较好的实验结果。
(2)预定模板匹配法:
根据人脸的先验知识确定出人脸轮廓模板以及各个器官特征的子模板,先通过计算图像中区域和人脸轮廓模板的相关值来检测出人脸候选区域,然后利用器官特征子模板验证上一步检测出的人脸候选区域是否包含人脸。
采用“双眼一人脸”模板,将平均脸的双眼模板剪裁出来,滤波时先使用双眼模板再使用人脸模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 检测 技术研究 MATLAB 实现 毕业论文