本科毕业论文群体人脸检测系统的设计与实现.docx
- 文档编号:5152303
- 上传时间:2022-12-13
- 格式:DOCX
- 页数:20
- 大小:1.24MB
本科毕业论文群体人脸检测系统的设计与实现.docx
《本科毕业论文群体人脸检测系统的设计与实现.docx》由会员分享,可在线阅读,更多相关《本科毕业论文群体人脸检测系统的设计与实现.docx(20页珍藏版)》请在冰豆网上搜索。
本科毕业论文群体人脸检测系统的设计与实现
山西大学论文编号:
06
论文题目群体人脸检测系统的设计与实现
姓名郑振思
院系、专业运算机与信息技术学院、运算机科学与技术
学习年限2020年9月至20013年7月
指导教师高太平
学位级别学士
20013年5月18日
群体人脸检测系统的设计与实现
学生姓名:
郑振思指导教师:
高太平
内容提要人脸检测的对象要紧来源是摄像头获取的图像或本地图像,检测前对图像进行预处置,其要紧操作包括对图像进行光线补偿,二值化,开闭运算等。
通过预处置后图像所包括的要紧信息是类人脸区域.本文通过对人脸的数学形态特点的研究来确信人脸判定的算法,其中要紧有填充率,几何比例,区域面积和面积比率四个方面。
最终本系统的测试结果显示人脸检测率能达到85%左右。
关键词人脸检测;光线补偿;二值化;开闭运算;联通区域
1.引言
研究目的和内容
肤色是人类所特有的颜色特点,利用肤色来对图像进行分析具有其他方式无法比拟的潜在优势。
本文研究的目的是利用人类的肤色特点,在具有复杂背景下的情形下,对肤色进行分割,分离出肤色区域,运用数学的形态学处置,对图像进行预处置,在预处置后的图像中通过对肤色区域的特点匹配,最终确信并标注人脸区域。
围绕基于肤色的人脸检测,本文要紧包括以下内容:
(1)对图像的存储原理和像素排列进行了较为全面的研究,分析了图像像素获取的三种方式,通过对照各类方式的好坏,选择最适合本系统的像素获取方式。
(2)创建肤色模型进行肤色分割。
颜色空间有很多种,包括RGB颜色空间,YCbCr颜色空间,HSV颜色空间,HIS颜色空间等,对照它们对肤色的灵敏度和运算效率,本文最终选用RGB和YCbCr颜色空间。
通过比较肤色在这两种颜色空间上的散布,采纳双阈值的方式进行肤色分割。
(3)利用数学方式对图片进行预处置。
对图片的预处置包括侵蚀、膨胀、开运算和闭运算。
其中,侵蚀运算能够有效的排除二值图像中的细小噪声而且分离细小的联通区域,极大的减少了后期对非人脸区域的处置,显著的提高运算速度;膨胀运算是和侵蚀运算相对而言的,它能够排除肤色区域中的噪声,联通因外界因素所造成的同一人脸分离的区域。
而开运算确实是指先做侵蚀操作,再做膨胀操作;闭运算那么是先做膨胀操作,再做侵蚀操作。
(4)排除非人脸区域。
由于人脸具有鲜明的几何特点,能够通过以下几个方面排除非人脸区域:
长宽比,面积,填充率,面积比值等。
通过这些操作就能够够大体确信人脸区域的范围了。
(5)标记人脸。
通过上述的操作,剩下的大体能够确信是人脸,可是又不能完全排除非人脸区域的存在,因此最后标记不免有误检和漏检的情形。
国内外研究现状
目前,国外对人脸检测问题的研究很多,美国,英国等许多国家有大量的研究组从事人脸检测的研究,这些研究受到军方,警方和一些公司的高度重视和资助。
对人脸检测问题的研究比较闻名的有美国麻省理工大学(MIT)的媒体实验室和人工智能实验室,卡内基梅隆大学(CMU)的机械人研究因此及Illinois大学的Beckman研究所等。
自1995年以来,国外一些公司看准了人脸识别系统在商贸和保安方面的广漠应用前景,动用了大量人力和物力,独立研制或与高校合作,开发了多个人脸识别系统,其中大多数产品将人脸检测作为系统的一个重要组成部份,有代表性的有如下产品:
德国CognitecSystems公司的FaceVACS人脸识别系统;美国Identix公司的FaceIt人脸识别系统;加拿大Imagis公司的ID-2000脸部识别软件;美国Viisage公司的FaceTools人脸识别系统等。
在国内也有许多学校和单位从事人脸检测与人脸识别相关的研究。
比如清华大学、北京大学、亚洲微软研究院、中科院计算技术研究所、西北工业大学和中国科学院自动化研究所等都有人员在从事人脸检测相关的研究。
国内也有一些人脸检测的研究转化为商品的实例,要紧代表是考勤机和门禁卡,比如汉王的人脸识别考勤机、科密人脸识别考勤机和,广州超越软件公司的BioFace系统等等。
2.需求分析
需求产生
对图像目标的检测与识别是机械识别领域中一项十分重要的研究内容,而对人脸的检测与识别又是一项十分具有现实意义的研究,人脸信息是图像和视频中最重要的开放信息源之一。
通过对人脸的检测和识别能够确信个体的性别,年龄,表情,姿态等信息。
对人脸信息进行处置和研究已经成为现时期基于生物特点进行的身份验证的重要组成部份之一,也是模式识别与机械视觉领域内所关注的重要问题。
人脸检测是指在输入的图像信息中提取人脸的位置,姿态,大小而且标记的进程。
人脸检测作为人脸识别技术中的一个关键性的问题,最近几年来一直备受各研究机构的重视,相关研究课题十分活跃。
可是初期的人脸识别是成立在假设人脸区域已知的条件下的,因这人脸检测的研究并未受到足够的重视,最近几年来,随着电子商务的普及,在复杂情形下进行自动的人脸识别,第一要做的确实是确信人脸区域,人脸检测的研究就显得日趋迫切。
同时,通过几十年的进展,人脸检测的技术已经不单单局限于人脸识别,在人工情感计算,基于内容的检索,数字视频处置,视觉检测等方面都有着重要的应用价值[1]。
人脸检测与识别技术的研究最先始于60年代末七十年代初,迄今己有40连年的历史,通过几十年的曲折进展已日趋成熟。
作为一种重要的个人身份辨别方式,人脸检测与识别技术能够普遍地应用于国家平安、智能门禁、视频监控、公安布控、身份验证等多种场合。
与其他身份辨别方式相较,具有直接、友好、方便和鲁棒性强等特点,因此,人脸检测与识别问题的研究不仅在模式识别中具有重大的理论意义,而且具有很强的有效价值。
功能需求分析
该软件的最要紧的功能确实是能够标记出人脸。
第一系统需要通过摄像头或本地的磁盘获取图像,然后对该图像进行预处置。
预处置的进程是人脸检测进程中超级重要的一个步骤,处置的好坏与否直接关系到后期的检测成效。
最后对图像进行人脸标记。
因此本设计所要完成的要紧功能如下所示:
图像获取功能:
该模块要紧完成的任务是从摄像头或本地磁盘获取源图像,获取后的图像能够在系统界面预览。
图像预处置功能:
该模块对图像的操作要紧包括光纤补偿,二值化,侵蚀膨胀运算和开闭运算等。
人脸标记功能:
该模块的功能是正确标记人脸位置,用黄色矩形框圈住人脸,而且将结果在系统界面显示出来。
人脸个数统计功能:
该模块能统计出图像中能识别出的人脸的个数。
开发环境需求分析
(1)硬件环境
具有靠得住性,可用性和平安性,具有完善的技术支持。
能够知足个人学习和设计需要。
其中CPU在1GHZ以上,内存在512M以上。
(2)软件环境
本系统需要运行在有持续工作能力、高稳固性、高度可集成的开放式标准的操作系统上,如windows操作系统。
在系统开发上需要面向对象的高级程序设计语言处置软件,如visualstudio2020。
需要熟悉C#高级程序设计语言。
可行性分析
在开发人脸检测程序之前,我参考了许多前人所写过的诸多论文和源程序,在开发的进程中又加入了自己的开发思想,最终成功实现了对图片的人脸检测。
在技术上对人脸进行测大致能够分为三个步骤,图像获取,图像预处置,人脸标记。
其中在图像预处置上有很多的方式,咱们能够依照有选择的对图像进行处置。
在本系统中我选择的进程是,光线补偿,二值化,侵蚀膨胀运算,开闭运算。
在人脸标记进程中要紧包括联通区域统计,去除假区域,标记人脸区域。
在操作上利用现有已经成熟稳固的windows操作系统,微型机的硬件配置已大体知足要求,操作上完全可行。
3.群体人脸检测系统的设计
3.1系统功能模块图
该系统的功能模块图如图1所示:
图1系统功能模块图
系统结构图
本系统的结构分为图像输入,图像处置,图像输出三个模块,其系统结构图如图2所示:
图2系统结构图
系统流程图
本系统的执行进程是自动执行的,用户不能单独执行流程图中的某一步每一次进行人脸检测都会依照以下步骤进行,系统流程图如图3所示:
图3系统流程图
基于YCbCr和RGB颜色空间的肤色建模
3.3.1RGB色彩空间
RGB色彩空间也称为红,绿,蓝色彩空间。
它的三中基色是红色(波长
),绿色(
)和蓝色(
)。
利用这三种基色表示所有的颜色确实是RGB色彩空间,也是此刻最经常使用的色彩空间。
在此刻绝大多数有彩色显示功能的设备上,屏幕的发光原理确实是依照RGB色彩空间的原理来实现的,这种颜色表示方式简单易懂,硬件上又专门容易实现,因此在现今的多媒体技术中应用最多的确实是RGB色彩空间。
自然界中任何一种颜色都能够利用R,G,B三基色按不同的比例混合而成。
三种基色的值域为0到255,当三基色的值都为0时,表示的颜色是黑色;当三基色都为最大值时,表示的颜色是白色。
改变三基色中任何一个分量的值都会改变其所表示的颜色。
这种颜色空间的物理特性超级明显,能够专门好的应用到数据的处置上。
RGB颜色的色彩表示立方体如图4所示:
图4RGB色彩立方体图
但是,RGB色彩空间的颜色通道的相关性太高,信号感觉的不统一,色度和亮度数据的混淆使得RGB模型不能成为颜色分析和基于颜色的检测算法的最正确选择。
肤色在RGB
颜色空间上的散布规律性很差,若是只用RGB色彩空间进行肤色建模无疑将既复杂又不行操纵。
3.3.2YCbCr色彩空间
YCbCr是DVD、摄像机、数字电视等消费类视频产品中,经常使用的色彩编码方案。
YCbCr不是一种绝对色彩空间,是YUV紧缩和偏移的版本。
YCbCr其中Y是指亮度分量,Cb指蓝色色度分量,而Cr指红色色度分量。
人的肉眼对视频的Y分量更灵敏,因此在通过对色度分量进行子采样来减少色度分量后,肉眼将发觉不到的图像质量的转变。
YCbCr色彩空间具有以下优势:
●具有与人类视觉感知进程相似的组成原理。
●YCbCr应用十分普遍,它不只适用于电视领域,在视频编码和经常使用的png,jpg等图片标准中应用也十分普遍。
●不同于RGB的色彩空间,YCbCr色彩空间具有HIS等其他类型色彩空间把亮度信息分离出来的特点。
●YCbCr色彩空间能够很容易的从RGB色彩空间转换而来。
●另外,在YCbCr色彩空间上,肤色的聚类特性比较好,在分离肤色的时候加倍容易操纵。
3.3.3肤色建模
为了使肤色分割的进程中肤色判定的加倍准确,本文采纳了双阈值的肤色分割方式,即利用RGB和YCbCr两种颜色空间来判定肤色,如此能够专门好的降低肤色的误判率。
从一副图像中能够很容易患到它的RGB序列,通过对每一个像素点的R,G,B分量进行阈值操纵就能够够初步取得属于肤色的像素点。
当R,G,B分量知足公式
(1)时,该像素点可能是肤色:
同时将RGB色彩空间转换成为YCbCr色彩空间,通过公式
(2)运算就能够够取得Y,Cb,Cr分量的值:
YcBCr色彩空间大体不受亮度转变的阻碍,它把亮度信息分离出来,其中Cb和Cr另个分量又彼此独立,肤色在此空间上的聚类特性比较令人中意,依照肤色在YCbCr色彩空间上的聚类散布设置另外一个阈值,是肤色的像素点应该知足公式(3):
如此双阈值的肤色模型已经成立完成。
可是,图片的背景是十分复杂的,不免存在类似肤色的颜色存在,图像二值化以后会存在大量的噪声,这对后期的人脸检测是十分不利的,排除噪声就显得尤其重要。
侵蚀,膨胀,开运算和闭运算
3.4.1侵蚀运算
侵蚀是一种排除边界点,使边界向内部收缩的进程。
能够用来排除小且无心义的物体。
在数学形态学中A和B是两个集合,A被B侵蚀概念为:
其中A是被侵蚀的集合,B称为结构元素,将结构元素B相关于集合A进行平移,只要平移后结构元素都在集合A中,那么这些点都是A通过B侵蚀后所取得的点。
图像通过侵蚀后能够排除边界点。
若是结构元素B选择为3*3的矩阵,通过侵蚀后能够使联通区域的边界向内收缩一个像素。
而小于结构元素的联通区域那么会被去除,如此通过量次的侵蚀就能够够把图像中的绝大部份的噪声去除。
另外,当结构元素足够大时,侵蚀操作能够将两个彼此之间有细小联通的区域分开。
侵蚀操作的模板卷积图如下:
侵蚀操作前集合图如图5,侵蚀的结构元素图如图6所示,侵蚀操作后的集合图如图7所示。
图5侵蚀操作前集合图图6侵蚀的结构元素图图7侵蚀操作后的集合图
3.4.2膨胀运算
膨胀是将与物体接触的所有背景点归并到该物体中,使边界向外部扩张的进程。
能够用来填补物体中的空洞。
在数学形态学中膨胀的概念为:
A和B是两个集合,A被B膨胀确实是知足以下集合关系的元素的集合:
其中A是被膨胀的集合,B是结构元素。
将B的反射进行平移与A的交集不为空的元素的集合确实是A被B膨胀的结果。
膨胀操作是与侵蚀操作相对而言的,因此二值图像通过膨胀以后,能够排除联通区域内的非肤色噪点,使肤色区域加倍持续。
同理,若是利用3*3的结构元素,膨胀操作能够使肤色区域向外扩张一个像素。
膨胀操作的模板卷积图如下:
膨胀操作前的集合图如图8所示,膨胀的结构元素图如图9所示,膨胀操作后的集合图如图10所示。
图8膨胀操作前的集合图图9膨胀的结构元素图图10膨胀操作后的集合图
3.4.3开运算和闭运算
先侵蚀后膨胀的进程称为开运算。
用来排除小物体、在纤细点处分离物体、滑腻较大物体的边界的同时并非明显改变其面积。
先膨胀后侵蚀的进程称为闭运算。
用来填充物体内细小空洞、连接临近物体、滑腻其边界的同时并非明显改变其面积。
通常,由于噪声的阻碍,图象在阈值化后所取得边界往往是很不滑腻的,物体区域具有一些噪声孔,背景区域上散布着一些小的噪声物体。
持续的开和闭运算能够有效地改善这种情形。
有时需要通过量次侵蚀以后再加上相同次数的膨胀或多次膨胀加上相同次数的侵蚀,才能够产生比较好的成效。
比如,通过二值化以后的图像可能存在数量庞大的肤色噪声,这时通过选取适当的结构元素进行开运算就能够够排除肤色噪声,而又不改变要紧肤色区域的面积和形状。
反之,假设二值图像皮肤区域之间因外界因素而没有彼此连接,选择闭运算能够连接要紧肤色区域,令人脸区域加倍明显,为后期判定制造有利条件。
4.群体人脸检测系统的实现
光线补偿
考虑对图像进行光线补偿的缘故是肤色的色彩信息很容易受图像搜集时的光线强度,搜集设备的色彩误差和清楚程度等诸多缘故的阻碍。
如此会致使图像的整体色彩向某一方向误差,也确实是会形成咱们常说的色彩偏冷,色彩偏暖,照片发黄、偏蓝等等的现象。
而这些现象在图像中很常见,因此进行光线补偿就显得很有必要。
光线补偿的具体做法是先将整幅图像每一个像素点的亮度从高到低进行排列,取前5%的像素,将这些像素作为光线补偿的“参考白”,同时将这5%的像素的RGB分量都设置成为255。
然后,用前5%像素的亮度的平均值除以255就能够够取得光线补偿系数。
最后扫描整幅图像的每一个像素,让每一个像素的RGB分量都乘以光线补偿系数,若是大于255,那么将此分量的值设置成为255,不然,维持原先的值不变。
通过此处置就能够够使整幅图片的亮度进行线性放大。
可是不是每一副图像都需要进行光线补偿,有的图像亮度本来就很高,若是对亮度正常的图像进行光线补偿,成效会适得其反。
它有可能会使颜色较浅的肤色变成白色,从而会造成图像二值化的时候对肤色区域的误检。
因此,咱们需要对光线补偿系数设置一个阈值,若是计算出的光线补偿系数小于此阈值,那么不进行光线补偿。
光线补偿的算法框图如图11所示:
图11光线补偿算法框图
光线补偿前后的对照图如图12所示,从图中能够明显看出,光线补偿后图像的整体亮度有明显提高。
图12光线补偿前后对照图
图像二值化
关于一副彩色图像,能够直接依照每一个像素点的值来判定此像素点是不是为肤色,本文采取的判定方式是双阈值的判定方式。
利用RGB和YCbCr双颜色空间来进行肤色判定,直接对彩色图像进行肤色判定最经常使用的方式是利用YCbCr颜色空间,可是如此的判定结果不是专门精准,需要再增加一个阈值来提高判定结果,尽管肤色在RGB颜色空间上的聚类散布不是很规那么,可是增加RGB肤色判定确实能够提高肤色的判定率。
具体的实现进程是:
顺序的扫描每一个像素点,第一把RGB颜色空间转换为YCbCr颜色空间,取得Cb,Cr两个分量的值,利用前面肤色建模中的两个阈值判定,若是两个条件都符合,就判定此像素点属于肤色,将它的RGB分量别离置为(255,255,255)(白色),不然,此像素点就不是肤色,将RGB分量置为(0,0,0)(黑色)。
当所有的像素点扫描完毕时,图像二值化就完成了,图像中所有的肤色均为白色,而非肤色就变成黑色。
图像二值化前后对照图如图13所示,从这幅图能够看出人物的脸部区域都变成白色,袒露出的其他的皮肤也变成白色,而且还有背景的类肤色区域。
图13图像二值化前后对照图
侵蚀与膨胀算法分析
图像膨胀在数学形态学中的作用是把图像周围中的背景点归并到物体中去。
若是两个物体的距离足够近,膨胀那么能够联通这两个区域。
膨胀对填补图像中的黑色孔洞很有效。
咱们能够自概念结构元素来达到不同的膨胀结果。
通常,结构元素有水平形,垂直形,十字形和方形等,膨胀能够分为四方向膨胀,八方向膨胀和两方向膨胀等。
具体用到膨胀的时候应该依照需要选择适合的结构元素,就能够够达到预期的成效。
本系统采纳的是十字形四方向膨胀算法。
也确实是在当前点的上下左右四个像素点,若是有一个是白色就把当前点填充成白色,不然就填充成黑色。
本系统中膨胀的要紧作用是连接脸部区域内不持续的皮肤块。
图像侵蚀在数学形态学中的作用是排除物体的边界点。
一样,侵蚀所用的结构元素和膨胀的一样,依照选用的结构元素不同,侵蚀也分为四方向侵蚀,八方向侵蚀和两方向侵蚀。
图像通过侵蚀能够把小于结构元素的物体排除掉,因此选择特定的结构元素就能够够排除特定大小的物体。
另外,侵蚀操作能够把两个具有细小连接的物体分离,比如图像中有两个人脸挨着,通过侵蚀操作就能够够把二值化后的图像中两个人脸分离。
本系统所采纳的是十字形四方向侵蚀。
意思确实是,在当前点的上下左右四个像素点中,若是全数都是白色,那么将此点填充成白色,不然就填充成黑色。
一样情形下,为了维持图像中联通区域的大小和形状可不能发生太大的转变,侵蚀和膨胀都是配合利用的,即利用的多少次的侵蚀(膨胀)就利用多少次的膨胀(侵蚀)。
二值化的图像往往存在较多的噪声,咱们能够通过先侵蚀后膨胀来去掉噪声,也确实是进行开运算。
相反,先膨胀后侵蚀称为闭运算。
通过闭运算能够排除图像中的散点和毛刺,使图像趋于滑腻。
在实际利用中一次开运算和闭运算往往包括了多次侵蚀和膨胀,才能达到预期的成效。
在算法设计上,本系统所采纳的是自动的开运算和闭运算,通过统计该二值图像中联通
区域的个数来决定利用开运算仍是闭运算,开运算和闭运算算法框图如图14所示:
图14开运算和闭运算算法框图
对二值图像进行开运算和闭运算的前后对照图如图15和16所示:
图15开运算前后成效对照图
图16闭运算前后成效对照图
联通区域统计算法分析
在图像二值化以后由于图像的复杂性会显现很多的或大或小的联通区域,为了凸显出人脸区域要进行开运算和闭运算,可是至于选择何种运算和图像中联通区域的个数有专门大的关系,比如图像中联通区域过量时那么是因为噪声的缘故,这时应该选择开运算来去除噪声;若是联通区域在能够同意的范围内那么需要进行闭运算,使图像加倍滑腻,去除毛刺。
另外在最后的人脸标记的时候也需要标注图像中的类人脸区域如此才能利用矩形标出。
因此,联通区域的统计起着继往开来的作用。
联通区域统计算法分为两个时期,算法的具体框图如图17所示。
第一时期。
对二值图像进行一次扫描。
按4邻域连通规那么,标记所有像素点的待归并连通域标号。
同时,按必然的规那么,标记待归并连通域标号的一起连通域标号。
由于4邻域的模板核过小。
无法一次正确标记所有的目标,会有大量等价标号存在。
用一起连通域标号标记各等价标号所属的一起连通域。
第二时期。
扫描临时连通域标号矩阵。
纠正矩阵中的临时连通域标号,即用一起连通域标号替换各像素点的临时连通域标号,实现连通域的归并。
归并时,按一起连通域标号显现的顺序,从头定序,确保目标连通域标号持续。
归并后,矩阵中的像素点连通域标号即是最终所得的目标连通域标号。
图17联通区域统计算法框图
去除非人脸区域
人脸图像往往是很复杂的,肤色不仅包括脸部区域,还包括袒露在外面的手臂,胳膊,脖子等,在背景中又存在很多的类肤色区域,而在图像二值化的时候这些因素是无法幸免的,这就致使了图像中会存在较多的类人脸区域,会给最后的人脸标记造成专门大的困扰。
好在人脸具有明显的数学形态学特点,本文采取了一下四个方面来判定是不是是人脸,并去除非人脸区域:
长宽比,填充率,区域面积和待判定人脸区域的面积和平均面积的比值。
人脸在长宽比上具有很明显的特点,考虑到图像中人脸和颈部往往相连,人脸外接矩形的长宽比一样都在到2之间,如此能够有效的去除图像中水平或垂直的长条形非人脸区域,比如手臂。
在人脸区域的外接矩形中,人脸区域面积所占矩形面积的比例也是在必然范围内的,一样情形下填充率在到之间的可能确实是人脸区域,此限定条件能够去掉图像中斜着的长条形类肤色区域和无法去除又彼此连接的大的噪声区域。
而区域面积的限制能够去除那些符合人脸标准可是因为面积过小而不是人脸的类人脸区域,本文中所用的阈值是400个像素。
但是,有的非人脸区域能够知足上述三个条件,比如袒露的手部区域,从而可能发生误判的操作,为了解决那个问题,本系统所采纳的方式是判定当前区域面积与所有通过上述三部挑选以后的类人脸区域面积的平均值的比值是不是在阈值范围内。
本系统所采纳的阈值是到2。
去除非人脸区域的算法框图如图18所示:
图18去除非人脸区域算法框图
去除非人脸区域算法的前后成效对照图如图19所示:
图19去除非人脸区域前后成效对照图
标记人脸区域
在去除人脸区域后,剩下的区域就大体能够确信是人脸,这一步要做的确实是用矩形框标记人脸区域。
由于之前已经统计出了联通区域,其中包括每一个区域的上下左右的边界,因此很容易就能够确信矩形框的四条边,修改图像对应的RGB的值就能够够显示出矩形框。
标记成效图如图20所示,其中图(a)是单人脸标记成效图,图(b)是多人脸标记成效图。
(a)单人脸标记成效图(b)多人脸标记成效图
图20人脸标记成效图
实验结果分析
本系统所用的图片大多数来自网络上的图片和数码相机拍照的图片。
包括各类环境下,各类尺寸,各类背景的人脸图像,下面将从人脸正确检测率,误检率和漏检率三方面进行分析。
人脸的正确检测率取决于多方面因素,如图像中人脸的散布,背景中类肤色区域的散布等因素。
在单人脸图像检测中,我选取了不同背景和尺寸的24张图片,其中结果如表1所示:
表1单人脸检测结果表
图片数
人脸数
正确检测数
检测率
误检数
误检率
漏检数
漏检率
24
24
22
92%
1
4%
2
8%
在多人脸检测中我选了24张图片进行测试测试结果如表2所示:
表2多人脸检测结果表
图片数
人脸数
正确检测数
检测率
误检数
误检率
漏检数
漏检率
24
457
391
85%
78
17%
66
15%
漏检,误检案例分析。
正常情形下,图像中肤色区域应该是和周围的非肤色区域有着明显边界的,可是特殊情形下背景中的类肤色区域太多,会致使人脸检测错误。
无法进行人脸检测的二值图片如图21所示:
- 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:
- 本科毕业 论文 群体 检测 系统 设计 实现
![提示](https://static.bdocx.com/images/bang_tan.gif)