中自网

热门搜索:PID  plc  传感器  电机  变频器  工业以太网  无线通讯  低压 

当前位置:首页>>应用案例首页>>技术指导>>正文

复杂光照下人脸检测算法的研究

发布日期:2012-04-25   作者:山东大学 控制科学与工程学院 韩旭振 山东省章丘市第七中学 李 松   浏览次数:49541
分享到:
【摘   要】:人脸识别是一个具有广阔应用前景和极富挑战性的研究课题,作为自动人脸识别系 统的第一步,快速有效的人脸检测至关重要。然而现有的人脸检测算法在复杂光照下的检测 效果并不理想。本文针对人脸检测存在的问题,在如下两方面做了改进:(1)针对Adaboost 算法造成的误检测,本文提出了Adaboost+肤色算法,大大降低了误检率。(2)针对复杂光 照的影响,提出了一种改进的“参考白”算法。实验表明,该算法能很好的应用于复杂背景 条件下的人脸检测。


2.3肤色检测
2.3.1颜色空间的选择
常见的颜色空间的分析如下:在RGB空间中,检测很易受到光照变化的影响;在HSV空间中,RGB到HSV空间的转换是非线性的,而且HSV空间中存在奇异点,同样不利于肤色检测;YCbCr模型将亮度分量分离,并且可以有RGB线性变换得到,而且肤色像素在YCbCr空间中有很好的聚类行,因此本文选择YCbCr模型。
2.3.2肤色模型的选择
常用的肤色模型有区域肤色模型和高斯肤色模型。
(1)区域肤色模型
区域肤色模型主要利用肤色在彩色空间中的聚类性,将肤色主要聚集的区域作为肤色区域,建立区域肤色模型。如果被检测像素点满足肤色区域的条件,就是肤色像素点,否则就是非肤色像素点。
区域肤色模型直观,计算简单,但是检测效果不是很理想。
(2)高斯肤色模型
高斯肤色模型主要是通过统计分析,预测肤色高斯分布的参数,得到高斯模型。对于待检测像素点,利用该模型判断是否是肤色像素点。高斯肤色模型检测率高,但是模型参数的估计比较困难,而且计算量大,耗时长。
本文采用区域肤色模型。
2.3.3区域肤色模型的建立
研究表明,不同种族、不同年龄的人的肤色都聚集在一个较小的范围之内,因此可以在色度空间内建立一个合适的肤色模型。通过对大量肤色像素的统计,肤色聚类在YCbCr色度空间中的一个较小的区域内。肤色在YCbCr空间的分布满足如公式5所示:

2.4 Adaboost+肤色人脸检测算法
根据上述讨论得知,Adaboost人脸检测算法由于是以Harr-like特征为基础的,而Harr-like特征只是对灰度特征的描述,易引入灰度分布特征类似于人脸的误检测,如图4所示。而这些误检测一般与肤色的差异较大,因此可以引入肤色检测来去除误检测的情况,算法的流程如图5所示。

图5 Adaboost+肤色人脸检测算法
 
 
[ 应用案例搜索 ]  [ ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]  [ 返回顶部 ]

0条 [查看全部]  网友评论