摘 要

肤色是人脸的重要信息，肤色不依赖于面部的细节特征，具有相对的稳定性，因此，基于肤色分割的人脸检测方法引起人们的关注。课题研究基于肤色模型的人脸检测方法，在YCbCr颜色空间建立肤色模型，以此区分肤色区域和非肤色区域，检测人脸可以广泛地应用在个人身份识别，安检，人机交互，表情分析，唇读等应用中。计算机人脸检测作为人脸识别，人脸分析等应用的前期步骤和首要条件，很早就收到人们的关注。随着计算机应用的普及，性能的提高，以及图像处理和模式识别领域的研究逐步成熟，人脸相关的应用越来越成为现实，因此对人脸检测定位的研究也正在受到越来越多的重视。

人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影响）中是否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实现机器智能化的重要步骤之一。

Adaboost算法是1995年提出的一种快速人脸检测算法，是人脸检测里程碑式的进步。这种算法根据弱学习的反馈，适应性的调整假设的错误率，使在效率不降低的情况下，检测正确率得到很大的提高。

关键词：

人脸识别 肤色模型 肤色分割 YCbCr颜色模型 肤色区域 非肤色区域 身份识别 检测人脸 人机交互 计算机人脸检测 人脸分析

一·人脸检测概述

长期以来，计算机就好像一个盲人，需要被动的接受由键盘，文件输入的信息，而不能主动地从这个世界获取并自主处理，人们为了让计算机看到这个世界并主动从这个世界寻找信息，发展了机器视觉。为了让计算机自助处理和判断所得到的信息，发展了人工智能科学，人们梦想，终有一天，人机之间的交流可以像人与人之间一样畅通和友好。

迄今为止，机器视觉的发展已经经力了一个漫长的过程。经过研究者们的不懈努力，新的信息技术和媒体手段的出现，使得更加友好和友善的人机交互方式得到发展，新型的人机交互将不再依赖传统的输入设备。而且，计算性价比的提高和视频获取成本的降低，使计算机视觉系统能够向桌面级和嵌入式系统，这意味着计算机视觉系统能够安装在一切计算机系统之中。相信在不久的将来，拥有高级视觉系统的智能电子产品会给我们的生活带来更大的方便。

计算机视觉处理的一个重要内容，就是对人脸的视觉处理。人脸分析的相关研究希望用户的身份，状态和意图的信息能够从图像中提取出来，然后由计算机依次作出反应（比如通过观察用户脸部表情来分析心情并进行相应反应）。由于人脸和脸部表情已经被心理学家精神科学家和工程师们研究了多年，所以人脸和脸部表情识别的研究得到了更多的关注。

自美国“9.11”事件后，身份鉴别已经成为安全，电子政务等应用领域研究的热门。而基于密码或或证件的传统身份识别和验证的系统，若密码被盗取或证件被窃取，有可能造成机密的失窃，国家和个人财产的流失，甚至对社会构成某种程度的威胁。

为提高身份识别系统的安全性，近年来，各国政府非常重视不易被仿制的基于生物特征识别技术的研究，该技术相比传统身份识别具有更好的安全性，有效性和可靠性。

二．可以将人脸检测的方法分为四类：

1.基于知识的方法（Knowledge based）

2.特征不变量方法（Feature invariant）

3.模板匹配的方法（Template matching）

4.基于表象的方法（Appearance-baced）

生物特征验证识别包括指纹，虹膜，人脸，掌纹，声音等的验证识别。人脸识别与指纹，虹膜掌纹识别等生物特征识别技术相比，虽然起步较晚，但具有非侵犯性

人脸识别是人们日常生活中最常用的身份确认手段，也是当前最热门的模式识别研究课题之一。虽然人来你是别的准确性低于虹膜识别和指纹识别，但是由于它是非接触的，具有非侵犯性因而人们对这种技术没有任何的排斥心理，所以人脸识别技术是一种最友好的生物特征识别技术。人脸识别技术是通过与计算机相连的摄像头动态捕捉人的面部，利用面部器官的特征和它们之间的几何关系（如眼睛，鼻子和嘴的位置以及它们之间的相对位置），将捕捉到的人脸与预先录入在人脸数据库中的人脸进行对比，从而得出识别的结果。

人脸识别的优点：其他生物特征识别方法都需要一些人的行为配合，而人脸识别技术不需要被动的配合，可远距离采集人脸，充分利用已有的人脸数据库资源，更直观，更方便的核查其身份。‘人脸识别的缺点：采集图像的设备比技术昂贵得多，对于人体面部的如头发，失误，表情，衰老，以及其他的变化需要通过人工智能补偿。

人脸识别技术与其他特征识别技术的比较：人脸识别技术较之其他人体生物特征识别技术更为突出的优势，具有广阔的发展前景和应用前景，尤其可与安防监控兼容，以形成一种智能视频监控的功能。

三·人脸识别技术的研究现状

Galton早在1888年和1910年就分别在Nature杂志发表了两篇关于利用人脸进行身份识别的文章。自动人脸识别(AUTOMATIC facerecognition,AFR)DE 研究论文最早见于1965年CHAN和BLEDSOE在PANORAMIC Research inc发表的技术报告，到现在已有四十多年的历史。近年来，人脸识别的研究得到了诸多研究人员的亲睐，涌现出了很多新的技术和方法。尤其是1990年以来，人脸识别更得到了长足的发展，每年都有大量的学术论文发表。现在，几乎所有知名的理工科大学和主要的IT产业公司都有研究人员在从事人脸识别的研究。

1991~1997年，尽管这一阶段的时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累，不但诞生了若干代表性的人脸识别算法，而且出现了若干商业化运行的人来能识别系统，比如最为著名的Visionics(现为ZDENTIX)的FACEIT系统。

麻省理工学院(mit)媒体实验室的TURK和PENTLAND提出的特征脸（EIGENFACE）方法是这一时期最负盛名的人脸识别方法。其后很多人脸识别技术与EIGENFACE有关。

总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件，对象配合，中小规模正面人脸数据库上达到非常好的性能，也因此出现了若干知名的人脸识别商业公司。从技术方案上看，2D人脸图像线性子空间判别分析，统计表观模型，统计模式识别方法是这一阶段内的主流技术。

人脸识别技术存在的难点：在当今社会，信息安全问题备受人们的关注，自身安全和个人隐私保护成为这个时代最热门的话题。基于密码，个人识别码，磁卡和钥匙等传统的安全措施已经不能完全满足社会的需求。在这样的时代背景下，人们把目光投向生物体特征识别技术——利用人体的生理特征或行为特征来进行身份的鉴别和验证，而人脸识别技术以其独特优势成为最有潜力的身份验证手段，而且一个经济，实时，准确的人脸识别系统将有着更广泛的潜在应用。

面部表情的识别作为生物特征识别中的一种，是人机交互中不可缺少的一部分，但是计算机要自动的识别出表情却不容易，这是因为：首先，表情是一种很复杂的肌肉运动，每种表情是几十种面部肌肉运动的组合运动状态；因此，如何有效的识别带有表情的图像，从而极大地提高人脸识别的准确率，推动人脸识别的发展是一个非常重要的课题。

四·基于肤色检测的人脸定位算法实验结果：

在实验中测试集选有100幅图像，这些图像背景比较复杂，部分图像是用数码相机拍摄的，还有从Internet下载的，也有少数是通过照片扫描过来的，这些图像中既有单人脸图像，也有多人脸图像，包括不同的人脸姿态和表情以及不同的光照等情况。

系统中定义了三个评价参数来检测该算法

1 正确检测率：正确检测出来的人脸数与集合中总人脸数之比

2 漏检率：未检测到的人脸数与集合中总人脸数之比

3 误检率：检测到的假脸数与集合中的总人脸数之比

基于肤色的人脸定位算法进行人脸检测实验表明：算法具有良好的检测性能，对人脸的限制条件比较少。在各种条件下，各种背景，各种尺寸的人脸图像都有比较好的检测结果，正确检测率达到了94.5%，误检率很低对实验中292 *219像素的图像，耗时7S左右，相对于其他的一些人脸检测算法速度要快一些，该系统的限制表现在输入人脸的左右倾斜角度不宜过大，且双眼等主要器官可见，对于一般的人脸图像基本都能检测出来。在该算法中，误检率很低，且误检的大多是与人脸相类似的切尺寸较小的模式，这是因为算法中对人脸检测步骤很多，基本在正常的范围内不会有误检的可能，但在实验结果中可以看到漏检率相对误检率比较高，这点源于算法中肤色模型的缺陷，都会受到光照的影响，相对于特定人，特定光照下的肤色分布，在不同的光照条件下，利用不同的成像设备获取不同人的图像中的肤色是处在一个较大的范围内。如果系统用通用的肤色分布模型，虽然对光照有一定的适应，但没有针对特定用户的肤色模型检测效果好。

参考文献：

[1]范立南, 韩晓微, 张广渊著. 图像处理与模式识别[M]. 北京: 科学出版社, 2007.

[2]张洪刚, 陈光, 郭军编著. 图像处理与识别[M]. 北京: 北京邮电大学出版社, 2006.

[3]张德丰编著. MATLAB神经网络编程[M]. 北京: 化学工业出版社, 2011.

[4]张强, 王正林编著. 精通MATLAB图像处理（第2版）[M]. 北京: 电子工业出版社, 2012.

[5]张倩, 占君, 陈珊编著. 详解MATLAB图像函数及其应用[M]. 北京: 电子工业出版社, 2011.

[6]赵书兰主编. 数字图像处理与分析实例教程[M]. 北京: 化学工业出版社, 2009.