（通信与信息系统专业论文）基于gabor小波与bp神经网络的人脸检测研究.pdf

摘要 基于g a b o r 小波与b p 神经网络的人脸检测研究 作者简介：张鹏，男，1 9 8 5 年0 9 月生，师从成都理工大学陈金鹰教授，2 0 1 1 年0 6 月毕业于成都理工大学通信与信息系统专业，获得工学硕士学位。 摘要 利用人类具有的独特生物特征来进行身份识别的技术，称之为生物特征识别 技术，它是一种高效、高稳定的身份识别方法。与此同时人脸检测也是当今生物 特征识别项目中最被重视的分支之一，是计算机视觉与模式识别领域非常活跃的 一个研究方向。它在安全鉴别、身份认证、以及在司法部门的相关活动中都有着 非常重要的应用前景。就人脸检测而言，它是识别的第一步骤，长时间来人们都 一直致力于寻求一种能够对人脸进行快速定位的算法。现在人脸检测的算法最普 遍的有两种，启发式模型和统计式模型。 本文研究了大量传统实现人脸检测的算法，为了提高人脸检测的速度减少错 误率，提出了一种基于g a b o r 滤波器和改进b p 神经网络的人脸检测方法，该方 法主要是采用优化的g a b o r 滤波器对样本进行处理，从中提取出人类面部信息的 特征矢量。在检测时，首先用双眼区域的亮度关系和脸部的对称特征，来快速的 过滤摔大量的背景区域；其次在用g a b o r 滤波器空间位置与方向选择特性，采用 八种不同方向，五个不同尺度的g a b o r 滤波器提取人脸图像特征；然后把这些提 取出来的特征向量作为人脸与非人脸的分类器输入，并用模板遍历法对其进行降 维；最后在运用降维后的特征量训练改进的b p 神经网络。通过大量的仿真实验 测试，该方法比传统的人脸检测方法检测率高。 相对于传统人脸检测的算法，本文所提出的算法优势的主要表现在以下四个 方面，一、相对于传统的全局图像g a b o r 特征提取，本文提出的是一种先特征定 位，然后再g a b o r 滤波的方法，该方法大大的缩短了特征提取的时间。二、相对 于传统的p c a 降维方法，本文借鉴的是模板遍历思路，利用分层分块的原理进 行特征矢量的降维，克服了传统p c a 方法易受外界干扰的缺点。三、相对于传 统的b p 算法，本文采用的是一种变步长的改进b p 算法，在完成相同次数的迭 代运算，改进b p 网络的收敛速度更快。四、相对于传统的标准人脸库，本文的 人脸库全部采用纯手工制作，虽然缺少专业人脸样本库的标准性，但是却更加的 具有普片的意义。 关键词：人脸检测g a b o r 滤波b p 神经网络模板 成都理工大学硕士学位论文 af a c ed e r e c t i o nm e t h o db a s e do ng a b o rf i l t e r sa n d i m p r o v e d b pn e u r a ln e t w o r k i n t r o d u c t i o no ft h ea u t h o r ：z h a n gp e n g , m a l e , w a sb o r ni ns e p t e m b e r , 19 8 5 w h o s et u t o rw a sp r o f e s s o rc h e nj i n y i n g h eg r a d u a t e df r o mc h e n g d uu n i v e r s i t yo f t e c h n o l o g yi nc o m m u n i c a t i o ne n g i n e e r i n gm a j o ra n dw a sg r a n t e dt h em a s t e rd e g r e e i nj u n e ，2 0 1 1 a b s t r a c t t h eb i o l o g i c a lc h a r a c t e r i s t i cr e c o g n i t i o ni sak i n do fi d e n t i f i c a t i o nt e c h n o l o g y t h a tu s e st h eh u m a n ss p e c i a lp h y s i o l o g yo rb e h a v i o rc h a r a c t e r i s t i c ，i tp r o v i d e dak i n d o f h i g hr e l i a b i l i t y , g o o ds t a b i l i t ya p p r o a c ho fi d e n t i t ya p p r e c i a t i o n f a c ed e t e c t i o na n d r e c o g n i t i o ni sv e r yp o p u l a rb r a n c ho ft h eb i o l o g i c a lc h a r a c t e r i s t i cr e c o g n i t i o n a n di t i sa l s oav e r ya c t i v es u b j e c ti nt h ef i e l d so ft h ec o m p u t e rv i s i o na n dt h ep a t t e r n r e c o g n i t i o n f a c e d e t e c t i o na n df a c er e c o g n i t i o nh a v eam u c hw i d e l ya n dv a l u e d p r o s p e c to fa p p l i c a t i o ni ns e c u r i t yr e c o g n i t i o n ，p e r s o n a li d e n t i f i c a t i o na n dt h ew o r ko f i n s p e c t i o n i n p u b l i cs e c u r i t yo r g a n s f a c e d e t e c t i o ni st h ef i r s t s t a g eo ff a c e r e c o g n i t i o n t h er e s e a r c h e r sa l w a y st r yt of i n daf a c el o c a t i o na l g o r i t h mw i t hh i g h a c c u r a c ya n de f f i c i e n c yf o ral o n gt i m e p r e s e n t l y , f a c ed e t e c t i o nh a st w ok i n d so f m e t h o d o n ei sb a s e do nt h eh e u r i s t i cm o d e l i n gm e t h o d ，a n dt h eo t h e ri sb a s e do n s t a t i s t i c a lm o d e l i n gm e t h o d i nt h i st h e s i s ，as t u d yo na l a r g en u m b e ro ft r a d i t i o n a lm e t h o d st of a c ed e t e c t i o n i sp r e s e n t e d i no r d e rt oi m p r o v et h er a t eo ff a c ed e t e c t i o n ，a nn e wa l g o r i t h mw a s p r e s e n t e db a s e do ng a b o rf i l t e r sa n di m p r o v e db pn e u r a ln e t w o r k i m p r o v e dg a b o r f i l t e ri su s e dt ot h et r a i n i n gs a m p l e s ，a n dg e t st h ef a c ef e a t u r ev e c t o rg r o u p s ；i nt h e d e t e c t i o ns t e p ，f i r s t l y , t h ec h a r a c t e r i s t i c so fi n t e n s i t yi ne y er e g i o na n ds y m m e t r yi n f a c ew e r eu s e df o rf i n d i n gf a c ec a n d i d a t e s ，u s e st h ec h a r a c t e r i s t i c so fs p a t i a ll o c a l i t y a n do r i e n t a t i o ns e l e c t i v i t yo fg a b o rf i l t e r st od e s i g ne i g h to r i e n t a t i o nf i l t e r sf o r e x t r a c t i n gf a c i a ls a m p l ef e a t u r e sf r o mf a c ei m a g e s ；t h e n ，t h ef e a t u r ev e c t o rb a s e do n g a b o rf i l t e r si su s e da st h ei n p u to ft h ef a c e n o n f a c ec l a s s i f i e r , a n dar e d u c e d f e a t u r es u b s p a c ei sl e a r n e db yt e m p l a t em e t h o d s ；f i n a l l y ，t h ei m p r o v e db pn e u r a l n e t w o r ki st r a i n e db yt h er e d u c e df e a t u r e s t h ee m u l a t i o ne x p e r i m e n t ss h o wt h a tt h e m e t h o d gd e t e c t i n gr a t ei sh i g h e rt h a nt r a d i t i o n a lm e t h o d s 1 1 a b s t r a ct c o m p a r e dw i t ht h et r a d i t i o n a lf a c ed e t e c t i o na l g o r i t h m t h ea d v a n t a g el i e so f t h i sp r o p o s e da l g o r i t h mi nt h ef o l l o w i n gf o u ra r e a s f i r s t , t h eo v e r a l li m a g ec o m p a r e d w i t ht h et r a d i t i o n a lg a b o r i nt h i sp a p e rb e f o rt h eg a b o rf i l t e r i n gt h e r ei saf e a t u r e l o c a t i o nm e t h o d ，t h i sm e t h o dg r e a t l yr e d u c e st h et i m ef e a t u r e e x t r a c t i o n s e c o n d ， c o m p a r e dw i t ht h et r a d i t i o n a lp c ad i m e n s i o nr e d u e t i o n , t h i sp a p e ri n v o l v et h ei d e ao f d r a w i n gt h et e m p l a t et r a v e r s a l u s i n gt h ep r i n c i p l eo fh i e r a r c h i c a lb l o c kt h ef e a t u r e v e c t o rd i m e n s i o nr e d u c t i o n t oo v e r c o m et h et r a d i t i o n a lp c am e t h o do f v u l n e r a b i l i t y a r o u n dt h eo u t s i d eo ft h es h o r t c o m i n g s t h i r d ，c o m p a r e d 谢廿lt h et r a d i t i o n a lb p a l g o r i t h m ，t h i sp a p e ru s e sav a r i a b l es t e pb pa l g o r i t h mi m p r o v e m e n t t oc o m p l e t et h e s a m en u m b e ro fi t e r a t i o n so p e r a t i o n , i m p r o v e db pn e t w o r kc o n v e r g e sf a s t e r f o u r t h , c o m p a r e dt ot o n a ls t h et r a d i t i a n d a r df a c ed a t a b a s e , t h i sp a p e rf a c ed a t a b a s e u s e di n a l lh a n d m a d e a l t h o u g hl a c ko ft h ep r o f e s s i o n a ls t a n d a r d so ft h ef a c eo ft h es a m p l e l i b r a r y , b u tw i t ha m o r eg e n e r a lm e a n i n go ff i h n k e y w o r d s ：f a c ed e t e c t i o n ，g a b o rf i l t e r s ，b pn e u r a ln e t w o r k ，t e m p l a t em e t h o d s i i i 第1 章弓l 言 1 1 选题意义 第1 章引言 当前，学术界与工业界对人脸检测这一技术越发的重视，究其原因，主要取 决于以下三个方面的发展：生物特征识别、人机交互、物体检测。 首先，在生物特征识别技术中，研究人脸识别系统的首要条件便是人脸检测 的实现。在当今的社会中，有许多传统的身份鉴别方式( 例如：信用卡、身份证 等) ，但是这些方式，存在着随身携带、容易遗失、遭到损坏、密码破解等诸多 问题。所以，随着现代科学技术的日渐发展，传统的身份识别方式已经不能很好 地适应我们的需要。因此，在身份识别的问题上，人们希望寻找一种更加有效的 办法来解决。生物特征识别技术正是由此而生，它让这一切成为了可能。而又因 为人脸识别这种方式具有许多优点( 直接、方便、友好) 且容易被接受的非侵犯 性识别。所以，在生物特征识别技术中，以人脸为特征的识别技术发展十分迅速。 其次，当今社会计算机已经日益普及，未来计算机发展的重要方向之一便是 人机接口的自然化，而这一发展为人脸检测技术的提出了要求。曾经的人机交互 形式，主要集中在两个方面，单一文本形式和图形用户界面。而现在的人机交互 正从以技术为本，向以人为本的方向发展。在人类通讯活动中，计算机以一种“智 能体”的形式参与其中，人机界面的主体是我们的用户。从“以人为本”这个角 度出发充分的考虑人的因素。因此，电脑如何能够感知使用者的存在，便是智能 接口系统需要解决的首要的问题之一。换言之，这也是人机能够交互的前提。人 类的脸部人类的重要特征，它携带了非常丰富的信息，从认知学角学度讲，在视 觉层次上，人脸也是感知与识别的主要信息( 以貌取人) 。 最后，因为人脸检测实则是一种特定内容的模式识别问题，换言之，人脸的 检测其实只是作为目标检测的一个典型的应用实例。所以在物体检测的研究领域 里，它的科学意义相当重要。目标检测的其他应用包括：文字语音识别，图像处 理等。对人脸及其特征的检测研究，有助于相似特征提取及目标检测和识别问题 的研究。换言之，目标检测的研究对大量类似问题的解决有着相互促进和相互推 动的现实意义。因此，入脸检测是一项极具意义的研究领域。 人脸样本是一个具有自然相似结构、却又各不相同的开放的模式集合。它具 有复杂特征的三维模式，是一种有弹性的局部可变形的非刚性目标，与刚性目标 的检测和识别相比，非刚性目标的处理更加的复杂和困难。在现实世界中，有许 多类似的现象和问题，如手写文字的处理。对人脸三维非刚性目标的检测和识别 的研究对于大量同类问题的解决有着相互启发和相互推动的现实意义。 成都理工大学硕士学位论文 1 2 国内外研究动态 “人脸检测这一问题的提出，源于上个世纪八十年代末、九十年代初，至今 仍吸引了大批的研究者的兴趣，目前也取得了许多有意义的研究成果。 【2 j 人类 的面部特征脸不但复杂，并且很易受到其他因素的干扰。从国内外相关文献中我 们也可以了解到许多检测算法，其中基于器官和模板的方法最为常见。 特征模型或者模板匹配是早期实现人脸建模的主要方式，并且也局限于在静 止图像的空域上提取特征，这样仅仅只能够完成简单的人脸检测。中期的发展是 在早期的基础上采用模板统计学习的方法来建模，这样可以实现在相对比较复杂 背景下的人脸检测。近期而言，研究者们的研究方向已经趋于多元化，有的人继 续研究更加复杂的统计模型，有的人则尝试从频域中提取特征，还有些人将不同 的分类器应用于人脸检测领域。在不断的探索过程中，研究者们也认识到：将多 种人脸检测技术结合在一起，利用不同的技术取长补短，可以很好的提高检测效 率，当然，这也将是未来的发展趋势。研究发展简表，如表1 - 1 所示： 表1 1 人脸检测算法研究发展简表 发展阶段主要方法 早期模板匹配、基于特征的方法( 空域) 中期示例学习、神经网络、统计模型、彩色信息、形状分析 彩色信息、频域中的特征提取、新分类方法的应用，例 近期 如支持向量机、多模态信息融合、a d a b o o s t 学习方法 1 2 1 国外研究现状 “许多国家展开了人脸检测的研究，其中主要是美国、欧洲国家、日本、新 加坡、韩国等，著名的研究机构有美国m i t 的m e d i al a b 、a il a b ，c m u 的 h u m a n - - - c o m p u t e ri n t e r f a c ei n s t i t u t e ，m i c r o s o f tr e s e a r c h ，英国的d e p a r t m e n to f e n g i n e e r i n g i nu n i v e r s i t yo f c a m b r i d g e 等。刀【5 j 综合有关文献，目前，关于人脸检 测研究，以下几点最为集中：模板匹配、器官特征、示例学习、神经网络、隐马 尔可夫模型、a d a b o o s t 、彩色信息方法、形状分析、频域特征、多模态信息融合。 1 2 2 国内研究现状 目前，国内在人脸检测方面从事研究和探索的机构主要有清华大学、复旦大 学、北京工业大学、哈尔滨工业大学、中科院计算所、中科院自动化所、南京理 2 第l 章引言 工大学等，都取得了一定的成果。 “清华大学的研究人员对人类肤色进行了较为系统的分析，并提出了基于颜 色和特征的自适应人脸检测的方法，同时还提出一种基于多模板匹配的单人脸检 测方案，但是检测速度并不适应实时应用。 9 1 “北京工业大学的研究人员提出的是基于人脸重心模板这新技术。”【9 】用 这项技术建立的的检测系统，能够作用于一个复杂背景人脸检测。这种模板具有 多方位的检测效果，能使用于复杂背景中任意方位的不同的人脸；简言之，人脸 的不同组织器官与重心模板上的重心点相对应，同时，即便是对于不同外形的人 脸，也会受到重心点与点之间互间的动态空间关系的约束。 “哈尔滨工业大学研究者们利用彩色信息、模板匹配、特征子脸等技术，已 经成功地解决在复杂背景下的多级结构的人脸检测与跟踪问题。 【9 】它可以检测 在平面内的多姿态正面人脸，同时能检测任意角度的运动人脸。简述如下：这项 技术主要依托于两级结构算法，对于检测图像，首先进行模板比较，如果匹配那 么将其投射到特征子空间，在由特征子空间判断是否是人脸。 1 3g a b o r 滤波器简介 实际应用中，目标灰度的突变表示了突变信号的局部特征，而这也正是是图 像处理中人们所关心的，由于传统的傅里叶分析不能够反映信号在时间轴上的局 部区域的频率特征。1 9 4 6 年d e n n i so a b o r 提出了短时傅里叶变换，即g a b o r 变 化。简言之，因为不论是在时间域中亦或是在频域中，高斯函数在形式上是相对 同一的，进一步来说，o a b o r 函数的形式通常情况下可以表示成一个高斯函数乘 以一个调制函数，这也就是为何该函数会具有非常好的局域性的原因。一维 g a b o r 小波的表达式如( 1 1 ) 所示： g ( f ，b ，缈) = g o b ) - e j 耐 ( 1 - 1 ) 其中g o ) 为高斯函数： g ( f ) = 圭p 叫2 h 4 ，口 o ( 1 2 ) 常用一维g a b o r 小波函数的表达式，如( 1 3 ) 所示 地刊= 去e x 掣卜础g 剖 3 ， 式中o r 为高斯函数的标准差，t o 。为复平面波的空问频率，为函数的中心点坐 标。取o r = 1 ，t o o = 1 ，x o = 0 ，在m a t l a b 的环境下，对一维o a b o r 小波函数 3 成都理上大学硕士学位论文 进行仿真，仿真效果如图1 1 所示： ( a ) 奇函数 图1 - 1 一维g a b o r 奇偶分量仿真图 ( b ) 偶函数 令= 0 ，一维g a b o r 小波司以表不为 g ，【s ( b ，缈) 】= i ( t ) g o b ) e 。引d t ( 1 4 ) 1 9 8 5 年d a u g a m 把( 1 - 3 ) 一维形式的小波扩展成了二维的形式，如( 1 - 5 ) 所示： t u ( x , y , t r , 0 9 0 ) = 南e x 一圭降+ 丁( y - y o ) 2 砌他刊妒) ) 】m 5 ， 其中国。仍代表空间频率，而x 与y 轴的标准方差则分别由盯和来表示，j c 0 与y o 代表为小波在空域里的中心坐标。形象的理解，把一个二维高斯函数在两个坐标 轴上的平移，其结果便是二维g a b o r 函数。表达式如( 1 - 6 ) 所示： 删= 南e 七三黟+ 学 6 ， 与一维g a b o r 函数同理，也可以把二维g a b o r 函数分解成奇偶两部分函数，如式 ( 1 - 7 ) 和( 1 - 8 ) 所示： ( x ，少，盯，缈。0 = g ( x ，y ) s i nc o 。“i x 。) + 一y 。) ) ) ( 1 - 7 ) ( x ，y ，盯，国。) 。= gg ，少) c o s0 。 一x 。) + ( y y 。) ) ) ( 1 - 8 ) 取仃= 1 ，= 1 ，c o o = 1 ，x o = 1 ，y o = 1 此时，在m a t l a b 的环境下，对二维 g a b o r 小波函数的奇偶分量进行仿真，仿真效果如图1 2 所示： 4 第1 章引言 厶h 也tn 一扛! 竹tr o “t 趾矗+ 6 b h d 押缸b d 盛qob 唆q 聊：铤乜尉嚣蜀 够 ；藜，。i 。畚i l | j-，i艨磁翘 i ；， j j霾臻 ” ，磐j，。i 。臻薯j l 鬻麟j 。甜。1 1 。”“ 一i 囊鬻甓黉鍪j i 鏊，溱豢1 。i 一 一- 一| ji 誉； 蒺瑟、曼毳蕊l 攀蘑攀 l 誊鬻一飞，一。荔豢 萋慧爹套。 ：? 攀j i 鬻j | 7 7 蓐爵l 二o 鬣衢豫j 囊= i 毒i 甏嚣囊 ( b ) 偶函数 正如上文所言，g a b o r 函数采用的是高斯函数乘以调制函数的形式，以此来 取得在时频域的最佳局部化，并且这也是目前唯能够一达到测不准下界的函数。 因此g a b o r 小波成为了分析目标局部化信息的最佳工具之一。 1 4 神经网络简介 神经网络的有许多不同的分类方法，具体来说可根据网络的结构、性能、性 质、学习方式等方面进行分类。按照网络的拓扑结构，可以分为以下四种不同的 形式：前馈型、反馈型、网状型和混合型。如图1 3 所示： 输入层隐含层输出层 输入信号 前馈网络反馈网络 成都理工大学硕士学位论文 网状结构 图1 3 神经网络模型 混合网络 根据权值的设置，神经网络主要分为有监督和无监督学习两类。有监督学习 例如：多层感知机和h a m m i n g 网络等；无监督的有c a r p e n t e r 、k o n h o n e n e 自组 织特征映射及g - r o s s b e r g 分类器等。在参数调整方面，神经网络也是有一定的规 则，换言之，如何调整? 以及在什么情况下需要调整参数? 常用的学习规则有 d e l t a 学习规则，h e b b 学习规则及c o m p e t i t i v e 学习规则。相对于其他分类规则 而言，神经网络的巨大优点在于： ( 1 ) 具有很好鲁棒性和容错性。 ( 2 ) 能够同时处理定量、定性的知识。 ( 3 ) 对于不知或不定的系统，能够自学和适应。 ( 4 ) 采用并行运算方法，能够快速进行大量处理。 ( 5 ) 对于所有的非线性关联，都可以完全的逼近。 近年来神经网络的发展非常迅猛，涉及到许多领域。民用领域的应用，如语 音识别、图像检测、微机视觉、文字翻译、商业管理、市场研究、决策筛选、物 资传统、自动控制、智能接口、神经生理学和认知科学研究等等；军用领域的应 用，如雷达、声纳探测与跟踪，战场分析与决策系统，机器人操作、信息迅速记 录和分类管理，导弹自动定位，保密通信，航天器的状态控制等。 1 5 论文的主要工作 1 5 1 研究内容 身份验证主要依托于稳定性和差异性，而生物特征自身很完美的具备以上两 种特性。人脸是一种复杂、多维、非刚性的模式。人类具有着非常丰富的面部特 征，除了形状、表情之外，还有五官的特征及分布。通过对这些特征研究，可以 6 第1 章引言 理解人的情绪等状况。人脸检测与识别是模式识别领域中的经典问题之一。此外 还涉及图像处理、解剖学及生理学等多方面多领域的知识。 本次设计的内容，主要是针对对数字图像中人脸的检测，在对现有资料分析 研究的基础上，通过调查和资料整理及分析，拟定如下研究内容： ( 1 ) 数字图像预处理的方法。 ( 2 ) 高效的提取人脸特征的研究。 ( 3 ) 对于目标特征应用不同分类器的讨论。 ( 4 ) 改进传统人脸检测的算法，提出高效快捷的方案。 1 5 2 研究思路 人脸检测是个开放的、活跃的研究课题。依照时间顺序，人脸检测算法的发 展分为模板匹配模型、肤色模型、a n n 模型、s v m 模型、a d a b o o s t 模型等。但 任何单一的模型都有相当的局限性，误检率高、检测速度慢、训练时间长。 考虑到g a b o r 特征已被广泛应用于人脸识别中区分人与人间的细微差别，因 而具有更强的表示能力，本次设计尝试将其应用到人脸检测中。所以，本文提出 了基于改进的g a b o r 滤波器和b p 神经网络的人脸检测方法。首先，采用优化后 的g a b o r 滤波器组提取人脸的面部特征，这样可以很好地提取面部信息，克服由 于图像品质低劣对检测结果的影响；其次，把该组特征向量作为区分人脸与非人 脸的分类器输入，在此过程中用分层分分块的思路对向量进行降维，能够很好提 高速率；最后用已降维的向量训练改进后的b p 神经网络，通过对网络训练过程 中参数的不断进行调整优化，缩减学习次数，加快收敛速度，改善学习效果，通 过对大量的照片进行仿真测试，证明该算法的合理性与鲁棒性。 1 5 3 研究路线 人脸检测是机器视觉的一个重要分支，目前在军事、民用、商业领域中已经 发挥着重要的作用。人脸检测的设计根据精度可以分为不同类的识别和相同类的 识别，前者只需要识别相近的人脸，而后者则还需要在同一人脸发生畸变时不误 判。同时在足够短的时间内完成人脸检测，才具有实用价值。 人脸检测的过程即在一幅图像中，提取出人脸，这与图像处理关系密切。一 般的基于计算机的人脸检测系统可由五个基本模块组，包括图像数据获取、图像 数据预处理、特征建立及分析、分类器设计、分类决策或模型匹配。本次毕业设 计的流程图如图1 4 所示： 本文主要针对1 5 1 节( 1 ) 、 ( 2 ) 、( 3 ) 、( 4 ) 问题提出一种基于改进 b p 神经网络的分类器的方法来构造人脸的检测的算法。该算法采用了频域特征 7 成都理工大学硕士学位论文 的概念，并且将其与多层前扩神经网络相结合。同时构造了五个尺度八个方向的 g a b o r 滤波器器组以便覆盖感兴趣的全部频域范围，因此该系统对不同光照条件 下的人脸图像具有很强的适应能力和鲁棒性。 图像客体分类结果 1 6 论文组织与安排 图l 一4 人脸检测系统的模块构成 第l 章、引言，主要概述了国内外研究的历程与现状，本次设计的内容，意 义、以及传统人脸检测算法中的诸多问题。 第2 章、图像预处理，主要对特定照片预处理，主要包括了图像灰度化、灰 度变换增强、对比度调整、直方图均衡化、锐化处理、中值滤波的实现。 第3 章、g a b o r 滤波器特征提取，构建一个改进的g a b o r 滤波器，从而有效 的降低抽取特征信息的沉余度和运算量，提高特征的提取速度。在分析目标纹理 的基础上，分析了实验法与优化法的优缺点，并结合二者的优点利用模式识别中 内散布矩阵提取了最优的g a b o r 滤波器组。 第4 章、分类器选择，本章介绍了目标识别的基本步骤和主要方法，中和比 较各种分类规则的优缺点，重点研究神经网络模型，给出具体的设计方法。同时 也指出b p 神经网络的缺点，并由此引申出一种变步长的学习速率的改进方法。 第5 章、测试结果，本章首先自己动手制作训练样本库，然后进行了多目标 检测仿真分析，最后，纵向对比了p c a 方法和模板遍历方法的降维效果，横向 对比了最小距离分类器、f i s h e r 线性分类器、改进b p 网络分类器的分类效果。 最后分别给出论文的总结及展望、参考文献、致谢、以及攻读硕士期间取得 学术成果。 第2 章图像预处理 第2 章图像预处理 为了获得良好的处理效果，本章针对具体的数字照片提出了解决方案，因为 相机在拍摄的过程中，由于人物目标背景环境的不同，得到的效果也不一样，并 且天气等原因也容易造成噪声干扰，所以首先要进行图像预处理，从而达到平滑 图像、剔除噪声、弱化背景、增强人脸区域这一效果。本章首先概述数字图像处 理的概念及其内容，然后在详细的介绍本文所采用的数字图像预处理方法。 2 1 数字图像预处理 我们将图像信息转成数字格式，并使用计算机来进行处理的这一过程，称之 为数字图像处理，即计算机图像处理，这项技术最早出现在五十年代。“第一次 应用是在1 9 6 4 年，美国喷气推进实验室利用计算机对太空船发回的月球图像信 息进行处理。州j 我国在这一领域的研究相对较晚，从7 0 年代后期才开始较大规 模地进行，在这近四十年的时间里也取得了长足的进步。 数字图像处理技术概念广泛，涉及诸多方面的内容，从数字图像的采集、保 存、转换在到信息的传送、显示等等都属于数字图像处理范围。简单来说，即运 用特定的方法来加工处理空间、离散幅值量化后的数字图像，从而有助于系统或 人眼的接受过程。换言之，数字图像处理方法主要包括：变换，增强、复原、分 析、压缩编码、识别等内容。 本文对特定照片的预处理主要包括了图像灰度化、灰度变换增强、对比度调 整、锐化处理、中值滤波。具体流程图如图2 1 所示。 2 2 图像灰度化 图2 - 1 图像处理流程 彩色图像中的每个像素都包含了三个不同的颜色分量，存在许多与检测无关 的多余信息，不但占用很大的存储空间，而且也会降低处理上的执行速度，不便 于进一步的识别工作。而灰度图像除了亮度信息外不包含其他彩色信息，存储和 处理只需单个数据矩阵，所以可以有效克服彩色图像存在的问题，因此将彩色图 像转变为灰度图像，是图像进行识别处理中经常使用的。任意的一幅图像灰度级 9 成都理工大学硕士学位论文 为2 5 6 。用g 表示灰度化后的灰度值，r ，g ，b 分别表示彩色图像中的彩色分量。 “r ，g ，b 模型是基于笛卡儿坐标系统，三个轴分别对应r ( 红色) 、g ( 绿 色) 、b ( 蓝色) 。 l l 刈每个坐标量化为0 2 5 5 ，0 对应黑色，2 5 5 对应白色。立 方体中的任一点r ，g ，b ) 都表示一种色彩，其中每一分量的值都在0 2 5 5 之 间，黑色( o ，0 ，o ) 位于坐标系原点，白色位于顶点( 2 s s ，2 5 5 ，2 5 5 ) ，立方体上的每顶 点分别对应了一种色彩，简言之，该模型构成了基于色空间坐标系的三维彩立方 体。但是，为了方便起见，通常需将该空间立方体进行归一化处理，这样，所有 的r ，g ，b 值就都落在了l o ，1 i 的区间里。此时，原点和对顶点分别对应黑色和 白色，而这条对角线上承载的便是由黑到白的灰度值。如图2 2 所示： 图2 - 2r g b 彩色立体空间 常用彩色图像到灰度图像的转换方式有以下三种，最大值法、平均值法、加 权平均值法。 ( 1 ) 最大值法：取r ，g ，b 三个值中最大的一个： r = g = b = m a x ( r ，g ，b ) ( 2 1 ) ( 2 ) 平均值法：使r ，g ，b 的值等于三个值和的平均值： r ：g ：b ：r + g _ + b ( 2 - 2 ) 3 ( 3 ) 加权平均值法：根据权重大小或者其它因素，给r ，g ，b 赋予不同的 权值w r 、w g 、w b ，并使r ，g ，b 等于它们的值的加权和平均。通常选用加权 平均值法来处理，其中三个权值分别为0 3 、o 5 9 和o 1 1 ： r ：g ：b ：0 3 r + 0 5 _ 9 g + 0 一11 b(2-3) 1 0 第2 章图像预处理 结合实际情况，人眼对颜色的敏感度从低到高，分别是蓝、红、绿。因此选 择公式( 2 3 ) 来进行灰度图像的转换，从而得到最合理的灰度图像。其运行结 果如图2 3 所示： 2 3 灰度增强 图2 - 3 灰度化后的图像 一般来说，图像的灰度值与实际情况并不全相同，这是由于照片在拍摄时会 受到受各种各样的干扰。例如：由于目标的远近距不同，会导致中央和边缘区域 的灰度失真，或是由于摄像头灵敏度的差异，造成扫描过程中的灰度失真，又或 是由于曝光不足( 过度) 等等。这些都会降低图像的可视效果，换言之，肉眼看 到的则是模糊不清、无灰度层次的图像。针对这一情况，常采用的处理手段是灰 度变换的方法，其目的是拉伸灰度的范围、加大灰度的层次，最终增强图像对比 度，已取得很好的可视化效果。 2 3 1 灰度变换 设图像中绝大多数像素的灰度级在范围为【a ，b 内。如果说【a ，b 的范围区间比 较窄。那么经过线性灰度变换后，可以将这一灰度范围 a ，b 扩展一个比较大的灰 度范围 c ，d 。进步来说，具体可以利用分段线性变换，将图像的灰度区间划分 成多个区间，分别做线性变换。根据需要，可以任意的拉伸( 抑制) 感兴趣( 不 感兴趣) 的灰度范围。 设i ( x ，y ) 是输入图像，g ( x ，y ) 是处理后图像，t 是对厂的处理算法，b ，y ) 是 图像像素点的位置。这种处理算法，我们定义为灰度级的变换函数，如式2 3 所 成都理工大学硕士学位论文 示， 则g g ，y ) 和厂b ，y ) 在点g ，y ) 的灰度级，可由s 和r 分别表示。 g g ，y ) - t f ( x ，y ) 】( 2 - 4 ) s = t ( ，) ( 2 5 ) 分段线性灰度变换是一种空间域图像的增强方法，主要是采用分段线性函数作用 图像灰度级的输出范围。如图2 4 所示，通过对点( r 1 ，s 1 ) 和( r 2 ，s 2 ) 的位置控制改变 函数的形状，换言之，像中灰度级的展开取决于( r i ，s 1 ) 和( r 2 ，s 2 ) 的中间值部分，最 终达到调整其对比度增强图像的目的。 g ( x ，y ) n 输 出 灰 度 级 s jl 输入灰度级r m f ( x ，y ) 图2 - 4 分段线性灰度变换 i7 ，f ( x ，y ) + 岛0 厂( 砖y ) z g ( x , y ) = 儿厂( x ，j ，) + 6 2z f ( x , y ) 以 ( 2 - 6 ) 【y 3 f ( x ，j ，) + 也五f ( x , y ) 厶 乃2 鲁 轳潜 舻黯 ， 岛= 0 ，b 2 = 9 1 一y 2 z ，如= 9 2 一儿厶 显而易见，图像 s l ，s 2 的灰度区间在分段线性变换函数的作用下进得到了扩 展，同理【0 ，s 1 和 s 2 ，m 的灰度区间得到了压缩。并且利用拐点来调整分段后斜线 第2 章图像预处理 的斜率和位置，可以扩展或压缩任意的灰度范围。按照上述图像增强原理，现对 灰度图2 3 进行分析，并在m a t l a b 软件上进行处理，其处理过程如下。首先观 察该图，发现背景颜色明显偏暗，通过查看其灰度直方图的分布可以证实以上看 法，图2 5 所示为该图像的灰度值直方图分布。 图2 5 图像的灰度值分布直方图 首先，通过对比原始图像与灰度图直方图，发现人脸与背景区分不明显，分 析，由于人脸相对偏亮，所以灰度值分布靠右，范围大约在l3 0 2 3 0 之间。同 理图像背景分布靠左，范围大约在1 0 6 0 之间。所以造成人脸与背景区分不明 显的根本原因是，图像灰度值分布过于密集，从二者的分布看，背景图像整体偏 暗，并且背景与人脸中间有一定的灰度值交叉。 按照上述的分析结果，要想使图像的人脸与背景区分明显，达到增强图像的 目的，可采用局部方法调整图像的灰度值，对图像的灰度级进行变换，从而让对 比度得到加大达到改善图像的目的。本次毕业设计采用三段线性变换法，压缩两 端，拉伸中间交叉部分，使灰度值直方图上左右间距分开。具体的三段灰度根据 灰度值分布分为：输人图像的灰度级三段是2 0 6 0 、6 0 1 3 0 、1 3 0 2 3 0 ，对 应输出图像的灰度级三段为0 2 0 、2 0 1 2 0 、1 2 0 2 5 5 如图2 - 6 所示： 成都理工大学硕士学位论文 图2 - 6 灰度拉伸前后直方图对比 经过灰度级线性变换处理后，图像的整体对比度得到了有效改善，如图2 7 所示。将原始图像的灰度值分布，变成背景灰度和人脸灰度两部分。通过调整前 后的灰度直方图对比，也能很清楚的观察到，背景与人脸的灰度分离。 图2 - 7 灰度分段调整结果 2 3 2 高低帽变换与对比度增强 经过亮度调整后，可以看出，背景和人脸进行了较为成功的分离，但在图像 中还存在一些灰度交叠的现象，应再进行相应处理。利用高帽低帽变化可以有效 的解决这一问题，高帽低帽变化的实质是对图像采取特定的加减法运算，去掉其 中的某些部分，达到改善图像的目的。 经过上述灰度线性变换图像改善处理后，图像的灰度值分布偏向于直方图的 右侧，背景部分与人脸部分已经基本分离开来。为了将背景和人脸部分更好的区 分开来，可以继续第二次调节图像的对比度，将现有灰度值区间均匀分布，进一 步的拉大比度，得到增强后的处理图像，消除背景带来的干扰，如图2 8 所示。 1 4 第2 章图像预处理 ( a ) 高低帽处理 2 4 空间滤波 图2 - 8 对比度增强 ( b ) 对比度增强 上节我们分析了灰度失真引起的图像的视觉效果问题，本节讨论对图像干扰 中的另一现象一噪声干扰。因为图像的实质是光电信息，所以造成图像中噪声的 原因，主要体现在以下几个方面。“光电、电磁转换过程中引起的噪声，大气电 磁暴、闪电、电压、和浪涌等引的强脉冲的干扰，由不连续性或粒子性所引起的 自然起伏性噪声。”【2 0 】噪声会影响图像的质量，为分析和识别造成困难。通常消 除噪声的方法是滤波处理，并且合适的滤波设计同时还可以用来对图像进行锐化 作用，增强图像的边缘信息。 2 4 1 邻域平均法 从微观的角度，可以把一幅图像看作是由许多灰度值连续的小块组成，换言 之，相邻的像素之间存在很高的空间相关性。反观之，噪声则是独立的。所以为 了达到去噪效果，我们可以用先求出个像素平均灰度，然后以此作为中心像素的 输出值，首先计算出预定邻域内的各像素的平均灰度值，然后用该均值来取代原 像素的灰度值，这种算法即称之为邻域平均法。实际运用中邻域窗口一般采用 3x3 大小。设一幅n n 的图像厂g ，y ) ，用邻域平均法所得图像为g ( x ，y ) ，则有： g ( 训) 2 丽1 毛厂 2 们