目  錄
摘 要 3
第一章   緒 論 4
1.1人臉檢測(cè)研究的背景和意義 4
1.2人臉檢測(cè)研究的國(guó)內(nèi)外動(dòng)態(tài) 6
1.3人臉檢測(cè)的算法 7
1.3.1基于知識(shí)的方法 7
1.3.2基于模板的方法 9
1.3.3基于統(tǒng)計(jì)理論 11
1.4人臉檢測(cè)算法的評(píng)價(jià) 13
1.5本文的主要工作和內(nèi)容安排 14
第二章 基于膚色的人臉檢測(cè)技術(shù)研究 15
2.1色彩空間 15
2.1.1 RGB色彩空間 16
2.1.2歸一化RGB空間 17
2.1.3 HSV色彩空間 17
2.1.4 HSI色彩空間 18
2.1.5 YCbCr 空間 20
2.2 膚色模型的選擇和建立 21
2.2.1膚色采樣 21
2.2.2膚色在各色彩空間中和聚類特性 22
2.2.3膚色模型的建立 24
2.3人臉圖象的預(yù)處理 25
2.3.1彩色圖像的光線補(bǔ)償 25
2.3.2灰度直方圖均衡化 25
2.3.3空間低通濾波去噪 27
2.4膚色區(qū)域的分割 28
2.4.1  轉(zhuǎn)換到Y(jié)CbCr空間并進(jìn)行參數(shù)計(jì)算 28
2.4.2 似然度計(jì)算和似然圖的繪制 29
2.4.3閾值分割 29
2.4.4二值圖的形態(tài)學(xué)濾波處理 30
2.5人臉候選區(qū)域的篩選 32
2.5.1區(qū)域的長(zhǎng)寬比 32
2.5.2區(qū)域的面積 32
2.5.3區(qū)域的中心 32
2.6算法實(shí)驗(yàn)結(jié)果 33
2.7本章小結(jié) 33
第三章  基于AdaBoost算法的人臉檢測(cè) 35
3.1 Haar-like特征和積分圖象 35
3.1.1原始Haar-like特征 35
3.1.2擴(kuò)展的Haar-Like特征 36
3.1.3積分圖象 37
3.2基于AdaBoost學(xué)習(xí)訓(xùn)練算法 39
3.2.1 Adaboost算法概述 39
3.2.2 Adaboost算法的訓(xùn)練過程描述 40
3. 3強(qiáng)分類器的訓(xùn)練 43
3. 3. 1檢測(cè)率和誤檢率 43
3.3.2級(jí)聯(lián)分類器的使用與設(shè)計(jì) 44
3.4本章小結(jié) 46
第四章  基于膚色和AdaBoost算法相結(jié)合的人臉檢測(cè) 47
4.1算法框架及工作流程 47
4.2人臉檢測(cè)結(jié)果和分析 48
4.2.1人臉檢測(cè)結(jié)果 48
4.2.2試驗(yàn)結(jié)果分析 50
4.3本章小結(jié) 50
第五章 總結(jié)和展望 51
參考文獻(xiàn) 52

摘 要
人臉識(shí)別技術(shù)是近年來圖象處理、模式識(shí)別、人工智能等領(lǐng)域內(nèi)最為活躍的研究課題之一。它具有廣泛的應(yīng)用領(lǐng)域和重要的理論研究?jī)r(jià)值。在目前的人臉圖像信息處理領(lǐng)域中，包含有人臉識(shí)別、人臉跟蹤、姿態(tài)估計(jì)、表情識(shí)別等多個(gè)研究方向，然而，所有這些研究方向都涉及到一個(gè)人臉標(biāo)識(shí)和定位的問題，即必須知道人臉在圖像中的位置以及尺寸—人臉檢測(cè)。因此，對(duì)于一個(gè)完整的、自動(dòng)的人臉信息分析系統(tǒng)來說，人臉檢測(cè)算法是必不可少的。
人臉檢測(cè)方法研究己經(jīng)有二十多年了，然而，到目前為止，由于人臉檢測(cè)問題自身的復(fù)雜性，使得雖然有眾多研究人員潛心研究多年，仍舊米能得到徹底解決。本文對(duì)彩色圖像人臉檢測(cè)問題作了一些探討。主要工作體現(xiàn)在以下三個(gè)方面:
（1）研究了基于膚色的人臉檢測(cè)技術(shù)。首先研究了膚色檢測(cè)技術(shù)涉及到的相關(guān)理論，包括人臉圖像預(yù)處理、色彩空間的轉(zhuǎn)換、膚色建模等。在此基礎(chǔ)上，研究了基于膚色的人臉檢測(cè)系統(tǒng)，該系統(tǒng)主要包括光線補(bǔ)償、膚色建模、閉運(yùn)算處理、去除非人臉區(qū)域和人臉區(qū)域標(biāo)定等幾個(gè)功能模塊。實(shí)驗(yàn)證明，該系統(tǒng)能夠?qū)崿F(xiàn)復(fù)雜背景下24位RGB圖像的人臉檢測(cè)，并且對(duì)于光照、表情等變化具有較高的魯棒性。
（2）探討了基于Adaboost的人臉檢測(cè)方法，該方法采用一種稱為“積分圖像”的圖像表示方法，快速計(jì)算出弱分類器用到的特征，然后基于Adaboost學(xué)習(xí)算法，從一個(gè)較大的特征集中選擇少量的關(guān)鍵的視覺特征，產(chǎn)生一個(gè)高效的強(qiáng)分類器，再用級(jí)聯(lián)的方式將單個(gè)的分類器合成為一個(gè)更加復(fù)雜的分類器，從而實(shí)現(xiàn)人臉的檢測(cè)。此方法對(duì)于單人臉正面圖像的檢測(cè)效果較好.誤檢率也比較低.但是對(duì)于側(cè)面及多人臉圖像檢測(cè)正確率不高。
（3）將基于膚色的人臉檢測(cè)與基于AdaBoost算法的人臉檢測(cè)結(jié)合起來，提出一種新的人臉檢測(cè)方法，實(shí)驗(yàn)表明，該方法同時(shí)具有膚色檢測(cè)正確率高與AdaBoost算法誤檢率低的優(yōu)點(diǎn)，可以有效地運(yùn)用于多姿態(tài)、多人臉和復(fù)雜背景的情況，具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：人臉檢測(cè)  膚色分割  Adaboost  cascade