完整源碼鏈接：https://github.com/LamyaLi/cvLab

文章目錄

• • • 一、人臉檢測技術原理
    • • 1、原理總說
      • 2、基于膚色高斯模型實現人臉區域分割提取的原理
      • 3、根據人臉特征篩選
    • 二、人臉識別程序流程
    • 三、實現步驟
    • • 1、利用膚色高斯模型完成人臉區域提取
      • 2、人臉區域形態學處理
      • 3、人臉區域的篩選和標定
    • 四、結果展示

一、人臉檢測技術原理

1、原理總說

• 在檢測到人臉并定位面部關鍵特征點之后，主要的人臉區域就可以被裁剪出來，經過預處理之后，饋入后端的識別算法。識別算法要完成人臉特征的提取，并與庫存的已知人臉進行比對，完成最終的分類。

• 本實驗要做的就是人臉識別工作的第一步：人臉檢測與框定

• 主要利用的人臉特征是膚色，高寬比（ “三庭五眼 ”規則高度和寬度比例應該在（ 0.6, 2）內” ），眼部特征

• 基于膚色的人臉分割主要分為三大部分：（1）預處理，針對噪聲，光照帶來的影響進行消除。（2）基于膚色模型的膚色分割。（3）連通域分析，人臉區域定位。

2、基于膚色高斯模型實現人臉區域分割提取的原理

• 通過比較RGB，HSV，Ycbcr空間，發現Ycbcr和HSV空間在進行人臉膚色分割方面由于膚色范圍緊密(如圖)，不易受光照其他物體干擾（基于膚色模型的，如果背景中有與人臉顏色類似的物體，且距離較近很容易產生干擾，影響人臉區域定位的準確性，這也是這一算法不能解決的問題）。但是RGB與HSV空間的轉換相比RGB到Ycbcr空間轉換來說較為復雜些，所以我們采用Ycbcr空間進行人臉膚色的建模與分割。

• 膚色分布符合高斯分布（如圖）

  我們可以根據膚色的均值和方差建立膚色的高斯模型。 其中Cb，Cr的均值和協方差如下：

  Mean = [117.4316 148.5599]
  C = [97.0946 24.4700，24.4700 141.9966]

給定一個圖像的一個像素點x，可以計算它是人皮膚的概率p(x)，概率小于0.22，的點取灰度值0，否則取255，

得到一幅二值圖像，其中白色的區域是人皮膚。

3、根據人臉特征篩選

• 人臉區域定位，使用連通區域分析，獲取二值圖像最小外接矩形，即為人臉區域。 采用的是八鄰域連通。
• 高寬比（ “三庭五眼 ”規則高度和寬度比例應該在（ 0.6, 2）內” ）不符合要求的去掉
• 符合要求的區域也可能是胳膊，服飾之類的。我們在這個區域內找眼睛。在膚色的二值圖像里，眼珠位置一般是黑色，所以我們將這個區域圖像取反，再進行連通區域分析，按眼睛與臉的外接矩形尺寸比例篩選得到眼睛。如果在這個區域里能找到一個以上眼睛，判定這個區域是臉
• 將臉區域框起來

二、人臉識別程序流程

根據以上原理分析，在適宜步驟處加上去噪，形態學處理，效果更好。總流程圖如下：

三、實現步驟

1、利用膚色高斯模型完成人臉區域提取

流程圖：

• 轉成ycrcb色彩空間，

img_ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)

• 高斯濾波去噪

y,cr,cb=cv2.split(img_ycrcb) cr_gaussian=cv2.GaussianBlur(cr,(5,5),0) cb_gaussian=cv2.GaussianBlur(cb,(5,5),0)

• 閾值劃分形成二值圖像

  見原理分析中，利用膚色高斯模型，為簡化計算，不需要每次都計算概率，取了一個，cr與cb的范圍，能到達一樣的效果

skin=np.zeros_like(cr) for i in range(img.shape[0]):for j in range(img.shape[1]):if y[i][j]<70:skin[i][j] = 0elif cr_gaussian[i][j]>133 and cr_gaussian[i][j]<173 and cb_gaussian[i][j]>77 and cb_gaussian[i][j]<127:skin[i][j]=255else:skin[i][j]=0

2、人臉區域形態學處理

用開操作處理上步得到的，二值圖像，可以強調眼部等細節，去掉一些噪聲

kernel = cv2.getStructuringElement(cv2.MORPH_CROSS,(5,5)) skin_opening = cv2.morphologyEx(skin, cv2.MORPH_OPEN, kernel)

3、人臉區域的篩選和標定

• 將連通區域標定，

skin_labeled= measure.label(skin_opening,connectivity = 2)##八鄰域 dst=color.label2rgb(skin_labeled)

• 先利用人臉高寬比篩選，淘汰掉特別小的框和高度比不符合“三庭五眼”的

for region in measure.regionprops(skin_labeled):min_row, min_col, max_row, max_col=region.bboxif (max_row - min_row)/img.shape[1]>1/15 and (max_col - min_col)/img.shape[0]>0.05:height_width_ratio = (max_row - min_row) / (max_col - min_col)if height_width_ratio>0.6 and height_width_ratio<2.0:if iseyes(skin_opening,min_row, min_col, max_row, max_col):#print(height_width_ratio)count_face = count_face+1img = cv2.rectangle(img, (min_col, min_row), (max_col, max_row), (0, 255, 0), 2)

• 再將篩選后的區域，按同樣的原理（連通區域標記處理），確定是否有眼睛特征，進一步篩選，符合條件的打框標定

def iseyes(img_two, minr, minc, maxr, maxc):##如果區域內有兩個以上的空框是眼睛part = np.zeros(((maxr - minr), (maxc - minc)))for i in range(minr, maxr):for j in range(minc, maxc):if img_two[i, j] == 0:part[i - minr, j - minc] = 255else:part[i - minr, j - minc] = 0part_labeled, num = measure.label(part, return_num=True, connectivity=1) ##八鄰域global imgimg_copy=img.copy()count=0for region2 in measure.regionprops(part_labeled):min_row2, min_col2, max_row2, max_col2 = region2.bboxw=max_col2-min_col2h=max_row2-min_row2total_w=maxc-minctotal_h=maxr-minrw_ratio=w/total_wh_ratio=h/total_hif w_ratio<1/3 and h_ratio<0.2 and w_ratio>0.05 and h_ratio>1/30 and w>=h:count=count+1img_copy = cv2.rectangle(img_copy, (min_col2 + minc, min_row2 + minr), (max_col2 + minc, max_row2 + minr),(0, 255, 0), 2)print(count)if count>=1:img=img_copyreturn Truereturn False

四、結果展示

當一張圖片臉數量很多時，效果可能不太好，因為，篩選過程中，為去除雜質，將尺寸與圖像尺寸比例較小的框去掉了,如圖

總結

以上是生活随笔為你收集整理的计算机视觉实验四 人脸面部识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。