下载文档原格式
基于肤色模型的人脸检测研究0 引言在人脸检测领域，人脸特征的选取是基础与核心。
目前主要的人脸检测方法可以分为基于特征的方法和基于统计的方法两大类。
基于特征的方法可以处理较大尺度和视角变化的人脸检测问题，但其最大的困难在于很难找到相对稳定的特征，因为图像的显示特征容易受到光照、噪声等的影响；基于统计的方法可以避免特征提取和分析过程，但存在计算量大，以及非人脸样本收集和样本训练难的问题。
为此，本文对基于肤色分割结合模板匹配的人脸检测方法进行了改进，提出基于光照预处理+肤色模型+模板匹配的人脸检测解决思路，即在光照预处理的前提下，利用肤色特征建立肤色模型；根据肤色模型进行肤色检测和阈值分割；在对分割区域特征分析的基础上，将筛选出的人脸候选区域与人脸模板相匹配；最后将匹配较好的区域在原图像中用矩形框标示出来。
1 肤色模型人脸的肤色不依赖于面部的其他特征，对于人脸姿态和表情的变化不敏感，具有较好的稳定性，而且明显区别于大多数背景物体的颜色。
大量实验证明，不同肤色的人脸对应的色调是比较一致的，其区别主要在于灰度。
人脸的肤色特征主要通过肤色模型来描述。
肤色模型是在一定色彩空间描述肤色分布规律的数学模型。
本文选用备受青睐的高斯模型。
1．1 色彩空间一般说来，色调和饱和度相对亮度来说，是相互独立的。
在不同的光照条件下，虽然物体颜色的亮度会产生很大的差异，但是它的色度在很大范围内具有恒常性，基本保持不变。
研究表明，人类的肤色在YCbCr 色彩空间的分布相对比较集中(被称为肤色的聚类特性)，不同种族之间肤色的差异主要是由亮度引起，而与颜色属性无关。
利用此特性，将图像像素分为肤色和非肤色像素两类，这样可以大大提高人脸检测的效率和正确性。
在YCbCr 色彩空间中，Y 表示亮度，Cb 和Cr 是颜色差别信号，代表色度。
因此，本文的肤色模型只。
0引言人脸检测技术不仅是人脸识别、表情识别、数字视频处理、视频检测等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域引起了广泛的重视[1]。
对于人脸检测，国内外研究者们提出了许多有效的人脸检测算法[2]，大体上可以分为4类：基于知识的方法，不变特征量法，模版匹配方法，基于统计理论的方法。
基于知识的方法检测速度较快，如Yang 和Huang 提出了基于镶嵌图的人脸检测方法[3]，对于正面人脸的检测精度较高，但不适用于多姿态的人脸检测；基于模板的方法稳定性高且鲁棒性好，如梁路宏等提出的基于仿射模板匹配的方法来检测多姿态人脸，但使用各种倾斜角的模板与输入图像中的每一个可能窗口进行匹配[4]，冗余匹配次数太多、检测速度难以提高。
为了解决人脸尺寸的不确定性，许多检测算法往往需在图像的多个分辨率上重复搜索[5]，计算开销大。
Pau1Viola 和Michael Jones 在2001年提出了一种基于Haar-Like 型特征的Adaboost 人脸检测算法[6]，并使用Cascade 结构将第一个真正实时的人脸检测系统成功建立，因该算法具有检测率高，实时性好的优点，成为学术界普遍采用的方法，但该方法需要大量时间进行训练，导致检测系统的灵活性不强。
对于复杂背景和人脸姿态未知情况下的人脸检测，很难在检测速度和精度上达到两全的效果。
梁路宏等在人脸检测研究综述中指出[7]：人脸检测研究的趋势是利用多种线索(头发、肤色、器官、轮廓、模板等)综合多种分类方法，启发式信息与统计学习方法相结合。
本文算法就利用了基于人脸肤色区域象素分布的统计信息、人脸模板以及人脸特征等线索和分类方法，取得了很快的检测速度和较高的检测率。
算法主要包括预处理、人脸粗检和人脸细检收稿日期：2009-07-20；修订日期：2009-10-28。
智能技术3个部分。
(1)对于彩色图像，肤色是人脸表面最为显著的特征之一，对于输入的人脸图像，肤色具有较强的聚类特征，且分布稳定，利用肤色特征进行检测具有计算量小，计算速度快的优点，且对于表情、大小、姿势等人脸自身因素的影响有很强的鲁棒性。
基于肤色分割及特征定位的人脸检测算法研究作者：张书真宋海龙向晓燕来源：《现代电子技术》2008年第14期摘要：针对复杂彩色图像提出一种快速有效的人脸检测算法。
首先通过一种新的色彩均衡技术消除由光照引起的色彩偏移，然后采用I空间与归一化RGB空间相结合的混合肤色模型，提取出原图像中的类肤色区域，最后根据人脸的几何特征定位眼睛、嘴巴和人脸区域。
实验结果表明，该算法能较为准确地定位彩色图像中的正面或小角度偏转的人脸，具有较快的检测速度。
关键词：人脸检测；色彩均衡；肤色模型；特征定位，，(1College of Physics cience & Information Engineering,Jishou[JZ]2College of Information Management & Engineering,JishouUniversity,Zhangjiajie,427000,China )[J12/3]Abstract：A face detection algorithm for the color image with complex background is presented,which is effective and feasibleFirstly,a new technique of color balance is used to remove the color bias produced by light conditionecondly,a mixed model in both I and normalized RGB colorskin color segmentation,the geometrical shape information of face is used to locate eyes mouth the face regionExperimental results show that the proposed approach can detect positive or rotated facece detection isKeywords：1 引言人脸检测是模式识别与计算机视觉领域的一项热点课题，它广泛用于人脸识别、智能人机接口、视频会议等。
一种基于肤色分割的人脸检测方法研究作者：孙红艳赵辉来源：《消费导刊》2019年第08期摘要：本文通过分析人脸检测的算法，并根据手机系统的特点，提出了基于肤色分割与AdabOOSt相结合的检测方法。
首先，利用肤色分割算法分割肤色区域，并对原始图像进行预处理。
然后，再通过AdabOOSt算法，利用Haar特征，对预处理后的图像中是否存在人脸进行精检。
关键词：人脸检测肤色分割 Adaboost算法 Haar特征一、引言人脸检测是对给定的静止或动态图像，检测里面是否包含人脸，人脸检测的方法分成两类：一种是借助人脸特征进行分析的方法，一种是根据统计理论进行建模的方法。
基于特征的检测方法分为：基于低层特征的分析方法，组群特征分析方法和变形模型方法。
基于统计理论建模方法有：Adaboost法、隐马尔可夫模型、人工神经网络、支持向量机等。
本文通过肤色分割算法，在待检测图像分割出包含肤色的有效区域，并且在检测过程中，对非肤色区域进行预处理，将它们设成统一的颜色，这样，将会减小在下一步的处理中，将非肤色区域检成人脸的概率;然后，再通过Adaboost算法，利用矩形特征对经过肤色分割处理后的肤色区域中是否包含有效的人脸数据进行精检。
二、肤色分割算法肤色特征是聚类特征，并且特征稳定、区别能力较强、计算复杂度低，因而，在算法选择上，我们首先利用肤色特征，对人脸检测进行预处理，快速地分割出肤色区域，基于肤色的人脸检测主要包含两部分：颜色空间的选取及在所选取的颜色空间上的肤色模型的建立。
本文选用在YCbCr颜色空间上，进行肤色分割的处理，借助简单阈值模型对图像中存在的肤色区域进行粗检，目的就是查找到了图像中的可能的肤色区域，并作为人脸的候选区域，同时，去除非肤色区域，从而减小图像中的非肤色区域对人脸过程的干扰，并减小人脸精检步骤的计算量。
通过颜色空间的对比，我们可以发现，YCbCr顏色空间正好可以满足我们的要求，剔除亮度Y分量以后，利用二维互相独立的Cb、cr分量构造坐标平面，就可以分析肤色的聚类区域。
一种基于肤色分割的人脸检测方法研究肤色分割是一种常用的人脸检测方法，其基本思想是通过颜色模型将肤色区域与其他区域分割开来，从而实现对人脸的精确检测。
本文将介绍一种基于肤色分割的人脸检测方法的研究。
在人脸检测领域，肤色分割是一个常用的预处理步骤。
它的基本原理是通过对图像进行颜色空间转换，将肤色区域从背景和其他物体区域中分割出来。
通常采用的颜色模型有RGB、HSV、YCbCr等。
对图像进行颜色空间转换。
RGB颜色空间是最常用的颜色模型，但在肤色分割中并不适用。
使用其他颜色模型如HSV或YCbCr来表示颜色信息。
HSV颜色模型将颜色信息分为色调（Hue）、饱和度（Saturation）和亮度（Value）三个分量，而YCbCr颜色模型将颜色信息分为亮度（Y）和色度（Cb和Cr）两个分量。
然后，基于颜色模型进行肤色分割。
在HSV颜色空间中，肤色具有一定的色调范围（如30°到60°），饱和度范围（如0.2到1.0）和亮度范围（如0.4到1.0）。
可以通过设置这些范围来提取图像中的肤色区域。
类似地，在YCbCr颜色空间中，肤色区域在Cb和Cr 分量的特定范围内。
通过设置这些范围，可以提取出肤色区域。
对肤色区域进行形态学处理和连通区域分析，进一步提取出人脸。
形态学处理可以用于消除由于噪声和光照变化引起的不连续性。
连通区域分析可以用于将肤色区域分割成不同的连通区域，并根据面积和形状特征来筛选出可能的人脸区域。
该方法的优点是简单且易于实现，可以在大部分情况下获得较好的效果。
由于肤色在不同的环境条件下会有很大的变化，该方法可能对光照变化和复杂背景敏感，导致误检和漏检现象的发生。
肤色分割方法无法解决部分遮挡、多角度和表情变化等问题，因此通常需要与其他形式的人脸检测方法相结合使用，以提高检测的准确率。
基于肤色分割的人脸检测方法是一种简单有效的人脸检测方法。
虽然存在一些限制和问题，但它仍然是人脸检测领域中常用的预处理步骤之一。
—179—基于肤色分割的人脸检测算法研究刘正光，刘 洁(天津大学自动化系，天津 300072)摘 要：介绍了目前人脸检测领域检测速度最快的Boosted Cascade 人脸检测算法。
该算法在进行人脸检测时没有考虑到肤色因素，在具体识别过程中，有些可利用肤色信息很快排除的区域，在Boosted Cascade 算法中却没有被排除掉。
针对该算法的缺陷提出了一种改进算法，即利用Boosted Cascade 人脸检测算法，检测出人脸的候选区域，通过人脸肤色模型进行验证，如果候选区域的像素符合人脸的肤色模型的程度到达某一数值，则接受该区域，即认为该区域是人脸；否则排除该区域。
改进后的算法能够有效地提高检测的正确率，减小出现检测错误的几率，在不影响识别速度的情况下，提高了检测效率。
关键词：人脸检测；Boosted Cascade 算法；肤色分割Research on Face Detection Algorithm Based onComplexional SegmentationLIU Zhengguang, LIU Jie(Department of Automation, Tianjin University, Tianjin 300072)【Abstract 】This paper presents the highest speed face detection algorithm ——Boosted Cascade face detection algorithm. Since the Boosted Cascade algorithm hasn’t taken the complexion into consider, it sometimes makes mistakes that can be easily solved when adding the complexional information to the algorithm. In order to solve the problems, this paper presents a solution of improving Boosted Cascade algorithm, that is detecting the possible face areas with the Boosted Cascade algorithm, using the model of complexional segmentation to verify the result of recognition.If the degree that the pixels of possible face areas accord with the complexional mode exceeds a certain number, then accept them, or abandon them. The improved algorithm has high detection accuracy, and it can improve the detection efficiency without slowing down the speed. 【Key words 】Face detection; Boosted Cascade algorithm; Complexional segmentation计 算 机 工 程Computer Engineering 第33卷 第4期 Vol.33 No.4 2007年2月February 2007·人工智能及识别技术·文章编号：1000—3428(2007)04—0179—03文献标识码：A 中图分类号：TP391.41在诸多的身份验证技术中，生物特征识别技术被公认为是最具应用潜力的识别技术之一。
复杂背景下基于肤色分割的人脸检测算法研究
艾学轶;吴彦文;汪亭亭
【期刊名称】《计算机工程与设计》
【年(卷),期】2010(031)014
【摘要】针对复杂背景下的多姿态彩色人脸图像,提出了一种基于Adaboost级联分类器和模板匹配相结合的人脸检测算法.利用肤色信息对对图像中的皮肤区域和非皮肤区域进行分割,运用改进后的Adaboost方法定位可能的人脸区域.最后通过模板匹配的方法对检测到的人脸区域进行进一步验证,实现了彩色图像中更精确的人脸定位.在实验中从不同大小、背景、光照、表情和光源方向等方面对多姿态的人脸图像进行了检测,取得了很好的效果,表明了该算法的有效性和实用性.
【总页数】6页(P3268-3273)
【作者】艾学轶;吴彦文;汪亭亭
【作者单位】华中师范大学信息技术系,湖北武汉,430079;武汉生物工程学院计算机与信息工程系,湖北武汉,430079;华中师范大学信息技术系,湖北武汉,430079;华中师范大学信息技术系,湖北武汉,430079
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.复杂背景下的人脸检测算法研究与实现 [J], 许鹏飞;贾银洁;朱梦洁;刘媛媛;宋莹
2.基于肤色分割及特征定位的人脸检测算法研究 [J], 张书真;宋海龙;向晓燕
3.基于肤色分割的人脸检测算法研究 [J], 刘正光;刘洁
4.基于肤色分割的人脸检测算法研究 [J], 秦立峰;何东健
5.复杂背景下基于二维OTSU和肤色分割结合的掌纹图像分割方法 [J], 薛延学;刘敏;马思欣;帅建坤;雷丹
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于肤色分割的人脸检测方法研究肤色分割是一种常用的人脸检测方法，它通过提取人体肤色信息来实现人脸的分割和检测。
在人脸检测领域，肤色分割技术被广泛应用于人脸定位、人脸识别和人脸表情分析等任务中。
本文将重点介绍一种基于肤色分割的人脸检测方法的研究。
我们需要获取人脸图像。
一般情况下，可以通过摄像头或者图像库获取人脸图像。
获取的图像需要进行预处理，包括灰度化、滤波和增强等操作，以提高后续肤色分割的效果。
接下来，我们需要确定肤色模型。
肤色模型是肤色分割的基础，它能够描述肤色在RGB或HSV颜色空间中的分布情况。
通常，我们可以通过采样一些包含肤色的样本图像来构建肤色模型，可以使用肤色参考图像库进行模型训练。
在构建肤色模型时，可以采用一些常用的方法，如高斯混合模型、支持向量机和神经网络等。
在得到肤色模型后，我们可以在输入图像中进行肤色分割，以实现人脸的检测。
具体的过程包括以下几个步骤：1. 将输入图像从RGB颜色空间转换到HSV颜色空间。
这是因为HSV颜色空间能够更好地表示肤色信息，便于后续的分割操作。
2. 根据肤色模型，对转换后的图像进行像素级的分类。
一般情况下，可以采用像素级的贝叶斯分类器对每个像素进行分类，根据其在肤色模型中的概率判断其是否属于肤色。
3. 对分类结果进行后处理。
在进行像素级分类后，会得到一个二值图像，表示肤色区域和非肤色区域的分布情况。
由于肤色区域通常是相互连接的，我们可以对这些区域进行连通区域分析，将相邻的肤色区域合并为一个整体的人脸区域。
4. 对人脸区域进行进一步的处理。
在获得人脸区域后，可以进行一些进一步的处理，如边界点检测、形态学处理和轮廓提取等，以进一步提高人脸检测的准确性。
基于肤色分割的人脸检测方法通过提取肤色信息，对图像进行像素级的分类，最终实现人脸的分割和检测。
该方法具有简单、快速和高效的特点，在实际应用中具有较好的效果。
肤色分割方法也存在一些局限性，如对光照、遮挡和肤色多样性的抗干扰能力较弱。
0引言人脸检测技术不仅是人脸识别、表情识别、数字视频处理、视频检测等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域引起了广泛的重视[1]。
对于人脸检测，国内外研究者们提出了许多有效的人脸检测算法[2]，大体上可以分为4类：基于知识的方法，不变特征量法，模版匹配方法，基于统计理论的方法。
基于知识的方法检测速度较快，如Yang 和Huang 提出了基于镶嵌图的人脸检测方法[3]，对于正面人脸的检测精度较高，但不适用于多姿态的人脸检测；基于模板的方法稳定性高且鲁棒性好，如梁路宏等提出的基于仿射模板匹配的方法来检测多姿态人脸，但使用各种倾斜角的模板与输入图像中的每一个可能窗口进行匹配[4]，冗余匹配次数太多、检测速度难以提高。
为了解决人脸尺寸的不确定性，许多检测算法往往需在图像的多个分辨率上重复搜索[5]，计算开销大。
Pau1Viola 和Michael Jones 在2001年提出了一种基于Haar-Like 型特征的Adaboost 人脸检测算法[6]，并使用Cascade 结构将第一个真正实时的人脸检测系统成功建立，因该算法具有检测率高，实时性好的优点，成为学术界普遍采用的方法，但该方法需要大量时间进行训练，导致检测系统的灵活性不强。
对于复杂背景和人脸姿态未知情况下的人脸检测，很难在检测速度和精度上达到两全的效果。
梁路宏等在人脸检测研究综述中指出[7]：人脸检测研究的趋势是利用多种线索(头发、肤色、器官、轮廓、模板等)综合多种分类方法，启发式信息与统计学习方法相结合。
本文算法就利用了基于人脸肤色区域象素分布的统计信息、人脸模板以及人脸特征等线索和分类方法，取得了很快的检测速度和较高的检测率。
算法主要包括预处理、人脸粗检和人脸细检收稿日期：2009-07-20；修订日期：2009-10-28。
智能技术3个部分。
(1)对于彩色图像，肤色是人脸表面最为显著的特征之一，对于输入的人脸图像，肤色具有较强的聚类特征，且分布稳定，利用肤色特征进行检测具有计算量小，计算速度快的优点，且对于表情、大小、姿势等人脸自身因素的影响有很强的鲁棒性。
但是，自然界有许多近似肤色的物体，只使用肤色特征进行人脸检测是很不可靠的，因此本文将基于肤色特征的方法用于Adaboost人脸检测的预处理，其处理过程包括利用肤色的高斯模型分离出肤色像素，对分割出的区域进行后处理，并初步剔除似肤色区域和裸露在外的身体其它部分，为后续算法作好准备。
(2)人脸粗检是利用改进的Adaboost级联分类器确定候选人脸区域，Adaboost是一种构建准确分类器的算法，它将一族弱学习算法按照一定规则结合提升为一个强学习算法，通过样本的训练得到识别准确率理想的分类器。
针对Adaboost算法在训练过程中的过配现象和检测过程中的耗时问题，本文作出了改进，提高了分类器的性能。
(3)人脸细检是在粗检测的基础上，利用人脸模板匹配对候选人脸区域进行验证，即在限定的范围内进行匹配，充分利用了已有的检测结果，在一定程度上克服了传统方法需要在图像中逐点进行搜索匹配，运算量大的缺点，完成了人脸区域的最后确定。
1基于肤色的人脸图像预处理1.1肤色分割为了把人脸区域从非人脸区域分割出来，需要使用适合不同肤色和不同光照条件的可靠的肤色模型。
颜色空间的转换常用的模型主要有：YCbCr，HSV，YIQ，HSI等。
仿真结果显示，YCbCr空间具有将色度与亮度分离的特点，并且肤色在YCbCr空间中的聚类特性明显[8]，因此选择在YCbCr空间进行肤色区域分割。
对输入的彩色图像进行颜色空间转换，将其从相关性较高的RGB空间转换到颜色分量互不相关的YCbCr颜色空间，其转换公式如下所示10.33130.08130.50.511m)(x0.51(4)式中：x=(Cb，Cr)T，m是均值，C是协方差，通过选择的样本计算得到m、C的值如下１１２．１９８７１５１．３９９３８９．３２５５３２．２８６７３２．２８６７２５２．９２３６值的方法，将灰度图像进一步转变为二值图像，分离肤色与非肤色区域。
肤色分割过程如图2所示。
1.2肤色区域的预处理肤色分割后，先采用中值滤波来去除人脸图像中的噪声，并通过对人脸肤色区域的特征进行分析，对分割出来的肤色区域作以下处理彩色图像中的非肤色区域。
(1)区域的面积。
区域面积即为该区域中白色像素点的个数表示，算法如下，Ｈ。
E 为连通区域的欧拉数；C为连通区域的数目，这里为1；H为连通区域内部的空洞数目。
根据计算显示，若欧拉数大于0或小于-10，排除该区域为人脸候选区域。
(3)质心。
正确的人脸候选区域是一个凸多边形，其质心在区域内。
根据如下质心坐标公式计算人脸候选区域的质心坐标。
，＝，和=｛1(8)生成弱分类器后，采用Adaboost挑选最优弱分类器，并赋予其权重，并将多个弱分类器组合生成一个强分类器，具体学习算法如下：步骤1标记n个训练样本，其中m个人脸样本标记为yi=+1，N1。
步骤2初始化权值。
每个人脸样本的初始权值为：W0'+1=1/(2*m)，非人脸样本为W0'-1=1/(2*(N(10)并从中选出迭代误差和最小的弱分类器ht(x)。
计算出ｔ／（１ｔ）。
令ｔ）。
则t更新全体权值＝（１１）若第i个样本被正确分类，ei=0，否则e i=1；令t=t+1。
将权值归一化＝／（１２）步骤4将若干个弱分类器线性组合在一起，可以得到一个强分类器０．５（１３）式中：ｔ）。
2.2级联分类器由于单个弱分类器的分类能力很弱，需要将多个分类器级联起来组成若干个强分类器，使这些强分类器能够较好地排除负样本，检测到尽可能多的正样本。
因此就构成了级联分类器[11]，其结构如图3所示。
从图3可以看出，级联分类器将许多个强分类器分级串联起来，检测不通过的图像被一级一级丢弃，检测的标准随着级数的增加而更加严格和复杂，只有人脸图像依次通过级联分类器各个级别的检测。
训练算法如下[6]：图2肤色分割(a)原始人脸图像(b)转换为YCbCr空间图像(c)似然图(d)二值图图3级联分类器待检测图像通过通过通过123进一步检测排除该图像不过不过不过(1)设定每层最大错误率f ，每层最小通过率d 和整个分类器的错误率max使用训练样本训练第i 层，设定阈值b 使得误报率；(15)(4)若max，停止。
随着级联分类器级数的逐步增加，系统对非人脸的排除能力就越强，直至所有错误样本都无法通过，在整个过程中，级联分类器都要保证有尽可能多的正确样本的通过。
2.3算法分析和改进Adaboost 学习算法的权值更新规则能够专注于处理比较困难的训练样本，但是，当丰富的训练样本集中包含噪声或者稀有的独特样本时，该算法也会分配很高的权值，导致过配现象的发生，最终使算法性能降低。
同时，人脸检测系统在对大量的、丰富的人脸样本进行训练时，需要计算大量的特征值和建立大量的弱分类器，且由于人脸样本特征值的数量非常多，训练需要很长时间[12]。
在每轮循环中，运算的开销都特别大。
针对以上问题，本文对Adaboost 人脸检测系统进行改进，首先，提出一种基于Adaboost 权值更新方法；其次，减少特征的数量。
在每轮训练中，设置一个阈值，结合样本是否被错误分类以及当前权值是否大于，对样本进行权值更新，即＞（１６）式中：(17)这样，即使困难样本在每轮都被错误分类。
它们的权值也不会被过分增大，从而在一定程度上避免了分类器发生过配现象。
本文中，笔者通过以下两种途径来减少特征数量：一是在特征生成时将某些分辨率不高的特征人为剔除，比如，宽度像素的矩形特征或者边缘像素的矩形特征；二是在训练的过程中，动态地减少那些对人脸和非人脸区分能力很低的矩形特征，经过上述减少矩形特征的处理后，运算速度可以得到30%以上的提升。
3基于模板匹配的人脸验证对于经过人脸粗检得到的候选人脸，需要进一步验证才能确定更精确的人脸位置信息。
显然，此时的细检问题已经简化为在候选区域内、己知大致人脸情况下，利用模板匹配进行人脸区域的进一步验证。
人脸匹配算法的基本思想：首先根据得到的粗检测图像依次将待匹配的人脸区域提取出来，将其转换为灰度图像，进行灰度分布标准化和旋转变换。
然后选择合适的人脸模板进行匹配，将满足一定条件并达到匹配度阈值的图像窗口作为候选人脸。
人脸模板灰度矩阵为T [M ][N ]，灰度均值**2*,(20)式中：测试图像集的具体情况如表1所示。
测试集1是正面人脸图像，测试集2是侧面人脸图像，且均只包含1个人脸，背景的选取是随机的；测试集3中每幅图像通常包含一个或多个人脸，人脸姿态包含正面、侧面、倾斜、旋转等，许多图像有复杂的背景。
笔者将本文论述的方法与其它方法在同样的软硬件环境下实施了对比试验，表2至表4分别给出了系统检测各个测试集的实验结果。
从表2至表4可以看出，单纯基于Adaboost方法和模板匹配人脸的定位不够精确，同时误检的区域也较多，使用改进的Adaboost和模板匹配对人脸区域的验证不但减少了Ada-boost检测中的误检区域，且检测率也有了很大提高，对人脸的定位更加精确。
但误检和错误报警的图像也是不可避免的。
更多的实验结果如图5所示。
5结束语为提高复杂背景下的多姿态彩色人脸图像的检测速度和准确率，本文提出了一种融入肤色特征并将改进后的Adaboost 级联分类器和模板匹配相结合的人脸检测方法。
该方法的主要特点如下：(1)为减少复杂背景，光照条件和人脸表情等的影响，利用肤色信息对人脸图像进行预处理，减少了级联分类器得搜索区域，改善了Adaboost对多姿态，多人脸图像的检测效果；(2)在提高算法性能方面，本文针对人脸检测训练可能出现权重过适应现象和训练时间太长的问题，利用一种改进的Adaboost权值更新方法；(3)本文提出了Adaboost级联分类器和模板匹配相结合的方法，本算法不但减少了Adaboost检测的误检区域，大大加快了检测速度。
仿真试验表明，本文所提出的算法可以运用于多姿态、多人脸和复杂背景的情况，是一种有效的人脸检测方法，具有一定实用价值。
参考文献:[1]Hjelmas E,Low BK.Face detection:A survey[J].Computer Vi-sion and Image Understanding,2001,83(3):236-274.[2]Yang M H,Kriegman D,Ahuja N.Detecting faces in images:Asurvey[J].IEEE Trans on PAMI,2002,24(1):34-58.[3]Yang G,Huang T S.Human face detection in a complex back-ground[J].Pattern Recognition,1994,27(1):53-63.[4]梁路宏,艾海舟,何克忠,等.基于多关联模板匹配的人脸检测[J].软件学报,2001,12(1):94-102.[5]方昱春,王蕴红,谭铁牛.融合人脸轮廓和区域信息改进人脸检测[J].计算机学报,2004,27(4):482-491.[6]Viola P,Jones M.Rapid object detection using a boosted cascadeof simple features[C].Kauai,Hawaii,USA:Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,2001: 511-518.表1测试图像集测试集图像和人脸数量人脸姿态背景1356幅，356个人脸正面简单2226幅，226个人脸侧面简单3308幅，1130个人脸正面复杂[7]梁路宏,艾海舟,徐光祐,等.人脸检测研究综述[J].计算机学报,2002,25(5):449-458.[8]Gong Y,Sakauchi M.Detection of regions matching specifiedchromatic features[J].Computer Vision and Image Understan-ding,1995,61(2):263-269.[9]Yang J,Lu W,Waibe A.Skin-color modeling and adaptation[R].Pittsburgh:CMU-CS,1997.97-146.[10]Wu Bo,Ai Haizhou,Huang Chang,et al.Fast rotation invariantmulti-view face detection based on real Adaboost[C].Sixth IEEEInternational Conference,Automatic Face and Gesture Recogni-tion,2004:79-85.[11]Zhang ZhenQiu,Li MingJing,Li S Z,et al.Multi-view face detec-tion with float boost[C].WACV2002Sixth IEEE Workshop,Ap-plications of Computer Vision,2002:184-188.[12]Ou Zongying,Tang Xusheng,Su Tieming,et al.Cascade AdaBoostclassifiers with stage optimization for face detection[C].Interna-tional Conference on Biometrics,Springer-V erlag Berlin Heidel-berg,2005:121-128.假设图10为需要确定身份的人脸，则首先计算他的图片与库中对应身份的人脸的欧式距离L1，如果满足阈值要求则认为身份正确，否则拒绝这个身份请求。
