(3)特征分析
　　人脸候选区域分割完毕后，需对每一个区域进行分析，以判断该区域是否是人脸。为了提高检测速度，可以忽略人脸的面部特征，而主要检查人脸候选区域的形状、结构、比例及灰度分布等。若符合人脸的这些特点，则认为该区域代表一个人脸。根据人脸的几何规则及颜色聚类的特点，如果一个区域满足2个条件：(a)高度/宽度比例范围介于1.2与2.0之间；(b)该区域内的像素平均灰度值与距该区域上部达10像素以上的区域的平均灰度值之差介于0.2～0.6之间。符合这两个条件,则可认为该区域代表人脸。
　　(4)人脸区域验证
　　对于初步检测的人脸区域，还需要进行验证才能确定是否为真正的人脸。对于人脸的验证，一般有3种方法：(1)基于先验知识的方法；(2)基于局部特征的方法；(3)基于模板的人脸检测方法。基于先验知识的方法识别率不高，如果图像背景中存在类人脸区域，则必然会导致误检测。基于模板的方法数据量运算大，不能满足实时性要求。本系统采用的是基于局部特征的方法。
　　在人脸的特征中，最明显的特征就是眼睛，因此可把人眼作为验证的主要依据，同时配合嘴唇或鼻子进行验证。首先要找到眼睛的位置，在灰度图像下，眼睛的特征最为明显，通过设定适当的阈值很容易确定出人眼的可能区域。通过计算这两个区域的中心距离D，在该距离中心点的位置下方找到嘴部位置，长度为L。当D/L满足：1<D/L<2时，可判断为人脸。人脸的检测过程如图5所示。

3.3 人脸识别
　　人脸的识别算法有多种，不同的算法各有优缺点。本文主要借鉴弹性图匹配技术来完成人脸的识别。弹性图匹配是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法。由于该算法较好地利用了人脸的结构和灰度分布信息，而且还具有自动精确定位面部特征点的功能，因而具有良好的识别效果。在FERET测试中，该技术的若干指标名列前茅。其缺点是运算量大，实现稍复杂。通过对该算法进行改进，配合一定的代码优化措施，可以满足实时检测要求。
　　在人脸识别时，首先要进行人脸特征提取。主要采用恰当的小波分解，得到高频分量和低频分量，其中的高频分量主要表示人脸的细节，低频分量表示人脸的基本特征，对人脸的表情反应比较迟钝，只提取低频分量，这样可以提高准确率和运算速度。对提取的人脸特征，利用支持向量机（SVM）分类器识别人脸，和系统自建的人脸库进行匹配，以确定是否为非法入侵者，是否启动报警系统和通知小区监控中心。算法流程如图6所示。

　　本文设计的人脸检测系统，利用运动目标检测方法，大大缓解了硬盘数据存储的压力，同时提高了系统的智能化程度。利用肤色判断与特征分析来确定人脸，可以提高系统的检测速度。针对肤色判断受光照影响很大的问题，本系统在原有系统的基础上增加了补光措施光，减少了光照的影响，提高了检出的准确率。通过摄像头输入720×576的彩色图片，检出的人脸在拥有300人的自建人脸库中识别，平均用时0.9 s，识别率达93%以上，可以满足安防监控的要求，具有较高的实用价值。

上一页  [1] [2] [3] [4]  下一页