第 36 2015 卷第 年 12 期 6 月 通 化 师 范 学 院 学 报( 自然科学) JOUＲNAL OF TONGHUA NOＲMAL UNIVEＲSITY Vol． 36 №6 Dec． 201 5  : DOI 10． 13877 / j． cnki． cn22 － 1284． 2015． 12． 004 基于 MATLAB 的人脸检测定位算法研究 * 刘新永1，蔡凤丽2，王志杨2 ( 1． 中国人民解放军装甲兵学院，安徽 蚌埠 233050 ; 2． 安徽电子信息职业技术学院，安徽 蚌埠 ) 233060        摘 要: 文章主要研究了人脸识别技术中的人脸检测定位算法，提出一种基于图像点运算和人脸模板匹配算法的人脸检测 定位算法，阐述了基本算法原理，并利用 MATLAB 软件对算法进行了仿真分析． 结果表明，提出的人脸检测定位算法，可以快速 准确地检测和定位人脸图像．          关键词: 人脸识别; 人脸定位; 图像点运算; 模板匹配 中图分类号: TP391． 41 文献标志码: A 文章编号: 1008 － 7974( 2015) 06 － 0011 － 03 ． ［ 1 安防系统 、 银行密码系统 、 计算机安全系统 、 在我们生活的许多场合，都需要身份的验证和 识别，对于身份的验证和识别手段，大家所熟知的有 眼睛虹膜等方式，但是这些传统意义上的验证 指纹 、 识别方式，要求与目标相当接近甚至与目标直接接 触才能获取样本图像，但对于若干特殊场合，如刑侦 动 破案 、 态监控 等 方 面，这 些 传 统 识 别 手 段 就 力 不 从 心 了 ］针对传统识别手段必须与目标相接触的弊 端，可以采用不与人脸目标相接触，通过人脸图像的 识别来验证被识别者的身份( 即人脸识别技术) ，只 要不超出允许距离范围，就能检测到人脸的样本图 像，人脸图像识别技术具有重大的研究价值和广阔 ］在人脸识别技术中，人脸检测定位 的应用前景 是最初期的前提工作，他的主要目的是在进行人脸 识别前检测到人脸图像并且准确定位 本文主要研 究了一种基于图像点运算与人脸模板匹配算法相结 合的人脸检测定位算法，并利用 进行了仿 真实现 MATLAB ［ 2 ． ． 1 人脸识别系统的基本组成及功能 图 为人脸识别系统基本框图 统中，最重要的是: 人脸图像或图像序列的采集 脸图像的检测与定位 在人脸识别系 人 、 人脸特征提取和人脸模板匹 、 1 ． ． ． ［ 3 人脸识别等 、 ］当进行人脸识别的时候，对于采 配 集到的人脸图像或者图像序列，首先进行人脸检测 与定位，在输入图像中分辨是否存在人脸图像; 如果 存在人脸图像，立刻对人脸进行检测定位标识，根据 标识的人脸位置提取人脸的特征 ． 图 1 人脸识别系统基本组成框图 检测和定位是两个过程，对于提取出来的人脸 图像进行检测和对于人脸图像的定位这两个过程一 般合并进行，检测的同时即定位 对提取出来的人脸 通过提取特征数据来确定该人的身份 定位是计算 机人脸识别系统中的必需环节 定位的目的是为人 脸特征数据的提取和识别预先做好准备工作，从而 提高有用信息的输出信噪比，某种意义上，相当于减 小了噪声，加强了有用信息的输出比例 ． ． ． ． 2 人脸检测定位的算法 人脸检测定位算法最传统 于显性特征的方法和基于隐性特征的方法 性特征的方法是根据人的肤色 最常见的有两类: 基 、 基于显 ． 脸部的结 、 脸的轮廓 、 * 收稿日期: 2015 － 09 － 10 基金项目: 2013 作者简介: 刘新永，男，山东威海人，讲师 年高校省级优秀青年人才基金重点项目 ． 基于特征脸和支持向量机的人脸检测识别技术研究 “ ( ” 2013sqrl104zd ) ·11· 

” ”． ” “ 人脸 非人脸 “ 人脸特征 构特征等直观的特征，利用肉眼总结出 于 区别 的特征，判断被检测区域是否有这些 ” ，根据判断结果，判定区域内有没有 人 “ 基于隐性特征的方法将人脸区域看成一类模 脸 式，采集 样本序列建设样本序列 库，利用分类器将采集到的人脸与库中数据进行比 较，判别采集到的人脸图像中，是否属于 人脸模 但是，传统的两大类算法均存在检 式 测速度慢，人脸定位不准确等缺点 来检测人脸 非人脸 人脸 和 ” “ ” “ “ ” “ ． ． ． 本文中主要研究了一种新的基于图像点运算和 人脸模板匹配的人脸检测定位算法，大大地加快了 图像点运算技术，通过改变所采集的 人脸检测速度 用户图像样本占据的灰度范围，使输入的采集图像 样本经过点运算后能输出新的点运算图像，输出像 素点的灰度值可根据输入样本图像的像素点的灰度 值获取，点运算本质上就是输入的原始样本图像的 像素到输出点运算图像像素的映射 ． ( 假设已知输入的样本图像为 A ) 可表示为: ， ( y x ) ， ) ］ ( ， ) y x y x 的函数， ) 是关于 函数被称为灰度变换 x f 函数表示输入灰度值和输出灰度值之间的转 函数的确定随即也就 ( B 函数， f 换关系，点运算的确定随着 确定了 ) ，则点运算图像 ) ，输出图像 ( B ［ A 为 B ， y ， y ， y = f ［ ］ 4 B 1 x x ( ( f f ． 人脸模板匹配算法可以在一幅图像中找到已知 所谓人脸模板匹配，是根据目标人脸的特征 的人脸 制作人脸模板，用已知的人脸模板去覆盖原始图像 中相同的区域进行匹配，利用人脸模板匹配算法进 行人脸检测能获得极快的检测速度 ． ． 将图像点运算与人脸模板匹配算法相结合进行 人脸检测的基本算法如下: 2． 1 皮肤灰度化算法 首先，采用图像点运算技术利用式( 的原始图像转化成灰度图像( 即: 灰度化算法) gray = 0． 39 × Ｒ + 0． 50 × G + 0． 11 × B 式( ) 中各变量意义分别为， 2 : 灰度值， Ｒ gray 2 红色分量值， G 均衡化灰度图像的生成 : 蓝色分量值 : 绿色分量值， B 主要方法: 在原像素灰 ］，此过程 ． ． 度基础上乘以缩放因子，最后截至［ 0 本质上就是灰度比例的变换过程 ， 255 对于图像对比度差 理，最直接有效的方法就是线性扩展 展算法如式( ) : ． 3 ． 图像细节不清楚现象的处 、 灰度的线性扩 ) 将彩色 1 ． ( ) : ·21· ) ( ) f － a g = b － a ( d － c     其他  f ， ， f ∈ ［ a ， ］ b + c ( ) 3 式( ) 中各变量意义分别为， f 3 : 原始图像灰度， ］的灰度级变换到区间 ， 经过变换，把区间 ［ a b 其中， ］的灰度级 ， ， ， ， 都是整数，且在 d a b c d ， ］区间内 这种线性扩展方法能高效提高图 255 ， g ， f ． : 均衡后灰度 ． g ． ［ c ［ 0 像的质量 2． 2 滤波去噪算法 ． ． ． 对于滤波去噪，我们可以采用高斯平滑法 实际 中，采集图像过程中随机噪声是不可避免的，随机噪 声会影响采集图像的质量 我们可采用高斯平滑法 处理噪声点，从而在很大程度上降低图像的视觉噪 声，这样，低频成分就能更容易地被识别出来 高斯 平滑的截止频率是由卷积核的大小和卷积系数决定 ) 就是高斯平滑的卷积核，经过 的 卷积，可以获得曲线平滑的水平投影和孤立点较少 的二值化图像处理效果 ］这种卷积法实现的高斯 平滑法，常用的卷积核有以下三种: 低通滤波器( LBF ［ 5 ． ． ． 不同的噪声采用不同的卷积核 本文使用的是 ． ，能去除不同的噪声干扰 ． 高斯卷积核，即 2． 3 图像二值化处理 LP3 ． ． ． 图像二值化是一种图像处理的基本技术，很多 图像处理过程中都采用了图像二值化的预处理过 只有两个灰度级的图像我们称之为二值化图像， 程 这种图像存储空间小，处理速度快 在进行图像二值 化操作前要对图像进行预处理，包括彩色图像灰化 和增强 常用的灰度均衡实现算法主要是直方图均 ． ］主要方法是: 用灰度直方图增强图像对比 衡化 ［ 6 度，理论依据是概率论基础 直方图均衡化是把原始 直方图变换为均匀分布的直方图，从而使像素灰度 值的动态范围增强，以此达到增强图像整体对比度 由于选取阈值需要参照直方图，因此，一般 的效果 在图像进行处理后，我们再获取图像的直方图以帮 助选取阈值 二值化图像既保留了原始图像的主要 特征，又在很大程度上压缩了原始信息量，而且它避 免了乘法运算，比灰度级图像更适合符号法表示 2． 4 人脸模板匹配算法 ． ． ． ． 采用人脸模板匹配的算法，它的基本思想是，在 

人脸检测和人脸定位过程中，预先制作人脸模板，然 后将人脸模板与样本相匹配，以此来判断所采集的 所设计的系统方案 图像样本中是否存在人脸图像 主要的工作为对图片的前 的详细算法如图 期预处理工作，主要包括: 灰度处理 平滑滤波处理 、 、 人脸模板覆盖，以及对 二值化处理 、 人脸的筛选 人脸模板制作 、 所示 2 ． ． ． 3 中的仿真结果进行分析，发现通过本文研究的 图 人脸检测定位算法可以很好地检测到人脸并定位面 部关键特征点，从而，主要的人脸区域就可以被裁剪 出来 ． 图 2 人脸模板匹配算法流程图 人脸匹配模板覆盖 筛选前，首先要进行原始人 、 脸图像模板的制作，基本步骤如下: 第一步，获取多 张普通状态下的人脸图像，作为人脸原始图像样本; 第二步，从原始人脸图像样本上将人脸的部分扣挖 出来，得到人脸图像的匹配样本; 第三步，尺度的标 准化，即对人脸匹配样本进行量化; 第四步，图像灰 度分布标准化; 第五步，将灰度图像进行平均处理最 终获得平均人脸图像，按照比例缩小最终生成原始 图像模板 ［ ］ 7 ． ． 原始图像模板生成后，分别按照不同形状的人 脸，进行不同比例的拉伸，再进行灰度分布标准化后 这样，在图像采集时，采用人脸模板 作为人脸模板 覆盖原始图像人脸位置就可以从大批量的人脸待测 图像中筛选出匹配性较高的人脸位置，从而进行确 用于生成模板的人脸样本必须是一般性的，取最 认 普通条件下的图像获取样本，否则，生成的模板在很 大程度上匹配度会受到限制，当进行筛选匹配时，就 会导致大多数人脸由于匹配度低检测不出来，因此， 本文选取的图片只是在一般近似散射的光照下拍摄 的，其目的就是为了提高检测率和降低漏检率 ． ． 3 MATLAB 人脸检测定位的 仿真结果分析 选用近似散射的光照下拍摄的儿童人脸一般素 材，针对本文中所研究的基于图像点运算和人脸模 板匹配的人脸检测定位算法，利用 软件进 MATLAB 行了人脸检测定位的仿真 ，仿真结果如图 所示 ( 其中， 图为皮肤灰度化 a 算法处理后的图像; 图 为二值化处理后的图像; 图为覆盖了人脸模板的 图为人脸检测定位的效果图) ，通过对 灰度图像; 图为滤波去噪后的图像; 图为提供的原始图像; 3 b d c e f 图 3 人脸检测定位的实际检测效果( MATLAB 仿真效果图) 文章结合人脸定位技术的发展实际情况，尽量 保证低的误检率，并快速实现人脸定位，对人脸定位 技术的研究具有参考作用 我们应该在此基础上进 一步降低漏检率，进行更高层次的研究 另外，综合 国内外的人机交互技术发展情况，人脸检测定位技 术已成为热点领域，未来，在这一领域，必将会研究 出更加先进的新技术 ． ． ． 参考文献: ［1］祝磊，朱善安． 人脸识别的一种新的特征提取方法［J］． 计算 机学报，2007，34( 6) ． ［2］何国辉，甘俊英． PCA － LDA 算法在性别鉴别中的应用［J］． 中国图像图形学报，2006，32( 19) ． ［3］张俭鸽，王世卿，盛光磊． 基于小波和 DFB － PCA 的人脸识 别算法研究［J］． 微计算机信息，2007( 4) ． ［4］徐倩，邓伟． 一种融合两种主成分分析的人脸识别方法［J］． 计算机学报，2007，43( 25) ． ［5］王蕴红，范伟，谭铁牛． 融合全局与局部特征的子空间人脸 识别算法［J］． 电子学报，2005，28( 10) ． ［6］庄哲民，张阿妞，李芬兰． 基于优化的 LDA 算法人脸识别研 究［J］． 中国图像图形学报，2007，29( 9) ． ［7］钟向阳． 基于 Gabor 小波的人脸识别系统的实现［J］． 中国 图像图形学报，2005，23( 3) ． ( 责任编辑: 王前) ·31·