圖像分割方法研究及其在人臉檢測中的應(yīng)用.pdf

1、本文研究了圖像分割的相關(guān)算法，包括基于膚色的圖像分割、橢圓輪廓的快速檢測、基于Snake的輪廓檢測、基于PCA的邊緣檢測、基于像素幾何特性的連續(xù)邊緣抽取等，并將它們用于人臉自動檢測。 彩色圖像處理中，顏色一直是區(qū)分不同目標(biāo)的重要依據(jù)。顏色空間有多種，基于RGB的三基色空間是用三個通道表示每個像素的顏色，三個通道是相互獨立的，像素的亮度信息與色彩信息混合在一起，顏色之間是無序的，無論怎樣規(guī)定順序，從視覺上來看，相鄰顏色之間也難以做

2、到保持相關(guān)性。正因為如此，為了分離色彩和亮度，使得顏色能夠相對有序，提出了很多顏色空間，如HSV、HSB、HSL、YCrCb、Lab、XYZ、YUV等。這些顏色空間都是企圖將色彩從三維降到二維，將亮度與色彩分離，雖然每種空間在一定范圍內(nèi)能夠適用，但都還不能夠具有通用性和徹底性。從三維變換到二維本身就是有損變換，不可能做到一一對應(yīng)，所以這樣的空間與RGB空間相比，顏色集小了；每種空間也不可能完全分離顏色和亮度，用二維數(shù)據(jù)表示顏色，顏色之間

3、也還不是線性有序的。本文在顏色排序方面做了一些分析和嘗試。 膚色處理是彩色圖像處理中的一個分支，處理與人體相關(guān)的圖像，使用膚色分割可以提高圖像分割的速度。盡管任何一個膚色模型都不能包含所有狀況下的膚色，但每一種模型在實用中都有著自身的優(yōu)勢。本文在分析了顏色排序和各種膚色模型的基礎(chǔ)上，提出了一個融合色彩和亮度的三維球形膚色模型，并用實驗證明了模型的實用性。 人的臉、各種球、車輪等自然界的很多物體都是圓形的，圖像處理中，橢圓

4、的識別和檢測也是常用的算法。本文提出了一個在彩色圖像中快速抽取橢圓的算法，并在人臉檢測中檢驗了它。確定一個橢圓需要5個參數(shù)，圓心橫坐標(biāo)、縱坐標(biāo)、主軸、輔軸、旋轉(zhuǎn)角度，很多算法都是用Hough變換找這5個參數(shù)，計算量大，而且不能檢測非完整橢圓。本文提出的橢圓檢測算法從橢圓的幾何特性出發(fā)，對分割出的區(qū)域抽取輪廓，計算區(qū)域的質(zhì)心作為區(qū)域中心點，根據(jù)主輔軸的正交特性確定軸長和旋轉(zhuǎn)角度，得到理想橢圓，最后將輪廓與理想橢圓擬合，確定區(qū)域是否是橢圓。

5、實驗中將本文算法與Hough變換算法作了比較，本文算法要快于傳統(tǒng)的FEHT（Fast Ellipse Hough Transform）算法。 基于二階統(tǒng)計特性的主分量分析（PCA）方法，通常是用于人臉識別中，本文利用它的數(shù)據(jù)聚合方向和分列處理的幾何方向性，將它用于邊緣檢測。用PCA抽取矩陣特征值時，是在數(shù)據(jù)集中尋找一組正交的投影軸，投影數(shù)據(jù)最密集的那條軸就是第一主分量，也是數(shù)據(jù)聚合的主方向；矩陣中的數(shù)據(jù)是按行列存放的，為了聚合數(shù)

6、據(jù)，需選擇能將盡量多的相似數(shù)據(jù)聚在一起的投影方向，這就說明PCA總是從數(shù)據(jù)集中找相似數(shù)據(jù)子集，每個子集內(nèi)的類內(nèi)離散度要最小，即數(shù)據(jù)要相似，反映在圖像上，就是灰度值要一致，當(dāng)用部分主分量近似表示數(shù)據(jù)集時，圖像中的大塊灰度平滑區(qū)域就能被抽取出來，與較大特征值對應(yīng)的特征向量就是由灰度平滑區(qū)域的數(shù)據(jù)構(gòu)成的?；赑CA的邊緣檢測方法檢測到的邊緣沒有Canny算法細(xì)致，沒有Sobel算法準(zhǔn)確，但與人的視覺感受比較接近。沿著這一思路深入研究，基于高階

7、統(tǒng)計特性的獨立成分分析（ICA）、線性鑒別分析（LDA）等方法也應(yīng)該同樣可以用于圖像處理的低層操作中。 Snake算法是動態(tài)輪廓抽取中智能化程度較高的算法。它將蛇的生理特征引入到圖像處理中，用圖像的不同特征代替蛇爬行時的前進(jìn)力和身體張力，在一定條件下能夠成功地獲得凹凸輪廓。由于該算法會受到起始點和收斂性的影響，很多人提出了改進(jìn)算法。本文提出利用圖像的相鄰像素點顏色特征改進(jìn)圖像力，使得Snake算法可以直接在彩色圖像上實現(xiàn)。