圖像分割技術研究及頭發(fā)分割應用.pdf

1、人臉識別是模式識別和計算機視覺領域非?；钴S的研究課題,迄今為止,對于人臉特征的提取主要都是計算全局人臉特征,這樣很容易產生在高維特征空間中特征向量對齊問題,并且容易湮沒局部細節(jié)信息。故如先分割出局部圖像(頭發(fā),眼角等),再提取局部圖像特征,可提高人臉識別,年齡估計,性別估計等高層人臉應用的準確度。頭發(fā)是人臉識別的一個重要局部特征,但是有關于它的檢測,分析,用途在計算機視覺領域卻研究不多。頭發(fā)分析至少存在以下兩個應用領域:身份驗證及人臉檢

2、索。在某些情況下,頭發(fā)也是個主要的線索特征--不同的發(fā)型及臉部區(qū)域的頭發(fā)都可導致人臉識別出現誤檢,這時如果把分割的頭發(fā)去除就可提高人臉檢測率。同樣的,當在進行相似人臉識別的時候,提取的頭發(fā)也是個重要的單一特征,可利用分割的頭發(fā)區(qū)分相似人臉。由于頭發(fā)本身具有顏色多樣性及形狀變化性,故頭發(fā)的分割及分析具有很大的困難。本文重點對頭發(fā)分割分析研究,認真學習和理解一些具有代表性的人臉識別理論及方法,常用的圖像分割算法和常用的圖像分割評價。研究的主

3、要內容及創(chuàng)新點包括以下幾個方面:(1)研究了通用的圖像分割算法,如閾值分割,聚類分割(k-means,模糊聚類分割),graph-cuts。(2)討論了人臉檢測的一些方法,介紹了Haar矩形特征和積分圖像的概念,研究了Adaboost機器學習算法的基本原理,應用Adaboost算法和矩形特征構建了人臉檢測級聯分類器,以Intel公司開發(fā)的OpenCV(Open Source Computer Vision Library)作為基礎函數庫

4、,利用Visual C++開發(fā)語言編程,實現了人臉圖像的檢測,測試了分類器的性能。(3)重點對頭發(fā)的自動分割進行試驗研究,并提出自己的算法框架。算法利用mean shift和混合高斯模型,結合顏色,紋理,頭發(fā)位置特征來檢測頭發(fā)。方法分為三步。首先利用adaboost算法檢測人臉及人眼,人臉及人眼的位置確定可進行人臉大小歸一化及得到頭發(fā)位置模板。其次,抽取頭發(fā)特征向量并利用mean shift對頭部區(qū)域所有像素進行聚類,得到許多個聚類區(qū)域