專利名稱：復雜靜態(tài)彩色背景下的人耳檢測方法
技術領域：
本發(fā)明涉及一種人耳檢測方法，特別是一種利用了膚色、側臉幾何特征、側臉灰度信息、人耳內部邊緣等信息檢測復雜靜態(tài)彩色背景下的人耳檢測方法。

背景技術：
近年來，生物鑒別受到越來越多研究人員的關注。它從身份認證到通道入口安檢的各個方面都發(fā)揮了重要作用。但是現(xiàn)階段大部分生物鑒別技術都對其工作環(huán)境有苛刻的要求，因而限制了其適用范圍。所以研究人員都在努力尋找新的生物鑒別技術。
人耳識別是一種新型識別技術，目前國內外的相關研究都還不多。人耳識別技術以其獨特的生理特征和觀測角度，使它具有很高的理論研究價值和實際應用前景。它涉及到生物特征提取、計算機視覺、圖像處理、模式識別和身份認證技術等諸多領域。
人耳不僅具有與其他個體生物特征共同之處，還具有一些獨特的特征結構穩(wěn)定，不受面部表情的影響，位置固定，樣本采集不會有相關的衛(wèi)生問題，也不會使人緊張，更容易讓人接受。并且盡管人耳比人臉、掌紋要小，但比虹膜、視網(wǎng)膜、指紋大，比較容易采集。人耳檢測和識別技術正逐漸成為生物特征檢測和識別領域的又一熱點。
由于人耳識別系統(tǒng)研究尚處于探索階段，作為其前提和擴展的復雜背景下人耳檢測在國內外鮮有人進行研究?，F(xiàn)今只有北京科技大學的張惟等人將Adaboost算法引入到人耳檢測系統(tǒng)中，提出了一種復雜背景下的人耳檢測和跟蹤方法。
Adaboost算法最早源于Schapire在1989年提出的Boosting(自舉)算法，它是一種能夠“Boost”任意給定學習算法精度的普適方法。1995年Freund和Schapire又對其進行了改進，形成了最初的Adaboost(Adaptive Boosting)算法。
和基于Adaboost算法的人臉檢測方法類似，張惟等提出的方法也分為兩個階段，即離線級聯(lián)階段和在線檢測階段。該方法實現(xiàn)了復雜背景下的人耳檢測與跟蹤，證實了在復雜背景下進行人耳檢測研究的可行性。但該方法的離線訓練時間較長，僅分類器的訓練就用了16天。同時，AdaBoost方法對圖像庫中的訓練樣本比較依賴，如果不同背景下的人耳圖像來源變化較大，采用該方法進行檢測的效果就不太理想。


發(fā)明內容
本發(fā)明的目的是提供一種復雜靜態(tài)彩色背景下的人耳檢測方法，它利用人體靜態(tài)圖像中的膚色、區(qū)域、灰度、形狀的信息，進行人耳檢測，有檢測快速、方法簡單、效果好等優(yōu)點。
本發(fā)明所述的檢測方法有以下步驟 (1).采集人耳 (2).膚色檢測 利用彩色圖像中的膚色信息進行區(qū)域分割，將復雜背景下的人耳檢測范圍縮小到膚色范圍內。該發(fā)明分析了現(xiàn)有顏色空間的性質，從亮度與色度分離效果、空間轉化的復雜度等方面考慮，選取了YCbCr色彩空間。
選擇YCbCr作為膚色表示空間后，建立高斯分布模型，采用自適應閾值分割的膚色，分割膚色區(qū)域，得到初始的候選膚色區(qū)域二值圖； (3).膚色區(qū)域篩選 借鑒人臉檢測算法中利用正面人臉先驗知識進行區(qū)域篩選的方法，找出復雜背景下的側臉特征，并據(jù)此對分割后的膚色區(qū)域進行篩選，將檢測范圍縮小到側臉區(qū)域。然后根據(jù)側臉的高寬比例、側臉膚色在圖像中的面積占有率進行膚色區(qū)域篩選，得到邊緣二值圖像； (4).圖像邊緣檢測 利用圖像的亮度信息，采用小波模極大值方法在四種不同尺度下查找圖像邊緣。找出圖像中感興趣的膚色區(qū)域以后，進一步在亮度空間對圖像的邊緣信息進行研究。分析當前各種邊緣檢測算子的適用場合以及人耳區(qū)域在復雜背景下的邊緣特征，最后采用小波模極大值方法進行圖像邊緣檢測。
對240幅側臉邊緣圖像進行分析，得出側臉范圍內只有人耳區(qū)域具有密集邊緣的特性，當對邊緣二值圖像進行膨脹、填充、細化、腐蝕和重構操作時，獨立的輪廓線被消除，人耳處密集的邊緣則由于在膨脹和填充時形成一個邊緣區(qū)域而在重構后得到保留。此時，結合原圖像對人耳進行判斷和定位，從而實現(xiàn)人耳的檢測。
也既是對步驟(3)得到的邊緣二值圖像，利用邊緣圖像候選區(qū)域的灰度，采用小波模極大值方法提取圖像，進行膨脹、填充、細化和重構，再對邊緣圖像進行邊緣區(qū)域搜索，即得待檢測人耳。
步驟(2)中所述的自適應閾值分割，采用循環(huán)檢測連通區(qū)域的方法，生成一個適合當前圖像的閾值。
步驟(2)中所述建立膚色分布模型的方法如下 ①選取側臉膚色區(qū)域； ②對樣本膚色區(qū)域進行低通濾波，去除噪聲干擾 所述低通濾波選用的低通濾波器沖激響應陣列為 ③將濾波后的膚色區(qū)域中每個像素點的R、G、B三基色值轉換到YCbCr色彩空間，得到每個膚色像素點的色度值(Cb，Cr)，得出其在YCbCr空間下的分布和高斯分布模型； ④確定二維高斯模型G(M，C)中的未知參數(shù)，即均值M和方差C。
步驟(4)中采用小波模極大值方法查找圖像邊緣的方法 將邊緣檢測的二維二進小波設計為一維二進小波的可分積，其傅立葉變換表示為 其中，ψX(wx，wy)、ψy(wx，wy)分別是二維平滑函數(shù)θ(x，y)的偏導數(shù)，


分別是它們的傅里葉變化。

是一個低通濾波器，而是一個高通數(shù)字濾波器； 若尺度函數(shù)滿足如下二尺度方程 若選擇尺度函數(shù)為m次樣條，即
則可得為低通濾波器的傅里葉變換； 若采樣間隔等于1，則離散小波系數(shù)為 同樣，定義原始圖像信號為 a0(n，m)＝<f(x，y)，φ(x-n)φ(y-m)> 和j≥0時的平滑圖像信號 aj(n，m)＝<f(x，y)，φj(x-n)φ(y-m)> 那么，二維離散二進小波變換的

trous算法表示為如下離散卷積形式
其中
式中，aj+1是aj沿橫向和縱向低通濾波的結果，dj+1x是aj沿橫向高通濾波的結果，dj+1y是aj沿縱向高通濾波的結果。
本發(fā)明針對復雜背景下的彩色圖像，提出了一種基于膚色信息、側臉統(tǒng)計知識、人耳內部邊緣特征的人耳檢測方法，實現(xiàn)了無正面人臉干擾的復雜背景下的人耳檢測。
通過復雜背景下的人耳檢測研究，本發(fā)明在利用人體在靜態(tài)圖像中的膚色、區(qū)域、灰度、形狀等多種信息基礎上找到了一個可行的人耳檢測方法，并完善其中的諸個環(huán)節(jié)，最終完成了復雜背景下的人耳檢測過程。實驗證明，該方法的訓練時間能縮短到9天以內，遠遠少于現(xiàn)有的人耳檢測方法所需要的16天的時間；另外，本方法不依賴訓練樣本，基本克服了樣本對人耳檢測的束縛。



圖1為側臉膚色樣本； 圖2為膚色在YCbCr空間下的分布平面的兩個坐標分別表示紅色色度分量和藍色色度分量，縱坐標表示不同人皮膚顏色的色度值； 圖3為膚色高斯模型水平兩個坐標分別表示紅色色度分量和藍色色度分量，縱坐標表示膚色高斯分布值； 圖4為膚色區(qū)域篩選，其中，(a)為原始圖像，(b)為目標區(qū)域1，(c)為目標區(qū)域2，(d)為目標區(qū)域3，(e)為篩選后圖像； 圖5為膚色區(qū)域最小外接矩形； 圖6為不同尺度下的小波模極大值圖像； 圖7為不同尺度下的邊緣二值圖像； 圖8為疊加后的邊緣二值圖像； 圖9為排除干擾的邊緣二值圖像； 圖10為重構結果(a)為原圖像，(b)為重構后圖像； 圖11為膨脹和填充(a)為膨脹結果，(b)為填充結果； 圖12(a)為細化結果，(b)為腐蝕結果； 圖13為重構結果； 圖14為人耳檢測結果； 圖15為多人耳檢測的結果圖像； 圖16為系統(tǒng)模塊圖。

具體實施例方式 步驟一對人耳圖像的采集 本文選取英國曼切斯特理工大學所建的UMIST(University of ManchesterInstitute of Science and Technology)人臉庫中不同角度偏轉的200幅含人耳圖像以及實驗室采用數(shù)碼相機拍攝的90幅復雜背景圖像作為統(tǒng)計依據(jù)，用于統(tǒng)計區(qū)域篩選的標準，以便用于篩選出有效的類膚色區(qū)域。
另外，為驗證本實驗的整體效果，最后檢測用的圖像主要來自于數(shù)碼相機拍攝的一個統(tǒng)一的、標準的、開放的人耳數(shù)據(jù)庫CEID(Chinese Ear ImageDatabase)，該數(shù)據(jù)庫共采集了200個中國人的人耳圖像。本實驗從該數(shù)據(jù)庫中隨機抽取兩組共包含240幅圖片。第一組為單一背景下的人耳圖像，共200幅。其中每幅圖像都只含單一的、無其他膚色干擾的、無大幅度旋轉和偏轉的正面人耳。第二組為背景復雜多樣的彩色圖像，共40幅。
步驟二膚色檢測 分析不同顏色空間下膚色聚類的優(yōu)缺點，選擇合適的膚色表示空間，針對靜態(tài)彩色圖像建立膚色模型，采用一種基于自適應閾值分割的膚色區(qū)域定位算法，完成膚色區(qū)域分割。
膚色表示空間的選取在對各顏色空間分析后，得出如下結論 ①RGB顏色空間不適合做膚色模型建立的空間，在RGB空間里，R、G、B三個分量具有很強的關聯(lián)性，不能夠實現(xiàn)亮度分離，所以不可以用來做膚色檢測。
②歸一化的顏色空間很大程度上消除了亮度變化的影響，能夠用來做膚色檢測。但它明顯的缺點就是在低亮度的情況下，非線性變換使得歸一化的RGB噪聲比較大。
③YUV系列和HSI系列顏色空間都能夠作為膚色檢測的顏色空間，但相比較而言，YUV系列和RGB之間有著更為簡單的轉換關系，同時不存在奇異性。而在YUV系列中，YCbCr顏色空間多作為數(shù)字視頻輸入設備的表示方法，故當硬件設備與計算機相連時，如果用它進行圖像處理，可以減少顏色轉換的時間，處理速度較快。
經(jīng)過上述分析后，我們選擇YCbCr顏色空間作為膚色表示空間。
閾值分割的具體內容如下得到圖像的膚色似然度轉換圖以后，所檢測出來的明亮區(qū)域并非就一定是指皮膚區(qū)域，而是指這些部分和皮膚顏色相同或者和皮膚顏色相近。下面我們還需要將膚色和背景區(qū)分開來，閾值分割就是常用的分離目標區(qū)域和背景區(qū)域的方法。
要從復雜背景中分辨出目標并將其形狀完整地提取出來，閾值的選擇是關鍵。如果閾值選取過高，則過多的目標點被誤歸為背景；閾值選得過低，則會出現(xiàn)相反的境況。通常，閾值的選擇有固定閾值法、自適應閾值法等。固定閾值指整幅圖像使用同一個閾值作分割處理，適用于背景和前景有明顯對比的圖像。在復雜背景下，由于被檢測圖像容易受到光照條件不同和各種干擾的影響，使得圖像質量存在著很大差異。若采用固定閾值法，則閾值取得過高或過低，都會產(chǎn)生對膚色和背景比較嚴重的誤判，影響到分割的效果，容易造成漏檢。而自適應的閾值分割方法通過循環(huán)檢測連通區(qū)域，最終會生成一個適合當前圖像的閾值，不容易存在漏檢。
我們采用自適應閾值法進行膚色區(qū)域的分割，以0.1為間隔，閾值由0.55依次遞減到0.05，循環(huán)計算連續(xù)兩個閾值下膚色區(qū)域像素數(shù)目的差，求得一個使膚色區(qū)域像素數(shù)目變化最小的參數(shù)作為最優(yōu)閾值進行分割。這種動態(tài)選取閾值的方法在一定程度上排除了不同光照和背景對圖像的影響，代替了人為的判斷和干擾，自動找到最適合的分割閾值。
為建立膚色統(tǒng)計模型，本實驗人為選擇了在不同光照條件下的大量含膚色圖像，由于部分人耳受到頭發(fā)或者眼鏡等飾物的遮擋，在采集膚色樣本時，盡量選取含有人耳的側臉區(qū)域，計算其膚色高斯模型，然后依據(jù)模型確定其參數(shù)，具體實驗步驟如下 ①手工選取側臉膚色區(qū)域。
由于正面人臉和人耳所受的影響不同，為了使得建立的模型更能適應側面人臉尤其是人耳的檢測，我們只選取了正側面人臉或人耳區(qū)域作為實驗樣本?？紤]到樣本的多樣性，我們分別選取了強光和弱光下的膚色樣本。圖1所示為側臉膚色樣本。
②對樣本膚色區(qū)域進行低通濾波。從信號頻譜角度來看，信號的緩慢變化部分在頻率域屬于低通部分，信號快速變化部分在頻率域屬于高頻部分。對于圖像而言，噪聲干擾的頻率分量都處于頻率較高的部分，因此可以采用低通濾波的方法去除噪聲干擾。
本發(fā)明中進行低通濾波選用的低通濾波器沖激響應陣列為 ③將濾波后的膚色區(qū)域中每個像素點的R、G、B三基色值轉換到YCbCr色彩空間，得到每個膚色像素點的色度值(Cb，Cr)，得出其在YCbCr空間下的分布和其高斯分布模型。圖2所示為膚色在YCbCr空間下的分布，圖3所示為膚色的高斯分布模型。
④對第三步所得到的每個膚色像素點的色度值進行統(tǒng)計計算，以確定二維高斯模型G(M，C)中的未知參數(shù)，即均值M和方差C。
本實驗中，對采集到的90幅不同光照下的含人耳圖像進行膚色選取和統(tǒng)計，最終得到的均值和方差分別為 步驟三膚色區(qū)域篩選首先采用形態(tài)學操作消除圖像中小的孔洞或孤立像素結構，然后分析已有的膚色區(qū)域特征，利用圖像的矩特征和幾何特征如區(qū)域面積、高寬比、側臉膚色在最小外接矩形框中的面積占有率等方法進行候選區(qū)域優(yōu)化，對可能含人耳的側臉區(qū)域進行篩選，得到候選的側臉區(qū)域。
為了準確統(tǒng)計這些側臉特征，本實驗選取英國曼切斯特理工大學(UMIST)所建的標準人臉庫中不同角度偏轉的含人耳圖像200幅以及實驗室采用數(shù)碼相機拍攝的復雜背景圖像90幅作為統(tǒng)計依據(jù)。其統(tǒng)計過程如下 ①對復雜背景圖像，手工分割出含人耳的側臉區(qū)域，然后統(tǒng)計每個膚色區(qū)域的面積。對于相同尺度的圖像，確定面積閾值，即當側臉膚色面積小于該閾值時，則認為膚色中的人耳尺度過小，對于后續(xù)的識別系統(tǒng)而言，檢測意義不大。
②利用UMIST標準人臉庫中不同偏轉角度的側臉圖像統(tǒng)計人側臉長寬比例范圍，同時對手工分割出的側臉圖像長寬比例進行統(tǒng)計，并確定出可用于篩選的閾值。
③統(tǒng)計膚色區(qū)域和其外接矩形的面積比值，以確定復雜背景下不同偏轉角度的側臉中膚色在其最小外接矩形中的面積占有率。對于一些面積和長寬比例均符合要求的類膚色區(qū)域，進一步采用其面積占有率進行檢驗。
根據(jù)以上對側臉區(qū)域特征的統(tǒng)計知識可知，以下這些區(qū)域中不包含側臉，或者即使包含側臉，也由于尺度過小或偏轉角度過大而對人耳的檢測和識別無太大意義 ①類膚色面積小于規(guī)定閾值的區(qū)域。如本實驗中所采集的圖像大小均為1200×1600，則當某一候選區(qū)域的類膚色面積小于250個像素時，即認為是無意義區(qū)域。
②區(qū)域的長短軸之比大于4.5。由于復雜背景下部分圖像側臉部分和脖子或者上身相連，故在統(tǒng)計時不僅僅考慮側臉處的比例范圍。
③區(qū)域的最小外接矩形中，類膚色的面積占有率小于2/5或者大于3/4。對于側臉而言，其外接矩形中包含頭發(fā)或脖子周圍的非膚色區(qū)域，故不可能全部被膚色填充，而其他類膚色或部分人體膚色區(qū)域的外接矩形則可能全部被膚色填充，采用膚色占有率可以去除該類區(qū)域。
本文對經(jīng)過膚色分割的復雜背景圖像進行篩選，刪除了不符合條件的類膚色區(qū)域。圖4為膚色區(qū)域篩選的一實例，其中(a)為原始圖像，(b)、(c)、(d)為原始圖像中待篩選的目標區(qū)域，(e)為篩選后得到的結果圖像。
步驟四圖像邊緣檢測。利用候選區(qū)域的灰度信息，分析各種圖像邊緣檢測方法的適用情況，選擇小波模極大值方法在不同尺度空間下檢測圖像邊緣并對得到的邊緣圖像進行疊加處理，然后依據(jù)人耳內部有豐富邊緣信息的特點，對疊加后的密集邊緣圖像進行處理和邊緣區(qū)域搜索，從而實現(xiàn)人耳的判斷和定位。
所述采用小波模極大值方法查找圖像邊緣的方法如下 作為邊緣檢測的二維二進小波可以設計為一維二進小波的可分積，具體地說，它們的傅立葉變換表示為 其中，ψX(wx，wy)、ψy(wx，wy)分別是二維平滑函數(shù)θ(x，y)的偏導數(shù)，


分別是它們的傅里葉變化。

是一個低通濾波器，而是一個高通數(shù)字濾波器； 若尺度函數(shù)滿足如下二尺度方程 若選擇尺度函數(shù)為m次樣條，即
則可得為低通濾波器的傅里葉變換； 若采樣間隔等于1，則離散小波系數(shù)為 同樣，定義原始圖像信號為 a0(n，m)＝<f(x，y)，φ(x-n)φ(y-m)> 和j≥0時的平滑圖像信號 aj(n，m)＝<f(x，y)，φj(x-n)φ(y-m)> 那么，二維離散二進小波變換的

trous算法表示為如下離散卷積形式
其中
式中，aj+1是aj沿橫向和縱向低通濾波的結果，dj+1x是aj沿橫向高通濾波的結果，dj+1y是aj沿縱向高通濾波的結果。
本發(fā)明中，為了很好地描述人耳的外部輪廓和內部邊緣，我們在matlab實驗環(huán)境下，采用二維

trous算法進行圖像的小波模極大值檢測，其中樣條小波濾波器的系數(shù)設置為 h＝
；g＝
；delta＝[1，0，0]其中h為低通濾波器的系數(shù)，g為高通濾波器的系數(shù)。
實驗步驟如下 ①對圖像進行4級分解，得到4種尺度下的小波模極大值圖像。為了避免由于膚色分割時遮擋等造成耳朵部分邊緣的漏檢，選取候選區(qū)域的最小外接矩形作為目標區(qū)域進行處理。同時為了保證能夠獲得很好的人耳輪廓和精細邊緣，系統(tǒng)在四種不同尺度下對目標區(qū)域進行小波分解。圖5所示為膚色區(qū)域最小外接矩形的一個例子，圖6所示為此例在四種不同尺度下的小波模極大值圖像。
②檢測出小波變換域中模是局部極大值且大于預定閾值的點，轉換為多尺度的二值邊界圖像。由于采集到的圖像尺度較大，尺度(a)中圖像邊緣很精細，但噪聲干擾很多，所以后續(xù)處理中不予考慮。圖7所示為圖6中尺度(b)、(c)、(d)經(jīng)此過程處理后得到的邊緣二值圖像。
③對多尺度下的邊緣二值圖像進行疊加。此時人耳的內外部邊緣都被保留，而一部分噪聲點被消除。圖8所示即為對圖7進行疊加處理得出的結果，有效地排除了一部分噪聲點。
④利用膚色二值圖排除膚色區(qū)域范圍外的噪聲點。圖9所示即為經(jīng)過該過程處理后的圖像，結果表明有效地排除了膚色區(qū)域范圍外的噪聲點。
步驟五檢測人耳依據(jù)之前對人耳邊緣特性的統(tǒng)計，得知邊緣圖像中孤立的像素點或稀疏的獨立邊緣線都不會是人耳所在區(qū)域，故本文系統(tǒng)中采用以下步驟進行處理，以期獲得圖像中感興趣的區(qū)域。
①采用形態(tài)學重構操作進行開運算。為了消除圖像中的干擾邊緣，同時保持原有可能的人耳區(qū)域不被消除，在對原圖像腐蝕以后再進行重構操作。由于人耳處邊緣線密集相連，所以重構過程可以很好地對其進行復原。圖10所示即為圖像經(jīng)過開運算后的處理結果，很好地復原了人耳處邊緣線，其中(a)為原圖像，(b)為重構后的圖像。
②對邊緣圖像進行膨脹操作，使原本密集的人耳邊緣連接成一個邊緣亮區(qū)。此時圖像中耳朵處連通區(qū)域合并，內部形成封閉孔洞。填充圖像中的孔洞，使得耳朵內部封閉的背景區(qū)域填充為前景，而其他干擾邊緣在填充過程中無面積改變。圖11所示即為該過程處理后的結果，其中(a)為膨脹結果，(b)為填充結果。
③人耳區(qū)域判斷。對膨脹過后的邊緣區(qū)域進行迭代細化操作，直至所有邊緣線細化為由單像素相連的邊緣。此時對圖像進行腐蝕操作，細微的邊緣線被消除，如果此時圖像中無亮區(qū)，我們認為該圖像中無正面人耳。若腐蝕后依然存在亮區(qū)，則該區(qū)域即為我們下一步要進行定位的對象。圖12顯示了該過程的處理結果，其中(a)為細化后的結果，(b)為腐蝕后的結果。
④利用重構恢復步驟③中的保留區(qū)域。圖13為重構后的結果，顯示該過程能有效地恢復保留區(qū)域。
⑤人耳區(qū)域定位。依據(jù)步驟④所得的邊緣區(qū)域，在原圖中將其所在的最小外接矩形作為檢測的結果范圍。圖14所示為該檢測過程的最終檢測結果，準確地定位了例圖中的人耳位置，圖中采用寬度為3像素的邊緣線對人耳區(qū)域進行了標定。
以上檢測人耳的步驟是以單人耳圖像為例進行說明的，該檢測方法對多人耳圖像同樣適用，對于多人耳圖像，同樣采用上述步驟一至步驟五進行檢測，可對多個人耳定位，圖15為多個人耳檢測的實例結果圖像，該圖像包含兩個人耳，采用上述步驟一至步驟五進行檢測，其效果與單人耳相同，即可以實現(xiàn)無正面人臉干擾的復雜背景下的人耳檢測。
步驟六實現(xiàn)人耳檢測系統(tǒng)。
該人耳檢測系統(tǒng)主要包含四個模塊膚色分割模塊、候選區(qū)域優(yōu)化模塊、圖像邊緣檢測模塊和人耳檢測模塊。圖16為該系統(tǒng)的模塊圖。各模塊的主要功能如下 膚色檢測模塊將輸入的彩色圖像中滿足條件的膚色部分提取出來，其前提是建立適當?shù)哪w色模型。通過對不同顏色空間和膚色模型的分析，本文選擇在YCbCr顏色空間下建立膚色的簡單高斯模型。然后按照圖像中各像素與膚色的相似度轉換成膚色似然圖，采用自適應的閾值進行膚色分割，得到初始的候選膚色區(qū)域二值圖。
在候選區(qū)域優(yōu)化模塊中，首先采用形態(tài)學濾波處理對得到的膚色二值圖進行操作，去除圖像中孤立或較小的像素結構。然后從目標區(qū)域的面積、高寬比例及最小外接矩形中的膚色占有率等多個方面對每個區(qū)域進行篩選，保留下來的區(qū)域將作為候選區(qū)域進入圖像邊緣檢測模塊。
在圖像的邊緣檢測模塊，分析小波和當前常用的各種邊緣檢測算子在復雜背景圖像中進行邊緣檢測的優(yōu)缺點，最終采用小波模極大值方法提取圖像在不同尺度下的邊緣并進行合成，從細節(jié)和輪廓等各方面最大可能地排除由于噪聲或者背景因素造成的干擾邊緣。
在人耳檢測模塊，首先分析復雜背景下人耳輪廓的特點，由于人耳內部輪廓比較豐富，和側臉膚色以及頭發(fā)等相比，在不同尺度下提取出的圖像模極大值邊緣中人耳處的邊緣較多，疊加后形成邊緣區(qū)域，和側臉上其他膚色區(qū)域具有明顯的差別，據(jù)此進行人耳區(qū)域的判斷和定位，從而完成人耳檢測。
下表是簡單背景下的人耳檢測和復雜背景下的人耳圖像進行檢測并對結果的統(tǒng)計分析。
表1人耳檢測結果統(tǒng)計分析
結論 本發(fā)明在借鑒人臉檢測算法的基礎上，針對復雜背景下的彩色圖像，提出了一種基于膚色信息、側臉統(tǒng)計知識、人耳內部邊緣特征的人耳檢測方法，實現(xiàn)了無正面人臉干擾的復雜背景下的人耳檢測。通過實驗結果表明，本發(fā)明的方法對相對簡單的人耳圖像有較好的檢測效果，檢測率達到100％。而對于背景較復雜的情況，檢測率達到了94.5％。
權利要求
1.一種復雜靜態(tài)彩色背景下的人耳檢測方法，其特征在于以下步驟
(1)采集人耳
(2)膚色檢測
選擇YCbCr作為膚色表示空間，建立高斯分布模型，采用自適應閾值分割的膚色區(qū)域定位算法，分割膚色區(qū)域，得到初始的候選膚色區(qū)域二值(3)膚色區(qū)域篩選
用形態(tài)學方法進行處理，根據(jù)側臉的高寬比例、側臉膚色在圖像中的面積占有率進行膚色區(qū)域篩選，得到邊緣二值圖像；
(4)圖像邊緣檢測
對步驟(3)得到的邊緣二值圖像，利用邊緣圖像候選區(qū)域的灰度值，采用小波模極大值方法提取圖像，進行膨脹、填充、細化和重構，再對邊緣圖像進行邊緣區(qū)域搜索，即得待檢測人耳。
2.根據(jù)權利要求1所述的復雜靜態(tài)彩色背景下的人耳檢測方法，其特征在于步驟(2)中所述的自適應閾值分割，采用循環(huán)檢測連通區(qū)域的方法，生成一個適合當前圖像的閾值。
3.根據(jù)權利要求1所述的復雜靜態(tài)彩色背景下的人耳檢測方法，其特征在于步驟(2)中所述建立膚色分布模型的方法如下
①選取側臉膚色區(qū)域；
②對樣本膚色區(qū)域進行低通濾波，去除噪聲干擾；
③將濾波后的膚色區(qū)域中每個像素點的R、G、B三基色值轉換到YCbCr色彩空間，得到每個膚色像素點的色度值(Cb，Cr)，得出其在YCbCr空間下的分布和高斯分布模型；
④確定二維高斯模型G(M，C)中的未知參數(shù)，即均值M和方差C。
4.根據(jù)權利要求3所述的復雜靜態(tài)彩色背景下的人耳檢測方法，其特征在于步驟(2)中進行低通濾波選用的低通濾波器沖激響應陣列為
5.根據(jù)權利要求1所述的復雜靜態(tài)彩色背景下的人耳檢測方法，其特征在于步驟(4)采用小波模極大值方法對圖像進行提取，得到不同尺度下的小波模極大值圖像，然后分析這些圖像的邊緣二值圖，將這些邊緣二值圖進行疊加，最終得到排除干擾的邊緣二值圖像。
全文摘要
本發(fā)明涉及一種分階段優(yōu)化的靜態(tài)彩色復雜背景下的人耳檢測方法，所述方法有以下步驟(1)選擇YCbCr空間作為膚色分割空間，采用高斯模型作為膚色分布模型，進行膚色似然度轉換并對轉換后圖像進行動態(tài)閾值分割；(2)對分割出的每個區(qū)域，用形態(tài)學方法優(yōu)化，進行膚色區(qū)域篩選，排除不含人側臉的膚色區(qū)域，減少干擾；(3)采用小波模極大值方法在不同尺度下檢測圖像邊緣，并疊加不同尺度下的邊緣二值圖像，既精確地檢測出人耳的內外邊緣，抑制了噪聲干擾；(4)對邊緣二值圖像膨脹、填充、細化和重構，實現(xiàn)人耳檢測。試驗結果表明，該發(fā)明取得了較好的效果，可望為人耳自動識別系統(tǒng)的開發(fā)提供有益的參考。
文檔編號G06K9/00GK101551853SQ200810233050
公開日2009年10月7日 申請日期2008年11月14日 優(yōu)先權日2008年11月14日
發(fā)明者劉嘉敏, 朱晟君, 潘英俊, 黃虹溥, 李麗娜 申請人:重慶大學