信号检测与分析

（1） 对于亮度低于80像素点直接判决为非肤色像素点；

（2） 对于亮度在80-230之间的像素点采用肤色的椭圆聚类方法；

（3） 对于亮度大于230的像素点进行判决是，将肤色的聚类时的椭圆的长短轴同时

扩大为原来的1.1倍。

图2-1（c）和图2-1（b）比较，在人眼区域此图有更好更细致的检测效果。试验结果表明，本文的方法较之其它的肤色提取方法在人的五官部分有更好更细致的检测效果。

（a）原图像 （b）Anil K. Jain方法（c）文本的方法

图2-1 肤色提取结果

2.2肤色区域分析

人脸肤色建模是根据皮肤颜色来确定的，有可能把脖子、肩膀、手臂等肤色区域或是与肤色相近的其它物体也包括了进去，所以得到的只能是人脸的大致区域，为了排除非人脸区域，依据人脸区域的空间特征，本文选取了连通区域像素数、区域填充率和长宽比判断因素，得到的人脸候选区域（如图2-2所示）。

图2-2 人脸候选区域

3 人脸特征分析及分类器设计

3.1小波分解和PCA主元分析

小波变换是一个常用的图像分析手段，并且在模式识别中又较多的应用。一个二维小波变换可以看作两个连续的一维小波变换，二维小波变换将一幅图像分解成一系列的子图像。小波变换的结果取决于所采用的小波基的类型，而小波基是由滤波器的类型决定的，本文采用广泛使用的Daubechies-4型小波。对图像进行二维离散小波变换，可得到一个低频近似分量和3个细节分量，3个细节分量分别为水平方向高频信号、垂直方向高频信号和对角方向高频信号。本文训练图像均来自规格为20×20的CMU（central michigan university）人脸库和非人脸库。对图像进行小波变换后，将每一分量矩阵按行扫描顺序排成一列，分别用Ia’、Ih’、Iv’、Id’表示，并把每一个矩阵依次排成一列得到一个1160维的列向量T，T=（Ia’T、Ih’T、Iv’T、Id’T）T。