信号检测与分析

图3-1 人脸与非人脸特征聚类曲线

由图3能够看出人脸的特征聚类明显，可以看作高斯模型。从理论上能够计算出准确率（查表），对自建人脸库取不同阈值时结果如表3-1所示。

表3-1 不同阈值时识别效果

3.3人脸图像的归一化

不同的人脸可能具有不同的脸宽及不同脸长。因为学习时的人脸规格为20×20的固定大小，为了对不同的人脸进行特征提取后能正确地识别，人脸的大小必须与学习时的人脸规格大小一致，所以必须对检测到的人脸图像进行尺寸归一化。

若人脸图像的长度（L）与宽（W）有一行等比例的缩小（或放大）

20 W 20 L

W L时L W时

20，则将L与W同时进

倍。

对备选人脸图像进行缩放后，选取以中心点为基准的20×20的区域，由式（10）（11）计算此区域对应的 的值，若 大于 则判断为人脸。

3.4基于马赛克模板的虚假人脸的排除

对于特征脸方法以及上面的基于贝叶斯最小错误概率的方法都有一个共同的问题就是准确率高时，虚警率也高。而且不同大小的人脸有不同的特征，对于大于50×50的人脸，人眼区域和嘴区域又较多的非肤色像素，对于小于50×50人脸，人眼区域和最区域的非肤色像素已不太明显，不能统计非肤色像素排除虚警。为了得到较高的准确率，同时要有较小的虚警率，采取如下的方法排除虚警：

1 对于大于50×50的人脸，判断其眼睛和嘴区域非肤色像素占人脸区域的比例，人脸区域左右近似对称，非肤色像素数目差值不大； 2 对于小于50×50人脸，人脸平均图像如图3-1（a）所示，将人脸分为100块以每

信号检测与分析

块中的平均值替代块中的各像素，如图3-1（b）所示。从图中能够非常容易看出人眼区域的灰度特征非常明显。对于找出的人脸图像，若对应的区域块的灰度值与平均图像对应的块的灰度值相差较大，则认为是非人脸。

(a) 平均人脸 (b)马赛克模板 (c)马赛克模板所对应的分块

图3-1 人脸的马赛克模板

4 试验结果与分析

本次实验学习时人脸库来自于CMU，共2429张人脸图像，非人脸图像共4210张。测试结果如表4-1所示。

表4-1 系统在ORL库和自建图像库上测试结果

实验表明本文对于彩色照片背景比较复杂的多人脸照片进行识别效果较好，对于单人简单背景的灰度图片效果也比较理想，该算法对于负责背景的彩色图像有较好的效果。（如图4-1所示）。

（a）检测效果1 （b）检测效果2 （c）检测效果3

图4-1 检测的部分实例