人脸检测-基于模板匹配的实现-蒲公英云

在人脸检测-基于肤色检测的实现一文中，我们以人脸具有肤色的特征作为实现的起点，通过在YCrCb色彩空间下肤色具有聚类性的特点，采用简单高斯模型对肤色进行数学建模，实现了肤色分割，最后用较为简单的方法对肤色区域进行判断，从而实现人脸的检测。但是这种方法检测率、误检率都不是很高，因此采用模板匹配的方法，对肤色分割后的肤色区域进行人脸匹配，匹配率较高的，认为是人脸。模板匹配的关键点在于得到标准的模板。

根据模板匹配的不同层次，可以将匹配分为以下三种：

①基于点的方法：它是通过划分图像的像素点为不同分类实现的，由于需要对所有的像素点进行处理，因而需要的计算量和计算时间相对较多，处理过程更加繁琐。由于是对点进行操作，所以细小的改变都会对处理结果造成影响，例如在不同的成像条件下图像中的相同点的像素值就会不一样，由此匹配结果就很有可能不一样。

②基于区域的方法：这种方法是通过对图片的区域的形状特征进行处理，通过对比区域特征，来实现匹配。相比于对整幅图像进行处理，区域识别的计算量和受细节的影响都要小得多。它的重点是区域的特征的提取，这种特征必须是易于识别以及不同于其他物体的普遍特征的。

③利用混合特征的方法：这类方法是基于点操作和区域操纵同时实现的，通过点操作过滤到部分干扰匹配的信息，最后通过区域特征实现最后的模板匹配。这种方法能够实现较高的匹配率。

这里介绍的的模板匹配是基于像素的方法实现的，这种方法简单，便于实现。设有大小m*m为的模板，大小为n*n待筛选区域，模板匹配的算法流程为：

① 计算出模板的均值，以及方差；

② 计算出当前待筛选区域的均值，以及方差；

③ 当模板匹配到待检测区域时，计算模板和区域的相关系数

20151017230951108

④ 得到相关系数后，与阈值比较，确定是否为人脸区域；

模板制作的方法：平均人脸模板的方法，具体制作方法如下：

①搜集人脸样本，筛选出具有显著特性的人脸样本，包括性别、年龄、种族等，转换为灰度图像；

②在筛选出的人脸样本中通过截图工具截取人脸区域，人的眼睛、鼻子、嘴巴必须包含在截取的样图中；

③对手工截图的人脸区域的尺寸大小规范化，保证人脸模板有相同的大小，同时满足人脸区域的长宽比、面积大小等要求，具体参照第二章内容；

④人脸模板的标准化。标准化的目的是为了消除光照对肤色的影响，相比于灰度均衡化，标准化可以减小人脸模板之间的区别，能制作出更标准的人脸模板。标准化的过程：首先需要计算出每个人脸模板的均值和方差，对每一个人脸模板，按照设定的灰度平均值和方差进行标准化，人脸模板中的像素值转为：

20151017233541231

%Following function returns image regions which pass template matching test
function [template_passed]=template_test(aspectBW,originalRGB,template)
%convert original image into grayscale
imgray=rgb2gray(imread(originalRGB));
imtemplate=imread(template);
%label the binary image with regions
[labels,num] = bwlabel(aspectBW,8);
[m,n]=size(aspectBW);
% %compute orientation angle for each region
orient = regionprops(labels,'Orientation');
angles=cat(1,orient.Orientation);
%compute centroid for each region
c = regionprops(labels,'Centroid');
centroids=cat(1,c.Centroid);
%image with regions which pass template matching test
template_passed=zeros(m,n);
gray_matched=zeros(m,n);
%resize,rotate and crop the template image according to region properties
for j=1:num,
% Compute the coordinates for this region.
[x,y] = find(labels == j);
% Get an image that only has this region, the rest is black 
bwsegment = bwselect(aspectBW,y,x,8);
% Generate orignal gray scale with only one face region
oneface=immultiply(bwsegment,imgray);
%centroid of the region
cx1=centroids(j,1);
cy1=centroids(j,2);
%width and height of the region
p=regionprops(bwlabel(bwsegment),'BoundingBox');
boxdim=cat(1,p.BoundingBox);
regw=boxdim(3);
regh=boxdim(4);   
ratio=regh/regw;
%if region is too long, set to resonable new height and shift centroid up
if(ratio>1.6)
regh=1.5*regw;
cy1=cy1-(0.1*regh);        
end
%resize the model with same scale as the region
gmodel_resize=imresize(imtemplate,[regh regw],'bilinear');
%rotate the resized model by the angle of orientation of the region
if(angles(j)>0)
gmodel_rotate=imrotate(gmodel_resize,angles(j)-90,'bilinear','loose');
else
gmodel_rotate=imrotate(gmodel_resize,90+angles(j),'bilinear','loose');
end
%computing the centroid and size of the model
bwmodel=im2bw(gmodel_rotate,0);
%size of the model before crop
[g,h]=size(bwmodel);
%ensure that the bw model region has only one region
bwmorphed = bwmorph(bwmodel,'clean');
[L,no]=bwlabel(bwmorphed,8);
if(no==1)
bwsingle=bwmorphed;
else
ar=regionprops(bwlabel(bwmorphed),'Area');
areas=cat(1,ar.Area);  
[C,I]=max(areas);
% Compute the coordinates for this region.
[x1,y1] = find(bwlabel(bwmorphed)== I);
% Get an image that only has this region, the rest is black 
bwsingle = bwselect(bwmorphed,y1,x1,8);
end
%fill the model and crop - this option of region props crops automatically
filledmodel=regionprops(bwlabel(bwsingle),'FilledImage');
bwcrop=filledmodel.FilledImage;
%size of the scaled and rotated model after crop
[modh,modw]=size(bwcrop);
%crop the grayscale model to same size as that of bwlabel model
gmodel_crop=imresize(gmodel_rotate,[modh modw],'bilinear');
%centroid of scaled,rotated and cropped model
cenmod=regionprops(bwlabel(bwcrop),'Centroid');
central=cat(1,cenmod.Centroid);
cx2=central(1,1);
cy2=central(1,2);
mfit = zeros(size(oneface));
mfitbw = zeros(size(oneface));
[limy, limx] = size(mfit);
 % Compute the coordinates of where the face model is going to be in
 % the main image
 startx = cx1-cx2;
 starty = cy1-cy2;
 endx = startx + modw-1;
 endy = starty + modh-1;      
  % Check for boundaries of the image
  startx = checklimit(startx,limx);
  starty = checklimit(starty,limy);
  endx = checklimit(endx,limx);
  endy = checklimit(endy,limy);
  % The following is to generate a new image having the same
  % size as the original one, but with the face of the model on it
  % rotated accordingly.
  for i=starty:endy,
   for j=startx:endx,
     mfit(round(i),round(j)) = gmodel_crop(round(i-starty+1),round(j-startx+1));
    end;
  end;
%  subplot(3,3,9);
%  imshow(mfit,[0 255])  
%      
% Get the cross-correlation value between model and region
gray_matched=gray_matched+mfit;
crosscorr =corr2(mfit,oneface);
%if cross-correlation value higher than threshold, add the region 
if(crosscorr>=0.6)    
    template_passed=template_passed+bwsegment;
end;
subplot(4,3,11);
imshow(gray_matched,[0 255])
title('Template Matching')
% subplot(4,3,12);
% imshow(template_passed)
end;