1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写

2000字左右的文献综述：

文 献 综 述

课题背景

在现如今的信息技术时代，如何快速识别信息和更好的保障信息的安全已经成为无法避免的问题。除了传统的卡片识别方式，更先进的识别方式也越来越多。比如指纹识别，虹膜识别，还有人脸识别等。 2015年底，支付宝在其支付功能中添加了人脸识别刷脸功能，这一功能的正式上线意味着传统支付方式面临重大创新。支付宝研究人员表示，这一功能在内测时，其识别成功率已经超过90%，因此刷脸功能可能将会在2016年内向广大支付宝用户全面开放[1]。刷脸功能是一种基于脸部识别的支付平台，它于2013年7月由芬兰创业公司Uniqul全球首次推出。支付时客户只需要面对POS机屏幕上的摄像头，系统会自动将消费者面部信息与个人账户相关联，整个交易过程十分便捷，不需要钱包、信用卡或手机等实物。现在人脸识别识别技术已经应用到更加广泛的地方，例如可以通过人脸识别辨识试图进入者身份的门禁系统，应用人脸识别进行统计的考勤系统，还有公共地区安装的人脸摄像监视系统等[2]。正是人脸识别的安全，方便，快捷等优势，所以成为现在研究的热门技术。

研究现状

最近几年在国外的诸多机构都在研究人脸识别问题，比较著名的有麻省理工学院和卡内基梅隆大学等；同时国内的清华大学、中科院计算和自动化所、南京理工大学、北京工业大学等也都有人员进行人脸识别相关的研究。并且，MPEG7国际标准组织成立了人脸识别的相关预备组织，其中人脸检测算法也是一项重要的征集内容。由此可以看到全世界科研人员对人脸检测技术的重视程度。当前，科研人员已经将人脸识别运用到多个领域并且开发了配套的应用系统，比如银行的身份识别系统，民政的身份监测系统等等[3]。科技总是处在浪潮之巅，而人脸识别的相关技术也在不断的改革创新。在不久的将来，军事，经融等方面也会是人脸识别应用的主要领域。

虽然人脸识别有很多其他识别无法比拟的优点，但是它本身也存在许多困难。由于人与人之间面部区分度不大，人脸的结构也都有所相似，而且有角度，表情，灯光等各种不确定因素的存在，所以在区分面部差异是有很大的困难[7]。不得不说，个体人脸识别可能是生物特征识别领域和人工智能领域最困难的研究课题之一。但是科研人员对人脸识别的研究从未停止。

人脸识别过程

一个完整人脸识别系统主要包括图像采集、人脸检测、人脸定位、特征提取，特征匹配，识别结果输出这几个过程，其中最重要的是人脸检测，特征提取和特征匹配。

图1人脸识别主要步骤

图像采集的方式有多种方式，手机存储的照片，视频中的截图，监控获取等等。不同的方式获取的照片质量也有所不同，所以对人脸识别的过程也是重大考验。最常见的图像采集方式是通过摄像头来采集含有人脸的图像。

人脸检测是指确定一幅图像中是否存在人脸，若存在就将人脸与非人脸区域分割出来[5]。这是人脸识别的重要一步工作。但是由于实际拍摄的图像受到许多客观因素的影响，比如场景亮度，人脸表情，拍摄角度等，这些都给人脸检测带来一定难题[4]。如何能做到高效准确，简单快速是人脸检测技术的重中之重。

人脸定位的目的是在人脸检测或跟踪获取的人脸区域的基础上，进一步确定脸部特征点（眼睛、嘴巴中心点、嘴巴轮廓特征点、器官轮廓特征点等）的位置。典型的方法是通过人工神经网络来实现对图象中的人脸五官的定位，此外还有灰度投影法，模版匹配法，主动曲线法等。

特征提取通常采用基于局部特征的方法，一般是提取人脸重要器官的几何形状和几何关系，比如，眉毛与眼睛中心的垂直距离，眉毛弯曲弧度，脸的宽度等等[9]。

特征匹配是将提取得到的人脸特征点数据与数据库中已存的人脸数据进行匹配来得到准确的人脸信息。例如常用的弹性匹配法，它把所有人脸图像看做具有相似的拓扑结构，不注重角度，长度等量化的性质，而侧重于变换后图形的不变性质。经过弹性图匹配后，新的人脸束图将被提取出来，用它作为特征进行匹配识别[12]。

人脸检测方法

人脸识别系统的首要环节就是人脸检测 ，判断图像中是否含有人脸后，接下来的环节才能有效的进行。近十几年，人脸检测的方法也在不断的创新中形成了比较成熟的几种方案。主要的人脸检测方法如下：

1.基于先验知识的方法。

通常人脸的局部特征之间存在一定规律，因此很容易采用某种简易规则来形象的表现人脸五官的关系，尤其是五官之间距离这一重要特点。基于先验知识的方法便是由于人们提前预知了一般的人脸特性，从而形成了一个标准人脸规则库，再对人脸进行数据编码后，根据面部特征之间的关系来确定图像中是否含有人脸[11]。不过由于人与人之间的先导经验不同，所以基于先验知识的人脸检测方法在一定程度上并不严谨。某种特殊的规则更是难以应用到一般情况，这就大大降低了人脸检测的速度和识别准确性。

2.基于特征的方法。

一个人脸上有丰富的面部特征，和基于先验知识的方法不同，基于特征的人脸检测方法是根据人脸特征的不变性和唯一性来寻找人脸的[8]。在近几年，科研人员已经尝试了多种基于面部特征检测人脸的方案，比如头发，眉毛，眼睛，鼻子，嘴巴等等。通过这些显著特征之间的关系，便可以轻松确定人脸区域[14]。基于特征的方法也存在一个问题，如果图像受到强光，高噪，分辨率低等客其他观因素的影响，那么人脸的特征就很难以分辨，边缘算法也就难以保证是否会被触发[15]。

3.基于模板匹配的方法。

基于模板的方法通常是预先存储几种标准的人脸模板,并计算出相似度，然后在图像中进行全局搜索，在计算与标准人脸模板之间的数据关系后，与预先得到的阀值做对比，最后来确定图像是否存在人脸[6]。现在，国内外很多研究人员又研究出其他模板匹配的方法。典型的是国外Sakai采用的子模板建模方法，他将眼睛、鼻子、嘴和人脸大致轮廓等作成子模板,在检测图像中的人脸时，与子模板匹配。再通过子模板和轮廓模板之间的联系去来检测人脸区域,最后完成其他子模板的匹配。

4.基于肤色的方法

人的皮肤最大差异便是肤色，而肤色不同则在于亮度。基于肤色的研人脸检测方法一般需要三个过程：第一是确定YCbCr颜色空间或者是彩色模型[13]。第二是通过之前的颜色空间或彩色模型来建立肤色模型。第三用肤色模型分割出图像中的肤色区域，再根据当前区域的相似度来检测人脸肤色区域[10]。一般来说，通过肤色来进行人脸检测是最直接也是最直观的，一方面是皮肤颜色差异的优势所在，另一方面则是肤色受客观因素影响最小，这就降低了误判率。

参考文献

[1] 王海江,吴秀芸等.应用360#176;全景影像于人脸检测方法[J].大地测量与地球动力, 2012, 32(6):144-147.

[2] 谢仪，鲍可进.智能视频监控中人脸检测的研究与实现[J].江苏科技大学苏州理工学院计算机中心,2013, 21(11):2921-2923.

[3]苏光大.人脸识别在社会公共安全领域的应用[J].中国安防,2015,0(14):12-14.

[4]周虹. 基于肤色监测模型的人脸检测算法研究[D]. 南宁：广西大学，2013.

[5] Hatem H, ZOU Beiji, Majeed R. A Survey of Feature Base Methods for Human Face Detection[J]. International Journal of Control and Automation, 2015,8(5):61-78.

[6]潘广全,王伟. 基于肤色与模板匹配的人脸检测探究[J].电子测试,2015,3:21-23.

[7]李云彤,黄山,徐海明.基于改进PCA的人脸识别算法[J].微型机与应用,2015,34 (17):43-45.

[8]李振淅.基于肤色特征人脸检测算法[J].中国科技博览，2015(36):331-333.

[9]栾晓宇, 杨青,张景异.基于iOS的人脸局部特征检测研究[J].成组技术与生产现代化, 2015, 32(1):34-38.

[10]滕秋霞, 沈天飞,杨金霄.基于多肤色模型的人脸检测系统研究 [J].电子测量技术， 2015(9):47-51.

[11]Lades M, etal. Distortion invariant object recognition in the dynamic link architecture [J]. IEEE Trans on PAMI，2013，42(3):300-311.

[12]Wiskot L. Phantorn Faces for face analysis[J].Patttern Recognition ,2012 ,30(6):837-846.

[13]王寻,赵怀勋.基于改进的肤色空间和几何特征的快速人脸检测研究[J].计算机应用与软件，2015(2):151-154.

[14]沈科磊，杨正理，欧阳广帅.基于特征裁剪的双阈值Adaboost人脸检测算法[J].计算机与现代化，2014（8）:50-53.

[15]张敏, 乔梦萱,刘亭,张海艳.基于图像的人脸检测及特征点提取综述[J].科技视界，2014（6）:62-63.

２．本课题要研究或解决的问题和拟采用的研究手段（途径）：

本文研究的是在一张有人，景，物的图像中检测是否存在人脸，并将人脸位置标记出。主要采用的是基于肤色模型的人脸检测。首先是建立好肤色模型，然后通过计算相似度矩阵找到人脸，最后将人脸分割出来。步骤如下：

（1）肤色模型建立

本课题拟选用YCbCr颜色空间来建立肤色模型。在YCbCr空间中， Y代表的亮度，Cb，Cr分别代表红色，蓝色分量的相对值。经过线性改变后，分量转换成维度，从而明显的把亮度和色度分离出来。

（2）光线补偿，主要是对图像进行色温补偿；

由于拍摄时自然光的影响和原本拍摄设备效果的差异，图像色彩在一定程度上会受到干扰，导致肤色也会相应的存在偏差。本课题选用白光照补偿法来提升图像整体亮度，补偿色温。首先，按照高低顺序排列所有像素，然后选取可见像素的最高显示比例，当比例内的像素数目足够大时，将亮度数值定位”参考白”，再进行幅度变换。这样就能补偿色温，消除色彩偏差。

（3）计算肤色相似度；

通过高斯模型计算颜色补偿后的像素肤色相似度，公式如下（1）：

（1）

其中：X为样本像素在YCbCr空间的值X=[Cb,Cr] T，M为肤色在YCbCr空间的样本均值M=E(X)，C为肤色相似度模型的协方差矩阵C=E[(X-M) (X-M)T]。

（4）基于阈值的肤色分割；

1）采用固定阈值法

2）形态学处理消除噪声点和边界的不平滑区域