基于Opencv的人脸色斑检测研究开题报告

1.1 研究目的及意义

近年来医学美容有了很大的发展。它通常涉及到侵入性的整容手术或手术，如非烧蚀性激光手术，用于皮肤再生和填充注射，以减轻皱纹。大多数传统的皮肤分析仪器都是基于接触的。医生必须对目标区域进行目视检查，并使用接触测试探针放大焦油区域进行检查。此接触测试程序可能不卫生。非接触性检查通过摄像头直接分析患者的面部皮肤状况。医生和病人不必面对面。此外，可以在美容术前进行远程缺陷检测咨询。

随着数码相机分辨率的逐渐提高，人们提出了许多数码成像方法来分析皮肤状况。这些研究应用了各种颜色量化方法来区分ROI是否为斑点。然而，使用纯颜色信息来检测斑点是困难的，因为面部器官（眼睛、鼻子、嘴或耳朵）的阴影可能被误判为斑点。

人脸色斑检测作为一个与人脸识别相似的技术，相比于人脸识别而言，技术思想方法也与人脸类似，下面就人脸色斑检测的技术难点做简要分析。

人脸色斑检测是一个交叉学科的研究领域，与计算机图形学、计算机视觉及生物医学等学科的联系非常密切，人脑认知程度和心理学发展对其算法的改进具有相当大的制约。虽然目前出现的三维建模方法能够在一定程度上克服多种人脸姿态的影响，也能减弱光线的影响，但是，人脸检测的研究依然是一个充满挑战的方向之一。具体表现在，(1)人脸的原始数据获取方面，随着摄像技术的进步，数据获取设备的迅速发展，人脸数据的获取也在不断地进步，但是三维数据采集设备的成本依然偏高，实时性也有待进一步加强。(2)人脸各种姿态情况下对其检测的准确度有待进一步加强，尤其是在复杂光照条件下，人脸检测更是研究人员面临的重要挑战之一。而且，所采集到的人脸有关数据收到各种噪声的干扰，数据不准确，需要进行大量的预处理，对测试结果的准确性有较大的影响。(3)医学中对人脸的研究更为充分，将人脸分为不易变形区域和易变形区域，如何利用医学这一学科体现人脸识别系统提高检测效率，也是研究人员需要开拓的问题。(4)针对人脸中如此多的数据，需要付出更大的计算代价。如何进行实时检测和分析，应用在现实中也是一个巨大的挑战。

于是，本设计主要是针对以上各个问题，进行突破以及改进，对识别的准确率做提高。

1.2 国内外研究现状

计算机人机交互和人脸识别、生物特征识别技术等领域有着密切联系，对于人脸色斑检测系统，主要包括图像处理技术、模式识别和生理学等多门学科的交叉研究。人脸识别的研究最早可以体现在 19 世纪末 Calton 在 Nature 上发表的两篇论文中。从那时至今，人脸识别的发展可以分为3 个步骤：第一个步骤体现在感知心理学的方面，部分研究机构从心理学进行研究人脸特征，再利用工程学进行统计人脸特征。第二个步骤体现在机器视觉方面，利用机器识别人脸的主要面部特征，再进行手动操作识别人脸色斑。第三个步骤体现在人机智能交互方面，采用数学方法，如欧式距离等表征人脸的面部特征等，这些方法都是基于离线的知识训练。

人脸色斑检测中所涉及的重要技术主要有三种基本的方法：基于统计模型的方法，基于启发式模型的方法，基于肤色区域分割的方法，三种方法各有优缺点，以下是三种方法的特征简述。

(1) 基于统计模型的方法

由于人脸图像受到光照、姿势、遮挡等各种因素的影响，造成图像的特殊复杂性，显式地描述人脸的各种特征比较困难，而基于统计模型的方法试图从另一个方面解决这些问题。该方法将色斑区域看作模板特征，使用一定数量的“色斑”和“非色斑”进行实验，确定两类样本的特征信息，判断图像中的色斑区域，从而将复杂的问题转化为模式检测的二分类问题。样本学习的性能依赖于模型的准确程度和样本库对人脸的代表性能的准确度。此类方法中典型的是 CMU 的 Rowley 等提出的基于事例学习的方法，通过不断迭代，收集大量的“非色斑”样本，用于判断“色斑”样本。另外，在基于统计模型的方法中，利用人工神经网络的方法进行人脸检测也得到了研究，其中，Rowley 等对正面人脸和正面旋转人脸的检测单独进行了研究。在弱光或极弱光的情况下，所实现的系统准确率比较低。Zhan 综述了多种姿态的人脸检测方法，Mostafa、Pramod 等人通过引入距离向量和激发特征的生物神经网络等检测方法，对多种姿态下的人脸进行检测，其方法的稳定性较高，然而，在弱光条件下，其人脸色斑检测依然很难得到准确度较高的结果。Bourlai 对多光谱条件下的人脸检测进行了研究，采集大量的数据，避免了多种光照下的影响，从一定程度上能够避免了弱光的影响，但是其缺点也是存在的，如，采集数据巨大，难度较大，在弱光的情况下，人脸色斑和其他人脸特征依然无法保证区分的准确度。

基于统计模型的方法进行人脸检测的优点是:(1)该方法可以不依赖有关人脸的先验知识，减少了不完备的先验知识带来的错误判别结果；(2)采用统计意义的实例学习，使得判别结果更可靠；(3)检测结果的鲁棒性较强，适用于复杂场景中的人脸检测。但该方法的主是针对正面的人脸进行检测，而由于人脸姿势的各异性，该方法的适用性较为局限。

(2) 基于启发式模型的方法

基于启发式模型的方法提取一定的纹理、灰度和几何形状等特征，并检验是否符合人脸的先验知识特征。所提取的特征包括：头顶轮廓线和面颊轮廓线、五官区域划分、双眼检测、人脸的旋转角度、人脸灰度模板等等。戚银城等人利用 SUSAN 角点检测方法，对人脸特征点进行识别，对噪声的干扰具有很好的稳定性。Wang 等利用高斯、混合高斯模型对人脸进行提取，但该方法只用于彩色图，不能用于灰度图中的人脸识别。朱玉莲等人利用特征采样和特征融合的子图像的方法进行人脸检测，经过实验验证得到所提出的方法优于单纯的信息融合方法和特征采样方法。Qiao 等人利用图像结构和神经网络对人脸进行检测。Tu等人在光照不变的条件下，利用人脸的形状和肤色信息进行人脸检测。张玲等人基于浮动参数和人脸的生理特征，实现了人脸面部的特征检测。

可以看到，利用人脸的少量特征，如轮廓或五官区域等方法适用于简单背景或头肩图像的人脸检测与识别，而且，此类算法的检测速度比较快，可以用于实时检测与跟踪。然而，由于利用较少的人脸特征实现人脸检测，必定会有一定的适用范围，如果要提高此类算法的应用范围，需要结合更多的人脸特征，这也是此类方法进一步发展中需要克服的主要技术难关之一。

(3) 基于肤色区域分割的方法

基于肤色区域分割的方法利用彩色图像中人脸的肤色模型进行肤色检测，根据肤色像素间的色度相似性和空间相似性，进行人脸区域的初步估计。同时利用人脸区域的几何特征或灰度特征进一步验证是否是人脸。张抒等人先训练人脸局部区域，确定具有强烈特征的集合，利用稀疏编码判断是否出现了人脸的局部区域，完成人脸的识别与定位，其所提出的方法在被遮挡区域、人脸姿态发生改变的场合具有较理想的检测结果，适用于小样本问题。苏煜等根据肤色像素的相似度，用局部最大值的方法，划分肤色区域，最后利用灰度平均的方法判定肤色区域中的是否有人脸。基于肤色区域分割的方法具有明显的优点：由于肤色是人脸的重要信息，不受面部细节特征的限制，如旋转、表情变化等，具有稳定性。肤色的特殊像素值有利于区别开大多数背景物体的颜色，基于肤色区域分割的方法广泛应用于具有复杂背景的人脸检测中。然而，基于肤色的方法有一定的局限性，由于光照、噪声和遮挡等原因使得包括人脸的图像的一些特征遭到破坏，弱化了肤色信息，使得一些算法难以适用。

人脸色斑检测技术涵盖了非常多的技术难题，是一项挑战性很大的科研难关，其主要难点列为以下几点(1)人脸色斑是一种非刚性的物体，在相貌、表情和肤色等方面存在明显的差异；(2)在人脸取像过程中，人脸上可能被一些附属物，如，眼镜，胡须，口罩等遮挡物遮盖；(3)在人脸取像的过程中，人脸区域有可能是各个侧面，姿态变化难以唯一确定；(4)用于人脸取像的设备，如数码相机，摄录机等质量难以统一，且所获取的人脸图像分辨率会有很大的不同；(5)自然界或室内的光线种类和角度都不同，对待检测人脸区域产生不同的反射和阴影，会在一定程度上影响人脸检测的准确性。因此，本文针对以5个方面的问题，进行研究，其主要研究内容如下：

(1)分析彩色图像的像素的基本特性、数字图像处理的基础知识、特点和应用；

(2)结合已有的数字图像处理的相关知识，首先利用图片中的光照特性，进行光照补偿，建立二值化灰度模型；其次，采用opencv框架中的人脸检测算法对人脸区域进行划分，再在人脸的各个区域内检测人脸色斑；

(3)采用 JetBrains PyCharm开发环境下的Python语言实现，实现基于opencv的人脸色斑检测算法。 主要的研究步骤如下：首先，根据图片中的光照特性，进行光照补偿，建立二值化模型；其次，采用opencv框架中的人脸检测算法对人脸区域进行检测并划分；最后在人脸各个区域内检测人脸色斑。

[1] 周纲,孙梦雪,高岩.基于OpenCV的人脸特征图像检索系统设计[J].电子世界,2018(23):137-138.

[2] 刘培军,马明栋,王得玉.基于OpenCV图像处理系统的开发与实现[J/OL].计算机技术与发展,2019(03):1-6[2018-12-28].http://kns.cnki.net/kcms/detail/61.1450.TP.20181219.1542.072.html

[3] 陈之尧.基于OpenCV-Python的图像分割技术的设计与应用研究[J].中国新通信,2018,20(19):89.

[4] 尚丽娜,石晴瑶,方健.基于OpenCV的人眼检测及疲劳判断[J].电子世界,2018(21):19-20 23.

[5] 吕峻闽,梅少环,缪春池.基于计算机图像处理的人脸皮肤表面色斑评估的可行性分析[J].数字技术与应用,2016(06):44-45.

[6] 柯研,刘信言,郑钰辉.基于OpenCV的深度学习目标检测与跟踪[J].数字技术与应用,2018,36(10):110-111.

[7] 刘伟,钱莉.基于OpenCV环境的SIFT、SURF、ORB算法比较分析[J].化工自动化及仪表,2018,45(09):714-716 721.

[8] 张弯,靳奉祥,赵相伟,季民,李婷.基于OpenCV的近景图像增强和分割算法研究[J].北京测绘,2018,32(08):881-886.

[9] 肖阳.基于OpenCV的人脸识别的算法研究与实现[J].现代信息科技,2018,2(05):23-24.

[10] 杜娟. 基于OpenCV的人脸识别算法研究[D].宁夏大学,2018.

[11] Howse, Joseph, et al. Training detectors and recognizers in Python and OpenCV [C] .Nummist Media, Canada 2014:1-4.

[12] Xiaojun Jia, Fabric defect detection based on open source computer vision library OpenCV [C], Signal Processing Systems (ICSPS), 2010 2nd International Conference on

[13] Verma S, Computers and vision.[C], Journal of Postgraduate Medicine, 2001, Vol.47 (2), pp.119

[14] Domínguez César,Heras Jónathan,Pascual Vico. IJ-OpenCV: Combining ImageJ andOpenCV for processing images in biomedicine.[J]. Computers in biology and medicine,2017,84.

[15] Min Zuo, Guangping Zeng, Xuyan Tu, Research and improvement of face detection algorithm based on the OpenCV[C], Information Science and Engineering (ICISE), 2010 2nd International Conference on