利用膚色及區域極小值作人臉特徵是否遮蔽之偵測判斷

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：46

、訪客IP：3.138.101.95

姓名

林煌山(Hung-San Lin) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

利用膚色及區域極小值作人臉特徵是否遮蔽之偵測判斷
(Detection of Facial Occlusions by Skin-Color based and Local-Minimum based Feature Extractor)

相關論文

★ 使用視位與語音生物特徵作即時線上身分辨識	★ 以影像為基礎之SMD包裝料帶對位系統
★ 手持式行動裝置內容偽變造偵測暨刪除內容資料復原的研究	★ 基於SIFT演算法進行車牌認證
★ 基於動態線性決策函數之區域圖樣特徵於人臉辨識應用	★ 基於GPU的SAR資料庫模擬器：SAR回波訊號與影像資料庫平行化架構 (PASSED)
★ 利用掌紋作個人身份之確認	★ 利用色彩統計與鏡頭運鏡方式作視訊索引
★ 利用欄位群聚特徵和四個方向相鄰樹作表格文件分類	★ 筆劃特徵用於離線中文字的辨認
★ 利用可調式區塊比對並結合多圖像資訊之影像運動向量估測	★ 彩色影像分析及其應用於色彩量化影像搜尋及人臉偵測
★ 中英文名片商標的擷取及辨識	★ 利用虛筆資訊特徵作中文簽名確認
★ 基於三角幾何學及顏色特徵作人臉偵測、人臉角度分類與人臉辨識	★ 一個以膚色為基礎之互補人臉偵測策略

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

人臉偵測及人臉辨識的相關研究中，經常遇到的難題不外乎複雜背景或是人臉特徵有所遮蔽的情形。在本論文中，利用動態資訊解決複雜背景的問題，同時縮小搜尋視窗增進了整個系統偵測時的速度，而不同於一般人臉偵測的研究，本論文除了抽取人臉特徵外，還進一步偵測人臉特徵是否有被遮蔽，並提出了兩種偵測的策略。
第一種策略運用了大多數研究所採用的膚色資訊，先離線統計膚色在YCbCr空間中的值域，將其建入查詢表格中並加以處理，再根據此查詢表格分離輸入影像中的非膚色區域作為特徵，透過幾何上的限制去將特徵配對，若配對失敗時，將根據離線統計所得到的人臉膚色分布比例來判斷是否有遮蔽發生。
若第一種策略抽取失敗，之後的遮蔽判定卻認為沒有遮蔽，則我們將採用第二種策略，經由觀察顯示眼睛及嘴巴在人臉部分算是亮度較低的，而且其附近擁有較多的邊緣資訊，藉由這兩項觀察我們將分別抽取出眼睛及嘴巴的候選，同樣的將這些候選作配對，若配對失敗，則根據這些候選的分布情形，作出最後的遮蔽判定。
經由自行拍攝的影像測試結果顯示，我們所提出的方法在偵測人臉特徵是否遮蔽這方面，的確具有可行性及其正確。

摘要(英)

The frequently-encountered problems in human face detection and recognition are complex background and occlusion of human face features. In this thesis, we adopt dynamic information of video sequences to resolve the complex background problem. The speed of face detection can be drastically decreased due to the reduced in the size of searching window. In addition to the extraction of face features, we can also determine whether face features are occluded. Two strategies are proposed in this thesis to achieve the goal.
The first strategy is to use skin color information by analyzing the skin color distribution in YCbCr color system. Non-skin color regions can be eliminated by utilizing the analyzed skin color distribution information. Then, face features are paired based on the geometric constraints. If the pairing is failure, the face skin color distribution ratios obtained from statistical results are utilized to determine if occlusion do occur.
If the first strategy fails in determining whether human faces are occluded, then the second strategy is employed. The second strategy is implemented based on the facts that the gray values of eyes and mouths are lower than the other parts in human faces and there will contain more edge information in the vicinity of eyes and mouths. The candidates of eyes and mouths can be extracted according to the aforementioned two facts. Then, all possible candidates are paired. If the pairing is failure, the determination of occlusion/non-occlusion can be accomplished by judging the distribution of these candidates.
Experiments were conducted on various video images. Experimental results verify the feasibility and validity of our proposed approach in determining the occlusion/non-occlusion of face features.

關鍵字(中)

★ 樣板比對
★ 人臉偵測
★ 膚色
★ 移動物偵測
★ 人臉追蹤
★ 特徵抽取
★ 人臉辨識

關鍵字(英)

★ Skin Color
★ Facial Detection
★ Facial Recognition
★ Feature Extracting
★ Template Match
★ Face Tracking
★ Motion Detection

論文目次

第一章緒論 1
1.1 研究動機 1
1.2 相關研究 2
1.3 系統概觀 3
1.4 論文架構 4
第二章人臉偵測與追蹤 6
2.1 移動物偵測 7
2.2 人臉偵測 10
2.2.1 橢圓模組的建立 10
2.2.2 橢圓模組的比對 12
2.3 人臉追蹤 16
2.3.1 樣板的建立 16
2.3.2 樣版的比對 17
第三章以膚色為基礎的人臉特徵抽取 19
3.1 膚色的描述與建立 19
3.1.1 色彩空間的轉換 19
3.1.2 人臉膚色之統計 20
3.1.3 以影像處理的演算法來描述人臉膚色 21
3.2 膚色區域之轉換與切割 25
3.2.1 膚色區域之轉換 25
3.2.2 非膚色區域之切割 26
3.3 人臉特徵的幾何限制 27
3.3.1 人臉特徵的幾何結構之限制 27
3.4 特徵遮蔽的判定 28
3.4.1 膚色分布統計 29
第四章以區域極小值為基礎的人臉特徵抽取 31
4.1 眼睛候選的判定 33
4.1.1 眼睛候選的選取 33
4.1.2 眼睛候選的配對 35
4.2 嘴巴候選的判定 36
4.3 人臉特徵配對與特徵遮蔽判定 37
4.3.1 人臉特徵配對 37
4.3.2 特徵遮蔽的判定 37
第五章實驗結果與討論 38
5.1 實驗結果 38
5.1.1 實驗一：人臉偵測及追蹤效果 38
5.1.2 實驗二：以膚色為基礎之特徵遮蔽判斷效果 39
5.1.3 實驗三：以區域極小值為基礎之特徵遮蔽判定結果 39
5.2 實驗結果討論 39
第六章結論與未來之研究 45
6.1 結論 45
6.2 未來之研究 46
參考文獻 48

參考文獻

[1] M. Turk and A. Pentland, “ Eigenfaces for recognition”, Journal of Cognitive Neuro-science, vol.3, no.1, pp.71-86, 1991.
[2] K. K. Sung and T. Poggio, “Example-based learning for view-based human face detection”, in Proc. Image Understanding Workshop, pp. 843-850, Monterey, Calif., Nov. 1994.
[3] H. A. Rowley, S. Baluja, and T. Kanade, “Human face detection in visual scenes”, Tech. Rep. CMU-CS-95-158R, Carnegie Mellon University, 1995.
[4] S. H. Jeng, H. Y. Mark Liao, C. C. Han, M. Y. Chern, and Y. T. Liu, “An efficient approach for facial feature detection using geometrical face model”, to appear in Pattern Recognition, 1997.
[5] K. Sobottka and I. Pitas, “Extraction of facial regions and features using color and shape information”, in Proc. 13th International Conference on Pattern Recognition, pp.421-425, Vienna, Austria, Aug. 1996.
[6] H. Wu, Q. Chen, and M. Yachida, “A fuzzy-theory-based face detector”, in Proc. 13th International Conference on Pattern Recognition, pp.406-410, Vienna, Austria, Aug. 1996.
[7] B. Moghaddam, and A. Pentland, “Probabilistic Visual Learning for Object Representation,” IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 19, no. 7, pp. 696-710, July 1997.
[8] B. Moghaddam, W. Wahid, and A. Pentland, “Beyond Eigenfaces: Probabilistic Matching for Face Recognition,” IEEE International Conference on Automatic Face and Gesture Recognition, pp. 21-35, 1998.
[9] C. Cortes, V. Vapnik, “Support vector networks,” Machine Learning, Vol. 20,pp. 273-297, 1995.
[10] E. Osuna, “Support Vector Machines: Training and Applications,” Ph.D. thesis, Dept. of EECS, Massachusetts Institute of Technology, 1998.
[11] E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: an Application to Face Detection,” Proc. Computer Vision and Pattern Recognition, pp. 17-19, 1997.
[12] D. Gutchess, M. Trajkovic, E. Cohen-Solal, D. Lyons, A. K. Jain, “A Background Model Initialization Algorithm for Video Surveillance”, IEEE, 2001.
[13] R.M. Haralick, and L. G. Shapiro, Computer and Robot Vision, Vo1.1, Addison-Wesley Inc., 1992.
[14] R. Brunelli, and T. Poggio, “Template Matching: Matched Spatial Filters And Beyond,” MIT AI Memo 1549,July 1995.
[15] M.S. Lew, N. Sube, T.S. Huang, “Improving visual matching,” IEEE Conference on Computer Vision and Pattern Recognition, Vol. 2, pp. 58-65, 2000.
[16] H. Thomas, E. Charles, and L. Ronald, “Introduction To Algorithms,” pp. 898-902, 1989.

指導教授

范國清(Kuo-Chin Fan)

審核日期

2003-7-1

推文