何 莉，羅艷芳

(武昌職業(yè)學(xué)院 電子信息工程學(xué)院，湖北 武漢 430202)

基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法研究

何 莉，羅艷芳

(武昌職業(yè)學(xué)院 電子信息工程學(xué)院，湖北 武漢 430202)

為了提高人臉檢測(cè)的準(zhǔn)確性及檢測(cè)速度，需要對(duì)基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法進(jìn)行研究；使用當(dāng)前方法進(jìn)行人臉檢測(cè)時(shí)，需要提取臉部特征數(shù)目較多、檢測(cè)速度過(guò)慢，降低人臉檢測(cè)效率；為此，提出一種基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法；該方法首先獲取人臉數(shù)字圖像，通過(guò)拉開(kāi)數(shù)字圖像的灰度間距，使數(shù)字圖像灰度均勻分布，進(jìn)而提高數(shù)字圖像對(duì)比度，使圖像更加清晰，再通過(guò)Wiener維納濾算法對(duì)處理后的數(shù)字圖像進(jìn)行圖像平滑去噪，在此基礎(chǔ)上使用Robert邊緣檢測(cè)算子方法對(duì)數(shù)字圖像人臉邊緣每個(gè)像素點(diǎn)檢測(cè)，得到數(shù)字圖像中人臉邊緣的基本圖像，將其輸入到計(jì)算機(jī)數(shù)字圖像處理系統(tǒng)中進(jìn)行識(shí)別檢測(cè)；實(shí)驗(yàn)仿真證明，所提算法在檢測(cè)速度及準(zhǔn)確性等方面具有明顯的優(yōu)勢(shì)。

數(shù)字圖像；圖像處理；人臉檢測(cè)

0 引言

近年來(lái)隨著計(jì)算機(jī)技術(shù)的發(fā)展，人臉檢測(cè)技術(shù)也是近年來(lái)研究的熱點(diǎn)，受到IT人員的關(guān)注。人臉檢測(cè)技術(shù)是人臉識(shí)別的前期工作，在很多方面都有應(yīng)用價(jià)值，如：身份驗(yàn)證、人機(jī)交互、可視通信、公安檔案管理等[1]。然而使用現(xiàn)在的技術(shù)需要提取特征數(shù)據(jù)較多、識(shí)別慢[2]。為使人臉檢測(cè)技術(shù)在提取人臉數(shù)字圖像中特征數(shù)據(jù)較少的情況下，也可以快速準(zhǔn)確對(duì)人臉進(jìn)行檢測(cè)識(shí)別，為此，提出了一種基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法。該方法首先獲取人臉數(shù)字圖像，通過(guò)拉開(kāi)數(shù)字圖像的灰度間距，使數(shù)字圖像灰度均勻分布，進(jìn)而提高數(shù)字圖像對(duì)比度，使圖像更加清晰，再以Wiener維納濾算法對(duì)處理后的數(shù)字圖像進(jìn)行平滑去噪處理，Wiener維納濾算法將圖像視為小波粒子，以小波粒子的速度以及位置來(lái)優(yōu)化計(jì)算公式，得到準(zhǔn)確的最優(yōu)解。在此基礎(chǔ)上使用Robert邊緣檢測(cè)算子方法對(duì)數(shù)字圖像人臉邊緣每個(gè)像素點(diǎn)檢測(cè)，并在一定的灰度值區(qū)間對(duì)該像素的灰度進(jìn)行調(diào)節(jié)，得到人臉數(shù)字圖像中邊緣的基本圖像，將其結(jié)果輸入到計(jì)算機(jī)數(shù)字圖像處理系統(tǒng)中進(jìn)行識(shí)別檢測(cè)。通過(guò)數(shù)字圖像處理技術(shù)進(jìn)行人臉檢測(cè)，即使提取的人臉特征較少，也可達(dá)到較高的準(zhǔn)確率及速度，數(shù)字圖像處理技術(shù)是解決上述問(wèn)題的有效途徑，受到許多相關(guān)人士的關(guān)注與重視，由于人臉檢測(cè)技術(shù)具有深遠(yuǎn)的發(fā)展意義，因此逐漸成為了研究的焦點(diǎn)課題，受到了廣泛的關(guān)注，同時(shí)也取得了一定的成果[3-5]。

現(xiàn)有的人臉識(shí)別檢測(cè)技術(shù)有：文獻(xiàn)[6]提出一種基于小波分解的人臉檢測(cè)算法，該算法使用小波分解提取待認(rèn)證人臉的面部特征，并把提取的人臉面部特征以向量的方式表示出來(lái)，再利用SVM(Support Vector Machine支持向量機(jī))分類(lèi)器對(duì)提取的人臉特征向量進(jìn)行分類(lèi)，將分析的結(jié)果與待認(rèn)證人的預(yù)留信息進(jìn)行核對(duì)。該算法的人臉檢測(cè)技術(shù)準(zhǔn)確率較高，但該算法在人臉特征提取時(shí)受光照變化的影響，提取的人臉特征不穩(wěn)定。文獻(xiàn)[7]提出一種基于彈性圖人臉匹配(FEGM)的檢測(cè)算法。先使用Gabor對(duì)人臉特征(如眼、鼻子、嘴等)進(jìn)行檢測(cè)、定位，形成人臉特征數(shù)據(jù)組，再利用代價(jià)函數(shù)對(duì)每個(gè)人臉特征進(jìn)行彈性匹配，代價(jià)函數(shù)越小，得到的人臉檢測(cè)結(jié)果越準(zhǔn)確。該算法提高了人臉檢測(cè)技術(shù)的人臉識(shí)別精度，但該算法提取的人臉面部特征較多，影響人臉識(shí)別速度。文獻(xiàn)[8]提出一種基于YCbCr聚類(lèi)的人臉檢測(cè)算法。該方法可以自適應(yīng)對(duì)數(shù)字圖像進(jìn)行光照補(bǔ)償，根據(jù)數(shù)字圖像灰度的深淺分別建立區(qū)域模型和高斯模型，使用區(qū)域模型的分割結(jié)果除去高斯噪聲，降低噪聲對(duì)數(shù)字圖像人臉檢測(cè)的影響，利用自適應(yīng)閾值對(duì)圖像灰度分割，得到灰度圖像的候選區(qū)域。將分割出來(lái)圖像進(jìn)行形態(tài)學(xué)處理，以先前知識(shí)的檢測(cè)算法對(duì)灰度圖像進(jìn)行篩選，確定人臉的位置，并對(duì)其進(jìn)行檢測(cè)。該算法可以反映出人臉特征數(shù)據(jù)的真實(shí)分布，但由于計(jì)算量過(guò)大，使得檢測(cè)速度過(guò)慢[9-10]。

針對(duì)上述問(wèn)題，提出一種基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法。實(shí)驗(yàn)仿真證明，數(shù)字圖像處理算法以少量特征數(shù)據(jù)，也可以快速準(zhǔn)確對(duì)人臉進(jìn)行檢測(cè)識(shí)別。

1 基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法研究

1.1 人臉檢測(cè)中數(shù)字圖像處理技術(shù)

數(shù)字圖像處理技術(shù)一般都在計(jì)算機(jī)上進(jìn)行，因此，圖像處理技術(shù)又稱(chēng)計(jì)算機(jī)數(shù)字圖像處理。首先在計(jì)算機(jī)上對(duì)數(shù)字圖像進(jìn)行對(duì)比度調(diào)節(jié)及去噪的基礎(chǔ)的處理，在對(duì)數(shù)字圖像中人臉邊緣檢測(cè)。(1)圖像灰度變換：圖像灰度變換是指在攝像時(shí)很多因素都會(huì)造成數(shù)字圖像的對(duì)比度不足，導(dǎo)致在計(jì)算機(jī)數(shù)字圖像技術(shù)下分辨不清楚圖像中的細(xì)節(jié)，而對(duì)數(shù)字圖像進(jìn)行灰度處理可以有效提高對(duì)比度。影響數(shù)字圖像對(duì)比度的因素有：成像時(shí)曝光不足或曝光過(guò)度、成像設(shè)備的非線(xiàn)性、圖像記錄設(shè)備動(dòng)態(tài)范圍太窄等因素等。這時(shí)我們需要對(duì)數(shù)字圖像的灰度進(jìn)行改變，把數(shù)字圖像的灰度間距拉開(kāi)或者使數(shù)字圖像的灰度調(diào)節(jié)均勻，從而提高數(shù)字圖像的對(duì)比度，使數(shù)字圖像更加清晰，已達(dá)到圖像處理技術(shù)的要求。

處理數(shù)字圖像灰度是為了提高數(shù)字圖像的清晰度，使數(shù)字圖像在數(shù)字化的時(shí)候更加的準(zhǔn)確。變換數(shù)字圖像的灰度值，對(duì)原圖像中的每個(gè)像素點(diǎn)進(jìn)行改變，使數(shù)字圖像畫(huà)質(zhì)更加清新。數(shù)字圖像灰度變換有時(shí)又被稱(chēng)為數(shù)字圖像對(duì)比度增強(qiáng)或?qū)Ρ榷壤臁Ｔ谟?jì)算機(jī)數(shù)字圖像處理系統(tǒng)中輸入數(shù)字圖像得到圖像數(shù)據(jù)，數(shù)字圖像灰度值用濃淡度表示。假設(shè)原數(shù)字圖像的灰度值為D=f(x,y)，處理過(guò)的數(shù)字圖像的灰度值為D′=g(x,y)，因此，數(shù)字圖像灰度增強(qiáng)度可以表示為:

g(x,y)=T[f(x,y)]

(1)

或

D′=T(D)

(2)

公式中的D和D′必須在數(shù)值數(shù)字圖像灰度值的取值范圍內(nèi)。數(shù)字圖像灰度變換函數(shù)以函數(shù)T(D)表示；

數(shù)字圖像灰度變換函數(shù)描述了數(shù)字圖像的輸入灰度值與輸出灰度值之間的轉(zhuǎn)換關(guān)系。當(dāng)確定一個(gè)數(shù)字圖像灰度變換函數(shù)時(shí),相當(dāng)于確定一個(gè)增強(qiáng)數(shù)字圖像灰度的具體方法，進(jìn)而確定該數(shù)字圖像的每個(gè)像素點(diǎn)灰度的處理方案。數(shù)字圖像灰度變換函數(shù)各不相同,即便是同一個(gè)數(shù)字圖像也會(huì)有不同的處理結(jié)果。選擇數(shù)字圖像的灰度變換函數(shù)時(shí)，應(yīng)考慮數(shù)字圖像的性質(zhì)和處理數(shù)字圖像目的來(lái)決定。經(jīng)過(guò)灰度變換處理后數(shù)字圖像的對(duì)比度得到擴(kuò)展，使得數(shù)字圖像變得更加清晰容易識(shí)別。

(2)圖像平滑去噪：進(jìn)行人臉檢測(cè)的時(shí)候噪聲對(duì)人臉檢測(cè)的影響非常大，然而當(dāng)前的圖像處理技術(shù)噪聲處理并不好，經(jīng)常出現(xiàn)漏檢甚至無(wú)法準(zhǔn)確檢測(cè)人臉的現(xiàn)象。因此，近年來(lái)IT人員對(duì)數(shù)字圖像去噪進(jìn)行了研究。經(jīng)過(guò)多年的研究在許多經(jīng)典算法中，數(shù)字圖像處理技術(shù)的Wiener維納濾算法圖像去噪效果較為突出，數(shù)字圖像處理技術(shù)還包括均值濾波算法和中值濾波算法，這兩類(lèi)算法去噪時(shí)數(shù)字圖像領(lǐng)域半徑越大，效果越好，但數(shù)字圖像處理代價(jià)越大。因此提出Wiener維納濾算法進(jìn)行圖像去噪。Wiener維納濾算法是將數(shù)字圖像視為小波粒子，以小波粒子兩個(gè)極值的更新實(shí)現(xiàn)圖像去噪。該算法以小波粒子的速度以及位置來(lái)優(yōu)化計(jì)算公式，從而得到即準(zhǔn)確又靈活的最優(yōu)解，將結(jié)果帶入Wiener維納濾算法中進(jìn)行數(shù)字圖像去噪。

(3)數(shù)字圖像人臉邊緣檢測(cè)：數(shù)字圖像人臉邊緣檢測(cè)是數(shù)字圖像邊緣灰度像素階躍變化或屋頂形狀變化的集合，該集合存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間。數(shù)字圖像人臉邊緣檢測(cè)在人臉圖像分析過(guò)程中是十分重要的，是數(shù)字圖像人臉邊緣檢測(cè)中最關(guān)鍵的一步，是提取數(shù)字圖像特征的重要屬性。數(shù)字圖像人臉邊緣檢測(cè)有兩個(gè)特性：數(shù)字圖像人臉邊緣的方向及數(shù)字圖像人臉邊緣的幅度。水平于數(shù)字圖像人臉邊緣方向的數(shù)字圖像像素變化平緩，而垂直于數(shù)字圖像人臉邊緣方向的數(shù)字圖像像素變化劇烈，形成階躍型和房頂型。

數(shù)字圖像中落在人臉邊緣的像素，將其在一定的灰度值區(qū)間內(nèi)對(duì)灰度進(jìn)行調(diào)節(jié)。數(shù)字圖像的灰度變化率和方向兩個(gè)特征起了主要的作用。數(shù)字圖像人臉邊緣檢測(cè)技術(shù)使用Robert邊緣檢測(cè)算子對(duì)每個(gè)像素點(diǎn)檢測(cè)，并對(duì)其進(jìn)行灰度變化率的量化及方向的確定。其公式如下：

G[f(x,y)]=

(3)

其中:f(x,y)是所有數(shù)字圖像像素點(diǎn)坐標(biāo)。

1.2 數(shù)字圖像處理技術(shù)提取人臉特征算法研究

人臉檢測(cè)過(guò)程中首要過(guò)程就是人臉特征的提取。所以用haar-like特征來(lái)表示數(shù)字圖像中人臉的特征，haar-like特征可以利用矩形模板計(jì)算數(shù)字圖像人臉特征值，該矩形模板由兩個(gè)或多個(gè)黑色和白色矩形組成，白色矩形的像素減去黑色矩形的像素就是數(shù)字圖像人臉特征的像素值。經(jīng)常使用的3種數(shù)字圖像人臉特征有(見(jiàn)圖1)：兩矩形、三矩形和四矩形的特征。

圖1 矩形特征

圖1中，A和B是兩矩形數(shù)字圖像人臉特征，兩矩形數(shù)字圖像特征值計(jì)算公式為：

V=S白-S黑

(4)

C是三矩形數(shù)字圖像人臉特征，三矩形數(shù)字圖像特征值計(jì)算公式為：

V=S白-2S黑

(5)

公式中S表示相同顏色矩形的和，V為數(shù)字圖像人臉特征值，D是四矩形數(shù)字圖像人臉特征，四矩形數(shù)字圖像特征值計(jì)算公式同A和B兩矩形數(shù)字圖像特征計(jì)算公式相同。

1.3 基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法

通過(guò)數(shù)字圖像處理技術(shù)提取人臉特征之后，為了挑選出有效的人臉特征，為此我們使用Adaboost分類(lèi)器對(duì)數(shù)字圖像中有效的人臉特征進(jìn)行選擇。在一幅24×24的圖像中可以提取出28萬(wàn)之多的人臉特征，而Adaboost分類(lèi)器可以在28萬(wàn)之多的人臉特征中挑選出對(duì)人臉檢測(cè)結(jié)果有用的人臉特征。Adaboost分類(lèi)器的具體流程如下：

1)給定樣本數(shù)字圖像為:

(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)

其中:yi∈{1,0}。

2)Fort=1,2,...,T(T表示Adaboost分類(lèi)器個(gè)數(shù))

(1)初始化數(shù)字圖像樣本權(quán)重:

(6)

其中:m是正樣本數(shù)字圖像人臉圖片樣本數(shù)，p是負(fù)樣本非數(shù)字圖像人臉圖片樣本數(shù);

(2)歸一化樣本權(quán)重:

(7)

使得權(quán)重ωt,i可以表示概率分布;

(3)每一個(gè)人臉特征都對(duì)應(yīng)一個(gè)Adaboost分類(lèi)器:

(8)

其中:pj表示一個(gè)指示數(shù)字圖像人臉邊緣不等式方向的參數(shù)，fj(x)表示數(shù)字圖像人臉特征值，θj表示數(shù)字圖像人臉邊緣不等式位置；

(4)選擇具有最小加權(quán)誤差εt的Adaboost分類(lèi)器ht；

(5)更新樣本權(quán)重ωt+1=ωt,iβet,j，其中:

(9)

(10)

3)最終Adaboost分類(lèi)器輸出為:

(11)

其中:

(12)

使用Adaboost分類(lèi)器流程圖如圖2所示。第一步將數(shù)字圖像人臉特征值輸入計(jì)算機(jī)內(nèi)，獲取正樣本(人臉圖片)和負(fù)樣本(非人臉圖片)，第二步，對(duì)目標(biāo)樣本提取Haar-Like特征，再利用Adaboost分類(lèi)器進(jìn)行挑選，選出達(dá)到數(shù)字圖像處理技術(shù)指定的虛警率，不符合的數(shù)字圖像人臉特征樣本的Haar-Like特征將保存到臨時(shí)文件中。第三步，將Adaboost分類(lèi)器輸出的人臉特征樣本輸入到計(jì)算機(jī)內(nèi)，進(jìn)行進(jìn)一步的處理。

圖2 Adaboost分類(lèi)器流程圖

2 實(shí)驗(yàn)結(jié)果與分析

為了證明本文提出的數(shù)字圖像處理技術(shù)在人臉檢測(cè)中的可行性，需要進(jìn)行仿真實(shí)驗(yàn)，該實(shí)驗(yàn)將在本市的實(shí)驗(yàn)高中進(jìn)行，高中所有高三學(xué)生都將參加本次實(shí)驗(yàn)，并結(jié)合編程Visual C++NET，在以2 G的內(nèi)存、P4 2.4 GHz的CPU為主的計(jì)算機(jī)上進(jìn)行數(shù)字圖像人臉檢測(cè)的仿真實(shí)驗(yàn)測(cè)試。本次實(shí)驗(yàn)的相關(guān)數(shù)據(jù)如下：數(shù)字圖像中人臉樣本5781張，數(shù)字圖像中正面人臉圖像3514張，數(shù)字圖像中非人臉圖像共7542張，所有的數(shù)字圖像素都調(diào)節(jié)為240×320，像每幅數(shù)字圖像都提取了35681個(gè)Harr特征。將提取出的Haar-Like特征輸入計(jì)算機(jī)，以真陽(yáng)性率和假陽(yáng)性率檢測(cè)指標(biāo)為衡量標(biāo)準(zhǔn)。計(jì)算機(jī)輸出的測(cè)試結(jié)果如圖3圖4所示。

圖3 人臉誤分為分人臉比例

圖4 非人臉誤分為人臉

從圖3圖4的檢測(cè)結(jié)果可以看出，想要得到較為理想的人臉檢測(cè)效果人臉特征數(shù)目應(yīng)控制在30個(gè)之后。

以相同的實(shí)驗(yàn)樣本對(duì)文獻(xiàn)[6]文獻(xiàn)[7]文獻(xiàn)[8]所提算法進(jìn)行人臉實(shí)驗(yàn)，并對(duì)4種方法的性能進(jìn)行比較。使用相同的實(shí)驗(yàn)數(shù)據(jù)，重復(fù)上述上人臉檢測(cè)實(shí)驗(yàn)。在試驗(yàn)中使用本文方法時(shí)。對(duì)人臉特征相關(guān)度設(shè)定閾值，設(shè)該閾值為ε=0.25。本實(shí)驗(yàn)將對(duì)這4中算法的結(jié)果進(jìn)行評(píng)估，用ROC曲線(xiàn)表示4種算法的特征曲線(xiàn)圖。人臉檢測(cè)的實(shí)驗(yàn)結(jié)果將由兩種方式表達(dá)，即陽(yáng)性(人臉)以及陰性(非人臉)，陽(yáng)性樣本又可以叫真陽(yáng)性，陰性樣本又被稱(chēng)為假陰性。假陰性用X軸表示，真陽(yáng)性率用Y軸表示。實(shí)驗(yàn)比較結(jié)果如圖5所示。

圖5 各種方法數(shù)字圖像人臉特征的曲線(xiàn)圖

表1顯示出這4種算法的算法性能穩(wěn)定時(shí)，使用的人臉特征數(shù)目，TPR、FPR、人臉檢測(cè)時(shí)間等數(shù)據(jù)。

表1 各種方法的結(jié)果對(duì)照

從圖5的數(shù)字圖像人臉特征曲線(xiàn)中可以看出，在人臉檢測(cè)性能方面，本文的方法效果最好，文獻(xiàn)[5-7]的算法都有較為突出方面，但總體來(lái)說(shuō)本文的數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法綜合性較強(qiáng)。但從表1中顯示的人臉檢測(cè)實(shí)驗(yàn)結(jié)果可以看出，想要達(dá)到比較穩(wěn)定的人臉檢測(cè)準(zhǔn)確率，這4種算法最少選取特征數(shù)目依次為80、75、45和34個(gè)。在4種方法中人臉檢測(cè)準(zhǔn)確率相差無(wú)幾，但本文方法提出的數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法需要提取的人臉特征數(shù)目最少，所以人臉檢測(cè)速度最快。

3 結(jié)論

針對(duì)當(dāng)前方法在人臉檢測(cè)的過(guò)程中需要提取的人臉特征數(shù)目較多、檢測(cè)速度較慢，從而降低了人臉檢測(cè)效率。提出一種基于數(shù)字圖像處理技術(shù)的人臉檢測(cè)算法。仿真實(shí)驗(yàn)結(jié)果表明，所提檢測(cè)方法所需人臉特征數(shù)據(jù)較少，可以快速準(zhǔn)確對(duì)人臉進(jìn)行識(shí)別檢測(cè)。

[1] 馬小虎,譚延琪.基于鑒別稀疏保持嵌入的人臉識(shí)別算法[J].Acta Automatica Sinica,2014,40(1):73-82.

[2] 張宏星,鄒 剛,趙 鍵,等.基于Gabor特征與協(xié)同表示的人臉識(shí)別算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2014,35(2):666-670.

[3] 林國(guó)軍,解 梅.一種魯棒協(xié)作表示的人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用研究,2014,31(8):2520-2522.

[4] 周 全,魏 昕,陳建新,等.一種基于稠密SIFT特征對(duì)齊的稀疏表達(dá)人臉識(shí)別算法[J].電子與信息學(xué)報(bào),2015,37(8):1913-1919.

[5] 謝 佩,吳小俊.基于Shearlet變換和均勻局部二值模式特征的協(xié)作表示人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用,2015,35(7):2056-2061.

[6] 唐雨佳,周李威,陳 耿,等.一種自適應(yīng)加權(quán)SpPCA單樣本人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用研究,2014,31(9):2856-2858.

[7] 陳立潮,張秀琴,潘理虎,等.煤礦考勤系統(tǒng)中人臉識(shí)別算法的研究[J].工礦自動(dòng)化,2015,41(4):69-73.

[8] 張順嵐,莫建文.基于雙目視覺(jué)的三維人臉識(shí)別算法[J].電視技術(shù),2014,38(9):214-217.

[9] 王慶偉,應(yīng)自爐.一種基于Haar-Like T特征的人臉檢測(cè)算法[J].模式識(shí)別與人工智能,2015,28(1):35-41.

[10] 賈海鵬,張?jiān)迫?袁 良,等.基于OpenCL的Viola-Jones人臉檢測(cè)算法性能優(yōu)化研究[J].計(jì)算機(jī)學(xué)報(bào),2016,39(9):1775-1789.

Research on Face Detection Algorithm Based on Digital Image Processing Technology

He Li，Luo Yanfang

(Wuchang Polytechnic College,College of electronic information engineering,Wuhan 430202,China)

In order to improve the accuracy and speed of detection of face detection, the need for research on face detection algorithm based on digital image processing technology. The current method is used for face detection, facial feature extraction need more number, the detection speed is too slow, reduce the face detection efficiency. Therefore, proposed a face detection algorithm based on digital image processing technology. The method first gets face digital image by gray space opened the digital image, the digital image gray uniform distribution, so as to improve the image contrast, the image is more clear, and then through the Wiener Wiener filtering algorithm for image smoothing of digital image processing after Denoising, based on the use of Robert operator edge detection method for detection of digital image edge face of each pixel, the basic image for face detection in digital image, the input to the recognition and detection of computer digital image processing system. Simulation results show that the proposed algorithm has obvious advantages in the detection speed and accuracy etc..

digital image; image processing; face detection

2017-03-25；

2017-04-24。

何 莉(1984-)，女，湖北黃岡人，工程碩士，講師，主要從事數(shù)字圖像處理方向的研究。

1671-4598(2017)07-0273-03

10.16526/j.cnki.11-4762/tp.2017.07.068

TP391

A