CN105893946B - 一种正面人脸图像的检测方法 - Google Patents

Abstract

本发明提供一种正面人脸图像的检测方法，包括：步骤1）捕获视频图像；步骤2）图像预处理，包括：中值滤波、光照补偿及图像边缘处理；步骤3）基于级联分类器与关键特征点相结合的方法进行人脸检测；步骤4）利用关键特征点在二维平面上的几何关系，筛选出正面人脸图像。本发明改进了传统人脸检测过程中图像预处理的方法，在实现光照补偿和去噪的前提下，降低了对图像原有特征的干扰，通过改进的人脸检测方法，降低了基于AdaBoost级联分类器的人脸检测***的误检率，同时通过高斯分布函数加对特征点的局部灰度模型增加权重，提高了人脸关键特征点定位方法的效率。在人脸特征点精确定位的基础上，利用特征点在二维图像上的平面几何关系，筛选出正脸图像。

Description

一种正面人脸图像的检测方法

技术领域

本发明涉及视频图像处理领域，特别是涉及一种正面人脸图像的检测方法。

背景技术

随着国际安全形势的变化，公共安全越来越受到社会的重视。在人流密度较高的大型场合中的视频监控起着对危险人物的监测和危险活动的预警功能，同时也为公安机关破获案件提供有力的证据，但是现有的视频监控技术在智能化分析数据上还是不能满足社会的需求，例如指纹，虹膜等，仍需要测试对象的主动配合。

近年来，人脸因其具有高效的生物识别特征和隐蔽性，逐渐成为了视频监控的主要对象之一，人脸面部区域的检测通常是基于人脸生物特征进行智能识别与分析的关键步骤，现有的方法中大都以人脸整体，五官区域，人脸肤色以及人脸关键特征点这些面部不同的区域为检测对象，基于点状分布模型的主动形状模型方法可以快速定位到检测人脸关键特征点，能满足人脸检测实时性的要求，当光照和噪声的影响较大时，会导致搜索定位的准确度下降，不能满足***对稳定性的要求。对于基于主动形状模型在人脸关键特征点的定位过程中易受光照和噪声影响的缺陷，常常采用直方图均衡化方法对光照进行补偿，传统的方法会导致图像中的一些细节和边缘的消失，造成图像信息的丢失。在中值滤波抑制图像噪声的过程中，模板对于图像边缘上出现的噪声点往往无法涉及，其次，传统的中值滤波过程对图像中的每一个像素都做了处理，同时改变了非噪声的像素点的灰度值。这些方法在光照补偿和去噪的同时也破坏了原图像中的信息，对后期人脸特征的提取有一定的影响。所以人脸关键特征点检测中以光照补偿和噪声滤除为主的图像预处理方法的效率有待提高。

基于Haar-like特征的级联分类器可以检测人脸整体和五官区域，当分类器中的阈值较高时，一部分人脸目标对象会被当作非人脸对象，而被错误的分类。当分类器的阈值较低时，检测结果中的非人脸目标对象就会增多，从而导致检测精度下降，但是相比基于主动形状模型的人脸关键特征点检测，该方法利用了人脸区域内的特征，信息量较为充足，对人脸姿态和光照等因素有一定的鲁棒性。

综上所述，这两种方法在人脸检测中的结合将会提高检测的准确率和稳定性。同时识别自然状态下的脸难度相对来说比较大，不光受到光照、遮挡等不可抗力的影响，同时姿态的不一致更严重得损害了人脸识别器的泛化性能。而正脸筛选可以对自然状态下的脸进行“过滤”，找到那些姿态比较正的脸，这样在人脸识别的过程中，就不会受到姿态方面的影响，并且监控***的数据库中大部分对比数据都是人的正脸，因此检测正面人脸图像有重要的意义。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种正面人脸图像的检测方法，用于解决现有技术中监控***人脸检测的准确率不高，易受光照和噪声影响，以及人脸关键特征点检测技术的不足的问题。

为实现上述目的及其他相关目的，本发明提供一种正面人脸图像的检测方法，所述检测方法包括：步骤1)，输入捕获的视频图像作为原图像；步骤2)，将原图像转化为原灰度图像，通过中值滤波算法去除原灰度图像脉冲噪声，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图，然后通过灰度均匀的直方图实现对原图像的光照补偿，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像加权与经过直方图均衡后的图像相加，对原图像进行修正获得预处理图像；步骤3)，对预处理图像进行低阈值检测，标记出可能存在人脸的区域，然后在该区域中通过人脸关键特征点的定位筛选出不包含人脸的区域；步骤4)，利用关键特征点在二维平面上的几何关系，筛选出正面人脸图像。

作为本发明的正面人脸图像的检测方法的一种优选方案，步骤2)中，通过中值滤波算法去除原灰度图像脉冲噪声包括：步骤a)，对噪声设定分类阈值，确立高灰度噪声范围及低灰度噪声范围；步骤b)，采用模板进行滤波，在滤波过程中通过对模板中心像素点与模板中值比较，判断是否是噪声点。

优选地，步骤a)包括：对噪声设定分类阈值，以[0,60]为低灰度噪声范围，[200,255]为高灰度噪声范围。

优选地，步骤b)包括：步骤b-1)，对预处理图像矩阵第一行，第一列以及最后一行，最后一列内的像素点从上到下，从左往右移动模板至倒数第二行和倒数第二列所在的元素为止，判断模板区域中心点的像素值；步骤b-2)，进行高灰度噪声滤波，当模板区域中心点的像素灰度值i(x,y)，判断为高灰度噪声范围[200,255]时，进行如下操作：步骤b-2-1)，当i(x,y)是模板窗口覆盖区域内的最大值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；步骤b-2-2)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)>M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)>m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)<m(x,y)，判断i(x,y)不是噪声点，保持原值；步骤b-2-3)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)<M(x,y)时，判断i(x,y)不是噪声点，保持原值；步骤b-3)，进行低灰度噪声滤波，当模板中心点的像素灰度值i(x,y),判断为低灰度噪声范围[0,60]时，进行下列操作：步骤b-3-1)，当i(x,y)是模板窗口覆盖区域内的最小值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；步骤b-3-2)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)<M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)<m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)>m(x,y)，判断i(x,y)不是噪声点，保持原值；步骤b-3-3)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)>M(x,y)时，判断i(x,y)不是噪声点，保持原值。

作为本发明的正面人脸图像的检测方法的一种优选方案，步骤2)中，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图包括：步骤c)对原灰度图像统计每个灰度级i的出现概率p(i)，得到灰度变换公式：步骤d)，利用灰度变换公式改变原图像中每个像素点的灰度值I'(x,y)＝T(I(x,y))。

优选地，步骤2)中，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像I”(x,y)加权与经过直方图均衡后的图像相加：I*＝I'(x,y)+λI”(x,y)。

作为本发明的正面人脸图像的检测方法的一种优选方案，步骤3)包括：步骤3-1)，采用基于Haar-like特征的低阈值的AdaBoost级联分类器检测预处理图像中的人脸目标对象；步骤3-2)，采用形框标记出人脸及其周围的图像区域；如果未检测到人脸目标对象，则返回步骤1)，输入下一帧图像；步骤3-3)，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点，然后在该矩形框区域中通过人脸关键特征点的定位筛选出不包含人脸的区域。

作为本发明的正面人脸图像的检测方法的一种优选方案，步骤4)包括：步骤4-1)，输入步骤3)检测到的人脸目标对象的位置，以及左眼角，右眼角，左嘴角，右嘴角，鼻尖特征点的坐标位置；步骤4-2)，判断左右两眼角的连线与水平方向的夹角，若夹角小于阈值，进入步骤4-3)，否则返回步骤1)输入下一张视频图像；步骤4-3)，判断鼻尖特征点与左右两眼角的连线上的垂直平分线之间的距离，若该距离小于阈值，进入步骤4-4)，否则返回步骤1)输入下一张视频图像；步骤4-4)，对于同时在平面内和左右侧转方向的姿态变化的人脸，判断左右嘴角特征点连线的中点与左右眼角特征点连线的垂直平分线之间的距离，若该距离小于阈值，则该人脸目标对象最终判断为正面人脸，否则返回步骤1)输入下一张视频图像。

如上所述，本发明的正面人脸图像的检测方法，具有以下有益效果：本发明改进了传统人脸检测过程中图像预处理的方法，在实现光照补偿和去噪的前提下，降低了对图像原有特征的干扰，通过改进的人脸检测方法，降低了基于AdaBoost级联分类器的人脸检测***的误检率，同时通过高斯分布函数加对特征点的局部灰度模型增加权重，提高了人脸关键特征点定位方法的效率。在人脸特征点精确定位的基础上，利用特征点在二维图像上的平面几何关系，筛选出正脸图像。

附图说明

图1显示为本发明的正面人脸图像的检测方法的步骤流程示意图。

图2显示为本发明的正面人脸图像的检测方法的人脸关键特征点训练流程图。

图3及图4显示为本发明的正面人脸图像的检测方法所采用的中值滤波流程图。

图5显示为本发明的正面人脸图像的检测方法建立局部灰度模型的示意图。

图6显示为本发明的正面人脸图像的检测方法的人脸关键特征点定位搜索流程图。

图7及图8显示为本发明的正面人脸图像的检测方法中，根据特征点几何特征筛选正脸的示意图。

图9显示为本发明的正面人脸图像的检测方法的正面人脸判定流程图。

元件标号说明

S11～S14 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1～图9。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1～图9所示，本实施例提供一种正面人脸图像的检测方法，所述检测方法包括：

如图1所示，首先进行步骤1)S11，输入捕获的视频图像作为原图像。

如图1所示，然后进行步骤2)S12，将原图像转化为原灰度图像，通过中值滤波算法去除原灰度图像脉冲噪声，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图，然后通过灰度均匀的直方图实现对原图像的光照补偿，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像加权与经过直方图均衡后的图像相加，对原图像进行修正获得预处理图像。

作为示例，步骤2)中，通过中值滤波算法去除原灰度图像脉冲噪声包括：

首先进行步骤a)，对噪声设定分类阈值，确立高灰度噪声范围及低灰度噪声范围。

在本实施例中，包括：对噪声设定分类阈值，以[0,60]为低灰度噪声范围，[200,255]为高灰度噪声范围。

如图3及4所示，然后进行步骤b)，采用模板进行滤波，在滤波过程中通过对模板中心像素点与模板中值比较，判断是否是噪声点。

在本实施例中，步骤b)包括：

首先进行步骤b-1)，对预处理图像矩阵第一行，第一列以及最后一行，最后一列内的像素点从上到下，从左往右移动模板至倒数第二行和倒数第二列所在的元素为止，判断模板区域中心点的像素值；

然后进行步骤b-2)，进行高灰度噪声滤波，当模板区域中心点的像素灰度值i(x,y)，判断为高灰度噪声范围[200,255]时，进行如下操作：

步骤b-2-1)，当i(x,y)是模板窗口覆盖区域内的最大值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；

步骤b-2-2)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)>M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)>m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)<m(x,y)，判断i(x,y)不是噪声点，保持原值；

步骤b-2-3)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)<M(x,y)时，判断i(x,y)不是噪声点，保持原值；

接着进行步骤b-3)，进行低灰度噪声滤波，当模板中心点的像素灰度值i(x,y),判断为低灰度噪声范围[0,60]时，进行下列操作：

步骤b-3-1)，当i(x,y)是模板窗口覆盖区域内的最小值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；

步骤b-3-2)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)<M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)<m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)>m(x,y)，判断i(x,y)不是噪声点，保持原值；

步骤b-3-3)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)>M(x,y)时，判断i(x,y)不是噪声点，保持原值。

作为示例，步骤2)中，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图包括：

步骤c)对原灰度图像统计每个灰度级i的出现概率p(i)，得到灰度变换公式：

步骤d)，利用灰度变换公式改变原图像中每个像素点的灰度值I'(x,y)＝T(I(x,y))。

作为示例，步骤2)中，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像I”(x,y)加权与经过直方图均衡后的图像相加：I*＝I'(x,y)+λI”(x,y)。

如图1所示，接着进行步骤3)S13，对预处理图像进行低阈值检测，标记出可能存在人脸的区域，然后在该区域中通过人脸关键特征点的定位筛选出不包含人脸的区域；在本步骤中，首先选择低阈值的AdaBoost算法检测人脸，其次人脸特征点检测的方法对AdaBoost标定的人脸区域再检测。

作为示例，步骤3)包括：

步骤3-1)，采用基于Haar-like特征的低阈值的AdaBoost级联分类器检测预处理图像中的人脸目标对象；该类算法是目前为止在人脸检测领域中的效率高，实时性好。为了降低漏检率，本发明选择了低阈值的分类器，原理是高阈值的AdaBoost算法提高了人脸检测的漏检率，但可以降低误报率，而低阈值的AdaBoost算法降低了漏检率，却提高了误报率。

步骤3-2)，采用形框标记出人脸及其周围的图像区域；如果未检测到人脸目标对象，则返回步骤1)，输入下一帧图像。

步骤3-3)，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点，然后在该矩形框区域中通过人脸关键特征点的定位筛选出不包含人脸的区域，如图5所示。通过人脸检测与人脸关键特征点检测两个级联的步骤，可以提高最终检测正确率。

在本实施例中，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点的方法主要由三个部分构成，包括：形状模型的建立、关键特征点的局部灰度模型的建立以及待测图像关键特征点的搜索匹配。

步骤3-3-1)，形状模型的建立包括：

1)由n幅人脸图像组成的训练样本中，每一幅图像手工标定m个二维特征点{x_i,y_i},i∈1,...,m，这m个特征点组成形状向量S_i，所有图像的相撞向量组成一个学习集合L＝{(I_i,s_i)}|i＝1,...,m}；

2)平移每个样本使其重心位于坐标系原点,从训练集中任选一个样本(如第一个形状)作为平均形状的初始估计值，对该样本进行归一化,即

3)在L中任意选择一个形状做为标准形状，将其他形状对齐通过旋转，缩放和平移与标准形状对齐到同一个坐标系下，得到新的学***均形状与上一步的平均形状之差小于阈值时，进入步骤4)，否则返回步骤2)

4)对最终的学习集合L'做主成分分析，得到统计形状模型：

步骤3-3-2)，关键特征点局部灰度模型建立包括：

1)计算训练集中第j个样本上的第i个特征点的局部灰度向量g_ij

g_ij＝[g_ij1,g_ij2,...g_ij(2m＋1)]^T，

其中，m为特征点法线两侧采样的像素点个数。即以该特征点为中心，垂直于前后两个特征点连线的方向上分别选择的m个像素构成一个长度为2m+1的像素的灰度信息构成，其具体流程如图2所示。

2)加权的局部灰度模型的建立：第j个样本上的第i个特征点的灰度值的一阶导数向量g_ij：

g′_ij＝[(g_ij2-g_ij1),...(g_ij(m+2)-g_ij(m＋1)),...(g_ij(2m+1)-g_ij2m)]^T

利用高斯分布函数加权的一阶导数向量g″_ij

3)获得归一化的一阶导数向量G_ij：

4)标定点i加权后的灰度模型：

最终得到特征点i的局部灰度模型该加权灰度模型统计代表了标定点更多的信息量，在对目标图像的搜索过程中，能获得与真实特征点更为相近的候选点，从而使特征点定位更准确。

步骤3-3-3)，关键特征点的搜索定位，基于上述统计形状模型和局部纹理模型，给定一幅新的输入人脸图像I，ASM提取其中人脸形状的，如图6所示，基本过程如下：

1)令k＝0，用平均形状作为初始化形状S_t；

2)对当前形状在输入图像上的第i个特征点处的每个候选点，计算形状模型中与之对应的特征点与该候选点的马氏距离，在搜索过程中,对于每个当前位置的边界点，沿搜索方向在其两侧各取m个点,从这2m+1个点中每次取2k+1(m>k)个点的灰度与灰度模型进行比较,从2(m-k)+1个位置中找出最佳匹配位置。给出的距离度量，选择具有最小距离的那个点作为该特征点的新位置。

3)更新模型参数b_s，产生新的模型实例使模型与目标轮廓逼近，当s_t+1与s_t之间的差距满足阈值时，匹配结束，返回特征点的坐标向量，否则返回步骤1)。

传统的基于Haar-like特征的AdaBoost人脸检测算法，在分类器选择高阈值时，非人脸目标对象的误报率降低，而人脸目标对象漏检率也会升高。反之，在分类器选择低阈值时，人脸目标对象的漏检率降低，而非人脸目标对象的误报率会升高。因此，人脸检测的评价指标，本发明提出的方法，选择低阈值的AdaBoost级联分类器，降低了人脸目标对象的漏检率，但同时通过改进的人脸关键特征点检测的方法做进一步筛选，排除非人脸的目标对象，达到了降低误报率的效果。最终提高了整个***的检测正确率。另外，本发明改进了主动形状模型方法中的局部灰度模型的建立，与传统方法相比，考虑到建立各个关键特征点的局部灰度模型时，经过关键特征点P，在与前后两个特征点联线的垂直平分线平行的直线两侧，各个点之间的重要性依次减弱，所以引入高斯分布为关键特征点两侧的点赋予不同的权重，正确反映候选关键特征点的信息量。

如图1及图7～图9所示，最后进行步骤4)S14，利用关键特征点在二维平面上的几何关系，筛选出正面人脸图像。

作为示例，步骤4)包括：

步骤4-1)，输入步骤3)检测到的人脸目标对象的位置，以及左眼角，右眼角，左嘴角，右嘴角，鼻尖特征点的坐标位置；

步骤4-2)，判断左右两眼角的连线与水平方向的夹角，若夹角小于阈值，进入步骤4-3)，否则返回步骤1)输入下一张视频图像；

步骤4-3)，判断鼻尖特征点与左右两眼角的连线上的垂直平分线之间的距离，若该距离小于阈值，进入步骤4-4)，否则返回步骤1)输入下一张视频图像；

步骤4-4)，对于同时在平面内和左右侧转方向的姿态变化的人脸，判断左右嘴角特征点连线的中点与左右眼角特征点连线的垂直平分线之间的距离，若该距离小于阈值，则该人脸目标对象最终判断为正面人脸，否则返回步骤1)输入下一张视频图像。

如上所述，本发明的正面人脸图像的检测方法，具有以下有益效果：本发明改进了传统人脸检测过程中图像预处理的方法，在实现光照补偿和去噪的前提下，降低了对图像原有特征的干扰，通过改进的人脸检测方法，降低了基于AdaBoost级联分类器的人脸检测***的误检率，同时通过高斯分布函数加对特征点的局部灰度模型增加权重，提高了人脸关键特征点定位方法的效率。在人脸特征点精确定位的基础上，利用特征点在二维图像上的平面几何关系，筛选出正脸图像。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种正面人脸图像的检测方法，其特征在于，所述检测方法包括：

步骤1)，输入捕获的视频图像作为原图像；

步骤2)，将原图像转化为原灰度图像，通过中值滤波算法去除原灰度图像脉冲噪声，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图，然后通过灰度均匀的直方图实现对原图像的光照补偿，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像加权与经过直方图均衡后的图像相加，对原图像进行修正获得预处理图像；

步骤3)，对预处理图像进行低阈值检测，标记出可能存在人脸的区域，然后在该区域中通过人脸关键特征点的定位筛选出不包含人脸的区域，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点，然后在该矩形框区域中通过人脸关键特征点的定位筛选出不包含人脸的区域，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点的方法包括：关键特征点的局部灰度模型的建立，通过高斯分布函数对关键特征点的局部灰度模型增加权重；

步骤4)，利用关键特征点在二维平面上的几何关系，筛选出正面人脸图像。

2.根据权利要求1所述的正面人脸图像的检测方法，其特征在于：步骤2)中，通过中值滤波算法去除原灰度图像脉冲噪声包括：

步骤a)，对噪声设定分类阈值，确立高灰度噪声范围及低灰度噪声范围；

步骤b)，采用模板进行滤波，在滤波过程中通过对模板中心像素点与模板中值比较，判断是否是噪声点。

3.根据权利要求2所述的正面人脸图像的检测方法，其特征在于：步骤a)包括：对噪声设定分类阈值，以[0,60]为低灰度噪声范围，[200,255]为高灰度噪声范围。

4.根据权利要求3所述的正面人脸图像的检测方法，其特征在于：步骤b)包括：

步骤b-1)，对预处理图像矩阵第一行，第一列以及最后一行，最后一列内的像素点从上到下，从左往右移动模板至倒数第二行和倒数第二列所在的元素为止，判断模板区域中心点的像素值；

步骤b-2)，进行高灰度噪声滤波，当模板区域中心点的像素灰度值i(x,y)，判断为高灰度噪声范围[200,255]时，进行如下操作：

步骤b-2-1)，当i(x,y)是模板窗口覆盖区域内的最大值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；

步骤b-2-2)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)>M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)>m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)<m(x,y)，判断i(x,y)不是噪声点，保持原值；

步骤b-2-3)，当i(x,y)不是模板窗口覆盖区域内的最大值且i(x,y)<M(x,y)时，判断i(x,y)不是噪声点，保持原值；

步骤b-3)，进行低灰度噪声滤波，当模板中心点的像素灰度值i(x,y),判断为低灰度噪声范围[0,60]时，进行下列操作：

步骤b-3-1)，当i(x,y)是模板窗口覆盖区域内的最小值时，i(x,y)视为噪声点，同时取模板中值M(x,y)替代i(x,y)；

步骤b-3-2)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)<M(x,y)时，取M(x,y)所在的像素点为中心的2×2的新区域内的中值m(x,y),若i(x,y)<m(x,y)，则判断i(x,y)为噪声点，同时以M(x,y)替代i(x,y)；若i(x,y)>m(x,y)，判断i(x,y)不是噪声点，保持原值；

步骤b-3-3)，当i(x,y)不是模板窗口覆盖区域内的最小值且i(x,y)>M(x,y)时，判断i(x,y)不是噪声点，保持原值。

5.根据权利要求1所述的正面人脸图像的检测方法，其特征在于：步骤2)中，把原图像的灰度直方图通过灰度变换函数修正为灰度均匀分布的直方图包括：

步骤c)对原灰度图像统计每个灰度级i的出现概率p(i)，得到灰度变换公式：

步骤d)，利用灰度变换公式改变原图像中每个像素点的灰度值I′(x,y)＝T(I(x,y))。

6.根据权利要求5所述的正面人脸图像的检测方法，其特征在于：步骤2)中，对原灰度图像进行高斯平滑滤波和Canny算子检测图像边缘处理，处理后的新图像I”(x,y)加权与经过直方图均衡后的图像相加：

I*＝I′(x,y)+λI”(x,y)。

7.根据权利要求1所述的正面人脸图像的检测方法，其特征在于：步骤3)包括：

步骤3-1)，采用基于Haar-like特征的低阈值的AdaBoost级联分类器检测预处理图像中的人脸目标对象；

步骤3-2)，采用形框标记出人脸及其周围的图像区域；如果未检测到人脸目标对象，则返回步骤1)，输入下一帧图像；

步骤3-3)，采用基于点状分布模型的主动形状模型ASM方法定位矩形框区域的人脸关键特征点，然后在该矩形框区域中通过人脸关键特征点的定位筛选出不包含人脸的区域。

8.根据权利要求1所述的正面人脸图像的检测方法，其特征在于，步骤4)包括：

步骤4-1)，输入步骤3)检测到的人脸目标对象的位置，以及左眼角，右眼角，左嘴角，右嘴角，鼻尖特征点的坐标位置；

步骤4-2)，判断左右两眼角的连线与水平方向的夹角，若夹角小于阈值，进入步骤4-3)，否则返回步骤1)输入下一张视频图像；

步骤4-3)，判断鼻尖特征点与左右两眼角的连线上的垂直平分线之间的距离，若该距离小于阈值，进入步骤4-4)，否则返回步骤1)输入下一张视频图像；

步骤4-4)，对于同时在平面内和左右侧转方向的姿态变化的人脸，判断左右嘴角特征点连线的中点与左右眼角特征点连线的垂直平分线之间的距离，若该距离小于阈值，则该人脸目标对象最终判断为正面人脸，否则返回步骤1)输入下一张视频图像。