由下而上的以特徵為基礎的方法

人臉通常不是正面，有可能有不同的姿勢，例如側面，低頭等，還有不同影

(1)膚色(Skin Color)

膚色已經被證實可當成是偵測與追蹤人臉的有效特徵，藉由判斷影像中那些

選好代表膚色的顏色空間後，接下來就是要建立膚色模型，最簡單的膚色模 型就是直接規定顏色範圍 【11】，例如當選用的顏色空間為 YCbCr，統計收集的 膚色像素來規定 Cb 的範圍是[Cb₁,Cb₂]，Cr 的範圍是[Cr₁,Cr₂]。如果一個測 試像素的 Cb 與 Cr 值都落在這兩個範圍內，則認為此像素的顏色是膚色。

Ｃrowley 和 Coutaz 【12】用長方條代表的統計圖 (histogram) 來建立膚色模 型，令h ,

( )

( )

(

)

(

)

＞τ，則認為此測試像素的顏色是膚色。

除了非參數的方法外，單一高斯模型 【13】與高斯混合模型 【6】也有人 用來建立膚色模型。單一高斯模型的參數只有一個平均值與一個共變異數矩陣，

這兩個參數可由收集的膚色像素計算得到，至於高斯混合模型的參數有高斯元件 的個數、每個高斯元件的平均值與共變異數矩陣與權重，這些參數可用 EM 演算 法來計算得到。至於用長方條代表的統計圖(histogram)或用高斯混合模型來建 立膚色模型比較好沒有一定的標準答案，陳等人 【14】則認為當收集的膚色像 素比較少且具代表性時，用高斯混合模型來建立膚色模型較好；當收集的膚色像 素很多且在顏色空間的範圍很廣時，用長方條代表的統計圖來建立膚色模型較 好；Jones 等人 【15】則認為用長方條代表的統計圖(histogram) 來建立膚色 模型較好，並有佐以實驗證明。

另外，Chow 等人 【16】則認為一個像素一個像素的去判斷是不是膚色並不 適當，因為眼睛、眉毛、頭髮等不是膚色的地方加上臉部有些小地方可能不會被 判斷成膚色，造成判斷出的人臉區域會是破碎分離的，這時還要再用形態上的運 算(morphological operation)去做處理，把破碎的人臉區域合併成一個完整的 人臉區域，但是形態上的運算有其缺點，因為若破碎的人臉區域分隔的有點遠，

則無法被合併，又或是有些小區域根本不屬於人臉區域也被合併到人臉區域。所 以 Chow 等人提出了一個以區域為主(Region-Based)的膚色判斷方法，首先把測 試影像做降取樣(downsampling)，例如從 640×480 的大小降取樣成 80×60，然

後以 Comaniciu 等人 【17】提出的均值移動分段（Mean Shift Segmentation）

把 影 像 分 割 成 好 幾 個 顏 色 相 同 的 區 域 ， 然 後 再 做 升 取 樣 (upsampling) 回 640× 480 的大小，降取樣(downsampling)的目的除了加速影像分段(Image Segmentation) 外，最重要的作用是把眼睛、鼻子以及嘴巴區域都併入膚色，因 為這些臉部特徵在降取樣的影像中會變的很小，以至於在影像分段(Image Segmentation)時會被合併到與臉部其他部分屬於同一個分段(區域)。將測試影 像做完分段後，因為每個分段(區域)有相同的顏色，所以測試影像中同個分段可 同時用膚色模型去判斷是否為膚色。

(2)臉部特徵(Facial Feature)

Chetverikov 和 Lerch 【18】提出一個簡單的人臉偵測方法，他們認為人臉 可用兩團暗點代表眼睛，三團亮點代表兩頰與鼻子，並且可用條紋來代表人臉、

眉毛和嘴唇的輪廓，所謂的條紋是由相近的邊界(edge)所組成。首先降低影像的 解析度並通過拉普拉斯濾波器(Laplacian Filter)，接下來偵測影像中所有聚集 成一團的亮點或暗點，然後取任意兩團暗點與三團亮點，判斷兩個條件，第一個 條件是這兩團暗點是否與其中一團亮點形成一個三角形，第二個條件是這三團亮 點是否形成另一個三角形且這兩個三角形同方向；如果兩個條件都成立的話，最 後再驗證三件事，第一件事是三團亮點中是否只有一團亮點被條紋所包圍，第二 件事是兩團暗點的上方是否都有細長狀的條紋，第三件事是是否有一個橢圓形的 條紋包圍這五團亮點與暗點，若全都符合的話則認為這兩團暗點與三團亮點形成 人臉。

Han 等人 【19】認為人臉中最不易被其他因素影響而可靠的特徵是眼睛，

因為眼睛部份的灰階值比其附近的灰階值低，所以影像中在包含眼睛與其附近的 區 域 的 灰 階 值 形 成 一 個 山 谷 ， Han 等 人 利 用 形 態 上 的 運 算 (morphological operation) ， 包 括 關 閉 (closing) 、 相 減 (clipped difference) 、 門 檻 值 (thresholding)等取出可能是眼睛的像素，然後把相鄰的眼睛像素連接形成眼睛 部份，將所有的眼睛部份兩個兩個配對，在配對的同時可估計人臉的範圍區域，

最後用一個訓練好的類神經網路去驗證此範圍區域是否為人臉。