基于膚色和Adaboost算法的人臉檢測

摘 要:人臉檢測是人臉識別的第一環節，也是非常關鍵的環節。試驗中主要針對靜態彩色圖像進行人臉檢測，研究膚色在人臉檢測中的應用。不同圖像背景、人臉的可變性和光照條件變化都增加了人臉檢測的難度。因此，從一幅圖像中檢測人臉是一項具有挑戰性的任務。采用Adaboost 的人臉檢測，并提出膚色與Adaboost 算法相結合的人臉檢測方法。對輸入的彩色圖像進行從RGB 空間到YCbCr 空間的轉換，然后進行膚色分割，排除背景干擾，最后用Adaboost 算法對可能區域進行檢測，得到人臉位置。實驗表明，該方法誤檢率低，魯棒性好，對人臉檢測有較強的實用性。

關鍵詞:人臉檢測;Adaboost算法;Haar特征;膚色分割

中圖分類號:TP391文獻標識碼:A

文章編號:1004-373X(2010)06-131-04

Face Detection Based on Skin Color and Adaboost Arithmetic

FU Wei，KONG Xiangdong

(Information Institute，Yanshan University，Qinhuangdao，066004，China)

Abstract:Face detection is the first link and a key link in face recognition.static color image is used for detecting human face，and the primary research is skin color application in face detection.Different image background，face variability and change in light conditions have increased the difficulty of face detection.Therefore，face detection from an image is a challenge.Adaboost algorithm is used to detect human face，and a new method of face detection，which combines skin color with Adaboost is presented.Conversion of the input image from RGB to RCbCr，and then skin color is segmented，background interference is excluded，Adaboost is used to get face location from possible regional.Experiments show that this method has low rate of 1 detection，good robustness，and strong practicality to face detection problem.

Keywords:face detection;Adaboost;Haar;skin segmentation

人臉作為人類最重要的外部特征，在人與人的通信交流中起著極為重要的作用。隨著人機交互技術日益成為人工智能領域中的研究熱點，人臉的檢測已成為計算機視覺中一個備受關注的研究方向，在虛擬現實和人機交互等領域有廣泛的應用前景。目前，人臉檢測方法主要有基于顏色特征的方法、人工神經網絡方法、Adaboost 算法、主分量分析方法、模板匹配方法等。針對人臉檢測，各國的科研人員做了很多研究。國外的有CMU，MIT 等，國內的有微軟亞洲研究院、中科院計算所、中科院自動化研究所，清華大學等[3]。長期以來，人臉檢測受到檢測精度和檢測速度的困擾[4]，直到Paul Viola 和Michael Jones于2001年提出基于Adaboost 算法的人臉檢測方法，才極大地提高了人臉檢測的速度和精度，使人臉檢測技術真正走向實用。但是，Adaboost 算法只是運用了人臉的灰度特征，有一定的局限。在此，提出一種膚色與 Adaboost 相結合的人臉檢測方法，利用膚色分割和基于Adaboost 算法的人臉檢測既能快速地檢測不同大小及一定旋轉角度的人臉，又能快速準確地檢測出多人臉圖像。

1 光線補償

考慮到膚色等色彩信息經常受到光源顏色、圖像采集設備中色彩偏差等因素的影響，在整體上偏離本質色彩而向某一方向移動，即通常所說的色彩偏冷、偏暖，照片偏黃、偏藍等。為了抵消這種整個圖像中存在著的色彩偏差，將整個圖像中所有像素的亮度從高到低進行排列，取前5%的像素，如果這些像素的數目足夠多(例如，大于100)，就將它們的亮度作為“參考白”[5]，將它們的R，G，B分量值都調整為最大的255。整幅圖像的其他像素點的色彩值也都按這一調整尺度進行變換。

2 膚色分割

研究發現[5]，雖然不同人的皮膚顏色相差很大(特別是不同人種之間)，但它們在色度上的差異遠遠小于亮度上的差異，為利用皮膚顏色在色度空間的聚類性，需要把圖像中表達顏色的色度信息與亮度信息分開。通常將圖像中獲取的用RGB三基色顏色分量表達的色彩空間轉換為色度信息與亮度信息分開的色彩表達空間即可達到目的。文中，膚色分割只作為人臉圖像的預處理階段，所以對精度的要求低，僅僅能去除掉大部分的非人臉區域即可，以便為下一步的人臉檢測減少運算量，縮減運算時間。經實驗得知，在YCbCr空間，膚色在Cb和Cr信息上都在一個比較穩定的分布范圍內:80≤Cb≤135，136≤Cr≤177。符合這個區域的都將被認為是皮膚區域，進入下一輪的Adaboost算法檢測。

在本文實驗中，選用YCbCr空間作為膚色分布統計的映射空間，該空間的優點是受亮度變化的影響較小，而且是兩維獨立分布的，能較好地限制膚色分布區域[7]。在YCbCr顏色空間中，Cb和Cr分別表示藍色和紅色的色度，具有在HSV模型中將亮度分離的優點，而且還可以從RGB格式經線性變化得到[8]，因此以它為基礎的變換模型應用非常廣泛。RGB 空間可按公式(1)轉換到YCbCr 空間:

Y=0.299R+0.587G+0.114B

Cb=-0.168R-0.331 3G+0.5B

Cr=0.5R-0.418 7G-0.081 3B(1)

因為人臉區域在圖片中占有一定的比例，如果連通區域小于一定的閾值，就將該連通區域去除。這樣就可以有效去除由于彩色圖像轉換和二值化所造成孤立點噪聲的影響。

3 Adaboost算法

3.1 Haar特征

Adaboost用于人臉檢測是基于特征的方法，而不再基于像素。在訓練和檢測時需要從人臉中抽取大量的簡單特征，這里的特征是一種由矩形構成的特征向量，可以稱為Haar特征。

Haar特征有幾種典型的特征模板，它們是兩矩形特征、三矩形特征和四矩形特征。

如圖1所示，每個特征模板中矩形區域的大小是一樣的，對于一個圖像，可以在圖像中任意位置放入任何尺寸的特征，但前提是不能超出圖像的區域。人臉的一些特征能夠由矩形特征簡單地描繪，例如，通常眼睛要比臉頰顏色更深，鼻梁兩側要比鼻梁顏色更深，嘴巴要比周圍顏色更深。所以構造這種Haar特征可以反映出一定的人臉特性。

矩形特征值指圖像上兩個或多個形狀大小相同的矩形內部所有像素灰度值之和的差值。在系統中統一采用白色區域所有像素灰度值之和減去黑色區域所有像素灰度值之和。具體而言，一個兩矩形特征的特征值是這兩個矩形各自內部所有像素和的差值，這兩個矩形擁有相同的大小和形狀，并且是垂直或者水平相鄰的;一個三矩形特征的特征值是由兩邊兩個矩形各自內部所有像素及與中間矩形內部所有像素和的差值得到的;一個四矩形特征的特征值是由對角線上兩個矩形各自內部所有像素和的和與另一對角線上兩個矩形各自內部所有像素和的和之間的差值得到的。

圖1 Haar特征模板

為了加快Haar特征的計算，Viola 等提出積分圖像的定義，積分圖能夠在多種尺度下，使用相同的時間來計算不同的特征，因此大大提高了檢測速度。通過引入積分圖像(Integral Image)技術，使得這些矩形特征可以在常數時間內快速計算，從而在有效表示人臉特征的同時，提高計算速度。下面介紹如何在每個像素點位置計算其積分圖像的值。

如圖2所示，(x，y)點的積分圖像就是圖中陰影區域的所有像素i(x′，y′)的灰度之和。其中x′≤x，y′≤y，即(x，y)的積分圖像值為:

ii(x，y)=∑x′≤x，y′≤yi(x′，y′)(2)

圖2 積分圖像

積分圖的求解十分簡單，耗時也非常少，借助于下面的公式，經過對原始圖像的一次遍歷就可以獲得原始圖像的積分圖像值為:

s(x，y)=s(x，y-1)+i(x，y)(3)

ii(x，y)=ii(x-1，y)+s(x，y)(4)

式中:s(x，y)表示行積累和，并且初始條件為s(x，-1)=0，ii(-1，y)=0。

3.2 Adaboost算法描述

Adaboost是一種迭代算法，其核心思想是針對不同的訓練集訓練一個弱分類器，然后把在不同訓練集上得到的分類器集合起來，構成一個強分類器。在Adaboost算法中，每個訓練樣本都被賦予一個權重，表明它被某個分量分類器選入訓練集的概率。如果某個樣本點已經被準確地分類，那么在構造下一個訓練集中，它被選中的概率就被降低;相反，如果某個樣本點沒有被正確分類，那么它的權重就得到提高[4]。通過T輪這樣的訓練，Adaboost算法能夠“聚焦于”那些較困難的樣本上，綜合得出用于目標檢測的強分類器。

算法過程如下:

(1) 給定一個訓練集{(x1，y1)，(x2，y2)，…，(xn，yn)}。其中，xi是輸入的訓練樣本向量，yi∈{0，1}，yi=0表示非人臉樣本，yi=1表示人臉樣本。

(2) 初始化樣本的權重:

ω1(xi)=1n，i=1，2，…，n(5)

(3) 進行T輪訓練，t=1，2，…，n，歸一化樣本權重:

ωt(xi)=ωt(xi)∑nj=1ωt(xj)(6)

(4) 對于每個特征j，訓練一個簡單分類器hj(x):

hj(x)=1，pjfj(x)

0，其他(7)

式中:θj是一個閾值;pj=±1，用來控制不等式的方向，然后算出每個特征j所對應的分類錯誤率:

εj=∑ni=1ωi(xi)|hj(xi)-yi|(8)

選出分類錯誤類最低的簡單分類器作為弱分類器ht(x)，將該錯誤率記為εt，調整所有樣本權重:

ωt+1(xi)=ωt(xi)βt，xi被ht正確分類

ωt(xi)，其他(9)

式中:βt=εt1-εt。

通過對正反例進行分析，選擇錯誤率最低的T個弱分類器，優化成一個強分類器。最終的強分類器為:

H(x)=1，∑Tt=1αtht(x)≥12∑Tt=1αt

0，其他(10)

式中:αt=-log βt。

以上訓練過程的意義可以表述為:每一次迭代過程在當前概率分布上找到一個具有最小錯誤率的弱分類器，然后調整概率分布，降低當前弱分類器分類正確樣本的概率值，以突出分類錯誤的樣本，使下一次迭代更加針對本次的不正確分類，即針對更“困難”的樣本，使得那些被錯分的樣本得到進一步重視。這樣，后面訓練提取的弱分類器就會更加強化地對那些分類錯誤樣本的訓練。

4 實驗結果

實驗運行環境:CPU為PentiumⅣ 2.4 GHz，768 MB DDR內存，操作系統為Windows XP SP3，在MatLab 7.0仿真軟件上編程實現。

在網絡訓練中，選取ORL人臉數據庫作為實驗的人臉庫。共有40個不同年齡、不同性別和不同種族的對象，由每個對象10幅圖像共計400幅圖像組成，圖像尺寸為92×112，圖像背景為黑色。其中，人臉部分表情和細節均有變化，例如笑與不笑，眼睛睜著或閉著，戴或不戴眼鏡等，人臉姿態也有變化，其深度旋轉和平面旋轉可達20°，人臉的尺寸也有最多10%的變化。該庫是目前使用最廣泛的標準數據庫。選取前5張照片作為訓練使用，后5張照片作為測試使用。

同時從互聯網上下載200幅包含各種環境下不同復雜背景、不同尺寸的人臉圖像，包括單人臉圖片樣本和多人臉圖片樣本，對這些圖像進行了測試，除了極少數受遮擋、光照條件干擾的圖像外，多數圖像都能準確、快速地檢測到人臉。

實驗的結果顯示，人臉檢測的正確率達到90%以上。圖3~圖5給出了三個多人臉樣本的實驗結果樣圖。由于篇幅原因，實驗二、三沒有列出在膚色分割后的圖像上進行檢測的結果，矩形框標出了檢測到的人臉區域。

圖3 實驗結果(一)

圖4 實驗結果(二)

圖5 實驗結果(三)

可以看出，圖4(b)顯示測試2的檢測結果中有人臉漏檢的情況，這是由于前面人對后面人的臉部有一定的遮擋，造成了漏檢。可見，由于照片拍攝時的一些遮擋干擾，造成人臉區域不滿足某個分類器的Haar 特征，因此被分類器排除，造成了漏檢。

5 結 語

人臉檢測是一類復雜的模式識別問題。本文提出一種膚色信息和神經網絡相結合的快速人臉檢測方法。實驗表明，這種方法可以快速有效地從彩色圖像中檢測出人臉。 在保證檢測精度的同時，極大地提高了人臉檢測速度，且受光照變化的影響較小。

參考文獻

[1]梁路宏，艾海舟，徐光祜，等.人臉檢測研究綜述[J].計算機學報，2002，25(5):49-456.

[2]趙明華，游志勝，穆萬軍，等.基于膚色分割、數學形態學和幾何方法的人臉檢測[J].四川大學學報，2005，42(3):617-620.

[3]盧春雨，張長水，聞方，等.基于區域特征的快速人臉檢測法[J].清華大學學報:自然科學版，1999，39(1):101-105.

[4]Rowley H A，Baluja S，Kanade T.Neural Network-based Face Detetion[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，1998，20(1):23- 28.

[5]Yang Jie，Lu W，Wa Bel A.Skin Color Modeling and Adaptation.Proc.of the 3rd Asian Conference on Computer Vision[C].London:Springer Verlag，1998:687-694.

[6]Jones M J，Rehg J M.Statistical Color Models with Application to Skin Detection[J].Technical Report Series，Cambridge Research Laboratory，1998，46(1):81-96.

[7]Zarit B D，Super B J，Quek F K H.Comparison of Five Color Models in Skin Pixel Classification.Proc.of the Int′l Workshop on Recognition，Analysis and Tracking of Faces and Gestures in Real-Time Systems[C].1999:58-63.

[8]Sobottka K，Pitas I.Face Localization and Feature Extraction Based on Shape and Color Information[A].Proc.IEEE Int′l Conf.Image Processing.1996:483-486.

[9]陳健，周利莉.一種基于Haar小波變換的彩色圖像人臉檢測方法[J].微計算機信息， 2005，21(18):64-66.

[10]趙楠.基于Adaboost 算法的人臉檢測[D].北京:北京大學，2005.

Viola P，Jones M.Rapid Object Detection Using a Boosted Cascade of Simple Features.IEEE Conference on CVPR′ 2001.USA:IEEE Computer Society Press，2001:511- 518.

Viola P，Jones M.Robust Real-time Face Detection [J].International Journal of Computer Vision，2004，57(2):137-154.

趙江，徐魯安.基于AdaBoost算法的目標檢測[J].計算機工程，2004，30(4):125-126.

鄧亞峰，蘇光大，傅博.一種基于Adaboost 的快速動態人臉檢測算法[J].計算機工程，2006，32(11):222 -224.

張洪明，趙德斌，高文.基于膚色模型、神經網絡和人臉結構模型的平面旋轉人臉檢測[J].計算機學報，2002，25(11):1 250-1 256.

潘志庚，鄒鵬程，梁榮華，等?；谔卣魅四樅湍w色統計的人臉檢測[J].系統仿真學報，2004，16(6):1 346-1 349.