基于高斯膚色模型和圖像分割的人臉檢測

柳映輝，任德華，陳少杰

(天津科技大學計算機科學與信息工程學院，天津 300222)

基于高斯膚色模型和圖像分割的人臉檢測

柳映輝，任德華，陳少杰

(天津科技大學計算機科學與信息工程學院，天津 300222)

提出了一種基于HSV、YCgCr顏色空間和圖像區域分割的人臉檢測方法．首先，將規范化的rgb膚色轉化到HSV、YCgCr顏色空間，對向量(H，Cg，Cr)T進行統計，得到膚色的三維高斯概率模型．然后，根據該模型計算待檢圖像的膚色相似概率，采用最大類間方差的方法計算二值化閾值，根據閾值將相似度圖像二值化．為了抵消人臉區域亮度變化和陰影的影響，以二值圖像為模板，在原待檢圖像的飽和圖中根據3像素×3像素區域的平均R、G值進行圖像區域分割．在分割得到的區域中，根據人臉特征檢測出圖像中的人臉．實驗表明，提出的方法能在復雜背景的情況下檢測出人臉圖像．

人臉檢測；高斯模型；圖像分割

人臉檢測(Face Detection)的目的是判斷圖像中是否存在人臉，并要給出人臉的位置、大小、是否旋轉及旋轉角度等信息．隨著大量研究工作的展開，國內外研究者提出了各種各樣的人臉檢測方法．大部分的人臉檢測算法復雜度都較高，為了提高運算效率應盡可能地減少檢測的范圍．

基于顏色特征的方法作為人臉檢測的前期步驟可以快速地縮小檢測的區域，是一種有效的預處理方法[1]．因此，基于膚色信息的人臉檢測方法無論是作為檢測前期的預處理，還是作為檢測后期的結果確認，都是一種有效的手段．

Michael和James統計了大量膚色、非膚色圖像，根據RGB空間下的直方圖得到一個基于概率比值的膚色分類器[2]．但是在RGB顏色空間中，其顏色與RGB三個分量都有關系，無法做到顏色、亮度、飽和度信息的分離．劉萬春等[3]利用規范化rgb顏色空間中的分量r，g建立二維高斯模型來檢測人臉區域，并建立了一個自適應模型調整膚色模型的參數，然后采用擴展卡爾曼濾波器預測運動軌跡，在預測軌跡附近的一個區域進行膚色匹配以減少檢測范圍，最后采用特征匹配的方法檢測人臉．規范化的rgb顏色空間雖然能一定程度上減少亮度差異的影響，但是膚色在rgb空間中的分布離散性還是較大，當待檢測圖像之間的差異較大時采用該方法不容易取得好的效果．溫靜等[4]則把RGB圖像轉換到YCbCr顏色空間，并對Cb，Cr分量建立高斯混合模型(Gaussian Mixture Model，GMM)來初步檢測人臉，并配合基于人臉、非人臉特征統計模型的Bayes分類器進行人臉檢測．YCbCr空間雖然做到了亮度信息的分離，但是高斯混合模型參數的確定卻過于麻煩，并且非人臉的特征統計模型也是不容易獲得的．YCgCr顏色空間中膚色類聚性優于YCbCr顏色空間，張爭珍等[5]用YCgCr顏色空間中的Cg，Cr分量建立二維高斯模型進行人臉檢測．該方法僅利用了Cg，Cr分量，背景干擾較大．

本文在文獻[5]的基礎上，提出了采用(H，Cg，Cr)T向量建立高斯模型，先進行初步人臉區域檢測，然后進行圖像區域分割進一步確定出人臉，最后再利用特征判斷的方法得到人臉位置．由于加入了H分量，其與亮度信息無關，只與顏色相關，故可以在一定程度上減少背景干擾和亮度差異的影響，并且利用人臉區域連續性的特點，聯合采用圖像區域分割的方法，可以在復雜背景中檢測出人臉位置．

1 檢測原理

1.1 顏色空間轉換

在將RGB顏色空間的數值轉化到HSV、YCgCr顏色空間之前，為了進一步減少皮膚亮度的差異對檢測的影響，先將RGB顏色進行規范化，得到規范化的rgb值，轉換方法與標準方法[6]略有不同：

在此基礎上將規范化的rgb顏色轉化到HSV和YCgCr空間中，獲取(H，Cg，Cr)T三個分量．從rgb空間轉換到HSV空間的轉換公式為

經過上述步驟以后，可以將任意一個像素經過RGB→rgb→HCbCr轉換后得到混合顏色空間的膚色向量．將膚色向量中各個分量看作是隨機變量，即可根據膚色樣本圖像計算得到高斯模型．

1.2 高斯膚色模型

膚色向量為三維向量，故最終統計得到的高斯模型是多隨機變量的高斯模型．下面根據單隨機變量的協方差給出多隨機變量協方差矩陣的推導過程：

設X1，X2，…，Xn為一組隨機變量，這些隨機變量構成隨機向量X＝[X1，X2，…，Xn]T，每個隨機變量有m個樣本，則有樣本矩陣

其中αi(i＝1，2，…，n)行向量為隨機變量Xi所有樣本值，βi(i＝1，2，…，n)列向量為隨機向量X的單個樣本值．

隨機變量Xi，Xj之間的協方差可以表示為[7]則p(x)可以作為膚色相似度的衡量參數．進行人臉檢測時，把待檢測圖像中的每一個像素都進行計算，最后得到一副256灰度級別的膚色相似度圖像．圖像中每個像素的亮度值表示該像素與膚色的相似度大小：亮度值越高，則表示原圖像中該像素越接近皮膚的顏色．

根據膚色相似度圖像，采用最大類間方差的方法(Otsu法)進行圖像二值化，在二值圖像中白色的像素表示膚色點，黑色的像素表示非膚色點．從而，使用高斯膚色模型完成了膚色檢測的工作．一般情況下，人臉的區域會被檢測為膚色區域，只需在二值圖像中像素為白色的區域中進一步檢測就可以獲得人臉．當然，由于待檢測圖像的多樣性，例如光照不均勻、拍攝條件不一致、背景干擾等原因，采用高斯膚色模型得到的結果只能作為初選條件，結合其他檢測方法才能得到理想的結果．

協方差矩陣和樣本均值決定著人臉檢測的最終效果，而膚色樣本的選擇直接影響著上述協方差矩陣的值和樣本均值，只有當樣本圖像的(H，Cg，Cr)T向量真正符合高斯分布時，該模型才能獲得好的檢測結果．因此在選取膚色樣本時，應將樣本圖像中明顯差異度較大的圖刪除．

1.3 圖像區域分割

二值化膚色相似度圖后，人臉區域可能不連續(人臉被分裂為多個部分)或者不完整(人臉只保留一小部分)，單純使用二值圖像不容易得到完整、準確的人臉位置．由于原始圖像中的人臉區域一般是連續的，因此利用區域連續性可以從原始圖像中得到較為完整的人臉區域．

采用基于區域增長的方法來進行圖像分割，如何判斷區域連續性是一個關鍵問題．通過實驗發現，利用原始RGB顏色作為判斷依據時，照片拍攝條件的不一致導致很難找到一個通用的閾值來適應絕大多數的圖像，人臉區域分割的效果不理想．而將膚色轉換到HSV顏色空間時，H分量為紅色偏綠色，可以以此作為區域連續性判斷的依據，并且將飽和度S規范化為100%，有利于減少飽和度對連續性判斷的影響．飽和圖像中人臉顏色不包含藍色B分量，通過R、G分量來判斷某個點是在區域內還是在區域外．采用計算圖1所示3像素×3像素區域的R、G均值來判斷其中心點是否在區域內，判斷方法為

當(R，G，B)T滿足B＜0.01，R＞100，G＞30，R＞1.5,G時，P點是區域內的點；否則P點是區域邊緣的點．實驗發現通過如此處理的飽和圖RGB顏色，可以得到滿意的分割效果．

圖1 檢測區域舉例Fig.1 Example of detection area

區域增長算法如下：

(1)將膚色二值化圖像濾除干擾，得到相對干凈的二值化圖IB．

(2)將原圖中每個像素從RGB空間轉換到HSV空間，并令其H＝100，再將HSV值反算轉換到RGB空間，得到飽和圖像IS．

(3)以IB中白色點為起始點，在IS中按照上述的判斷方法進行區域搜索，得到區域Region．

(4)如果Region區域大于400像素，且其寬高比例介于[0.33，3]時，則將Region視為人臉區域，加入候選區域列表；否則轉到(3)繼續搜索下一個區域．

(5)當IB中所有白色點都搜索完畢時，區域增長算法結束，輸出候選區域列表．

這樣在二值圖像中不完整的人臉區域就被完整的查找出來了，當然以上粗略的判斷條件無法完全濾除非人臉區域，因此還要將候選區域中的非人臉濾除，才能得到最終結果．

1.4 非人臉區域濾除

從候選人臉區域中將不符合人臉特征的區域濾除，主要是根據人眼、人嘴的顏色特征和位置特征．候選區域先把H∈(0，30)∪(330，360)的部分保留，其他部分涂黑，再計算Cr2/Cg2，其中Cr2/Cg2要規范化到區間[0，255]．最后將Cr2/Cg2二值化并腐蝕兩次，得到的二值圖中白色區域的包圍矩形寬高比位于區間(1，10)時認為是人嘴的位置．根據嘴和眼睛的位置比例，計算區域中屬于人眼部分E1和E2的亮度值，如果二者亮度相近，且比周圍區域亮度低，則認為E1和E2就是人眼的位置．否則認為候選區域中不存在人臉，將其濾除．

2 實 驗

實驗圖像集來自于網上圖片和自拍照片，共計300副．樣本圖像是從圖像集中隨機選取50副，從50副圖中手工切割出200副小的人臉樣本圖像(刪除差異明顯的圖像)．然后用這200副人臉樣本圖像建立三維高斯膚色模型，得到的結果為

以單人和多人兩種情況為例，圖2為原始圖像，圖3為使用本文方法得到的膚色相似度圖．可以看出人臉區域亮度較高，具有較高的膚色相似度．區域分割圖見圖4，圖中的人臉在候選區域中被完整檢出，但是同時也有一些非人臉區域被檢出．圖5是濾除非人臉區域后的最終檢測結果．

圖2 原始圖像Fig.2 Original image

圖3 膚色相似度圖Fig.3 Skin color similarity image

圖4 區域分割圖Fig.4 Result of image segmentation

圖5 檢測結果Fig.5 Result of detection

本文方法與文獻[5]檢測方法的結果對比見表1.可以看出本文方法在單純的使用高斯膚色模型基礎上，增加了圖像區域分割的處理，因此檢測正確率有較大提高．

表1 實驗結果Tab.1 Result of face detection %

3 結 語

提出了一種基于HSV、YCgCr顏色空間和圖像區域分割的人臉檢測方法，先進行初步人臉區域檢測，然后進行圖像區域分割進一步確定出人臉，最后再利用特征判斷的方法得到人臉位置．由于加入了H分量，可以在一定程度上減少背景干擾和亮度差異的影響．利用人臉區域連續性的特點，采用圖像區域分割的方法，可以在復雜背景中檢測出人臉位置．但是在實驗的過程中，也發現了一些問題：

(1)采用Otsu算法進行圖像二值化的效果不理想，可能的原因是膚色相似度圖中灰度分布在低亮度區域過于集中，前景、背景之間無明顯分類差異，使本應歸于背景的一部分區域也變為了前景．

(2)基于膚色模型的檢測方法針對某類圖像具有較好的效果，當圖像成像條件過于多變時，正確檢測率會急劇降低．

以上問題尚需進一步的深入研究，以取得更好的檢測結果．

［1］黃福珍，蘇劍波. 人臉檢測[M]. 上海：上海交通大學出版社，2006：24–27.

［2］Jones M J，Rehg J M. Statistical color models with application to skin detection[J]. International Journal of Computer Vision，2002，46(1)：81–96.

［3］劉萬春，賈云得，徐一華，等. 基于膚色的人臉實時跟蹤方法[J]. 北京理工大學學報，2000，20(4)：461–465.

［4］溫靜，高新波. 一種基于膚色模型的貝葉斯人臉檢測算法[J]. 西安電子科技大學學報：自然科學版，2006，33(5)：773–777.

［5］張爭珍，石躍祥. YCgCr顏色空間的膚色聚類人臉檢測法[J]. 計算機工程與應用，2009，45(22)：163–165.

［6］馬淑燕，孔德慧，尹寶才，等. 基于膚色模型和橢圓環模板的人臉跟蹤及姿態估計[J]. 計算機工程與應用，2004，40(17)：50–55.

［7］帕普里斯，佩萊. 概率、隨機變量與隨機過程[M]. 保錚，馮大政，水鵬朗，譯. 4版. 西安：西安交通大學出版社，2004：164–169.

［8］楊光正，黃煦濤. 鑲嵌圖在人面定位中的應用[J]. 模式識別與人工智能，1996，9(3)：213–220.

Face Detection Based on Skin Color Gaussian Model and Image Segmentation

LIU Ying-hui，REN De-hua，CHEN Shao-jie
(College of Computer Science and Information Engineering，Tianjin University of Science & Technology，Tianjin 300222，China)

Based on HSV and YCgCr color space as well as image segmentation，an approach for face detection was put forward. First，the normalized rgb color was converted into HSV and YCgCr color space. Meanwhile the 3D Gaussian model was obtained by statistics of the vector(H，Cg，Cr)T. According to this model，the image similarity of skin color that is ready for being inspected could be calculated，and binary threshold could be attained through Otsu method. As a result，the threshold could binary the similarity image. In the application of binary image，the saturate image was segmented on the basis of the R，G component obtained by the 3 pixel×3 pixel region so as to offset the effect of brightness variation and shadow. In the areas of image segmentation，face was detected from the image by facial features. Experiment shows that the method can detect the image of face accurately in complicated background.

face detection；Gaussian model；image segmentation

TP391.41

：A

：1672-6510(2010)05-0064-04

2010-01-26；

2010-05-27

天津科技大學引進人才科研啟動基金資助項目（20060416）

柳映輝（1979—），男，山東棲霞人，講師，liuyinghui@tust.edu.cn.