基于信息融合的新的人臉檢測算法

摘要：本文基于色度與亮度信道提出了一種新的人臉檢測模型，色度信道采用膚色分割、區域增長、橢圓估計技術檢測人臉；亮度信道采用簡化的SVM分類算法檢測人臉。并且在AR人臉數據庫與UCS顏色空間基礎上分析了該算法的性能，結果表明該算法在UCS空間下的性能優于YCbCr與HSV空間。

關鍵詞： KL變換；UCS；SVM；AR人臉數據庫

1、整體算法流程與顏色空間轉換

算法流程如圖1所示，利用KL變換把RGB顏色空間變換到三維不相關顏色空間UCS，用以提高顏色模式識別的性能[1][2]。

；、、表示紅色、綠色、藍色對應的像素，t表示矩陣轉置。

KLT變換矩陣 ；協方差矩陣的特征向量 、 ；；通過等式 將RGB顏色空間變換到3D UCS。

2、基于色度的檢測和對色度檢測的交叉驗證

第一步：膚色分割，彩色圖像的像素是否屬于膚色是由膚色分類算法決定的，好的膚色分類算法應該能夠適用于白色、黑色、黃色、棕色等不同的膚色類型。

1）UCS(C1C2C3)空間的膚色檢測規則由下列不等式給出

； ；

三個不等式中的門限參數由UCS的直方圖計算得出

2）YCbCr空間的膚色檢測規則由下列不等式給出

；

倆個不等式中的門限參數由CbCr直方圖計算得出

3）YCbCr空間的膚色檢測規則由下列不等式給出

;;

第二步：區域增長，為了抗噪聲，并且適應不同的亮度條件，進行區域增長算法。

第三步：橢圓判決，人臉的形狀可以用一個橢圓來近似，這里采用Sobottka和Pitas的算法[3]。

利用另一種不同人臉檢測算法（SVM）對色度分支中檢測出的人臉候選區域進行驗證，此時SVM的檢測水平低于SVM被用于第一次檢測時候的水平。

3、基于亮度的檢測和對亮度檢測的交叉驗證

對于亮度分支的人臉候選區域的檢測，我們采用性能優良的SVM分類器算法。然而SVM算法與其他方法相比占用更多的運行時間，本文簡化了SVM算法的復雜度，支持向量集合被更小的、被稱為簡化的綜合輸入空間點[4][5]。實驗結果表明，在人臉檢測中該算法的速度比未加限制算法的速度快三分之二。這一過程的輸出提供臉部矩形候選區域的參數。SVM用19*19像素的灰度的等級來訓練和測試。

對亮度檢測的結果進行交叉驗證確保臉部候選區域包含一些重要的類膚色色素。

4 、判決融合

判決的目標是要避免重復判決，也就是相同的區域避免多次判決。判決規則如下：

1）被亮度驗證的色度信道檢測結果優先級高，其次是被色度驗證的亮度信道檢測結果

2）比較大的臉部候選區域優先級高

5 、實驗結果

為了估計此檢測模型的性能，我們從眾所周知的AR人臉數據庫中選取了218幅圖片進行驗證。

圖2、圖3、圖4中a表示輸入圖像； b表示膚色分割圖像；c表示有聯系的部分；d表示亮度信道檢測結果；e表示輸出圖像。圖2人臉檢測中，亮度信道檢測結果被色度信道驗證，色度信道在人臉檢測中失敗，因為在背景中存在類膚色色素，但最終結果輸出正確。圖3人臉檢測中，色度與亮度信道檢測結果均正確，利用判決融合規則，得出最終輸出結果e。在圖4中色度檢測結果正確，亮度檢測結果失敗，最終判決得出結果e。

TP表示正確檢測的人臉個數，FN表示錯誤檢測的人臉個數，FP表示非人臉區域列為人臉的個數，T表示正確與錯誤檢測的人臉總數，CTP表示色度信道檢測正確并被亮度信道驗證的人臉個數，LTP表示被亮度信道檢測正確并被色度信道驗證的人臉個數，TP=CTP+LTP。

；；； NO.Color space TPCTPLTPFPFNCDRFPR

CCDRLCDR

1UCS18213052343683.4915.60

71.4328.57

2CbCr1708189404877.9818.35

47.6552.35

3HSV15011436406868.8118.35

76.0024.00

參考文獻

[1]V.E. Neagoe， “An optimum 2D color space for pattern recognition”， Proc. of the 2006 International Conference on Image Processing， Computer VisionPattern Recognition (ICPV'08)， WORLDCOMP'06， Las Vegas， Vol. 2， 2006， pp. 526-532.

[2]V.E. Neagoe， “Decorrelation of the color space， feature/decision fusion， and concurrent neural classifiers for color pattern recognition”， Proc. of the 2008 International Conference on Image Processing， Computer Vision Pattern Recognition (ICPV'08)， WORLDCOMP'08， LasVeas， 2008， pp. 28-34.

[3]K.Sobottka and I. Pitas， Face localization and facial feature extraction based on shape and color information”， Proc. International Conference on Image Processing， Vol.3， 1996， pp. 483-486.

[4]W.Kienzle， G.Bak#305;r， M. Franz， and B.Schoelkopf， “Face detection efficient and rank deficient”， Proc. of the Eighteenth Annual Conferen on Neural Information Processing Systems. Vancouver， 2004.

[5]E. Osuna and F. Girosi， “Reducing the run-time complexity in support vector machines”， Advances in Kernel Methods–Support Vector Learning. MIT Press， Cambridge， 1999， pp. 271–284.