人臉圖像檢測與正規化的研究

張海偉 ， 紀玉波

（1.遼寧石油化工大學 計算機與通信工程學院，遼寧 撫順 113001；2.撫順職業技術學院 信息工程系，遼寧 撫順 113006）

隨著時代的進步與國民生活水平的提升，人們對于個人隱私與生活環境的安全性有著越來越高的要求，需要一個安全且可靠的環境，即需要對人員身份進行有效的監控與管理。傳統的卡片與密碼這種身份識別方式已經無法滿足人們的需求，因此身份識別演變為希望使用個人與生俱來且獨一無二的生物信息來進行識別，這就是生物識別技術。

目前所使用的生物識別技術中，較廣泛運用的有指紋識別、掌紋識別、虹膜識別與人臉圖像識別，其中指紋與掌紋識別雖然快速方便，但是需要身體與設備直接接觸，容易成為疾病的傳播途徑，識別設備也有可能因為接觸污染而造成識別率下降或設備損壞。而虹膜識別雖然不需直接接觸，但亦需要人眼與設備在近距離下才能完成識別，且眼睛比身體其他部位更容易造成感染。因此上述生物識別技術中，只有人臉圖像識別能夠在非接觸的情況下進行身份識別，并且能夠與監控視頻相結合，集成環境監控與人員身份識別于一體。目前人臉圖像識別主要運用于大樓門禁系統、城市智能系統與環境安全監控等領域[1]。

一般人臉識別研究通常僅針對公開通用的人臉資料庫或是自制的人臉資料庫進行檢測和識別，省略了從實際場景中進?人臉檢測選擇與圖像正規化的階段。因此本文從實際復雜背景環境下進?人臉圖像檢測與正規化，提高了識別率。

1 相關技術介紹

1.1 基于色彩分割的人臉圖像檢測

此方法為最常見的人臉偵測方法，主要利用人體的膚色特征進行色彩過濾，再對得到的二值化圖像進?區域條件判斷。例如：人臉橢圓形狀、人臉對稱性、人臉五官特征相對位置等[2]，判斷原則為根據人臉具有的相關特征，盡可能排除非人臉的區域范圍，最后得到可能的人臉區域。

1.2 基于Adaboost算法的人臉圖像檢測

Adaboost（Adaptive Boosting）算法是由 Freund 與 Schapire所提出的，是目前十分熱門的人臉圖像識別方法，針對每次實驗中錯誤的樣本資料進行權重的調整，提高錯誤分類樣本的出現機率，對錯誤分類進行修正，從而逐漸降低錯誤率[3-4]。圖1中的弱分類器 （weak classifier）為一次實驗所得到的結果，由于每次實驗會針對上個分類器的錯誤分類進行修正，因此將實驗所得的弱分類器組合，成為一個具有足夠分類能力的分類器，稱之為強分類器（strong classifier）。

圖1 Adaboost分類器結構Fig.1 Structure diagram of Adaboost classifier

該算法的主要目的是希望通過實驗的方式，從眾多Haar-like的矩形特征之中去除錯誤分類樣本，挑選出一些最能夠判斷是否為人臉的矩形特征，其流程如下：

Step0:給定一組實驗樣本集合 S={（x1，y1），…，（xn，yn）}與一群 Haar-like 特征集合 F={f1，f2， …，fm}， 其中 xi∈X 而 yi∈{0，1}，yi=0表示 xi樣本非人臉圖像，yi=1表示 xi樣本為人臉圖像。每張樣本圖像通過式（1）給定初始權重w1，i，其中m為正例（positive）樣本個數，l為反例（negative）樣本個數。

Step1:假設希望實驗結果有T個弱分類器，則需要進行T次挑選演算（t=1，…，T），將會得到T個弱分類器代表著被挑選出的T個Haar-like特征。每次的挑選需要進行以下幾個步驟：

Step1.1:正規化實驗樣本權值，使權值相加總和為1。

Step1.2:利用實驗樣本資料集X與所有矩形特征F進行分類對應。如式（2）所示，hk表示fk矩形特征所對應的分類函數，即一個候選的弱分類器，其中θ為特征區塊的閾值，p為不等式方向參數。因為有m個矩形特征，所以將得到m個候選弱分類器。每個候選弱分類器可以分別統計出分類的錯誤率 ε，如式（3）所示。

Step1.3:從所有候選分類器hk中挑選出具有最低分類錯誤率的候選弱分類器，當作此次實驗所得到的弱分類器。

譯文 Fairest of all God’s trees,the orange came and settled here.

Step1.4:利用式4更新實驗樣本權值。減小正確分類樣本的權值，未被正確分類的樣本權值則保持不變。

Step2:經過T次的實驗后得到T個弱分類器，最后的實驗結果將T個弱分類器通過線性組合的方式集結成為一個強分類器，如式（5）所示。

使用Adaboost算法進行人臉特征挑選后，可以得到如圖2所示的強分類器架構，其中包含多個人臉弱分類器，每個弱分類器包含一個矩形特征與分類可信度αi，因此一個圖像區域只要經過每個弱分類器并統計可信度，即可決定出該區域是否為人臉區域。

為了更進一步提升人臉檢測率與減少計算的復雜度，需要將分類器進行串接，如圖3所示，快速的排除非人臉區域，減少需要計算的區域數量，并且針對可能的人臉區域做更多特征判斷，因此能夠兼顧運算速度與人臉檢測的正確率。

圖2 人臉檢測分類器架構圖Fig.2 Structure diagram of face detection classifier

圖3 分類器串接圖Fig.3 Diagram of classifier cascading

1.3 人臉圖像檢測正規化的原理

圖像旋轉是一種基本的圖像調整方法，用以修正各個圖像中不同角度的差異[5]。假設圖像中一個像素點位于（x，y）坐標點，在經過θ度旋轉后，像素點位移至新的坐標點（x’，y’），兩個坐標點之間的映射關系如式6所示。可以由圖4得知整張圖像旋轉前后的相對關系，旋轉后原圖像的部份區域會因為旋轉而超出圖像的表示范圍，也會有部份圖像區域沒有對應的來源像素點，因此在實際操作上會利用式7，通過目標圖像的每個坐標點，直接計算對應的原始圖像坐標點并取得像素值，若發生非整數坐標點或是沒有對應坐標的情形，則使用圖像插補（Interpolation）的方式產生像素點。

2 人臉檢測與正規化實驗

2.1 人臉檢測

人臉識別系統所輸入的圖像通常包含有人物與背景兩種信息，而人物的人臉信息為識別系統所關心的部份，因此排除背景信息并檢測出圖像中人臉大致位置是關鍵的一步。在灰度人臉檢測的方法上，主要利用Adaboost與Haar-like特征實驗方法，將事先采集好的人臉特征分類器并以125×125為初試區域大小，對整張輸入圖像做全面的區域特征對比，每掃描完一次，將搜尋區域放大1.3倍再次進行人臉區域特征對比，直到分類器取得人臉范圍或是無法繼續放大特征區域為止，利用這種檢測方法能夠快速的得到人臉的位置，但是也會有錯誤的情況發生[6]。

圖4 圖像旋轉圖Fig.4 Diagram of image turning

為了避免灰度特征檢測的誤判情況，引入了彩色圖像信息進行判斷，主要利用人臉偵測常用的膚色過濾方法。首先將選擇區域轉換成 YCbCr色彩空間，通過如式（8）、（9）所示的條件取得膚色二值化圖像，最后利用選擇區域的膚色范圍比[如式（10）]與膚色密度比[如式（11）]計算來排除人臉檢測錯誤，完整人臉檢測流程如圖5所示[7]。

圖5 人臉檢測流程Fig.5 Flow chart the work of face detection

2.2 人臉正規化

經過人臉檢測處理后，得到的人臉除了正臉以外，也有可能得到一些傾斜的人臉，取得雙眼坐標 eL（x，y）、eR（x，y），取得斜率me，由斜率可以得知旋轉角度和方向，從而進行正規化處理，如圖6所示。

圖6 正規化對比圖Fig.6 Diagram of illumination normalization

3 實驗結果

通過結合灰度特征檢測與膚色過濾檢測的方法，所使用的時間如圖7所示，較傳統的特征方法有明顯的減少，以40人的樣本數為例，灰度與膚色過濾檢測結合的方法所用時間為傳統方法的1/3。

圖7 所用時間趨勢Fig.7 Diagram of time trend

圖8 識別率的差異Fig.8 Diagram of recognition rate

文中將人臉正規化處理作為必要手段，統計了處理前后隨著樣本數變化在識別率方面的差異，如圖7所示。實驗結果表明經過人臉正規化處理后能夠有效提升識別系統的識別率，以40人的樣本數為例，未經過正規處理的識別率為73.8%，而經過正規處?的識別率為91.6%，在識別率方面提升了17.8%。

4 結 論

在本文中，研究了一個用于復雜場景中進行實時檢測人臉的識別方法。利用彩色圖像膚色密度計算的方式，改善了原本僅針對灰度圖像進行人臉檢測的誤判情況。為了能夠提高識別率，我們提出了人臉檢測正規化的方法，通過實驗結果證明，該方法行之有效，能夠大幅減少所用的時間。雖然本文實現了一個復雜場景下之實時人臉檢測，但是在真實應用環境中還有很多因素會對識別效果造成影響，例如：光線與人臉各種表情變化等，這些項目是我們未來改進的方向。

[1]孫寧，鄒采榮，趙力.人臉檢測綜述[J].電路與系統學報，2006，11（6）:101-108.SUN Ning，ZOU Cai-rong，ZHAO Li.Survey on human face detect[J].Journal of Circuits and Systems，2006，11（6）:101-108.

[2]王昊鵬，劉澤乾.基于特征提取與認證的彩色圖像人臉檢測[J].電子設計工程，2012，20（1）:171-176.WANG Hao-peng，LIU Ze-qian.Face detection of the color image based on feature extraction and authentication[J].Electronic Design Engineering，2012，20（1）:171-176.

[3]劉剛，王立香.MATLAB數字圖像處理[M].北京:機械工業出版社，2010.

[4]柯麗，溫立平.改進的AdaBoost人臉檢測方法[J].光電工程，2012，39（1）:113-118.KE Li，WEN Li-ping.Face detection based on modified AdaBoost algorithm[J].Opto-Electronic Engineering，2012，39（1）:113-118.

[5]彭群生，鮑虎軍，金小剛.計算機真實感圖形的算法基礎[M].北京:科學出版社，1999.

[6]歐凡，劉沖.人臉圖像灰度分布統計分析與檢測特征設計[J].大連理工大學學報，2010，50（4）:528-533.OU Fan，LIU Chong.Statistic analysis of gray distribution on human face images and detection feature design[J].Journal of Dalian University of Technology，2010，50 （4）:528-533.

[7]何光宏，潘英俊，吳芳.基于膚色特征和動態聚類的彩色人臉檢測[J].光電工程，2004，31（11）:47-50.HE Guang-hong，PAN Ying-jun，WU Fang.Colorful human face detection based on skin color features and dynamic clustering[J].Opto-Electronic Engineering，2004，31（11）:47-50.