一種融合膚色和Haar特征的人臉檢測方法*==空格錯誤

林景亮,唐 杰

(廣西師范大學 職業技術師范學院,廣西 桂林 541004)

人臉檢測作為人臉信息處理的一個重要內容，在人臉識別中占有非常重要的地位。目前，人臉檢測的主要方法一般有4類：(1)基于知識的自頂向下方法。用先驗知識把人臉歸結成一些復雜程度由簡至繁的規則，如眼睛對稱，灰度圖像中眼睛區域要比其他地方暗等，然后根據這些特點進行判別；(2)基于人臉特征的自底向上方法。用各種方法對圖像進行處理提取某些特征，然后利用此特征與人臉共性特征進行比較來判斷是否為人臉，如輪廓、紋理等；(3)基于模板匹配的方法。首先建立并存儲一些人臉模板作為標準，利用算法計算待檢測區域與模板的相似度或相關性，確定其是否為人臉；(4)基于人臉外觀（表象）的方法。利用大量人臉的整體外觀，用結構化方法來訓練人臉檢測分類器，如神經網絡、支持向量機（SVM）等。

膚色是人臉的重要信息，不依賴人臉的細節特征，對旋轉、表情等具有相對穩定性，且在圖像像素比較低的情況下都能使用，這是基于Haar特征的方法所不具有的。但在多人情況下，基于Haar特征的方法卻有很好的檢測效果。本文結合兩種方法的優點，提出了一種融合膚色和Haar特征的人臉檢測方法。

1 檢測算法

1.1 基于膚色模型的方法

對于彩色人臉圖像，人的膚色經常會受到環境的影響而在整體上偏離本質色彩向某一方面移動，圖像在生成、傳輸等過程中也會受到各種噪聲源的干擾而使圖像質量變差。為此，在建立膚色模型前需利用光線補償來抵消圖像的色彩偏差并且通過平滑處理來消除圖像的噪點。

平滑處理可以用加權平均的方法消除。設圖像大小為 H×W，g(x,y)為圖像上任意一點坐標，以該點為中心取出一個n×n的窗口(鄰域)，經平均后輸出的該中心像素灰度值為 g*(i,j)，并設加權平均數以 M(i,j)表示，則加權鄰域平均表示為：

通常n越大平滑效果越好，但計算量也越大，考慮到這兩方面，本文采用的鄰域為3×3的窗口。經過預處理后就可以獲得質量較好的圖像。為了避免在RGB色

1.2 基于Haar特征的方法

將AdaBoost算法與基于積分圖的Haar-like特征結合起來實現對人臉檢測的方法是2001年由VIOLA P和JONE M首先提出的[4]。該方法用Haar-like特征表示人臉，采用“積分圖”實現特征值的快速及時提取,同時利用AdaBoost機器學習算法訓練最能代表人臉的矩形特征 (弱分類器)，按照加權投票的方式構造成強分類器，再用級聯的方式將多個分類器組成更為復雜的分類器，從而快速排除背景區域來獲取人臉。典型的Haar-like特征如圖3所示。

2002年 LIENHART R等人[5]將 Haar特征進行了擴彩空間中色度信息和亮度信息混合在一起對膚色分割不利,參考文獻[1]直接使用RGB色彩空間通過線性變換得到的YCbCr色彩空間進行膚色聚類。但簡單地排除Y分類在二維的Cb-Cr子平面中尋求膚色的聚類區域是不可行的，需對YCbCr色彩格式進行非線性分段色彩變換，以得到YCbCr色彩空間[2]。

基于膚色模型，對圖像進行膚色分割，如圖1所示，將非膚色的區域和膚色區域分開。但在背景復雜的圖像中，與膚色相似的區域非常多且形狀大小不一。為了降低誤檢率，本文使用了快捷有效的人臉區域分割算法[3]進行處理。此外，為了提高人臉區域提取算法的速度，本文采用掃描的方法對圖像進行遍歷，將與非膚色像素點相鄰的膚色像素點提取出來作為膚色區域的邊界。顯然，經過了膚色分割以及去噪處理后的圖像提取出來的邊界都是各自閉合的，其點與點之間的相鄰關系遵循四連通原則。為了獲得準確的人臉區域，還需對其進行歸并處理：對于大矩形內部的小矩形，用大矩形將其包含；對于兩個相交的矩形，用一個大的矩形將其包含。經過歸并處理后，最終輸出的矩形就是人臉區域，如圖2所示。展，引入了旋轉特征，擴展了目標識別的手段，且擴展后的Haar特征同樣適用于積分圖計算。積分圖計算即在圖像處理的初期建立一個積分圖像(Integral Image)，它是一種數字圖像表示方法，對于任意像素點 P(x,y)，積分圖就是其左上方所有像素灰度值之和：

利用式(2)、式(3)遍歷圖像便可以計算出整個積分圖矩陣，各區域的計算為：1點的數值是矩形A的像素和，2點的數值是A+B，3點的數值是 A+C，4點的數值是 A+B+C+D。所以D區域的像素和為4+1-(2+3),如圖4所示。

獲得積分圖的矩形特征，利用AdaBoost對其進行訓練來構建強分類器，具體算法流程可參考文獻[4]。每層的強分類器經過閾值調整，被上層分類器錯誤接受的非人臉應被下層分類器正確地排除，同時保證人臉通過所有的分類器來提高檢測率。對于人臉檢測，AdaBoost選擇權重最高的幾個矩形特征。第一個特征關注的是包含眼睛的區域總是比鼻子和面頰的矩形區域亮度上更暗（亮度值小于某個閾值）。這個特征與人臉大小以及位置無關。第二個特征表示的是眼睛所在的區域總是比鼻梁所在的區域亮度更暗。

基于Haar特征的方法是目前人臉檢測最有效的方法之一，但亦存在著幾個明顯的缺點：(1)對于背景中與人臉結構類似的物體常被誤檢為人臉；(2)對于有遮擋的不完整人臉常被漏檢；(3)對于圖像像素較低的圖像漏檢情況非常嚴重，甚至出現無法檢測的現象。

1.3 融合膚色和Haar特征的方法

膚色信息作為人臉的重要特征，不但可以用于人臉檢測的前期預處理，還能作為后驗證方法來排除錯檢的非人臉區域。在圖像像素較低時，基于膚色模型的方法依然具有很好的魯棒性，且對人臉姿態、表情等具有很好的穩定性。但由于區域分割使用了歸并處理，在多人圖像人臉靠得比較緊密時，其漏檢和錯檢的概率大大增加。而基于Haar特征的方法卻能在多人檢測時表現出良好的檢測性能。文本基于膚色模型和Haar特征的兩種方法的優點，提出了一種融合兩種方法且用膚色進行后驗證處理的新方法。算法步驟如下：

(1)輸入圖像；

(2)判斷圖像像素Ω；

(3)若像素 Ω〈閾值 δ，則進行膚色檢測，輸出檢測結果，檢測結束；

(4)若像素 Ω〉閾值 δ，則進行 Haar特征檢測；

(5)膚色后驗證，輸出檢測結果，檢測結束。

該算法在檢測之前首先對圖像像素數進行判斷，對于像素較低的人臉圖像，使用基于膚色模型的方法進行檢測。此外，對單人和多人圖像用進行人工分類，使用基于Haar特征方法對多人人臉圖像進行檢測。在輸出檢測結果前，用膚色信息進行后驗證處理，排除錯檢的非人臉區域，從而得到最終輸出的人臉矩形區域。

2 實驗結果與分析

本文在Intel(R)Core(TM)2 Duo T5670@1.80 GHz CPU,2 GB內存，Windows Vista Home Basic 32位操作系統環境下，使用VS C++2008進行編程，在 Caltech Faces 1999 Databas人臉檢測庫和自建人臉庫上進行實驗。

不同像素下的檢測結果如圖5所示。實驗利用Caltech Faces 1999 Databas進行測試時，基于膚色模型的方法檢測率達到100%，基于Haar特征的人臉檢測方法檢測率亦高達100%，但同時有6%的誤檢率，且其中有8張圖片出現重復檢測的現象，如圖5(a)所示。當將圖片像素減低時,如從 896×592變換為 300×264，基于 Haar特征的方法無法檢測人臉區域，如圖5(d)所示，而基于膚色模型的方法卻能準確檢測,如圖5(c)所示，這也證明了本文利用基于膚色模型的方法檢測低像素圖像人臉區域的可行性。

為了進一步驗證算法在不同像素下對人臉圖像的檢測情況，在Caltech Faces 1999 Databas中隨機選用8張圖像，將每一張圖像像素值修改為 50×50、100×100、200×200、250×250 和 300×300 5種格式共 40 張圖像，此外還收集了10張不同人數和背景的多人圖像進行實驗，實驗結果如表1所示。由實驗結果可見，本文算法的總體檢測結果明顯優于參考文獻[4]中的方法。

表1 不同檢測方法的實驗結果

本文針對彩色圖像提出了一種融合膚色和Haar特征的人臉檢測方法。這種方法綜合利用了人臉的膚色信息和基于Haar特征的正面人臉結構，組成了一個能用于低像素圖像和單人、多人圖像下的有效檢測方法。該方法在Caltech Faces 1999 Databas人臉檢測庫實驗和低像素圖像實驗中都取得了良好的檢測效果，但由于沒有有效的多人人臉檢測庫，本文自建庫多人樣本有限。下一步的工作，將致力于復雜背景下對人臉區域快速有效的檢測方法研究。

[1]SINGH S K,CHAUHAN D S,VATSA M,et al.A robust skin color based face detection algorithm[J].International Tamkang Journal ofScience&Engineering,2003,6(4)：227-234.

[2]HSU R L,MOTTALEB M,JAIN A K.Face detection in color images[C].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5)：696-706.

[3]求實科技,張宏林.精通Visual C++數字圖像模式識別技術及工程實踐[M].北京：人民郵電出版社,2008.

[4]VIOLA P,JONES M.Robust real-time object detection[J].International Journal of Computer Vision,2002,57(2)：137-154.

[5]LIENHART R,MAYDT J,An extended set of Haar-like features for rapid object detection[C].IEEE ICIP 2002,2002,1(9)：900-903.