基于HS-CbCrCg膚色模型的人臉檢測算法

張 莉，汪烈軍，鐘森海

基于HS-CbCrCg膚色模型的人臉檢測算法

張 莉，汪烈軍，鐘森海

（新疆大學信息科學與工程學院，新疆烏魯木齊830046）

傳統的人臉檢測方法對于復雜背景彩色圖像中人臉區域檢測效果不理想。本文首先對不同光照條件下的輸入圖像進行光補償和圖像增強的預處理，然后利用HS-CbCrCg顏色空間建立膚色模型對圖像進行膚色判別，之后用改進的Adaboost算法檢測膚色區域的人臉信息，最后對重點區域重檢測判別出確信人臉。實驗數據表明，此方法對比傳統的人臉檢測方法，處理速度更快同時能夠降低人臉漏檢率和誤檢率。

人臉檢測分割；HS-CbCrCg膚色模型；改進的Adaboost；重檢測

1 引 言

人臉識別技術的應用在日常生活中幾乎無處不在。

對于人臉檢測，國內外專家學者提出過很多算法，如ZhiLiu［1］等人提出的基于人臉注意模型和種子區域生長與融合的方法確定人臉。Jie Yang［2］等人提出利用對皮膚顏色和表情的分析粗略定位，再通過廣義對稱變換對眼睛和嘴巴精確定位。Sayantan Thakur［3］等人提出的利用RGB-HS-CbCr的一些閾值約束條件來檢測人臉。這些方法，雖然能夠在一定程度上克服光線干擾、姿態角度等問題，但是對于具有復雜信息的自然圖像在漏檢率和誤檢率上卻仍存在著不足。

由于膚色區域包含人臉，且對姿態角度不敏感，因此常被用來進行復雜圖像的人臉檢測［4－5］。因此本文針對改善漏檢率和誤檢率，首先對輸入圖像進行光補償及圖像增強的預處理，并首次利用HS-CbCrCg空間建立的膚色模型分割出膚色區域，再利用改進的Adaboost算法在膚色區域檢測人臉，最后對重點區域重檢測并標出確信人臉。算法流程如圖1所示。

圖1 本文算法流程

2 膚色區域的檢測與分割

2.1 光補償與圖像增強

對于不同光照環境下的圖像，人臉顏色所表現出的特征也不同。因此，為了消除復雜光源對圖像的影響，本文先對輸入圖像進行光照補償。一幅大小為M×N的圖像，光補償過程通過以下公式聯立實現：

其中，Rij是圖像中某點處的R值；Rs是圖像所有點的R值的總和；Ravg是圖像中所有點的平均R值。用同樣的方法分別求出圖像中G值與B值的總和Gs與Bs，以及圖像中G、B的平均值GavgBavg，通過下式求出圖像的平均灰度Grayavg：

最后通過下式求出圖像RGB空間各個分量調整的系數Kr；

G、B分量的系數Kg、Kb同法可求得。

用求出的系數與原圖RGB分量分別相乘，就得出了光線補償后的圖像。

對消除了光干擾的圖像，用空間濾波的方法增強，使之后的檢測與分割過程更清晰精確。

2.2 膚色空間的選取與模型建立

所有數據求平均值，利用Excel2007、DPS6.01軟件對實驗數據進行新復極差Duncan多重比較顯著性分析。

對于膚色的描述，有很多顏色空間可以選取，不同的膚色在同一顏色空間中具有一定的聚類特性。本文選取了200幅皮膚樣本圖片，發現膚色在CgCr、CgCb、CbCr、HS上的分布都具有很好的聚類性，如圖2所示。因此本文提出，利用HS-CbCrCg顏色空間特性判別膚色區域。首先通過HS分量的閾值分割，再利用CbCrCg分量擬合出橢圓膚色模型［6］。

根據讀入皮膚樣本圖片在HSV空間上的分布，本文取0＜＝H＜＝50，0.1＜＝S＜＝0.8作為膚色初步判別的邊界。再在CbCrCg空間利用直接最小二乘法擬合橢圓膚色模型。將坐標系由CbCr轉換為以左上角為坐標零點的XY坐標系。再提取出膚色聚類區域的邊界。二次曲線方程在一定約束條件下可以表示為橢圓：

其約束條件為4ac－b2＝1；其中a、b、c、d、e、f是系數，x、y是點的坐標，F（x）是橢圓曲線函數。

圖2 各空間膚色樣本聚類結果

令X為坐標相關的集合［x2，xy，y2，x，y，1］；a為系數的集合［a，b，c，d，e，f］T。

這時最小二乘擬合問題就轉化為了如下問題：

落在橢圓內部和邊緣的點，就是類膚色的點，而落在橢圓外部不是膚色區域。

CbCg空間和CgCr空間用同樣的方法擬合出橢圓模型，再將三者合并得到膚色模型。對經過膚色模型判別后的二值圖像通過膨脹和腐蝕消除孔洞后，保留白色區域對應的彩色信息，黑色部分對應區域仍然保留為黑色，就分割出了皮膚區域。

3 改進的Adaboost算法人臉檢測

為了克服傳統Adaboost算法檢測速度慢并且誤檢率較高的缺點，本文采用改進的Adaboost算法，通過設置分類器的初始閾值構建分類器，根據分類器檢測結果的返回值更新分類器閾值，最后將更新閾值后的弱分類器訓練成強分類器。利用這種強分類器結合膚色區域檢測人臉。

3.2 人臉Haar特征的提取

在Adaboost人臉檢測過程中，首先通過建立與人臉特征相同并且能夠區別于非人臉區域的特征模板，對Haar特征快速計算得到相應的特征值。使用Haar特征和一些擴展的矩形特征判別人臉。本文用到的Haar特征如圖3所示。

圖3 Haar特征模板

3.3 構建分類器

改進的Adaboot算法［7］避免了用分類器來查找閾值，縮短了訓練時間，降低了人臉漏檢率。具體流程如圖4所示。

圖4 改進的Adaboost算法對膚色區域檢測人臉流程

4 重點區域重檢測

在復雜背景圖像中一些區域具有與人臉局部區域相似的特征，分類器有時會將其誤判為人臉。對上步中已被判為人臉的區域檢測是否有人眼和嘴巴存在，以判斷確信人臉，降低誤檢率。

5 實驗結果分析

本文所提出的人臉檢測算法包含的每個處理步驟都在MATLAB 9.0軟件下進行了編程實現。為了驗證本文算法的優越性，選擇了來自日常生活中手機、相機拍攝，互聯網圖像、視頻截圖的100張不同背景、光照條件、角度的包含人臉的圖像進行人臉檢測。100張圖片中共包含人臉480個，檢測結果統計如表1所示。

表1 檢測結果統計

圖5是本文進行人臉檢測流程的一個例子，圖（a）至圖（d）是各步驟的處理結果。

圖5 圖像各步處理結果

由圖5可以看出，本文算法能夠克服光照不均勻對圖像的影響并正確檢測標記出圖像中的全部人臉信息。

以下是一些經本文算法檢測人臉后的圖例，如圖6所示。

圖6 人臉檢測分割圖例

由圖6可以看出對于部分遮擋、復雜背景、不同大小和角度人臉的圖片本文算法均能表現出很好的檢測正確性。

6 結束語

本文提出了結合圖像光補償與增強等預處理操作，并首次利用HS-CbCrCg空間描述膚色建立膚色模型，并用改進的Adaboost算法檢測人臉，最后通過重點區域重檢測的方法，排除類人臉區域最終得到確信人臉并在圖像中標出以及分割，不僅在漏檢率上有所改進，還大大降低了誤檢率，適用于復雜背景、光照不均勻、多姿態表情及墨鏡遮擋等環境。

［1］ Liu Zhi，Li Weiwei，Zhang Xiang，et al.Efficient face segmentation model and seeded region merging［C］／／Proceedings of International Conference on Signal Processing.Beijing：ICSP2008 Proceedings，2008：1116－1119.

［2］ Yang Jie，Ling Xufeng，Zhu Yitan，et al.A face detection and recognition system in color image series［J］.Mathematics and Computers in Simulation，2008，77（5）：531－539.

［3］ Thakur Sayantan.Face detection using skin tone segmentation［C］／／Proceedings of 2011 World Congress on Information and Communication Technologies（WICT）.Mumbai：Information and Communication Technologies proceeding，2011：53－60.

［4］ Kherchaoui s，Houacine，Amrane.Face detection based on amodel of the skin color with constraints and templatematching［C］／／proceedings of 2010 International Conference on Machine and Web Intelligence（ICMWI）.Algiers：International Conference on Machine and Web Intelligence（ICMWI），2010：469－472.

［5］ Rehanullah Khan，Allan Hanbury，Julian Stottinger，et al.Color based skin classification［J］.Pattern Recognition Letters，2012，33（2）：157－163.

［6］ JY Lee，SI Yoo.An elliptical boundary model for skin color detection［C］／／Proceedings of International Conference on Imaging Science，Systems，and Technology.Las Vegas，USA：Imaging Science，Systems，and Technology，2002：579－584.

［7］ Ma Songyan，Du Tiancang.Improved adaboost face detection［C］／／Proceedings of 2010 International Conference on Measuring Technology and Mechatronics Automation（ICMTMA）.Changsha City：ICMTMA，2010：434－437.

［8］ Wen Shuhuan，Tang Yinggan.Thresholding image segment based on PSO-fisher algorithm［J］.Laser＆Infrared，2008，38（7）：741－744.（in Chinese）

溫淑煥，唐英干.基于Fisher準則的多閾值圖像分割方法［J］.激光與紅外，2008，38（7）：741－744.

［9］ Zhao Shiwei，Zhuo Li，Wang Suyu，et al.Data-mining based skin color detection method in compressed domain［J］.Acta electronica Sinica，2010，38（3）：605－610.（in Chinese）

趙士偉，卓力，王素玉，等.基于數據挖掘的圖像壓縮域膚色檢測算法［J］.電子學報，2010，38（3）：605－610.

Face detection algorithm based on the HS-CbCrCg skin model

ZHANG Li，WANG Lie-jun，ZHONG Sen-hai
（Institute of Information Science and Engineering，Xinjiang University，Urumqi830046，China）

Human face detection in complex background with conventional methods usually gets unsatisfied results.In this paper，a new method based on HS-CbCrCg color space and Adaboost algorithm is presented.First，light compensation and image enhancement are implemented for the input images under different illumination conditions，then color discrimination is carried out by using the established skin color model in HS-CbCrCg color space.Secondly，human face information in the skin region is obtained by using the improved Adaboost algorithm.Finally，the confident face can be discriminated by repeat tests on the key regions.The experimental results show that compared to the traditional face detection methods，the proposed method achieves excellent performance，it is fast to process and has lower missed detection rate and lower false detection rate.

face detection and segmentation；HS-CbCrCg skin model；improved Adaboost；re-testing

TP391

A

10.3969／j.issn.1001-5078.2013.12.19

1001-5078（2013）12-1402-04

國家自然科學基金（No.61261036）資助。

張 莉（1988－），女，碩士研究生，研究方向為人臉識別，圖像分割。E-mail：zhangli＿xju＠sina.cn

2013-05-08；

2013-06-05