一種改進(jìn)的人臉檢測(cè)方法

楊定禮， 張宇林， 趙環(huán)宇， 季仁東，2， 劉保連， 白秋產(chǎn)(. 淮陰工學(xué)院電子與電氣工程學(xué)院， 江蘇 淮安 223003； 2. 南京航空航天大學(xué)理學(xué)院， 江蘇 南京 2006)

?

一種改進(jìn)的人臉檢測(cè)方法

楊定禮1， 張宇林1， 趙環(huán)宇1， 季仁東1，2， 劉保連1， 白秋產(chǎn)1
(1. 淮陰工學(xué)院電子與電氣工程學(xué)院， 江蘇 淮安 223003； 2. 南京航空航天大學(xué)理學(xué)院， 江蘇 南京 210016)

當(dāng)光照和膚色變化較大時(shí)，膚色的色度值易受影響，因此提出了改進(jìn)的高斯膚色模型方法，此方法只提取人眼下方的部分像素作為樣本，獲得了自適應(yīng)的膚色的色度值。同時(shí)，由于圖像矩陣奇異值分解以后，其維數(shù)較高，因此引入Frobenius范數(shù)來(lái)降維。降維以后，為了能夠?qū)崿F(xiàn)非線性可分，提高訓(xùn)練速度與人臉檢測(cè)率，又提出了改進(jìn)的決策樹(shù)SVM分類方法。實(shí)驗(yàn)結(jié)果表明，用改進(jìn)的高斯膚色模型與改進(jìn)的決策樹(shù)SVM分類的方法相結(jié)合不僅提高了人臉檢測(cè)準(zhǔn)確率，而且還降低了誤檢率與漏檢率。

膚色; 奇異值; Frobenius范數(shù); 決策樹(shù); SVM

0 引 言

由于人臉膚色包含豐富的人臉信息，對(duì)姿態(tài)、光照變化具有一定的魯棒性的優(yōu)點(diǎn)，所以被廣泛應(yīng)用于人臉識(shí)別、人臉檢測(cè)、膚色特征提取等。目前，人臉檢測(cè)方法較多，其中有下面三類方法。第一類是采用膚色來(lái)檢測(cè)人臉。在YCbCr空間中，不同膚色的色度分量Cb和Cr的分布趨于一致，與二維高斯分布相似，其高斯參數(shù)是由大量膚色統(tǒng)計(jì)的，但在光照和膚色變化較大的情況下，Cb和Cr的值會(huì)有一定的變化，如采用固定值的高斯參數(shù)，其魯棒性一般較差，所以有不少學(xué)者提出對(duì)其進(jìn)行了改進(jìn)[1,2]。第二類方法是將奇異值作為識(shí)別特征來(lái)實(shí)現(xiàn)人臉的檢測(cè)。由于圖像矩陣的奇異值特征向量對(duì)光照、噪聲等引起的灰度變化有良好的穩(wěn)定性，所以該方法得到了廣泛的應(yīng)用，其特點(diǎn)是維數(shù)高，準(zhǔn)確率高，計(jì)算量大。在實(shí)際應(yīng)用過(guò)程中需要降維，一般在維數(shù)，準(zhǔn)確率以及計(jì)算量之間需要進(jìn)行平衡[3-4]。第三類方法是利用支持向量機(jī)(Support Vector Machine,SVM)的方法。支持向量機(jī)在解決分類、回歸和密度估計(jì)等機(jī)器學(xué)習(xí)領(lǐng)域表現(xiàn)出許多特有的優(yōu)勢(shì)，目前被公認(rèn)為是針對(duì)小樣本的分類、回歸等問(wèn)題的最佳解決方法。其在線性可分、線性不可分的情況下應(yīng)用較多，對(duì)于一些無(wú)法用線性區(qū)分的，通過(guò)核函數(shù)將其映射到高維特征空間中使其可以區(qū)分。由于SVM在訓(xùn)練的迭代過(guò)程需要多次計(jì)算和存儲(chǔ)整個(gè)核函數(shù)，即赫森矩陣，其需要的計(jì)算量較大，尤其是非線性核函數(shù)矩陣更需要較多的計(jì)算時(shí)間。因此，SVM對(duì)大規(guī)模訓(xùn)練集訓(xùn)練時(shí)間是較長(zhǎng)的[5-11]。

針對(duì)上述的一些問(wèn)題，本文提出用改進(jìn)的高斯膚色模型、矩陣的奇異值分析與改進(jìn)的決策樹(shù)SVM分類相結(jié)合的人臉檢測(cè)方法。首先用Adaboost算法檢出部分人臉候選區(qū)域，然后定位眼睛，并由兩眼的距離及五眼三庭知識(shí)，獲得人臉區(qū)域。為了防止漏檢，提取已經(jīng)確定為人臉的兩眼以下的膚色，并在色度空間中得到膚色的色度Cb和Cr的平均值和方差，然后用得到的平均值與方差計(jì)算圖像中某像素屬于膚色的概率，找到膚色候選區(qū)域，并去掉膚色較小的區(qū)域以及未找到人眼的區(qū)域，從而得到漏檢的人臉候選區(qū)域。同時(shí)，為了防止誤檢，將上面所有得到的人臉候選區(qū)域，再通過(guò)奇異值分解后得到奇異特征值，由于奇異值向量維數(shù)太高，所需計(jì)算量很大，所以必須要降維。用Frobenius范數(shù)理論降維以后，再用本文提出的改進(jìn)決策樹(shù)SVM的方法進(jìn)行訓(xùn)練得到的分類器對(duì)候選區(qū)域進(jìn)行檢測(cè)，去掉誤檢的人臉。

1 改進(jìn)的膚色模型

一般用Adaboost方法進(jìn)行人臉檢測(cè)時(shí)，得到的人臉候選區(qū)域的誤檢率與漏檢率較高。為減少漏檢率，許多文獻(xiàn)用膚色進(jìn)行檢測(cè)，找到漏檢的人臉候選區(qū)域，但是他們采用的膚色的色度值,如Cb與Cr的值都是由經(jīng)驗(yàn)得到的固定值[12]，容易受光照變化及膚色變化的影響，如黑色、黃色、白色人種的人臉的Cb與Cr的值是不同的，但也有文獻(xiàn)對(duì)該方法進(jìn)行了改進(jìn)[1]。本文在文獻(xiàn)[1]的基礎(chǔ)上進(jìn)行了進(jìn)一步的改進(jìn)。首先用Adaboost方法得到人臉候選區(qū)，再用文獻(xiàn)[13]進(jìn)行眼睛定位，然后提取眼睛下面的膚色，得到的Cb與Cr的值能夠自適應(yīng)隨著光照、膚色的不同而改變。

在膚色模型中，通常均值用μ表示，協(xié)方差矩陣用H表示，xi=(Cb,Cr)T為訓(xùn)練樣本i的像素膚色值Cb和Cr組成的向量，如果訓(xùn)練樣本中膚色像素個(gè)數(shù)為N,則：

x={x1,x2,…,xn}

則某像素屬于膚色的概率為：

ρ(x)=exp[-0.5(x-μ)TH-1(x-μ)]

為了增強(qiáng)對(duì)光照、膚色變化時(shí)的適應(yīng)性，對(duì)參數(shù)μ、Cb和Cr的計(jì)算過(guò)程進(jìn)行了改進(jìn)，算法如下：首先取兩眼下方的(0.7w,0.4h)的所有像素作為膚色像素的樣本，其中w與h為被檢測(cè)的候選人臉區(qū)域的寬與高。設(shè)其中的樣本總數(shù)為M，則:

其中:Cbm與Crm為已檢測(cè)的人臉的兩眼下方膚色的色度平均值。在兩眼下方的區(qū)域內(nèi)，必須將由于光照的原因，部分可能出現(xiàn)陰影的樣本去掉，因此要計(jì)算兩眼下方區(qū)域內(nèi)的每一個(gè)像素點(diǎn)到μm的歐式距離：

從而得到改進(jìn)方法后的圖像中膚色的值為Cb′,Cr′，然后用式(1)計(jì)算每個(gè)點(diǎn)是膚色的概率，并用閾值(本文取ρ>0.73)來(lái)尋找膚色區(qū)域，找到漏檢的人臉區(qū)域。

ρ(x)=exp[-0.5(x-μ′)TH′-1(x-μ′)]

(1)

2 奇異值分解及降維

2.1 奇異值分解

由于圖像的奇異值具有良好的穩(wěn)定性，通常奇異值被作為一種代數(shù)特征在人臉檢測(cè)中得到廣泛的應(yīng)用。

定理1 若一個(gè)矩陣A∈Rm ×n(m>n), 則存在一個(gè)正交矩陣U={u1,u2, …,um} ∈Rm×m,V={v1,v2, …,vn}∈Rn×n，使得UTAV=Λ，其中Λ是m×n的非負(fù)對(duì)角陣，

(2)

在式(2)中，矩陣A的奇異值為:

vi是方陣ATA的特征向量，ui是AAT的特征向量。奇異值σ1,σ2,…,σr是方陣AAT(或ATA)的特征值λ1，λ2，…λr的平方根。即

2.2 Frobenius范數(shù)降維

一般來(lái)書(shū)，圖像的數(shù)據(jù)量較大，如果直接用上面r個(gè)奇異值特征作為特征值來(lái)進(jìn)行識(shí)別，由于特征值個(gè)數(shù)較多,計(jì)算量較大,識(shí)別時(shí)間較長(zhǎng)。因此，需要對(duì)圖像矩陣的奇異值向量進(jìn)行降維，去掉較小奇異特征值，保留較大的奇異特征值。本文根據(jù)矩陣的Frobenius范數(shù)對(duì)奇異值向量進(jìn)行降維。

定理2 矩陣A的Frobenius范數(shù)定義為

‖

定理3 假設(shè)矩陣A∈Rm ×n(假定m>n)，A的奇異值分解由定理1給出，且rank(A)=r≥s，m，n，r，s均為正整數(shù)，如Ws=diag(σ1,σ2,...,σs)，

因此rank(As)=rank(Ws)，則

‖A-As‖F(xiàn)=min{‖A-B‖F(xiàn),B∈Rm×n}

圖1為人臉與非人臉圖像的奇異值分解后的特征值，從圖中可以看出前面幾個(gè)奇異值相差較大，后面的奇異值區(qū)別不是太明顯，而且出現(xiàn)交叉，在當(dāng)前特征空間中，無(wú)法用線性區(qū)分開(kāi)來(lái)，但可以通過(guò)函數(shù)將其空間映射到高維空間進(jìn)行線性區(qū)分。一般來(lái)說(shuō)，升維會(huì)增加計(jì)算的復(fù)雜性，甚至?xí)稹熬S數(shù)災(zāi)難”。在上述方法中，一般函數(shù)是未知的，且難以確定，但是對(duì)于 SVM 來(lái)說(shuō)，分類面的確定僅僅依靠向量的內(nèi)積，因此可以采用核函數(shù)來(lái)巧妙地解決這個(gè)難題，而且不會(huì)顯著增加計(jì)算復(fù)雜性。所以本文引入決策樹(shù)的SVM分類方法，并對(duì)其進(jìn)行了改進(jìn)。

圖1 不同圖像經(jīng)奇異值分解后的特征值分布情況

3 改進(jìn)的決策樹(shù)的SVM分類器

3.1 C-SVM分類器

SVM在解決非線性不可分問(wèn)題時(shí)，通常通過(guò)引入核函數(shù)K(xi,xj)=φ(xi)φ(xj)，將原始輸入向量映射到高維特征空間，使原始不可分問(wèn)題變?yōu)榭煞謫?wèn)題，而且不需要知道在高維特征空間中向量映射的具體形式，只需要計(jì)算原始輸入向量的核函數(shù)值即可，降低了計(jì)算復(fù)雜度，又因?yàn)楹撕瘮?shù)的求解不受特征空間的維度影響，即避免了維數(shù)災(zāi)難。同時(shí)引入懲罰參數(shù)C以及松弛變量ξi，C為控制錯(cuò)分樣本懲罰的作用，在特征子空間中調(diào)節(jié)學(xué)習(xí)機(jī)器的置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比例，即實(shí)現(xiàn)在錯(cuò)分樣本的比例和算法復(fù)雜度之間的折衷，使學(xué)習(xí)機(jī)器的推廣能力最好。在確定的特征子空間中，C的取值較小表示對(duì)經(jīng)驗(yàn)誤差的懲罰小，學(xué)習(xí)機(jī)器的復(fù)雜度小而經(jīng)驗(yàn)風(fēng)險(xiǎn)值較大；如果C取∞，則所有的約束條件都必須滿足，這意味著訓(xùn)練樣本必須要準(zhǔn)確地分類[9,14]。

非線性不可分SVM的約束非線性優(yōu)化規(guī)劃問(wèn)題為：

s.t.yi(w·φ(xi)+b)≥1-ξi,i=1,2,…,m

其中，ξi≥0，i=1,2,…,m，C為懲罰參數(shù)。根據(jù)Wolf對(duì)偶理論，其對(duì)偶問(wèn)題為：

(3)

b*

則決策函數(shù)為：

從上面可以看出，通過(guò)引入核函數(shù)，可將非線性可分SVM轉(zhuǎn)化為現(xiàn)行可分SVM。本文選高斯核函數(shù)即徑向基函數(shù)(RBF)：

3.2 改進(jìn)的決策樹(shù)的SVM分類器

如果直接用上面的基于RBF核函數(shù)的非線性C-SVM分類方法訓(xùn)練分類器，由于數(shù)據(jù)量大，特征數(shù)較多，則訓(xùn)練時(shí)間較長(zhǎng). 文獻(xiàn)[9]采用了決策樹(shù)的方法，但是其分類器全部是線性可分的的，雖然訓(xùn)練時(shí)間短，但是其需要的分類器較多。本文結(jié)合C-SVM分類方法與決策樹(shù)理論提出了改進(jìn)的決策樹(shù)的SVM分類器的方法，其分類器可以是線性也可以是非線性，雖然訓(xùn)練時(shí)間稍長(zhǎng)，但是所需要的分類器少了很多。下面首先看下面的兩個(gè)定義：

定義1 如果同一類所有樣本滿足yi(w·φ(xi)+b)≥1-ξi,ξi>0,i∈k1，則該類樣本為非硬類樣本。

定義2 如果同一類所有樣本滿足yi(w·φ(xi)+b)≥1,i∈k2，則該類樣本為硬類樣本。

改進(jìn)后的非線性不可分SVM的約束非線性優(yōu)化規(guī)劃問(wèn)題為：

s.t.yi(w·φ(xi)+b)≥1-ξi,ξi>0,i∈k1yi(w·φ(xi)+b)≥1,i∈k2

其中:k1為非硬類樣本;k2為硬類樣本。 則決策函數(shù)為：

根據(jù)Wolf對(duì)偶理論，其對(duì)偶問(wèn)題為：

決策函數(shù)為：

如果非硬類樣本為人臉樣本，則硬類樣本為非人臉樣本;反之，如果非硬類樣本為非人臉樣本，則硬類樣本為人臉樣本。該算法允許在每一次訓(xùn)練超平面的過(guò)程中，非硬類的樣本可以部分進(jìn)入硬類樣本區(qū)域中，但是硬類樣本不可以進(jìn)入非硬類樣本區(qū)域中。即在訓(xùn)練時(shí)，得到的超平面必須滿足下面的條件：在超平面的一側(cè)中硬類樣本的檢測(cè)率為100%，而非硬類樣本的誤檢率要保證為最小，則訓(xùn)練的超平面為弱分類器1，如圖2中假設(shè)橢圓為非硬類樣本，三角形為硬類樣本，則在超平面的一側(cè)全部為非硬類樣本，另一側(cè)則為硬類與非硬類樣本的混合。第二次訓(xùn)練時(shí)，首先再將上一次檢測(cè)正確的非硬類全部去掉，如圖3去掉l1左下面的非硬類樣本，留下硬類與部分非硬類樣本，即剩下兩類樣本的混合，最后將剩下的樣本數(shù)目多的重新確定為非硬類樣本，樣本數(shù)目少的為硬類樣本，再用上面的方法進(jìn)行訓(xùn)練，得到弱分類器2，見(jiàn)圖3中的l2。如此不斷的重復(fù)訓(xùn)練，直至最后只剩下一類樣本。見(jiàn)圖3。

圖2 分類器訓(xùn)練的示意圖 圖3 多分類器的訓(xùn)練過(guò)程

用此法構(gòu)建決策樹(shù)的過(guò)程中，首先要選擇哪一類作為硬類與非硬類，一般以樣本數(shù)量少的同類為硬類，則另一類為非硬類，所以在選擇過(guò)程中，可能將人臉樣本作為硬類，也可能將非人臉樣本作為硬類。然后開(kāi)始訓(xùn)練數(shù)據(jù)，直到獲得的一個(gè)超平面能夠正確區(qū)分所有的硬類數(shù)據(jù)，同時(shí)非硬類的誤檢率最小。因此所有屬于硬類的樣本都將位于超平面的一側(cè)，盡管有非硬類數(shù)據(jù)跑到超平面的這一側(cè)來(lái)，但是在超平面的另一側(cè)的樣本全部都屬于非硬類數(shù)據(jù)，因此在下次訓(xùn)練之前，將超平面另一側(cè)的非硬類數(shù)據(jù)全部刪除，從而減少下一步訓(xùn)練的樣本數(shù)量，也減小訓(xùn)練時(shí)間。然后將剩下的硬類與非硬類樣本再不斷重復(fù)此過(guò)程。直到剩下的樣本都屬于同一類樣本，則訓(xùn)練結(jié)束。

3.3 用改進(jìn)的決策樹(shù)的SVM分類器檢測(cè)人臉

構(gòu)建了上述改進(jìn)的決策樹(shù)SVM分類器以后，就可以利用其對(duì)人臉進(jìn)行識(shí)別。首先通過(guò)奇異值分解，得到人臉候選區(qū)域的特征值，然后按照?qǐng)D4依次經(jīng)過(guò)N個(gè)分類器，每經(jīng)過(guò)一個(gè)分類器，首先判斷它是否是硬類，如果不是硬類，則標(biāo)記其為非硬類，如果是硬類，則繼續(xù)經(jīng)過(guò)下一級(jí)的分類器，再判斷它是否是硬類，依次類推，直至最后一級(jí)分類器。在圖4中，決策樹(shù)中的節(jié)點(diǎn)用3.2中的改進(jìn)C-SVM分類的方法，核函數(shù)選用徑向基核函數(shù)。

4 實(shí) 驗(yàn)

4.1 人臉檢測(cè)的過(guò)程

人臉檢測(cè)的整個(gè)流程圖如圖5所示：

在本文算法中，為了減小漏檢率，用第1節(jié)中改進(jìn)的膚色模式模型對(duì)圖像區(qū)域重新掃描，找出被漏掉的人臉。為了減小誤檢率，用第3節(jié)中改進(jìn)的決策樹(shù)的SVM分類器對(duì)人臉候選區(qū)域重新進(jìn)行判斷，把誤檢的人臉去掉。其人臉檢測(cè)過(guò)程如下：

圖4 用訓(xùn)練的決策樹(shù)的SVM方法進(jìn)行檢測(cè)的過(guò)程

圖5 用改進(jìn)的膚色模型與決策樹(shù)SVM分類的人臉檢測(cè)過(guò)程

(1) 首先用AdaBoost方法對(duì)圖像區(qū)域進(jìn)行人臉檢測(cè)，得到候選區(qū)域。

(2) 從候選區(qū)域中用眼睛定位的方法找到人眼，并根據(jù)兩眼的距離以及三庭五眼的知識(shí)確定人臉區(qū)域。

(3) 在(2)中找到兩眼的位置后，提取眼睛下方的樣本的膚色色度值，然后用第1節(jié)的改進(jìn)膚色模型方法獲得人臉膚色的色度信息，并用此色度信息對(duì)圖像重新掃描，來(lái)尋找被遺漏的膚色區(qū)域。去掉膚色較小的區(qū)域，得到漏檢的人臉候選區(qū)域。

(4) 為了防止誤檢，將所有獲得的人臉候選區(qū)域經(jīng)過(guò)SVD分解，并用第3節(jié)中本文提出的決策樹(shù)的SVM方法對(duì)其進(jìn)一步檢測(cè)。

(5) 對(duì)1中用2的方法未找不到眼睛的候選區(qū)域，其不一定是非人臉，有可能是眼睛閉著的。所以也將其經(jīng)過(guò)SVD分解，并用本文提出的決策樹(shù)的SVM方法進(jìn)一步檢測(cè)。

4.2 C與gamma的選擇過(guò)程

在本實(shí)驗(yàn)中，軟件主要用Matlab以及臺(tái)灣大學(xué)林智仁(Chih-Jen Lin)博士等開(kāi)發(fā)設(shè)計(jì)的LIBSVM[15]，采用C-SVM分類的方法，核函數(shù)選用徑向基核函數(shù)，則SVM超參數(shù)主要包括懲罰因子C和核函數(shù)gamma。其中C是控制對(duì)錯(cuò)分樣本的懲罰，如C為無(wú)窮大，則所有的約束條件都必須滿足。gamma隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布。根據(jù)學(xué)習(xí)風(fēng)險(xiǎn)理論，訓(xùn)練誤差低并不能保證總體誤差率低，為了避免這種情況，通常采用泛化誤差界來(lái)提高預(yù)測(cè)精度，評(píng)價(jià)SVM超參數(shù)調(diào)節(jié)的性能。本實(shí)驗(yàn)的預(yù)測(cè)泛化誤差界的方法為K折交叉驗(yàn)證法。本文采用10折交叉驗(yàn)證法。為了在使用10折交叉驗(yàn)證法獲得最優(yōu)的C和gamma，通過(guò)大量的實(shí)驗(yàn)獲取C和gamma的曲線圖，見(jiàn)圖6。從圖中可以看出正確率為81.6%的情況下，C可以取1024，g可以取0.0358968236。

4.3 檢測(cè)結(jié)果

圖7中長(zhǎng)方形的區(qū)域是由經(jīng)典的AdaBoost方法得到，但是AdaBoost方法對(duì)眼睛閉著的人臉圖像，以及被遮擋的人臉圖像并沒(méi)有檢測(cè)出來(lái)，而用本文提出的改進(jìn)的膚色模型方法重新檢測(cè)，則將兩眼是閉著的人臉圖像以及被遮擋的人臉圖像檢測(cè)出來(lái)，但是同時(shí)也將與膚色相近的人手圖像當(dāng)著人臉圖像，見(jiàn)圖7中橢圓區(qū)域部分，即是被用改進(jìn)的膚色模型方法檢測(cè)出來(lái)的人臉區(qū)域。最后再用決策樹(shù)的SVM方法去掉了與膚色相似的人手區(qū)域，但是同時(shí)也將被遮擋的人臉區(qū)域去掉了。見(jiàn)圖中細(xì)線橢圓部分區(qū)域是被去掉的。粗線橢圓部分是被檢測(cè)為人臉圖像的。細(xì)線橢圓部分是用改進(jìn)膚色模型得到的人臉候選區(qū)域但被用決策樹(shù)的SVM方法去掉的候選區(qū)域。

圖6 C和gamma的曲線圖(10折交叉驗(yàn)證法)

圖7 用本文的方法檢測(cè)的結(jié)果

4.4 幾種方法的比較

本實(shí)驗(yàn)首先通過(guò)CMU PIE，F(xiàn)ERET，ORL人臉庫(kù)用Adaboost方法訓(xùn)練得到分類器，然后分別用下面的幾種方法來(lái)檢測(cè)人臉：Adaboost方法，文獻(xiàn)[1]的改進(jìn)的高斯膚色模型方法，文獻(xiàn)[9]的基于決策樹(shù)的快速SVM分類方法，以及本文提出的改進(jìn)的高斯膚色模型方法，改進(jìn)高斯膚色模型與決策樹(shù)SVM分類方法來(lái)檢測(cè)人臉，得到的結(jié)果如表1所示。從表1中可以看出，用Adaboost方法的檢測(cè)準(zhǔn)確率最低，漏檢率最高。文獻(xiàn)[1]的改進(jìn)的高斯膚色方法比Adaboost方法準(zhǔn)確率高，但是由于把其他的膚色當(dāng)作人臉，所以其誤檢率高，漏檢率有所減低。文獻(xiàn)[9]的基于決策樹(shù)的快速SVM分類方法比文獻(xiàn)[1]的準(zhǔn)確率高，誤檢率低，但是其漏檢率較高。如采用本文的改進(jìn)的高斯膚色模型方法其漏檢率比劉春生的方法的漏檢率要低，而誤檢率與其差不多，準(zhǔn)確率要比劉的稍高一點(diǎn)。如果采用本文提出的改進(jìn)高斯膚色模型與決策樹(shù)SVM分類方法，其準(zhǔn)確率比上面所有的方法高，誤檢率最低，漏檢率也最低。

表1 幾種方法的人臉檢測(cè)比較 %

5 結(jié) 語(yǔ)

總之，通過(guò)對(duì)文獻(xiàn)[1]方法的改進(jìn)，進(jìn)一步降低了漏檢率。這是由于只采集兩眼下面的膚色，而且去掉了陰影部分的，得到的Cb與Cr的值更接近真實(shí)的膚色值，并用膚色的色度值找到了漏檢的區(qū)域。通過(guò)對(duì)文獻(xiàn)[9]的方法的修改，進(jìn)一步的提高了人臉的檢測(cè)率，降低了誤檢率。這是由于文獻(xiàn)[9]的分類器全部是線性可分的，雖然訓(xùn)練時(shí)間短，但是其需要的分類器較多。本文的分類器既有線性也有非線性，雖然訓(xùn)練時(shí)間長(zhǎng)了一點(diǎn)，但是所需要的分類器少，而且其準(zhǔn)確率要高。本文的下一步的工作將在DM3730開(kāi)發(fā)系統(tǒng)里實(shí)現(xiàn)本文的算法。

[1] 劉春生,常發(fā)亮,陳振學(xué)，等.改進(jìn)的高斯膚色模型及其在人臉檢測(cè)中的應(yīng)用[J]. 儀器儀表學(xué)報(bào)， 2012, 33(5):1117-1121.

[2] 李明瑞,傅 明,曹 敦.基于膚色檢測(cè)的AdaBoost人臉檢測(cè)算法改進(jìn)[J]. 計(jì)算機(jī)工程，2012，38(19):147-150.

[3] 李曉東,費(fèi)樹(shù)岷,張 濤.基于奇異值特征和支持向量機(jī)的人臉識(shí)別[J]. 東南大學(xué)學(xué)報(bào)( 自然科學(xué)版)，2008, 38(6):981-985.

[4] 楊定禮,嚴(yán) 石,楊銀賢.基于空間支持向量域分類器的人臉識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用， 2011,47(2):176-178.

[5] 姚 勇,趙輝,劉志鏡. 一種非線性支持向量機(jī)決策樹(shù)多值分類器[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2007，34(6):873-876.

[6] 刁智華,趙春江,郭新宇.一種新的基于平衡決策樹(shù)的SVM多類分類算法[J].控制與決策，2011，26(1):149-156.

[7] 李昆侖,廖 頻.基于級(jí)聯(lián)支持向量機(jī)的人臉圖像性別識(shí)別[J].計(jì)算機(jī)工程，2012，38(12):152-154.

[8] 于 真.基于支持向量機(jī)的人臉識(shí)別技術(shù)研究[J]. 計(jì)算機(jī)仿真， 2011，28(12):296-299.

[9] 崔 建,李 強(qiáng),劉 勇，等.基于決策樹(shù)的快速SVM分類方法[J].系統(tǒng)工程與電子技術(shù)， 2011,33(1):2558-2563.

[10] 黃永明,章國(guó)寶,董 飛,等. 基于Gabor、Fisher臉多特征提取及集成SVM的人臉表情識(shí)別[J].計(jì)算機(jī)應(yīng)用研究， 2011， 28(4):1536-1543.

[11] 徐 紅,彭 力,陳 容. 基于優(yōu)化支持向量機(jī)的人臉表情分類[J]. 計(jì)算機(jī)應(yīng)用研究， 2013， 30(8):2541-2544.

[12] 平 強(qiáng),莊連生,俞能海.姿態(tài)和光照可變條件下的仿射最小線性重構(gòu)誤差人臉識(shí)別算法[J]. 電子學(xué)報(bào)，2012，40(12): 1965-1970.

[13] 王科俊,鄒國(guó)鋒,傅桂霞，等.一種快速眼睛定位與人臉平面旋轉(zhuǎn)校正方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2013，25(6):865-872.

[14] 劉麗娟.支持向量機(jī)超參數(shù)調(diào)節(jié)方法的研究及其在人臉識(shí)別中的應(yīng)用[D]. 重慶大學(xué)，2010.

[15] Chih-Jen Lin. Welcome to Chih-Jen Lin's Home Page[EB/OL]. http://www.csie.ntu.edu.tw/～cjlin/

好奇——?jiǎng)?chuàng)新意識(shí)的萌芽；

興趣——?jiǎng)?chuàng)新思維的營(yíng)養(yǎng)；

質(zhì)疑——?jiǎng)?chuàng)新行為的舉措；

探索——?jiǎng)?chuàng)新學(xué)習(xí)的方法。

An Improved Face Detection Method

YANGDing-li1,ZHANGYu-lin1,ZHAOHuan-yu1,JIRen-dong1,2,LIUBao-lian1,BAIQiu-chan1
(1. Faculty of Electronic and Electrical Engineering; Huaiyin Institute of Technology; Huaian 223003, China; 2. College of Science, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

When illumination or skin color change significantly, chromaticity value of the skin color is likely to be affected. Thus, an improved Gaussian skin color model is proposed. A part of pixel below two eyes is extracted in this method. And adaptive chromaticity value of the skin color is obtained. Simultaneously, after matrix of image is decomposed with SVD, its dimension is high. Thus, the Frobenius norm is used to reduce dimension. In order to realize nonlinear separability and increase speed of training and the rate of the face detection, an improved method based on decision tree SVM classification is proposed. Experimental results show that it can increase the rate of face detection, and decrease the false detection rate and false negative rate.

skin color; singular value; Frobenius norm; decision tree; SVM

2014-05-09

國(guó)家自然科學(xué)基金(61203056); 淮安市工業(yè)項(xiàng)目(HAG2013064); 淮陰工學(xué)院基金項(xiàng)目(HGB1202)

楊定禮(1973-)，男，江蘇淮安人，碩士，講師，研究方向：數(shù)字信號(hào)處理，圖像處理，模式識(shí)別，DSP的開(kāi)發(fā)研究工作。

Tel.: 13515239938; E-mail：yangdingli@163.com

TP 391.4

A

1006-7167(2015)02-0111-06