基于互聯(lián)網(wǎng)視頻的人臉檢測(cè)綜述

寧毅 陳金龍

摘要：人臉檢測(cè)技術(shù)是多學(xué)科的課題，覆蓋了數(shù)學(xué)，數(shù)字圖像處理，神經(jīng)網(wǎng)絡(luò)，機(jī)器學(xué)習(xí)有等學(xué)科內(nèi)容，具有非常重要的應(yīng)用價(jià)值。互聯(lián)網(wǎng)人臉檢測(cè)是互聯(lián)網(wǎng)人臉識(shí)別系統(tǒng)的前提，找到魯棒性強(qiáng)，檢測(cè)效率高的人臉檢測(cè)方法非常有必要。文章通過介紹互聯(lián)網(wǎng)人臉檢測(cè)的研究背景以及研究現(xiàn)狀，指出互聯(lián)網(wǎng)人臉檢測(cè)的難點(diǎn)所在，并分析目前人臉檢測(cè)的主要研究方法以及方法的優(yōu)缺點(diǎn)，最后對(duì)人臉檢測(cè)的技術(shù)的發(fā)展進(jìn)行展望。

關(guān)鍵詞：人臉檢測(cè)；互聯(lián)網(wǎng)視頻；膚色模型

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）03-0166-02

1 互聯(lián)網(wǎng)視頻檢測(cè)研究背景以及意義

互聯(lián)網(wǎng)視頻是已經(jīng)成為互聯(lián)網(wǎng)主要應(yīng)用領(lǐng)域之一，用戶人數(shù)高速增長(zhǎng)，覆蓋率不斷提高。根據(jù)中國(guó)互聯(lián)網(wǎng)中心數(shù)據(jù)，截至2016年12月，我國(guó)網(wǎng)民規(guī)模達(dá)7.31億，普及率達(dá)到53.2%。全年共計(jì)新增網(wǎng)民4299萬(wàn)人，增長(zhǎng)率為6.2%，其中至2016年12月底我國(guó)網(wǎng)絡(luò)視頻用戶規(guī)模接近5.5億人。對(duì)互聯(lián)網(wǎng)的視頻研究具有非常重要的意義。近年來(lái)，犯罪率上升，通過互聯(lián)網(wǎng)視頻來(lái)作為重要安全防范手段，被廣泛應(yīng)用于公安、交通、金融等諸多領(lǐng)域。其中比較典型的應(yīng)用為互聯(lián)網(wǎng)視頻的人臉檢測(cè)。

如何充分利用互聯(lián)網(wǎng)視頻中人臉時(shí)間信息和空間信息克服互聯(lián)網(wǎng)視頻噪聲明顯，分辨率低，光照、姿態(tài)變化劇烈等困難是研究的重點(diǎn)。美國(guó)的MIT、CMU大學(xué)和中國(guó)的自動(dòng)化所、清華大學(xué)等都對(duì)基于視頻人臉檢測(cè)檢測(cè)進(jìn)行了廣泛的研究，而且目前隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的廣泛研究對(duì)視頻人臉檢測(cè)產(chǎn)生了重大影響，因此有必要對(duì)現(xiàn)階段基于視頻的人臉檢查方法進(jìn)行分析和總結(jié)，期望更好的指導(dǎo)未來(lái)的研究。

作為互聯(lián)網(wǎng)視頻人臉識(shí)別的前提，互聯(lián)網(wǎng)視頻人臉檢測(cè)是指通過輸入互聯(lián)網(wǎng)視頻確定視頻中人臉的具體方位、姿態(tài)。隨著計(jì)算機(jī)技術(shù)的發(fā)展，在視頻人臉檢測(cè)領(lǐng)域相關(guān)的科研成果不斷涌現(xiàn)，出現(xiàn)了方式，方法不一樣的檢測(cè)方法。目前主要的人臉檢測(cè)方法有：基于膚色模型的方法、幾何特征的方法、基于統(tǒng)計(jì)理論的方法、基于視頻的運(yùn)動(dòng)分析方法。

2 目前人臉檢測(cè)的主要方法

2.1 基于膚色模型檢測(cè)方法

膚色特征是人臉區(qū)域的重要特征，是人臉區(qū)別與其他物體的極少數(shù)特征之一。它不受人類表情變換的影響，具有相對(duì)的穩(wěn)定性，但亮度變化影響膚色檢測(cè)。經(jīng)大量的研究發(fā)現(xiàn)無(wú)論是黃種人、白種人還是黑種人，膚色在色彩空間中分布較為集中，利用人體膚色檢測(cè)可以大幅度減少檢測(cè)時(shí)間。但當(dāng)背景顏色或視頻圖像其他物體顏色與皮膚顏色接近的時(shí)候會(huì)產(chǎn)生誤差。膚色模型是指在一定的色彩空間描述膚色分布的模型。因此建立膚色模型首先先選取一定的顏色空間，目前的顏色空間有RGB、LUV、YIQ、HSV等，其次是根據(jù)選取的顏色空間建立數(shù)學(xué)模型。膚色模型的優(yōu)點(diǎn)是對(duì)人體姿態(tài)、面部表情不敏感，具有較強(qiáng)的魯棒性。但是當(dāng)光照較強(qiáng)時(shí)背景亮度過高與膚色接近，從而造成誤檢；當(dāng)光照不足時(shí)，膚色亮度不夠往往會(huì)造成誤檢，因此需要研究出不同光照條件下膚色分割的取值。常見的顏色空間有：

2.1.1 RGB顏色空間

RGB顏色空間也稱為紅藍(lán)綠色彩空間，能用RGB值表示的顏色，是單色光中的紅綠藍(lán)（色光三原色，波長(zhǎng)也是嚴(yán)格規(guī)定的，R 700.0nm，G 546.1nm，B 435.8nm），按不同比例的混色光。

在RGB顏色空間中，圖像中每個(gè)像素點(diǎn)都在都可以用圖1像素空間點(diǎn)來(lái)表示。在圖1中RGB顏色空間立方體中，RGB顏色立方體的原點(diǎn)（0，0，0）表示該點(diǎn)R，G，B顏色值為零意思為該點(diǎn)為黑色，當(dāng)R，G，G各分量最大的時(shí)候，該點(diǎn)為白色。一般情況下其他顏色空間都可以由，R，G，B顏色空間轉(zhuǎn)換過來(lái)。

RGB膚色模型的優(yōu)點(diǎn)是對(duì)人體姿態(tài)、面部表情不敏感，具有較強(qiáng)的魯棒性。但是當(dāng)光照較強(qiáng)時(shí)背景亮度過高與膚色接近，從而造成誤檢；當(dāng)光照不足時(shí)，膚色亮度不夠往往會(huì)造成誤檢，因此RGB往往不適合直接用于膚色分割。

2.1.2 HSI顏色空間

當(dāng)人觀察一個(gè)彩色物體時(shí)，往往用色調(diào)、飽和度、亮度來(lái)描述物體的顏色， HSI（Hue-Saturation-Intensity）正是基于符合描述人類觀察而產(chǎn)生的，HSI顏色空間是由色度（HUE），飽和度（Saturation），亮度（Intensity）組成。這種色彩空間符合人類觀察色彩的方式，同時(shí)也有利于數(shù)字圖像處理。它是由R，G，B空間轉(zhuǎn)換而來(lái)。

顏色的色度指與它最接近的波普波長(zhǎng)，色度為零時(shí)表示為紅色，色度為120為綠色，240時(shí)為藍(lán)色，色度在0-240為可見光的顏色，當(dāng)色度在240-360時(shí)為非可見光。

顏色的飽和度是指與它圖2中某一點(diǎn)與圓心之間的距離，在圓周圍上的飽和度為1，在圓心的飽和度為0，可以通過這樣的方式理解飽和度：一副亮度很強(qiáng)的綠色的飽和度為1，當(dāng)往里面添加水時(shí)，色彩慢慢稀析，飽和度變小，但是亮度不變。

HSI的優(yōu)點(diǎn)在與將亮度信息I與色度H，和飽和度S區(qū)分開來(lái)，當(dāng)人臉膚色檢測(cè)時(shí)，膚色的聚類性只與色度和飽和度有關(guān)，與亮度無(wú)關(guān)，這樣就可以通過計(jì)算色度和飽和度來(lái)區(qū)分人臉也背景出來(lái)。

HSI可以通過如下公式計(jì)算出來(lái)：

2.2 基于幾何特征的檢測(cè)方法

人臉具有明顯的幾何性質(zhì)，比如耳朵的對(duì)稱性，眼睛的對(duì)稱性等。側(cè)影識(shí)別是最早的基于幾何特征的人臉檢測(cè)方法，該方法從人臉側(cè)臉輪廓線選取特征點(diǎn)，利用這些點(diǎn)組成的幾何特征來(lái)進(jìn)行識(shí)別。目前太多數(shù)證件照為人臉正面因此該檢測(cè)方法往往根據(jù)耳朵、眼睛、鼻子的形狀和五官在臉上的幾何分布。對(duì)于耳朵、眼睛等人臉部件的輪廓邊緣提取目前常用的算法有：微分算子法、拉普拉斯高斯算子法（LOG）、Canny邊緣檢測(cè)算子。

在圖像進(jìn)行邊緣特征提取前，需要對(duì)圖像進(jìn)行預(yù)處理。對(duì)于人臉檢測(cè)，首要工作就是耳朵等主要人體器官進(jìn)行定位，定位之前應(yīng)對(duì)人臉圖像進(jìn)行歸一化，圖像歸一化的運(yùn)算定義為：g=f（x'，y'）=f[a（x，y），b（x，y）]，其中f（x，y）表示輸入圖像，g（x，y）表示輸出圖像，函數(shù)a（x，y），b（x，y）描述了唯一的空間變換。

基于幾何特征的人臉檢測(cè)方法優(yōu)點(diǎn)有：1）符合人類的視覺識(shí)別機(jī)理，便于理解。2）相對(duì)于膚色模型來(lái)說，該方法對(duì)光照照射不敏感。但該方法的缺點(diǎn)有：1）人臉的表情變化、特征點(diǎn)遮擋時(shí)，該方法檢測(cè)效果不佳。2）從不同圖像中選點(diǎn)相對(duì)穩(wěn)定的特征點(diǎn)時(shí)不容易選取。但是由于人臉的部件提取往往都是由邊緣算子提取出來(lái)，所以這種人臉檢測(cè)方法往往對(duì)于圖像質(zhì)量的要求比較高，對(duì)于光照、背景、噪音等要求比較高，因?yàn)樵胍簟㈥幱暗韧鶎?duì)人臉部件邊緣造成破壞，進(jìn)而影響算法的有效性。

2.3 基于統(tǒng)計(jì)理論的人臉檢測(cè)方法

隨著統(tǒng)計(jì)理論分析和機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)在人臉檢測(cè)中的廣泛應(yīng)用，涌現(xiàn)出大量的研究成果。該方法是通過對(duì)大量樣本進(jìn)行訓(xùn)練，找出人臉樣本的統(tǒng)計(jì)特性，構(gòu)建出檢測(cè)分類器，使用分類器進(jìn)行人臉檢測(cè)。目前常用方法有支持向量機(jī)和Adboost。

支持向量機(jī)方法，由訓(xùn)練和檢測(cè)兩部分組成，訓(xùn)練過程由大量人臉樣本和非人臉樣本訓(xùn)練SVM分類器，使得獲得超優(yōu)分類平面。檢測(cè)的時(shí)候用訓(xùn)練好的SVM分類器來(lái)檢測(cè)圖像中的人臉。

Adboost是通過選擇少量關(guān)鍵的視覺特征，產(chǎn)生高效的強(qiáng)分類器，在用級(jí)聯(lián)方式將各強(qiáng)分類器合成更加復(fù)雜的層疊分類器。該方法在人臉檢測(cè)方面速度比較快。

通過統(tǒng)計(jì)理論的人臉檢測(cè)方法算法較為穩(wěn)定，但是樣本的采集工作繁重，采集樣本的好壞往往對(duì)檢測(cè)效果影響較大。

3 結(jié)束語(yǔ)

目前人臉檢測(cè)技術(shù)快速發(fā)展，在刷臉支付、刷臉考勤等新型應(yīng)用中得到快速應(yīng)用，人臉檢測(cè)的精度大大提高，檢測(cè)時(shí)間快速減少。然而，人臉具有豐富的表情特性，以及互聯(lián)網(wǎng)視頻清晰度不足，光照和環(huán)境等影響。在很多背景復(fù)雜情況下，互聯(lián)網(wǎng)視頻人臉檢測(cè)難以達(dá)到較好效果。因此在今后工作中研究的重點(diǎn)為：1）在實(shí)際應(yīng)用中，單一方法往往檢測(cè)效果較低，因此采用多種檢測(cè)方法的聯(lián)合使用，提高檢測(cè)精度。2）在前人研究基礎(chǔ)之上，提出新的檢測(cè)算法提高檢測(cè)效率。

參考文獻(xiàn)：

[1] 陳鍛生， 劉政凱. 膚色檢測(cè)技術(shù)綜述[J]. 計(jì)算機(jī)學(xué)報(bào)， 2006（2）.

[2] 陳雅茜， 雷開彬. 人臉識(shí)別技術(shù)綜述[J]. 西南民族大學(xué)學(xué)報(bào)：自然科學(xué)版， 2007（4）.

[3] 肖陽(yáng). 人臉檢測(cè)算法綜述[J]. 電子技術(shù)與軟件工程， 2014（4）.

[4] 艾海舟， 梁路宏， 徐光祐， 等. 基于膚色和模板的人臉檢測(cè)[J]. 軟件學(xué)報(bào)， 2001（12）.

[5] 楊新權(quán). 基于膚色分割及連續(xù)Adaboost算法的人臉檢測(cè)研究[D]. 重慶： 電子科技大學(xué)， 2013.

[6] 陳冠潼. 人臉檢測(cè)與識(shí)別算法的研究與應(yīng)用[D]. 大連： 大連理工大學(xué)， 2013.

[7] 袁正海. 人臉識(shí)別系統(tǒng)及關(guān)鍵技術(shù)研究[D]. 南京： 南京郵電大學(xué)， 2013.

[8] 段玉波， 任璐， 任偉建， 等. 基于膚色分割和改進(jìn)AdaBoost算法的人臉檢測(cè)[J]. 電子設(shè)計(jì)工程， 2014（12）.

[9] 王尋， 趙懷勛. 基于改進(jìn)的膚色空間和幾何特征的快速人臉檢測(cè)研究[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2015（02）.