一種基于膚色分割的人臉檢測方法研究

孫紅艷 趙輝

摘要：本文通過分析人臉檢測的算法，并根據手機系統的特點，提出了基于膚色分割與AdabOOSt相結合的檢測方法。首先，利用膚色分割算法分割膚色區域，并對原始圖像進行預處理。然后，再通過AdabOOSt算法，利用Haar特征，對預處理后的圖像中是否存在人臉進行精檢。

關鍵詞：人臉檢測 膚色分割 Adaboost算法 Haar特征

一、引言

人臉檢測是對給定的靜止或動態圖像，檢測里面是否包含人臉，人臉檢測的方法分成兩類：一種是借助人臉特征進行分析的方法，一種是根據統計理論進行建模的方法。

基于特征的檢測方法分為：基于低層特征的分析方法，組群特征分析方法和變形模型方法。基于統計理論建模方法有：Adaboost法、隱馬爾可夫模型、人工神經網絡、支持向量機等。

本文通過膚色分割算法，在待檢測圖像分割出包含膚色的有效區域，并且在檢測過程中，對非膚色區域進行預處理，將它們設成統一的顏色，這樣，將會減小在下一步的處理中，將非膚色區域檢成人臉的概率;然后，再通過Adaboost算法，利用矩形特征對經過膚色分割處理后的膚色區域中是否包含有效的人臉數據進行精檢。

二、膚色分割算法

膚色特征是聚類特征，并且特征穩定、區別能力較強、計算復雜度低，因而，在算法選擇上，我們首先利用膚色特征，對人臉檢測進行預處理，快速地分割出膚色區域，基于膚色的人臉檢測主要包含兩部分：顏色空間的選取及在所選取的顏色空間上的膚色模型的建立。

本文選用在YCbCr顏色空間上，進行膚色分割的處理，借助簡單閾值模型對圖像中存在的膚色區域進行粗檢，目的就是查找到了圖像中的可能的膚色區域，并作為人臉的候選區域，同時，去除非膚色區域，從而減小圖像中的非膚色區域對人臉過程的干擾，并減小人臉精檢步驟的計算量。

通過顏色空間的對比，我們可以發現，YCbCr顏色空間正好可以滿足我們的要求，剔除亮度Y分量以后，利用二維互相獨立的Cb、cr分量構造坐標平面，就可以分析膚色的聚類區域。根據Chai的研究，如果輸入圖像的像素值在以下范圍內，就可以認為其屬于膚色像素：

利用上述公式，可以將膚色區域從圖像中分割出，分割時，可以適當放寬膚色的閾值，以盡量減少在膚色分割環節漏檢膚色區域的可能性。分割出來來的膚色區域，作為包含人臉的候選區域，將會被轉給下一級的驗證算法Adaboost處理模塊來進行精檢處理。

三、Adaboost算法

77≤cb≤127且133≤Cr≤173

Viola與Jones在2001年構建了一個人臉檢測框架，這個框架不僅能夠獲得比較高的人臉檢測率，而且檢測速度很快，達到了真正實時的效果。在這個框架中，用到的主要技術有三項：Adaboost算法、分類器級聯、矩形特征與積分圖。

本文選用了Adaboost算法，在膚色模型分割出的膚色區域上，利用矩形特征來進行第二階段的人臉檢測。同時，在膚色分割過程中，對非膚色區域進行特殊處理，將所有的非膚色區域的像素值設成0.即黑色，這樣，能夠確保Adaboost在對非膚色區域進行檢測時，不會檢到滿足矩形特征特征值的區域，從而，提高了檢測率，同時，使Adaboost環節的處理只集中在膚色區域進行，降低了檢測時間。

四、系統實現

本文實現了一個用于人臉檢測的WP8.1系統，處理過程為：首先，在YCbCr空間上對圖像進行預處理，提取出膚色區域，將非膚色區域設成黑色;然后，通過Adaboost+Haar特征的方法，對預處理后的圖像數據進行人臉檢測，以下是此系統的結構流程圖。

五、實驗結果與數據分析

從網絡上下載了50張包含各種人臉位姿、不同人臉數目、各種背景等的測試圖像，對此系統進行測試，其中單人臉圖像10張（共包含的人臉數目10），2-4人臉圖像10張（共包含的人臉數目33），5-10人臉圖像15張（共包含的人臉數目128），10人臉以上圖像10張（共包含的人臉數目156），特殊圖像（如特別復雜的背景，分辯率很大的圖像、人臉數目超過30的圖像等）5張（用于評介此系統的性能），以下是測試的統計結果，表中的A代表利用Adaboost算法進行檢測，B代表利用膚色分割與Adaboost相結合的算法進行檢測。

從上表，我們可以看出，與單純的利用Adaboost算法進行人臉檢測相比，膚色分割與Adaboost相結合的算法能有效地降低誤檢率，同時，獲得更快的檢測速度，但是，對于提高檢測率貢獻不大。同時，對于復雜的圖像，如分辨率很大的圖像，檢測的耗時明顯增加，這主要是檢測區域過大及手機處理能力有限造成的：而對于人臉數目超過50的圖像，檢測時間過長，甚至以幾十秒計，在性能上是無法接受的，還需要對系統進一步的優化。