基于YCbCr色彩空間下的人臉檢測與識別

吳建平 詹楨 鄧鑫

摘 ?要：文章基于YCbCr色彩空間理論，建立二維高斯模型將樣本圖片轉換成膚色似然圖，并對其進行腐蝕、膨脹處理，得到人臉區域;將訓練好的弱分類器組成強分類器，進一步組成級聯分類器，結合Adaboost算法，最終確認樣本圖片的人臉區域。

關鍵詞：人臉識別;YCbCr色彩模型;Adaboost算法;人臉膚色區域

中圖分類號：TP391.41 文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）25-0040-03

Abstract： Based on the YCbCr color space theory， this paper establishes a two-dimensional Gaussian Model to transform the sample image into a skin color likelihood image， and then corrodes and expands it to get the face region; the trained weak classifier is composed of a strong classifier to form a cascade classifier， and combined with the Adaboost algorithm， the face region of the sample image is finally confirmed.

Keywords： face recognition; YCbCr color model; Adaboost algorithm; facial skin color region

1 需要解決的問題

本文研究的問題來源于2018年第十一屆華中地區數學建模邀請賽A題：通過運用所學知識建立人臉位置判斷的數學模型，判斷出人臉在照片中的大致位置，并在圖片中用擬設計的模型“框出”人臉的大致位置。

2 YCbCr色彩空間理論介紹

2.1 YCbCr色彩空間理論[1]

YCbCr色彩空間是ITU-RBT.601的一部分，YCbCr或Y'CbCr顏色空間通常用于膠片或數碼攝影系統的連續圖像處理。實際上YCbCr是YUV的一個縮放版本。YCbCr和YUV中的Y有著相同的含義。其中Y表示亮度（luma）分量（灰度值），Cb表示藍色色度分量，Cr表示紅色色度分量。

2.2 膚色檢測[2]

膚色是人臉先天存在的特征，將膚色作為人臉檢測的出發點是最直接的方式。在人臉圖像中，膚色一般是相對集中且穩定的具有一定程度聚類性質的連通區域，同時根據研究表明，雖然人存在年齡、種族以及性別的差別，但將人臉經過灰度化處理后其差異主要表現在亮度上，因此，膚色檢測是人臉檢測極好的手段，但要想獲得在圖像空間中的膚色，就需要通過膚色檢測和膚色分割來實現，進而才能進一步檢測出人臉在圖像中存在的區域。人臉檢測實現的基本流程圖如圖1。

3 建立模型求解

3.1 顏色空間和膚色模型

3.2 Adaboost算法具體步驟

Adaboost是一種迭代算法[5-6]，同樣也是級連算法，它的基本思想是將整個訓練集分成許多不同訓練的弱分類器，當分類器分類正確的時候，減小分類器的權值，當分類器分類錯誤時，需要對分類器增加權值。當多個弱分類器能夠正確分類時，將其組成強分類器，最后將強分類器串聯成一個級聯分類器，該訓練好的級聯分類器便可用于人臉檢測。Adaboost算法中弱分類器的訓練過程具體如下：

3.2.1 設訓練樣本（x1，y1），（x2，y2），…，（xn，yn），其中yi=1表示訓練樣本圖像是人臉，也就是正樣本，而yi=0表示訓練樣本圖片為非人臉，也就是負樣本。設訓練樣本圖片中人臉正樣本的個數為n1，非人臉的負樣本的個數為n2。

3.2.2 在訓練過程中，需要對弱分類器進行權重初始化，當第i個弱分類器對第j個樣本分類出現錯誤時，則增大第j個樣本在后續分類器中的權重。其權重初始化為：

3.2.3 設共需從原有的N個分類器中選擇T個弱分類器，用t來進行當前弱分類器的技術，則t=1，2，…，T;第t輪的最佳弱分類器為：

（1）權重歸一化。（2）弱分類器訓練。（3）最佳弱分類器選取。（4）權重更新。

3.2.4 訓練器在經過T輪訓練后，很大程度上可以獲得T個最佳分類器，其中，因每5個弱分類器在訓練中或正確的情況不同，因而有不同的權重，所有每個弱分類器都有其對應的特征、閾值和方向指示符。最后，通過線性加權出錯將弱分類器合成強分類器：

3.3 模型求解結果

借助Matlab計算工具，編寫人臉檢測的代碼，識別結果如圖2、3、4、5所示。

Matlab人臉檢測部分程序：

close;

clear all;

clc;

M = [124.2125 132.9449]' ?; %膚色均值

Sigma =[75.3881 ?40.2587 ? 40.2587 ?250.2942];%膚色方差

Img ?= imread（'xjpic.jpg'）;

figure，imshow（Img），title（'原始圖像'）;

Img2 ?= rgb2ycbcr（Img）;%顏色空間轉換

% figure，imshow（Img2（：，：，1））;title（'Y'）;