李 凱

(江西理工大學理學院，江西贛州 341000)

隨著互聯(lián)網(wǎng)絡的快速發(fā)展，人們對智能化人臉檢測技術越來越重視。人臉檢測就是檢測一幅圖像中人臉所在的位置［1］。常用的人臉檢測方法有基于知識的方法［2］、基于特征的方法［3］、基于模板匹配的方法［4］、基于統(tǒng)計的方法［5］。在視頻中的檢測需要滿足實時性，Viola等［6-7］提出了一種基于AdaBoost的人臉檢測算法，同時建立了第一個真正實時的人臉檢測系統(tǒng)，從根本上解決了檢測速度問題，具有較好的識別效果。但利用AdaBoost算法的人臉檢測具有一定的局限性，算法對于側(cè)面及多姿態(tài)的人臉檢測誤檢率較高。針對這個問題，本文提出了一種動態(tài)視頻流實時多人臉檢測算法，并對該法的檢測效率和速度進行了評價。

1 視頻圖像膚色分割

膚色是表征人臉的顯著特征信息，具有相對的穩(wěn)定性。視頻圖像的大小、表情、姿態(tài)等因素不會對膚色特征造成較大的影響。因為膚色與背景顏色存在較大差別，所以能夠運用膚色特征分割視頻圖像中的人臉區(qū)域。本文選擇在能夠?qū)D像的亮度與色度分離的YCbCr色彩空間中建模，并使用簡單門限的方法分割膚色的區(qū)域，然后運用膨脹處理，將離散的像素點以一定規(guī)則連接起來，并運用腐蝕的方法腐蝕掉較小的噪聲點。最終分割出視頻圖像的膚色區(qū)域。圖1是一幅圖像分割膚色區(qū)域的過程圖。圖1a是一幅原始的圖像。圖1b將RGB色彩空間中的圖像轉(zhuǎn)化YCbCr色彩空間中并運用簡單門限的方法分割的效果圖。從圖中可以看出分割出來的二值化圖像眼睛部分是黑色的，臉部的其他部分是白色的，需要將圖像中離散的像素點連接起來，以分割出全部的膚色區(qū)域。圖1c是經(jīng)過膨脹處理后二值化圖像的效果圖，從圖中可以看出一些很小的非膚色區(qū)域的較小噪聲點也連接在一起。圖1d是通過腐蝕處理，減小圖像中噪聲點后的效果圖。從圖1可以看出，通過以上的處理，膚色區(qū)域被完整地從圖像中分割出來。

圖1 圖像分割的過程

2 AdaBoost人臉檢測算法

AdaBoost［8-9］算法是研究人員提出的一種通過不斷學習提高分類性能的算法。算法采用了一種Haarlike［10］特征選擇策略，通過灰度變化選取人臉特性。圖2中列舉了幾種比較常見的特征。Lienhart和Maydt在2002年擴展了幾種Haar-like特征。Haar-like特征能夠很好地選取視頻圖像中的數(shù)據(jù)特征點，但這種選取方式運行耗費時間過多，為了加快特征選取的速度，可以使用數(shù)學中常用的積分圖的方法。AdaBoost算法首先提取樣本圖像中的Haar-like特征，然后將圖像的特征數(shù)據(jù)作為訓練數(shù)據(jù)訓練弱分類器。假設樣本空間為(x，y)，從樣本空間中選擇m組訓練樣本，訓練樣本的權重為1/2m。選擇一個弱學習算法迭代運算T次，每次運算后都按照分類結(jié)果調(diào)整訓練樣本的權重，并且賦予分類錯誤的訓練樣本更大的權重，在迭代運算中更加注意上次分類錯誤的訓練樣本的分類情況。弱分類器經(jīng)過不斷迭代最終獲得一個分類函數(shù)序列(f1，f2，…，fT)。賦予分類函數(shù)一個權重，分類效果差的分類函數(shù)賦予較小的權重。經(jīng)過T次迭代運算，最終得到一個由弱分類器加權形成的強分類器F。

圖2 幾種基本的Haar-like特征

AdaBoost算法的詳細工作步驟如下:

1)輸入n個訓練樣本:{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中i=1，2，…，n，yi為訓練樣本類別標簽(yi=0，1)分別表示l個負樣本(非人臉)、m個正樣本(人臉)，l+m=n。

2)初始化權重

3)設t=1，2，…，T。

(1)歸一化訓練樣本的權值為

(2)每個特征j對應一個弱分離器hj為

用該弱分離器對所有樣本進行分類，然后計算對所有樣本進行分類的錯誤率的和ξj，即

(3)選擇具有最小錯誤率ξt的弱分離器ht(x)作為本次迭代得到的最佳弱分類器。

(4)更新樣本對應的相應權重，即

4)經(jīng)過T次迭代，選出T個最佳弱分類器，形成最后的強分類器，即

式中:at=lg(1/βt)。

3 動態(tài)視頻流多人臉檢測算法

針對傳統(tǒng)的AdaBoost人臉檢測算法對側(cè)面及多姿態(tài)人臉檢測誤檢率較高且檢測速度較慢等問題，為了得到性能更好的人臉檢測算法，本文提出了一種動態(tài)視頻流實時多人臉檢測算法。該算法在YCbCr空間中建立簡單的膚色模型，運用簡單門限以及一些形態(tài)學的運算，分割視頻圖像中的膚色區(qū)域，縮小AdaBoost算法的搜索范圍以降低算法的運行時間。最后運用AdaBoost方法在該區(qū)域內(nèi)精確地尋找出人臉所在的位置。

算法的詳細工作步驟如下:

1)攝像頭實時采集視頻圖像。

2)將RGB色彩空間中的視頻圖像轉(zhuǎn)化到Y(jié)CbCr色彩空間中。

3)運用簡單門限的方法分割視頻圖像中的膚色區(qū)域。

4)運用腐蝕和膨脹等形態(tài)學的方法處理分割出來的膚色區(qū)域。

5)運用AdaBoost算法構造的分類器，在膚色區(qū)域內(nèi)精確地定位人臉所在的位置。

6)標記出人臉所在的位置。

動態(tài)視頻流多人臉檢測算法的流程圖如圖3所示。

圖3 動態(tài)視頻流多人臉檢測算法流程圖

4 實驗結(jié)果與分析

為驗證算法的有效性，本文在實驗環(huán)境為Inter(R)Core(TM)i5 CPU 2.53 GHz，2 Gbyte 內(nèi)存的計算機上，運用MATLAB2012和OpenCV2.3.1［11］混合編程實現(xiàn)了一個人臉檢測系統(tǒng)。并通過兩個實驗驗證本文所提出的算法在靜態(tài)圖像和動態(tài)視頻流中的算法性能。

實驗一:用本文提出的檢測方法檢測靜態(tài)圖像。圖5為使用該算法的人臉檢測效果圖。圖4a中包含4個人臉，檢測出4個、誤檢0個。圖4b包含8個人臉，檢測出8個、誤檢0個。圖4c包含19個人臉，檢測出18個人臉、誤檢0個。通過實驗一能夠得出，該算法在人臉數(shù)較少時檢測效果較好，但人臉數(shù)較多時有一定的漏檢。由于在膚色區(qū)域內(nèi)檢測人臉區(qū)域，算法的誤檢率也有所降低。

圖4 靜態(tài)圖像的人臉檢測效果圖

實驗二:為進一步驗證本文提出算法在實時動態(tài)視頻流中的有效性，本文運用筆記本式計算機自帶的攝像頭實時獲取動態(tài)視頻流并且檢測人臉區(qū)域，調(diào)節(jié)視頻圖像大小為320×240，幀頻為20 f/s(幀/秒)。實時動態(tài)檢測的效果如圖5、圖6所示。

圖5為實時動態(tài)視頻流單人臉檢測效果圖。圖6是實時動態(tài)視頻流多人臉檢測效果圖。從圖5和圖6中可以看出本文提出的實時動態(tài)視頻流多人臉檢測算法對有遮擋、側(cè)面以及多人臉檢測都具有較好的檢測效果。該算法克服了AdaBoost算法對側(cè)面及多姿態(tài)人臉檢測誤檢率較高的問題，能夠很好地跟蹤檢測人臉區(qū)域。

為了得到算法的具體性能數(shù)據(jù)，本文分別采用Adaboost算法和本文方法定位動態(tài)視頻流中單個和多個人臉所在的位置。表1、表2為相應的數(shù)據(jù)信息。

圖5 實時動態(tài)視頻流單人臉檢測效果圖

圖6 實時動態(tài)視頻流多人臉檢測效果圖

表1 動態(tài)視頻中單人臉測試結(jié)果比較

表2 動態(tài)視頻中多人臉測試結(jié)果比較

從表中可以看出本文的算法降低了視頻中人臉檢測的誤檢率。文中沒有被檢測出人臉的視頻幀主要發(fā)生在只有部分人臉在攝像頭范圍內(nèi)的情況。該算法對側(cè)臉以及多人臉檢測效果良好。由于算法僅僅在膚色區(qū)域內(nèi)搜索人臉所在的位置，因此算法的運行時間也明顯減少。綜上所述，本文提出的算法具有良好的性能與可行性。

5 結(jié)論

本文提出一種動態(tài)視頻流實時多人臉檢測算法，并實現(xiàn)了一個動態(tài)視頻流人臉檢測系統(tǒng)。該算法先在YCb-Cr色彩空間中建立膚色模型，然后運用簡單門限以及腐蝕和膨脹的方法分割視頻圖像中的膚色區(qū)域，最后運用AdaBoost算法在該膚色區(qū)域內(nèi)精確定位出人臉所在的位置。仿真實驗表明，該算法比傳統(tǒng)的算法有更低的誤測率和更快的檢測速度，算法能夠在動態(tài)視頻流中實時檢測，具有較高的實用價值。

:

［1］YANG M H，KRIEGMAN D，AHUJA N.Detecting faces in images:a survey［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(1):34-58.

［2］HUANG T S，YANG G Z.Human face detection in a complex background［J］.Pattern Recognition，1994，27(1):53-63.

［3］PENV P S，ARICK J J.Local facture analysis:a general statistical theory for object representation［J］.Network:Computation in Neural Systems，1996，7(3):477-500.

［4］SAKAI T，NAGAO M.Line extraction and pattern detection in a photograph［J］.Pattern Recognition，1969(1):233-248.

［5］ROWLEY H A，BALUJA S，KANADE T.Neural network-based face detection［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，1998，20(1):23-38.

［6］VIOLA P，JONES M.Rapid object detection using a boosted cascade of simple features［C］//Proc.the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Hawaii，USA:IEEE Press，2001:511-518.

［7］VIOLA P，JONES M.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57(2):137-154.

［8］徐品，童癸，瞿靜.基于AdaBoost算法和人眼定位的動態(tài)人臉檢測［J］.電視技術，2011，35(9):114-117.

［9］韓帥，王景存.基于AdaBoost的檢測與跟蹤技術在電子警察中的應用［J］.電視技術，2012，36(1):118-121.

［10］LIENHART R，MAYDT J.An extended set of haar-like features for rapid object detection［J］.IEEE ICIP，2002(1):900-903.

［11］BRADSKI G，KAEHLAER A.Learning OpenCV:computer vision with the OpenCV library［M］.［S.l.］:O’Reilly，2008.