李揚(yáng)，曹著明

（1.天津中德應(yīng)用技術(shù)大學(xué)軟件與通信學(xué)院，天津 300350；2.北京電子科技職業(yè)學(xué)院，北京100029；3.天津職業(yè)技術(shù)師范大學(xué)，天津 300222）

基于膚色和AdaBoost算法的人臉檢測(cè)

李揚(yáng)1，3，曹著明2，3

（1.天津中德應(yīng)用技術(shù)大學(xué)軟件與通信學(xué)院，天津 300350；2.北京電子科技職業(yè)學(xué)院，北京100029；3.天津職業(yè)技術(shù)師范大學(xué)，天津 300222）

為了避免光照和復(fù)雜背景造成的多人臉誤檢漏檢問題，提出一種基于膚色和AdaBoost算法相結(jié)合的多人臉檢測(cè)算法，本文首先本章首先應(yīng)用CbCrCg空間下基于最小二乘擬合的膚色聚類模型作為人臉檢測(cè)的預(yù)處理過程，然后需要進(jìn)一步將該區(qū)域作為輸入圖像依次通過AdaBoost級(jí)聯(lián)分類器進(jìn)行人臉檢測(cè)，進(jìn)一步去除膚色區(qū)域中的非人臉區(qū)域，最后實(shí)現(xiàn)更精確的人臉定位。

人臉檢測(cè)；膚色；AdaBoost；CbCrCg空間；最小二乘

0 引言

人臉檢測(cè)技術(shù)涉及的內(nèi)容非常廣泛，其檢測(cè)過程實(shí)際上是對(duì)人臉模式特征進(jìn)行綜合判定的過程。從不同角度劃分，人臉檢測(cè)方法有不同的分類方法。但一般是采用多種模式特征綜合的方式來進(jìn)行人臉檢測(cè)居多。膚色是人臉的重要特征信息，不依賴于人臉面部特征細(xì)節(jié)，對(duì)于姿態(tài)、表情等變化具良好的穩(wěn)定性，并且在大多數(shù)情況下與背景顏色存在明顯區(qū)別?；谀w色特征的人臉檢測(cè)方法擁有速度優(yōu)勢(shì)，常常被應(yīng)用于構(gòu)建快速的人臉檢測(cè)系統(tǒng)中。

1995年Freund和Schapire在Boosting基礎(chǔ)上進(jìn)行改進(jìn)，提出了AdaBoost（Adaptive Boosting）算法[5]。該方法是一種迭代算法，它克服了Boosting算法對(duì)弱學(xué)習(xí)算法先驗(yàn)知識(shí)的要求，而且運(yùn)算效率很高。2001年，Paul Viola等人第一次將AdaBoost算法應(yīng)用到人臉檢測(cè)過程中，提出了積分圖像的概念和基于AdaBoost訓(xùn)練人臉檢測(cè)分類器的方法，建立了第一個(gè)真正實(shí)時(shí)的人臉檢測(cè)系統(tǒng)。

本文應(yīng)該膚色模型和AdaBoost算法的優(yōu)勢(shì)，首先應(yīng)用膚色模型建立具有一定魯棒性的人間膚色模型，然后應(yīng)用AdaBoost算法建立人臉檢測(cè)分類器并進(jìn)行訓(xùn)練，最后在人臉圖片上檢測(cè)該算法的有效性。

1 膚色模型建立

所謂膚色建模和其他數(shù)學(xué)建模一樣，即用一種代數(shù)的（解析的）或查找表形式來表達(dá)哪些像素色彩屬于膚色，或者表征出某一像素的色彩與膚色的相似度。目前圖像處理研究中常用的膚色模型有區(qū)域模型，高斯模型，混合高斯模型和直方圖模型[6]。根據(jù)膚色在空間CbCrCg的三個(gè)投影平面的映射分布情況不難發(fā)現(xiàn)，膚色在該空間的聚類性良好，并且膚色映射區(qū)域基本存在于類似橢圓區(qū)域內(nèi)，所以本文選擇空間CbCrCg進(jìn)行膚色模型的建立，為避免因簡(jiǎn)單降維造成膚色與非膚色重疊，選擇在三維空間CbCrCg內(nèi)實(shí)現(xiàn)對(duì)膚色進(jìn)行三維建模。具體做法如下：

首先將膚色樣本投影映射的笛卡爾坐標(biāo)系取整轉(zhuǎn)化到256×256的圖像分布矩陣中，然后在膚色平面采用直接最小二乘擬合擬合聚類的方法建立膚色模型，具體數(shù)學(xué)模型如下：

二次曲線方程在一定約束條件下可以表示為橢圓：

其約束條件是：

式中：

可將直接最小二乘法擬合問題轉(zhuǎn)化為下面的問題：

其約束條件為：

由膚色樣本點(diǎn)的分布情況可知，膚色點(diǎn)處于一個(gè)橢圓區(qū)域內(nèi)并不分布在一條直線，根據(jù)R.Halif等人[7]提出的一種高效魯棒性能好的數(shù)值穩(wěn)定直接最小二乘法橢圓擬合算法可以保證保證是一個(gè)非奇異矩陣，可以將（4）式轉(zhuǎn)化為下邊的式子：

由上式可以得到，進(jìn)而確定橢圓方程。

根據(jù)膚色投影分布橢圓邊緣確定的橢圓方程形式，以CbCg膚色投影分布為例對(duì)于給定的像素點(diǎn)進(jìn)行膚色判別的準(zhǔn)則如下：

其中abg，bbg，cbg，dbg，ebg，fbg是對(duì)CbCg膚色投影分

類似，Cr-Cg和Cb-Cr平面可以通過同樣的方法確定各平面的膚色分布擬合橢圓方程及其膚色判別規(guī)則。

2 基于膚色和AdaBoost算法的多人臉檢測(cè)

2.1 基于膚色與AdaBoost算法的人臉檢測(cè)的不足

膚色是人臉的主要特征信息，其對(duì)旋轉(zhuǎn)，表情變化具有一定的穩(wěn)定性。因此基于膚色特征的人臉檢測(cè)算法具有復(fù)雜度低，檢測(cè)速度快的特點(diǎn)，尤其是對(duì)于多人臉檢測(cè)過程中不同姿態(tài)表情的變化有很好的魯棒性。但是膚色易受光照變化及類膚色信息干擾，一部分膚色信息由于光照影響處于高光區(qū)或者陰影區(qū)域造成漏檢，一部分類膚色信息則由于膚色建模的原因被誤檢為膚色。在這種情況下，膚色區(qū)域常常出現(xiàn)不連續(xù)的空洞，或者大片類膚色信息。而且基于膚色的人臉驗(yàn)證手段對(duì)膚色檢測(cè)的每步操作精度要求很高，僅僅依靠一些幾何特征或者簡(jiǎn)單的模板，往往造成較高的人臉誤檢漏檢情況。另外對(duì)于當(dāng)圖像中存在人臉重疊現(xiàn)象時(shí)，幾何特征等驗(yàn)證方法也會(huì)失去作用。

類Haar特征提取及積分圖計(jì)算提高了AdaBoost算法的檢測(cè)速度，級(jí)聯(lián)分類器的構(gòu)建過程則在保障檢測(cè)速度基礎(chǔ)上提高人臉檢測(cè)性能，因而AdaBoost算法是構(gòu)建實(shí)時(shí)人臉檢測(cè)系統(tǒng)的有效方法。但是該方法在提高檢測(cè)率的同時(shí)也增加了誤檢率，而且在一定情況下增加了訓(xùn)練樣本所需時(shí)間。研究表明基于AdaBoost的人臉檢測(cè)對(duì)于單人臉正面圖像的檢測(cè)效果較好，但是對(duì)于多人臉情況下多姿態(tài)多表情的人臉檢測(cè)率低，漏檢率高。

2.2 基于膚色和AdaBoost算法結(jié)合的人臉檢測(cè)

人臉是一個(gè)復(fù)雜的結(jié)構(gòu)體，對(duì)于人臉的檢測(cè)需要考慮很多的因素。研究表明單一的檢測(cè)方法可靠性是有限的，不管是基于膚色的人臉檢測(cè)還是基于AdaBoost的人臉檢測(cè)，各有優(yōu)點(diǎn)，但是在適用范圍存在很大的局限性。如果將多種人臉檢測(cè)方法有效結(jié)合，那樣將會(huì)獲得更高的檢測(cè)率。

針對(duì)基于膚色和基于AdaBoost人臉檢測(cè)算法各自的優(yōu)缺點(diǎn)，為了綜合利用二者的優(yōu)點(diǎn)，盡可能避免單一方法的缺點(diǎn)對(duì)檢測(cè)結(jié)果的干擾，本文首先應(yīng)用CbCrCg空間下基于最小二乘擬合的膚色聚類模型作為人臉檢測(cè)的預(yù)處理過程，在減少人臉檢測(cè)的搜索范圍同時(shí)有效保障避免因?yàn)楣庹盏纫蛩卦斐傻娜四樐w色漏檢。在經(jīng)過準(zhǔn)確的人臉膚色分割后，待檢測(cè)圖像被劃分為含人臉的膚色區(qū)域和不含人臉的膚色區(qū)域，然后需要進(jìn)一步將該區(qū)域作為輸入圖像依次通過AdaBoost級(jí)聯(lián)分類器進(jìn)行人臉檢測(cè)，進(jìn)一步去除膚色區(qū)域中的非人臉區(qū)域，實(shí)現(xiàn)更精確的人臉定位。

3 人臉檢測(cè)實(shí)驗(yàn)

3.1 人臉庫的選取

美國FERET人臉庫共包括11338幅人臉圖像，圖像涵蓋了人臉?biāo)椒较蚋鱾€(gè)角度的變化。如圖所示為部分人臉圖像：

圖1 美國FERET人臉庫姿態(tài)變化圖像

CAS-PEAL-R1人臉庫是由中科院建立的目前亞洲最大的人臉數(shù)據(jù)庫，共有1040個(gè)人的30863幅人臉圖像。其中正面子集包括人臉表情飾物背景光照等變化，非正面人臉子集包括1040個(gè)人21個(gè)角度姿態(tài)變化的姿態(tài)子集圖像。

圖2 中科院CAS-PEAL-R1人臉庫姿態(tài)變化圖像

在進(jìn)行AdaBoost訓(xùn)練之前將所有圖像統(tǒng)一歸一化19×19大小，從而構(gòu)建了多姿態(tài)人臉樣本庫。

3.2 人臉檢測(cè)結(jié)果

為驗(yàn)證該方法的有效性，文章從Inter網(wǎng)選取了200張圖像，包括多人臉圖像和單人臉圖像，其中涵蓋了光照，復(fù)雜背景，及人臉姿態(tài)表情變化等因素。實(shí)驗(yàn)中對(duì)這些圖像按照單人臉和多人臉圖像進(jìn)行分組實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖所示：

圖3 本文方法的檢測(cè)效果

實(shí)驗(yàn)基于構(gòu)建的226張訓(xùn)練圖像，共計(jì)502個(gè)人臉，正面人臉397個(gè)，平面偏轉(zhuǎn)人臉105個(gè)。分別采用基于直接最小二乘擬合膚色聚類模型人臉檢測(cè)方法和基于傳統(tǒng)AdaBoost算法的人臉檢測(cè)方法與本文方法進(jìn)行性能對(duì)比，三種人臉檢測(cè)方法性能對(duì)比情況如表1所示：

表1 三種人臉檢測(cè)方法性能對(duì)比情況

本文方法通過最小二乘擬合膚色模型與AdaBoost算法的有效結(jié)合，有效克服了光照、復(fù)雜背景及人臉姿態(tài)等因素的影響，最終在復(fù)雜環(huán)境下實(shí)現(xiàn)很好的人臉檢測(cè)效果。

4 結(jié)語

本文提出了將膚色檢測(cè)與AdaBoost算法結(jié)合起來的人臉檢測(cè)方法。該方法可以有效解決膚色檢測(cè)誤檢率較高和AdaBoost方法漏檢的問題，從而在提高檢測(cè)率的同時(shí)降低誤檢率，實(shí)現(xiàn)更準(zhǔn)確的人臉定位。

[1]趙麗紅，劉紀(jì)紅，徐心如.人臉檢測(cè)方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2004（9）：1-4.

[2]Yang MH，Kricgman D，Ahuja N.Detecting Faces in Images：A Survey[C].IEEE Trans Pattern Analysis and Machine Intelligence，2002，24（1）：34-58.

[3]李剛，高政.人臉自動(dòng)識(shí)別方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2003（8）：4-9.

[4]梁路宏，艾海舟，徐光佑.人臉檢測(cè)研究綜述[J].計(jì)算機(jī)學(xué)報(bào).2002，5（25）:449-456.

[5]FreundY，Schapire R E，A Decision-Theoretic Generalization of Online Learning and an Application to Boosting[J].Journal of Computer and System Sciences，1997，55（l）:119-139.

[6]Sung K，Poggio T.Example-Based Learning for View Based Human Face Detection[J].IEEE Trans Pattern Analysis and Machine Intelligence，1998，20（1）:39-51.

[7]RADIM HAL，J FLUSSER.Numerically Stable Direct Least Squares Fitting of Ellipses[J].The Sixth International Conference in Central Europe on Computer Graphics and Visualization 1998，21（5）:125-132.

Face Detection Based on Skin Color and AdaBoost Algorithm

LI Yang1，3，CAO Zhu-ming2，3
（1.College of Software and Communication,Tianjin Sino-German University of Applied Stiences,Tianjin 300350；2.Beijing Electronic Science&Technology Vocational College，Beijing 100029；3.Tianjin University of Technology and Education，Tianjin 300222）

To avoid the illumination and complex background of the multi face detection error detection problem,puts forward a kind of color and AdaBoost algorithm based on the combination of multi face detection algorithm based on skin color clustering model of least squares fitting as the pretreatment process of face detection,firstly applies the CbCrCg space,then need to further transform the area as input the image face detection through AdaBoost cascade classifier,further removal of non face regions in the skin region,finally achieves face location more accurate.

Face Detection;Skin Color;AdaBoost;CbCrCg Space;Least Squares

1007-1423（2017）05-0077-04

10.3969/j.issn.1007-1423.2017.05.018

2016-10-25

201-02-10