基于膚色特征的人臉檢測

摘要：人臉檢測在人臉識別過程中是最基本的處理，如果檢測方法不當，會使識別過程崩潰，人臉檢測在人臉識別中很重要。人臉模式是很復雜的，而且易受外界干擾，常見的人臉檢測算法一般都具有計算量大、速度慢、誤報率高的弱點，文中使用基于YCbCr顏色空間的膚色模型檢測方法進行人臉檢測，解決了計算量大的問題，并使用形態學理論對圖像做了后續處理.

關鍵詞：人臉檢測；顏色空間轉換；YcbCr顏色空間；形態學

中圖分類號：ITP391文獻標識碼：A

1 概述

人臉識別是圖像識別領域的一個熱門話題，它自身有許多良好的特性，比如非侵擾性、采集方便等等，正是由于這些優點，它被廣泛應用于海關監察、刑偵等安防領域。人臉識別過程一般包括人臉的檢測和定位、特征提取和人臉識別三部分。很明顯，人臉的檢測是人臉識別過程中最基本的步驟，如果識別誤差太大，那會對后續工作產生很大困難，甚至使結果沒有任何意義。

那怎樣進行檢測呢？因為人臉本身有很多特征，可以根據這些特征進行檢測。其中常用的特征檢測有灰度特征檢測和膚色特征檢測。灰度特征包括輪廓特征、灰度分布特征、結構特征、模板特征等。由于人臉五官位置相對固定，灰度分布呈一定規律性，因此可利用灰度特征來進行人臉識別。通常采用統計的方法或特征空間變換的方法進行灰度特征的提取，如，利用K-L變換得到的特征臉等。下面要講的膚色特征檢測用到的膚色特征使用不同的概念，它利用的是顏色空間的聚類特性，運行速度較灰度特征要快很多。

2 膚色特征人臉檢測

基于膚色特征進行人臉進行檢測有很多優勢，這種方法檢測的速度快，而且直觀，符合人們的感性認識，并且不受形狀、大小的影響，算法簡單易懂，相比于灰度特征的計算，它能大大提高運算速度。

在這一部分，首先介紹了顏色空間的一些特征，然后介紹了基于YCbCr顏色空間的人臉檢測實驗，并運用形態學的知識進行處理，最后講了實驗的結果。實驗的實現使用的是matlab環境。

2.1 顏色空間的特征

RGB顏色空間是用于顯示和保存彩色圖像的最常用的彩色空間，由R(紅)、G(綠)、B(藍)三個分量所組成，三維空間中的三個軸分別與紅、綠、藍三基色相對應，原點對應于黑色，離原點最遠的頂點對應于白色，而其他顏色則落在三維空間中由紅、綠、藍三基色組成的彩色立方體中。但是RGB顏色空間中亮度信息是隱含在三基色里面的，對光強的變化很敏感，所以不適合進行人臉檢測，所以要使用色度跟亮度分離的顏色空間。色度、亮度分離的顏色空間很多，例如，VHS、YIQ、HIS、YUV、YCbCr等。

在YCbCr顏色空間里，Y分量代表亮度，Cb為藍色分量，Cr為紅色分量，實際上，還有一個分量Cg，它代表綠色分量，只是在YcbCr空間上沒用到。在RGB顏色空間中，顏色由紅、綠、藍3個分量組成，每種顏色也就對應于3種顏色分量，即紅色分量Cr、藍色分量Cb和綠色分量Cg，任意2種顏色分量和亮度信息均可以構成一個三維的空間。在該顏色空間中膚色具有較好的聚類效果。所以還存在YCbCg，YCgCr等色彩空間.。在這里，使用YcbCr顏色空間。

2.2 基于YCbCr顏色空間的人臉檢測

由于光線條件發生變化時，人臉顏色也會發生一定的變化，而且膚色信息會受光源顏色和膚色背景的影響，所以會在提取膚色信息產生錯誤提取，為了降低錯誤概率，需要對圖像進行光照補償，進行圖像均衡處理。在這個試驗中，對從網上下載的100幅人臉圖像進行了檢測，提取效果尚佳。

2.2.1 膚色信息的提取

圖像進行預處理之后，下面進行膚色信息提取工作。由于讀入的圖像是JPG格式的，也就是說它的顏色空間是RGB空間，說以需要進行顏色空間之間的轉換，利用顏色空間之間的轉換關系：

Y=0.257*R+0.504*G+0.098*B+16;

Cb=-0.148*R-0.291*G+0.439*B+128;

Cr=0.439*R-0.368*G-0.071*B+128;

將顏色空間由RGB空間轉換到YcbCr空間，那計算出YcbCr空間的系數之后，膚色信息該如何提取呢？因此要找到膚色信息的分布情況，即膚色信息集中在哪一數值段。經過多次實驗得到，Y中的膚色信息范圍為（50，180），Cb中的膚色信息范圍為（140，190

），Cr中的膚色信息范圍為（142，190）。在范圍內的點值設置為1，不在此范圍內的點值設置為0，得到一個二值圖像。如圖1所示：

圖1 經處理之后的二值圖像

然而得到的二值圖像中有很多不是人臉的小孔和毛刺，這些小孔和毛刺會引起特征的錯誤提取，那如何將這些小孔去掉呢？使用形態學的知識可以解決這個問題。

2.2.2 形態學處理

形態學以幾何學為基礎對圖像進行分析，其基本思想是用一個結構元素作為基本工具來探測和提取圖像特征。基本的運算有：膨脹，腐蝕，開啟和閉合。膨脹的作用是：圖像比原圖像占的像素要多，是圖像更大。腐蝕的作用是：圖像比原圖像占的像素少，有所收縮。這個實驗里，試用了腐蝕，關閉，膨脹操作。開啟的作用是：去掉輪廓上的突出毛刺，是有毛刺的部分變得圓滑，截斷狹窄的連線，也就是將圖像中細小的線給去掉。關閉的作用是：去掉區域中的小孔，填平狹窄的斷裂、細長的溝壑以及輪廓的缺口，起到平滑圖像的作用。

在此實驗中，對前面得到的二值圖像先進行腐蝕操作，將白色小孔腐蝕掉，這使得白色區域面積減小。然后對圖像進行膨脹處理，增大白色區域的面積，使黑色區域減小，這是合理的結果。在這個實驗中，進行了三次膨脹的到了比較理想的結果。經形態學處理后的圖像如圖2，3所示：

圖2經形態學處理的結果

圖3檢測出的彩色圖像

圖2與圖1相比，去掉了很多黑色區域，使提取的臉部區域更理想，實現了人臉的檢測和定位。人臉檢測出來之后，就可以進行后續處理了，例如一些準則進行分類識別，比如fisher準則等等。

總結

基于膚色特征進行人臉的檢測有其獨特的優勢，它不受人臉圖像的形狀、大小的限制，能從圖像中比較準確的檢測出人臉，同時計算量小，在實時性要求比較嚴格時，膚色特征的人臉檢測有很好的優勢，還有，基于膚色特征的人臉檢測容易讓人理解，它是對顏色空間進行變換，涉及亮度、色度的轉變，比較直觀，符合人的視覺感受。但是膚色特征的人臉檢測也有不足之處，這種方法易受光線的干擾，因為在YcbCr空間中，是基于亮度和色度的范圍提取膚色區域的，如果亮度不理想，很容易影響提取效果。所以用這種方法進行人臉檢測時，要對圖像進行亮度調整。

參考文獻

[1]李子青.國內智能視頻監控技術的發展[J].INTELLIGENT BUIDDING，2008(89)：38-40.

[2]魏冬冬，詹穎.靜態人臉識別技術探討[J].圖形圖像，2006.

[3]尹飛，馮大政.基于PCA算法的人臉識別[J].計算機技術與發展，2008，18(10)：31-33.

[4]楊淑瑩.模式識別與智能計算Matlab技術實現[M].電子工業出版社，2008.