基于膚色和AdaBoost算法的人臉檢測

李維維 胡桂明 童劉偉 何隆玲

廣西大學電氣工程學院 廣西 530004

0 引言

本文將膚色信息與基于AdaBoost算法的人臉檢測結合，為了達到實時性要求，本文的膚色分割部分只需快速排除大量非膚色區域干擾，具有比用膚色模型和膚色相似度法更直接快速的特點，將這兩種方法結合大大提高了人臉檢測的精度。

1 膚色檢測

1.1 膚色空間的選擇

膚色信息是人臉的重要特征，Ming和David等人通過研究發現，不同年齡、不同性別、不同種族的人具有不同的膚色，但這種區別主要體現在亮度上，而受色度的影響較小。在除去亮度的色度空間中，不同的人臉膚色表現出較好的聚類性。常用的色彩空間有RGB、HSV、YCbCr等。RGB顏色空間是最常見的一種，但(r,g,b)三個分量上都受亮度影響。研究表明，相對于HSV空間，膚色點在YCbCr空間上的聚類性更好，本文選擇YCbCr顏色空間(Y分量表示亮度，Cb、Cr分量表示色度)進行膚色分割。

YCbCr顏色空間可經RGB空間線性變換得到，轉換公式為：

YCbCr顏色空間將亮度和色度信息分開，進行膚色檢測時降低了亮度的影響，Cb和Cr是兩維獨立分布，能較好的限制膚色分布區域。

1.2 膚色分割

本文中，膚色分割只作為人臉檢測的預處理，不需要太高的精度，只需快速排除大量非膚色區域以減少非膚色區域的干擾即可，經實驗得知，膚色在Cb、Cr信息上集中分布在一個穩定的范圍內：80≤Cb≤135,136≤Cr≤177，符合這個區域的色度被認為是膚色區域，被保留下來，不符合這個區域的色度則被置零。圖1為經過膚色分割得到的效果。

2 基于AdaBoost的人臉檢測

2.1 AdaBoost算法

AdaBoost算法是由Freund和Schapire于1995年提出的一種可以將一組弱分類器提升為強分類器的算法。該算法與Boosting算法不同的是不需要預先知道弱分類器的誤差，只要每個弱分類器的分類能力比隨機猜測稍好，當弱分類器的個數趨于無限時，強分類器的錯誤率就會趨近于零。

AdaBoost算法的描述如下：

對于有n個樣本的訓練集{(x1,y1),…(xn,yn)}，其中xi為訓練樣本，yi=0(i=1,2,…n)表示第i個樣本是負樣本，yi=1表示第i個樣本是正樣本，正樣本數為l，負樣本數為m，總樣本數n=l+m。

(1) 初始化樣本權重，yi=0時，wt,i=1/2m，當yi=1時，wt,i=1/2l，wt,i表示第t次循環第i個樣本的權重。

(2) 對于t=1,…T(T為弱分類器個數)：

2) 對每個特征fj,訓練出一個弱分類器hj，即確定閾值θj和偏置pj，使目標函數最?。?/p>

3) 選取2)中具有最小錯誤率εt的弱分類器ht；

(3) 最后形成的強分類器為：

上述算法的意義可表述為：當提取的分類器正確分類某些樣本，則減少這些樣本的權重；當錯誤分類，就增加相應樣本的權重。這樣以來，后面訓練提取的弱分類器就會強化對錯誤分類樣本的訓練。

2.2 基于AdaBoost算法的人臉檢測

P.Viola等人在2001年提出基于Haar-like矩形特征和AdaBoost算法的人臉檢測方法，該方法用矩形特征來描述圖像，而不再是像素。本文使用擴展的Haar特征，這些擴展特征加入了傾斜的45?特征，每個特征由2-3個矩形組成，圖2顯示了部分矩形特征在人臉上的特征匹配。

圖2 矩形特征在人臉上的特征匹配

矩形定義為：

其中，wi是矩形ri的權值，RectSum(ri)是矩形ri內的所有灰度像素值的和，N是組成Haar特征feature的矩形個數。為了快速計算矩形特征，Viola等提出了積分圖像的定義，通過引入積分圖像技術，能夠快速的計算出RectSum(ri)值，進而提高了矩形特征的計算速度。運用AdaBoost算法訓練由(3)式計算出的矩形特征來得到強分類器，再將強分類器級聯，級聯分類器的前幾層可快速的排除掉大量非人臉區域，把接近人臉的圖像留待后面幾層更復雜的強分類器來處理，這樣大大提高了檢測速度。該方法檢測速度快，檢測率高，但也會有誤檢的情況發生，如圖3所示。

圖3 基于改進AdaBoost算法的人臉檢測結果

3 基于膚色分割和AdaBoost算法的人臉檢測

基于AdaBoost算法的人臉檢測具有檢測速度快、檢測率高的優點，在簡單場景中一般都能達到滿意的檢測效果，在某些背景下就會出現如圖3所示的誤檢。用膚色特征檢測人臉速度快，但容易漏檢和誤檢，因此，本文將膚色分割和AdaBoost算法結合，先對輸入圖像進行膚色分割，提取出膚色區域，再用AdaBoost分類器對候選區域進行檢測，圖4為將兩種方法結合對人臉的檢測結果。

圖4 基于膚色分割和改進AdaBoost算法的人臉檢測結果

4 結論

基于AdaBoost算法的人臉檢測檢測速度快，檢測率高，但由于它是基于人臉的灰度特征，有一定的局限性，本文將膚色信息與AdaBoost算法相結合，先將圖像轉換到YCbCr空間，在此空間中對膚色點進行映射，排除非膚色區域，再將處理的圖像送入AdaBoost分類器檢測，將兩種方法結合既保證了檢測速度快的優勢，又提高了檢測精度，并能夠達到實時性要求，可以很好地用于視頻監控以及實時跟蹤。

[1] 楊環,劉毅.人臉檢測及人眼定位算法的研究[D].濟南:山東大學.2010.

[2] Zheng W l, Bhandarkar S M. Face detection and tracking using a Boosted Adaptive Particle Filter[J]. J. Vis. Commun.Image R.2009.

[3] Ming H Y, David J,Kriegman,et. al.Detecting Faces in Images:A Survey[J].IEEE Trans.on Pattern Analysis and Machine Intelligence.2002.

[4] Hsu R L,Mohamed A M,Jain A K.Face Detection in Color Images[J].IEEE Trans. on Pattern Analysis and Machine Intelligence.2002.

[5] Rafael C. Gonzales, Richard E. Woods,Steven L. Edins 著,阮秋琦等譯.數字圖像處理(MTALAB版) [M].北京:電子工業出版社.2008.

[6] FREUND Y, SCHAPIRE R E. Experimentswith a new boosting algorithm [C]//Proc of the 13th International Conference on Machine Learning. San Francisco: [ s n].1996.

[7] Viola, P. ,Jones,M.,Rapid Object Detection Using a Boosted Cascade of Simple Features[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR).December 2001.

[8] R.Lienhart. An Extended Set of Haar-like Features for Rapid Object Detection[J]. IEEE ICIP 2002.

[9] Viola P ,Jones M. Robust Real-time Face Detection [J].International Journal of Computer Vision.2004.