基于膚色檢測和支持向量機的人臉檢測系統

秦暉 華琳

摘 要：本文基于Accord.NET Framework，構建了一個基于膚色檢測和支持向量機的人臉檢測系統。首先提取圖片中膚色區域，用已經訓練好支持向量機的人臉檢測模型檢測圖片中的膚色區域，區分出人臉部分。

關鍵詞：支持向量機；人臉檢測

中圖分類號：TP312 文獻標識碼：A

隨著科學技術的快速發展，目前大數據、人工智能、云計算越來越受到人們的重視，尤其是現在非常熱門的人臉自動識別功能，在很多方面有非常深入的應用。在開展地洞人臉識別過程中，臉檢測是非常重要的一道環節，也是人工智能領域非常復雜的一項工作，能夠在人機交互、視頻會議、監控系統等等方面進行應用。怎么才能夠在人臉識別系統中自動檢測給定的圖像，是非常重要的一個問題。本文使用Accord.NET Framework，首先訓練出SVM分類模型，將待測圖像在RGB的皮膚檢測的基礎上導入到訓練好的SVM模型中做精確檢測出人臉。

一、人臉檢測

現階段，實施人臉檢測的方法主要有以下三種，基于目前使用的算法，分別是基于膚色模型方法、基于幾何特征方法還有基于統計理論方法。[1]其中，應用最為廣泛的就是基于統計理論方法中的 Adaboost [2] 人臉檢測算法，這是由劍橋大學提出，但受到技術等各方面的影響，誤檢率還是比較高。

本文首先采用基于RGB的膚色檢測：根據RGB顏色模型找出定義好的膚色范圍內的像素點，范圍外的像素點設為黑色。然而簡單RGB的膚色檢測效果并不好，首先檢測的完整性并不高，一些稍微光線不好的區域也沒法檢測出皮膚，這種基于RBG范圍來判定皮膚的算法受光線的影響大，針對上述檢測方法存在的不足，本文又在RGB的皮膚檢測的基礎上將RGB顏色轉換為RG / BY顏色空間以及強度，計算圖像上的“紋理幅度”（強度變化的速度），計算圖像上的色調和飽和度，最后結合紋理幅度和色調數據來識別皮膚區域。

二、訓練支持向量機

在上世紀90年代末期的時候，由Vapnik提出的基于統計學習理論、結構風險最小化理論的識別方法。主要利用非線性映射把輸入向量映射到一個高維的線性空間，從而構建最優分類面。

（一）貼標簽

歸一化后得到的候選圖片中有一些是有效的圖片一些是無效的圖片，有效圖片的內容可以被識別，而無效圖片的內容是無法被識別的。在開展SVM訓練前，一定要做好樣本的分類，主要分為無效圖片和有效圖片兩種，之后再分別選擇進行SVM模型訓練，另外的就可以實施測試集，也可以檢驗最終的分類效果。

（二）特征提取

對訓練的圖片進行特征提取操作，目前樣本的特征主要有以下三種形式：

第一種，HOG特征。在構成特征的時候，是利用圖像局部區域的梯度方向直方圖進行統計和計算得以實現。

第二種，LBP局部二值模式。通常情況下是用來描述圖像局部紋理特征的算子。

Haar特征主要是組合性質的模板，主要涵蓋了對角線特征、中心也正、線性特征以及邊緣特征。

特征提取之后，就可以把特征集合帶入到使用Accord.NET框架的訓練算法中通過RBF核進行訓練。r（gamma）和懲罰因子直接影響到模型性能。因此，為了確保實現最優的SVM性能，就一定要開展最優組合，將C和r組合在一起。參數C主要的作用就是對置信區間范圍進行確定。不同的數據子空間中，C有一定的差異，核參數r發生變化，主要是變樣本數據子空間分布的復雜程度發生了變化，也就是線性分類的最大VC維，從而形成最小誤差。

預測測試樣本的準確率是這樣的：

在固定r，C作為變量，如果C超過12之后，模型的綜合評估達到最佳。

固定懲罰因子C，參數r作為變量，當r取值為7到11時，SVM的模型性能最優；數值在加大性能就會逐漸降低。

三、實驗結果

本文使用accord.net框架在vs2015實現訓練和結果顯示。運行環境為CPU 2.20GHz，內存8G。待檢測圖像大小為300*400，經過膚色檢測后有四處區域為疑似臉部。為檢測出精確的臉部結果可以將所有得到的候選圖片大小歸一化后抽取圖像特征放入訓練好的SVM模型進一步檢測出人臉區域，最后送入SVM檢測，只有一處為臉部區域。如圖1、圖2所示。

四、結語

本文實驗結果表明，該算法簡單，速度快。本文所提的方法，對于人臉正面定位有非常好的效果。但是，實際在對人臉圖像進行待檢測的時候，傾斜角度比較大，從而存在比較大的誤檢情況。本文下一步的研究重點，就是對上述的問題進行優化改進，希望為我國的現代化建設貢獻自己的一份力量。

參考文獻：

[1]鐘文濤.基于顏色模型和紋理特征的膚色檢測系統研究[D].江西理工大學，2012.

[2]孫文君，王海龍.基于AdaBoost算法的快速人臉檢測方法.[J].電子技術，2015，44（6）：29-31.

作者簡介：秦暉，女，講師，研究方向：圖像處理，計算機軟件技術。