基于膚色特征的人臉檢測(cè)方法研究

唐云龍 何麒 陳平

摘要：論文通過(guò)對(duì)目前國(guó)內(nèi)外主流人臉檢測(cè)的算法進(jìn)行比較研究，探討如何提高人臉識(shí)別算法的精確度和檢測(cè)速度，為國(guó)內(nèi)開(kāi)發(fā)各類(lèi)人臉識(shí)別系統(tǒng)提供參考，主要是通過(guò)分析以膚色特征為主的人臉檢測(cè)法，了解其計(jì)算過(guò)程和原理，對(duì)其擁有的色彩空間、預(yù)處理人臉圖像檢測(cè)技術(shù)以及依據(jù)人臉特點(diǎn)建立相應(yīng)的膚色模型等算法、檢測(cè)技術(shù)進(jìn)行深度分析。通過(guò)研究，筆者認(rèn)為在社會(huì)經(jīng)濟(jì)發(fā)展中，人臉檢測(cè)應(yīng)用比較廣泛，相較之其他識(shí)別人體生物的系統(tǒng)，人臉識(shí)別方式更加直接與友好，已成為未來(lái)識(shí)別認(rèn)證身份的一種重要發(fā)展趨勢(shì)。以膚色特征為主的人臉檢測(cè)法，不僅色彩空間廣，且運(yùn)用了綜合檢測(cè)技術(shù)，提高了檢測(cè)精確度，檢測(cè)速度也更加快捷，主流人臉檢測(cè)算法均有各自的特性，但總體而言，建立在臉部膚色特點(diǎn)基礎(chǔ)上的人臉檢測(cè)技術(shù)與綜合檢測(cè)技術(shù)相結(jié)合，不僅能夠有效提高膚色檢測(cè)技術(shù)的準(zhǔn)確率，還可以極大地提高Adaboost算法的檢測(cè)速度與效率，使用比較廣泛。

關(guān)鍵詞：人臉檢測(cè);算法;色彩

中圖分類(lèi)號(hào)： TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）19-0198-03

隨著現(xiàn)代化科技水平的快速發(fā)展，信息技術(shù)的安全性日益凸顯。在國(guó)家安全部門(mén)、公安系統(tǒng)、司法部門(mén)、電子商務(wù)及政務(wù)系統(tǒng)、甚至安全檢查等相關(guān)領(lǐng)域，都需要準(zhǔn)確的識(shí)別個(gè)人身份，而識(shí)別與鑒定身份的基礎(chǔ)則是系統(tǒng)的安全性，而傳統(tǒng)身份鑒別系統(tǒng)已難以滿足社會(huì)發(fā)展需求。眾所周知，人臉識(shí)別，就是依據(jù)個(gè)體相貌特點(diǎn)來(lái)確定其身份的一種手段，在日常生活與生產(chǎn)活動(dòng)身份鑒別中，應(yīng)用比較廣泛。作為生物特征的表現(xiàn)，人臉具有顯著的穩(wěn)定性，不易偽造及丟失性，相較之其他人體識(shí)別系統(tǒng)如視網(wǎng)膜、指紋、基因及虹膜等，人臉識(shí)別技術(shù)更加直接與友好，也是未來(lái)識(shí)別認(rèn)證身份技術(shù)的重要發(fā)展趨勢(shì)。

對(duì)于人臉檢測(cè)技術(shù)的研究最早始于人臉識(shí)別，在人臉識(shí)別系統(tǒng)中，人臉檢測(cè)技術(shù)是非常關(guān)鍵的一種環(huán)節(jié)。在20世紀(jì)60年代，一些學(xué)者開(kāi)始探究人臉檢測(cè)技術(shù)，并對(duì)該檢測(cè)算法做出了一些研究分析。但是由于傳統(tǒng)人臉識(shí)別系統(tǒng)受人臉圖像的約束，因此該技術(shù)發(fā)展比較慢。直到20世紀(jì)90年代，隨著電子商務(wù)技術(shù)的發(fā)展應(yīng)用，傳統(tǒng)的人臉識(shí)別系統(tǒng)已無(wú)法滿足社會(huì)發(fā)展需求。此外，隨著高性能計(jì)算機(jī)技術(shù)的發(fā)展，這也成為人臉檢測(cè)的技術(shù)保障。在良好發(fā)展形勢(shì)下，研究學(xué)者開(kāi)始重視人臉檢測(cè)技術(shù)，推動(dòng)該技術(shù)發(fā)展壯大。

在人臉識(shí)別系統(tǒng)中，其主要技術(shù)內(nèi)容覆蓋了數(shù)學(xué)、數(shù)字圖像處理、心理學(xué)、生理學(xué)、神經(jīng)網(wǎng)絡(luò)、模式識(shí)別及計(jì)算機(jī)視覺(jué)等不同領(lǐng)域，應(yīng)用非常廣泛。近些年，計(jì)算機(jī)圖像處理技術(shù)快速發(fā)展并取得了顯著成果，現(xiàn)代化圖像采集設(shè)備得到普及推廣，在開(kāi)關(guān)保險(xiǎn)柜、樓宇門(mén)禁及開(kāi)關(guān)計(jì)算機(jī)手機(jī)等系統(tǒng)中也開(kāi)始應(yīng)用人臉檢測(cè)識(shí)別技術(shù)，開(kāi)鎖的唯一“標(biāo)志”即為人臉。

在安全驗(yàn)證、海關(guān)、交通、銀行、視頻會(huì)議及數(shù)字娛樂(lè)等領(lǐng)域，人臉檢測(cè)技術(shù)應(yīng)用前景也比較廣闊。該身份識(shí)別技術(shù)適用于認(rèn)證身份、檢索數(shù)據(jù)庫(kù)圖像、見(jiàn)識(shí)公共場(chǎng)合個(gè)體、甚至提高人機(jī)交互能力等。隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，人口流動(dòng)量、速度及區(qū)域日益提高，在管理與統(tǒng)計(jì)流動(dòng)人口方面人臉檢測(cè)技術(shù)也有非常重要的作用。在許多如保安系統(tǒng)、確認(rèn)信用卡、過(guò)境海關(guān)檢查及識(shí)別罪犯等重要場(chǎng)合，都需要對(duì)個(gè)體實(shí)施無(wú)限制，沒(méi)有傷害而又可靠的人臉檢測(cè)識(shí)別技術(shù)，因此快速發(fā)展的信息時(shí)代，推動(dòng)了人臉檢測(cè)技術(shù)的快速發(fā)展與研究。

在研究人臉檢測(cè)算法的發(fā)展與現(xiàn)狀，將該檢測(cè)技術(shù)主流算法劃分為三種形式逐一進(jìn)行分析闡述，具體表現(xiàn)為：以膚色特征為主的人臉檢測(cè)法、啟發(fā)式模型的檢測(cè)法以及統(tǒng)計(jì)理論檢測(cè)法。下面將對(duì)以膚色特征為主的人臉檢測(cè)法做重點(diǎn)介紹。

1 概述人臉檢測(cè)技術(shù)擁有的色彩空間

只有在分析個(gè)體膚色特征基礎(chǔ)上，選用合理的色彩空間構(gòu)建規(guī)范的個(gè)體臉部膚色模型，才能實(shí)施以膚色特征為主的人臉檢測(cè)法，實(shí)現(xiàn)預(yù)期分割膚色的目標(biāo)。其中“色彩空間”又可以稱(chēng)之為“色域”（ColorSPace）。根據(jù)色彩學(xué)相關(guān)理論，某種顏色的表達(dá)模型不同，可以通過(guò)一、二、三或四維空間坐標(biāo)表示，因此這種根據(jù)坐標(biāo)系統(tǒng)做出界定的色彩范圍即為色彩空間。現(xiàn)階段，RGB、HSV及YCbCr等色彩空間是常用顏色空間形式。

2 預(yù)處理人臉圖像檢測(cè)技術(shù)

選取好相應(yīng)的色彩空間后，就要采取相應(yīng)措施預(yù)處理人臉圖像。根據(jù)相關(guān)研究證明，在獲得待測(cè)個(gè)體臉部圖像時(shí)，其變動(dòng)性比較強(qiáng)，特別是受外部光照條件作用，不同技術(shù)參數(shù)、獲得設(shè)備、地點(diǎn)及時(shí)間等因素的變化，都會(huì)導(dǎo)致光照強(qiáng)度與色度出現(xiàn)相應(yīng)變化，也會(huì)干擾到圖像中個(gè)體臉部信息的識(shí)別。在日常攝影錄像時(shí)常會(huì)出現(xiàn)飽和度不足或者過(guò)大以及偏色等問(wèn)題，這都是差異光照干擾的實(shí)際表現(xiàn)。基于此，為了有效清除不確定因素光照等對(duì)圖像個(gè)體膚色造成的影響，在人臉檢測(cè)前必須要進(jìn)行色彩平衡及補(bǔ)償光照等操作處理。下圖為針對(duì)圖像出現(xiàn)偏色而通過(guò)色彩平衡與補(bǔ)償光照等技術(shù)操作處理后的實(shí)際效果圖：

3 依據(jù)人臉特點(diǎn)建立相應(yīng)的膚色模型

依照人臉特點(diǎn)建立相應(yīng)的膚色模型就是膚色建模，首先介紹并討論人臉膚色的主要特征表現(xiàn)：

1）如果光照條件確定時(shí)，個(gè)體臉部膚色分布類(lèi)似于高斯分布;

2）在選定的色彩空間中，個(gè)體臉部膚色分布范圍小而集中;

3）光照一定，個(gè)體臉部膚色分布類(lèi)似于高斯分布。

直方圖、簡(jiǎn)單高斯及混合高斯等模型是目前人臉檢測(cè)技術(shù)研究中，常用膚色模型。其中直方圖模型，就是通過(guò)直方圖膚色統(tǒng)計(jì)分布來(lái)進(jìn)行個(gè)體臉部特征描述的一種模型。其主要優(yōu)勢(shì)在于效果好，特別是通過(guò)三維直方圖做出的統(tǒng)計(jì);而需要訓(xùn)練很多樣本才能建成該模型，樣本訓(xùn)練周期長(zhǎng)工作量大是其最大的缺點(diǎn)。相比之下，簡(jiǎn)單與混合高斯模型屬于在概率統(tǒng)計(jì)基礎(chǔ)上建立的膚色模型，其對(duì)于能夠更加準(zhǔn)確的描述膚色分布，針對(duì)該膚色模型的個(gè)體臉部擁有較高的檢測(cè)效率。與混合高斯模型相比較，簡(jiǎn)單高斯模型估測(cè)、計(jì)算參數(shù)更容易，而且建模與檢測(cè)速度比較快，因而能夠較快地確定膚色區(qū)域。

3.1 個(gè)體臉部膚色分割

基于上文討論分析的膚色聚類(lèi)特點(diǎn)與模型，就能夠?qū)Σ噬四槇D像實(shí)施膚色分割技術(shù)。在膚色模型基礎(chǔ)上對(duì)個(gè)體臉部膚色進(jìn)行分割，就是根據(jù)已經(jīng)構(gòu)建的膚色模型二值化處理圖像的過(guò)程。

其中選擇分割閾值是非常關(guān)鍵的，也就是要明確界定膚色與非膚色區(qū)域。根據(jù)上文提出的膚色模型，一般采用以下算法：選擇一個(gè)近似膚色的數(shù)值作為最有效的分割閾值，將此數(shù)值與圖像中所有像素點(diǎn)的膚色相似值進(jìn)行比較，超過(guò)該數(shù)值的則被劃定為皮膚區(qū)域并分割為白色;相反低于該數(shù)值則被化為非皮膚區(qū)域并被分割為黑色。對(duì)于如何確定最有效的分割閾值，本文則選用otsu自適應(yīng)閾值分割計(jì)算法，也就是依照?qǐng)D像類(lèi)似直方圖自動(dòng)選擇閉值。試驗(yàn)研究表明，該計(jì)算方法效果顯著，針對(duì)不同圖像的不同亮度與色度，分割閾值范圍在【0.45，0.55】之間。系統(tǒng)根據(jù)膚色模型計(jì)算所有輸入系統(tǒng)圖像的膚色近似度，并構(gòu)建相應(yīng)的相似度直方圖，再依照自適應(yīng)閉值分割計(jì)算法得出最合理的閾值，再二值化處理圖像，并將相應(yīng)膚色與非膚色區(qū)域分別分割為白色與黑色。

3.2 用形態(tài)學(xué)處理粗檢圖像

在分割膚色后，必須采取形態(tài)學(xué)原理處理檢測(cè)到的粗檢區(qū)域圖像，主要包含計(jì)算檢測(cè)區(qū)域的膨脹與腐蝕值，并對(duì)相應(yīng)圖像作平滑處理，才能獲得更加清晰、干凈而且連續(xù)的個(gè)體臉部膚色區(qū)域。

膨脹操作，具體而言就是對(duì)二值化圖形進(jìn)行形態(tài)學(xué)運(yùn)算，它屬于將物體背景邊緣化像素集中到物體區(qū)域內(nèi)的運(yùn)算過(guò)程，也是物體圖形邊緣不斷多外延伸的一個(gè)過(guò)程，其主要用于填補(bǔ)圖形中出現(xiàn)的空洞。腐蝕操作則是運(yùn)用形態(tài)學(xué)原理對(duì)已知圖像進(jìn)行運(yùn)算，其屬于將物體自身邊緣圖形像素向內(nèi)消除的過(guò)程，也是物體圖像邊緣向內(nèi)收縮的一個(gè)運(yùn)算過(guò)程，主要用于清理圖像中的雜質(zhì)。在處理圖像時(shí)要將二者結(jié)合應(yīng)用，其級(jí)聯(lián)方式主要有：1）開(kāi)運(yùn)算的先腐蝕后膨脹;2）閉運(yùn)算的先膨脹后腐蝕。其中前者能夠有效清理分散的孤點(diǎn)與圖像“毛刺”，后者則是將兩個(gè)相鄰目標(biāo)區(qū)域連接起來(lái)。聯(lián)合應(yīng)用膨脹與腐蝕，不但能夠消除噪音，還能夠確保圖像信息的完整。因此，在本文選用的膚色檢測(cè)技術(shù)中，膨脹、腐蝕及兩者級(jí)聯(lián)而成的開(kāi)、閉運(yùn)算操作是非常關(guān)鍵的環(huán)節(jié)。

3.3 選定候選個(gè)體臉部區(qū)域

經(jīng)過(guò)膚色分割與形態(tài)學(xué)處理操作，可以得到原膚色圖像的二值化圖像，其中白色為膚色區(qū)域，這樣就能夠選定候選個(gè)體臉部區(qū)域。

4 基于Adaboost算法的人臉檢測(cè)過(guò)程

4.1 放大檢測(cè)窗口

臉部膚色特點(diǎn)基礎(chǔ)上的人臉檢測(cè)技術(shù)與綜合檢測(cè)技術(shù)相結(jié)合，不但能夠有效提高膚色檢測(cè)技術(shù)的準(zhǔn)確率，還可以極大地提高Adaboost算法的檢測(cè)速度與效率。

AdaBoost算法的主要特點(diǎn)是將一種新的圖像表示方式：積分圖像，引入面部檢測(cè)，可以用于快速計(jì)算面部樣本圖像的Haar-like樣特征值。選擇適當(dāng)?shù)腍aar-like特征作為AdaBoost訓(xùn)練過(guò)程的輸入，AdaBoost算法用于為每輪訓(xùn)練選擇最佳弱分類(lèi)器，這些弱分類(lèi)器疊加為強(qiáng)分類(lèi)器。最后，這些強(qiáng)分類(lèi)器被串聯(lián)成級(jí)聯(lián)結(jié)構(gòu)的層疊級(jí)聯(lián)分類(lèi)器用于面部檢測(cè)。

傳統(tǒng)的面部檢測(cè)機(jī)制是使用圖像縮放的方法來(lái)檢測(cè)人臉。檢測(cè)的基本原理是按照一定的比例減小要檢測(cè)的圖像的大小，形成金字塔狀結(jié)構(gòu)，稱(chēng)為“圖像金字塔”，保持檢測(cè)窗口的尺寸不變，用該窗口窮舉圖像金字塔中待檢測(cè)的子窗口，將要測(cè)量的子窗口輸入到分類(lèi)器進(jìn)行判斷，并最終檢測(cè)出包含臉部的子窗口。其主要特征是圖像逐層變窄，檢測(cè)子窗口的大小保持相同的大小，這些特征也會(huì)造成一個(gè)缺點(diǎn)，當(dāng)圖像被檢測(cè)到較大時(shí) ，圖像逐層減少轉(zhuǎn)換將需要很多時(shí)間，這將大大降低檢測(cè)速度。

為了提高系統(tǒng)的檢測(cè)速度，可以使用多尺度的方法來(lái)檢測(cè)人臉。檢測(cè)的基本原理是按照一定比例放大檢測(cè)窗口，保持要檢測(cè)的圖像的大小，檢測(cè)窗口遍歷要檢測(cè)的整個(gè)圖像，根據(jù)檢測(cè)窗口的位置和大小從圖像中提取子圖像，然后將捕獲的子圖像發(fā)送到級(jí)聯(lián)分類(lèi)器進(jìn)行檢測(cè)，并輸出檢測(cè)結(jié)果。通過(guò)將檢測(cè)窗口的長(zhǎng)度和寬度值乘以放大因子來(lái)擴(kuò)大檢測(cè)窗口，該放大因子比圖像的縮小更有效并且具有更高的檢測(cè)速度。

所選的檢測(cè)窗口實(shí)際上是類(lèi)似Haar-like的特點(diǎn)。 檢測(cè)窗口的放大本質(zhì)上是矩形特征的擴(kuò)大，對(duì)于任何Haar-like的特征，其特征的計(jì)算價(jià)值是相同的，它也是矩形特征作為弱的選擇分類(lèi)器的優(yōu)點(diǎn)。檢測(cè)窗的放大系數(shù)不能太大，如果太大可能會(huì)導(dǎo)致大量漏檢，實(shí)驗(yàn)證明放大系數(shù)設(shè)定為1.2或1.25時(shí)更合理，然后漏檢較少，檢測(cè)速度較快。當(dāng)檢測(cè)窗口被放大時(shí)，弱分類(lèi)器的閾值，即Haar-like特征的特征值將改變。為了保持不變，Haar-like特征特征值的計(jì)算方法需要稍微改變，定義如下：

4.2 區(qū)域合并

采用上述方法放大后檢測(cè)窗口圖像，在不同的尺度和鄰近位置上會(huì)多次檢測(cè)到相同的臉部，所以最終需要組合檢測(cè)到的矩形以獲得獨(dú)特的臉部位置和臉部尺度。合并處理是將原始的多個(gè)檢測(cè)框的進(jìn)行平均，將所有檢測(cè)到的面部區(qū)域的坐標(biāo)平均值作為最后組合面部區(qū)域的坐標(biāo)位置，并且將所有檢測(cè)到的臉部區(qū)域的平均值作為最后合并獲得的臉部面積的尺寸。 合并過(guò)程分為兩個(gè)步驟：

（1）檢測(cè)到的面部區(qū)域以相同的尺度合并

當(dāng)以相同的比例掃描輸入圖像時(shí)，可以在相同的臉部位置附近檢測(cè)到臉部數(shù)次，這些相同的臉部區(qū)域必須被合并。由于相應(yīng)的窗口大小在相同的比例尺度上相同，所以?xún)H需要合并位置。定義鄰域半徑R和閾值M。如果某窗口的中心坐標(biāo)為[x0，y0]，半徑為R的鄰域[x-x02+y-y02≤R2]內(nèi)人臉窗口中心數(shù)為T(mén)，當(dāng)T

（2）合并不同尺度條件下檢測(cè)到的面部區(qū)域

把每個(gè)尺度上檢測(cè)到的面部區(qū)域的大小和位置恢復(fù)到原始比例圖像。當(dāng)兩個(gè)面部區(qū)域的重疊區(qū)域大于設(shè)定閾值時(shí)，兩個(gè)面部區(qū)域被認(rèn)為是相同的面部，并且將它們的位置和尺寸的平均值作為合并面部區(qū)域的位置和大小。當(dāng)兩個(gè)面的重疊面小于設(shè)定的閾值時(shí)，它們被認(rèn)為代表兩個(gè)不同的面部區(qū)域。

綜上所述，檢測(cè)過(guò)程實(shí)際上就是發(fā)送被檢測(cè)的子窗口到級(jí)聯(lián)分類(lèi)器的強(qiáng)分類(lèi)器層進(jìn)行檢測(cè)，當(dāng)檢測(cè)結(jié)果小于當(dāng)前層的強(qiáng)分類(lèi)器閾值時(shí)，就認(rèn)定不是人臉，否則就是。將檢測(cè)到面部的窗口到下一層強(qiáng)分類(lèi)器進(jìn)行檢測(cè)。級(jí)聯(lián)分類(lèi)器最初的強(qiáng)分類(lèi)器比較簡(jiǎn)單，因此可以排除大部分非人臉的窗口，大大減少了后續(xù)處理窗口的數(shù)量，提高了檢測(cè)速度。

參考文獻(xiàn)：

[1] 郭磊，王秋光.Adaboost人臉檢測(cè)算法研究及OpenCV實(shí)現(xiàn)[J].哈爾濱理工大學(xué)學(xué)報(bào)，2009（5）：124-126.

[2] 肖南峰.基于RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法[J].重慶理工大學(xué)學(xué)報(bào)，2010（10）：56-57.

[3] LIENHARTR ， MAYDTJ. An Extended Set of Haar like Features for Rapid Object Detection[J].IEIE ICIP 2002， 2002（1）： 900-903.

[4] 汪洋.基于差空間的雙向2DPCA和SVM人臉識(shí)別算法[J].計(jì)算機(jī)科學(xué)，2012（10）：269-270.

[5] 田啟川，張重生.刷臉背后[M].北京：清華大學(xué)出版社，2017.

[6] 鄭峰，楊新.基于Adaboost算法的人臉檢測(cè)[J].計(jì)算機(jī)仿真，2005（09）：39-41.

[7] 高旭升，張學(xué)智，姬春英.彩色圖像中人臉檢測(cè)的研究[J].自動(dòng)化技術(shù)與應(yīng)用，2005（10）：156-157.

[8] 田巍，莊鎮(zhèn)泉.基于HSV色彩空間的自適應(yīng)膚色檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2004（14）：87-88.

[9] 劉劍.一種基于改進(jìn)高斯過(guò)程隱變量模型的多角度人臉識(shí)別算法[J].電子與信息學(xué)報(bào)，2013（9）：2034-2035.

[10] 姜文濤.一種基于曲量場(chǎng)空間的人臉識(shí)別算法[J].計(jì)算機(jī)學(xué)報(bào)，2013（9）：1740-1741.

【通聯(lián)編輯：唐一東】