基于膚色分割和AdaBoost算法的人臉檢測*

鄧 鋒胡志勇肖偉明鐘衛為

（1.武漢郵電科學研究院 武漢 430074）（2.武漢虹信技術服務有限責任公司 武漢 430074）

1 引言

經過多年的發展，人臉識別技術已經廣泛地應用于人們的日常生活當中，例如乘坐高鐵時刷臉進站、在店買東西直接刷臉付款等。而且相對于眾多生物識別技術而言，人臉識別技術可以最大可能地做到在不影響人們的情況下就完成了數據采集［1～2］，所以其可以被人們廣泛接受，這對如何快速準確地從復雜環境中提取出人臉提出了較高的要求。

當前的人臉檢測技術可以分為三類：基于幾何特征的人臉檢測方法、基于膚色模型的方法、基于統計理論的方法［3～4］。基于幾何特征的人臉檢測方法就是利用人臉的器官在現實生活中表現出來的幾何特征來進行人臉檢測，其中的代表有：基于先驗知識的人臉檢測方法［5］、Leung［6］等提出任意圖匹配的方法、層次模板匹配的方法［7］。基于膚色模型的方法則是利用人的膚色在色度空間表現出來的聚合性來檢測人臉。基于統計理論的方法則是在對大量樣本統計的基礎上來檢測人臉的方法，它主要包含子空間方法、支持向量機方法、神經網絡方法以及Boost方法。

在眾多檢測方法當中，Boost方法具有深厚的理論和實踐的基礎，Adaboost則是其中較為成功的代表之一［8］，但是其計算量相較于其他算法一般比較大，所以對其的進一步研究具有一定的現實意義。本文中提出了一種膚色分割預處理的方法，將疑似人臉區域從背景圖片中取出來，減少Adaboost算法需要處理的數據量，來達到提速的目的。

2 膚色分割

作為一種重要的人體特征，通過膚色來將人和背景圖片分割開來一直是一個經典課題。經過研究表明，在生物和物理上，膚色分布具有一致性［9］。對于不同的人種，從雙色差或者色調飽和度上來看，膚色的變化差異并不大，但是從亮度上來看，膚色的差異就比較明顯。因此，我們可以利用膚色在色度方面表現的一致性將膚色從周邊的環境中摳出來，便于進行膚色分割。

2.1 色度空間的轉換和膚色分割

由于膚色的差異更多在于亮度而不在于色度，所以可以選擇合適的色度空間建立合適的膚色模型，剔除亮度對于膚色分割的影響。顏色空間有許多種，例如：歸一化的RGB、CIE-XYZ、CIE-Yxy、CMYK、CMY、HSL、HSV、YUV、YCbCr等。由于YCbCr［10］既具有將亮度和色度分離出來的優點，又具有計算簡單的特點，因此在本文中，將對圖片進行YCbCr顏色空間的色度空間轉換，其公式如下：

其中，Y為亮度，Cb為藍色色度，Cr為紅色色度。

完成色度空間的轉換后，我們接下來的工作就是根據色度的分布將落在膚色色度范圍內的點找出了，這里可以建立一個膚色模型。一般情況下，膚色模型可以分為三種：1）統計直方圖模型；2）高斯模型；3）混合高斯模型。考慮到統計直方圖模型的建立需要大量的膚色數據、混合高斯模型計算過于復雜，在本文中選取依據高斯模型來進行膚色分割。在YCbCr色度空間中，高斯模型認為人的膚色的分布是呈現正態分布的，其概率密度為

2.2 對膚色區域的預處理

由于上一步分割出來的膚色區域會有一些不連貫性，為了得到更好的效果，我們需要對膚色區域做一些預處理。具體步驟如下：

1）對膚色連通區域進行標記，幾位Pi（i=0，…，N）；

2）估算每個連通區域大小，并取平均值B；

3）由公式r= Bπ計算出圓形結構半徑。

3 LBP特征

3.1 提取LBP特征

LBP［11～13］（Local Binary Pattern）是 一 種 局 部 二值模式的算子，它最早由T.Ojala，M.Pietikainen和D.harwood于1994年提出來，用于紋理特征的提取。如今，它廣泛應用于紋理分類領域和人臉識別領域，早已成為這兩個領域重要的特征提取方式之一。其具有旋轉不變性和灰度不變性等特點，當它應用于人臉檢測時，可以有效避免光照等因素的影響。提取LBP特征可以分為以下幾個步驟：

1）首先對于一張圖片，我們需要將它劃分為一個一個的小方塊，通常取16*16的小區域；

2）區域劃分完成后，是對每個區域的操作，對位于其中的每個像素點求出它的LBP值。首先，將目標像素相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣就可以得到一個二進制數，這個二進制數數就是我們要得到的LBP值；

3）雖然得到每個像素的LBP值，但是卻不好直接用它來描述圖片的特征，需要對它進行下一步的處理。一般我們會采用統計學的方式，計算出每個小區域的直方圖，然后對該直方圖進行歸一化處理；

4）最后將每個統計直方圖整合成為一個特征向量，這就是我們需要的整幅圖的LBP紋理特征向量。

3.2 基于LBP建立弱分類器

為了使用AdaBoot算法訓練出最終的強分類器，需要根據LBP紋理特征向量建立一些弱分類器。對于每一個弱分類器g(x′，f，θ，p)，其可以由一個LBP特征f，判定閾值θ和指示不等式方向的p組成，其公式如下：

其中x′表示待檢測的圖片，f(x′)是對待檢測圖片進行LBP特征提取后所得到的統計直方圖經過相似度函數判斷后的相似度，當相似度滿足我們要求是取值為1，否則為0。

4 AdaBoot人臉檢測分類器

AdaBoot［14～15］（Adaptive Boosting）是一種迭代算法。該算法的核心思想是針對同一個訓練集訓練不同的分類器，一般我們稱這些分類器為弱分類器，然后將這些弱分類器按照不同的權重整合到一起，這樣就構成了最終的強分類器。弱分類器的構成我們可以采取多種方法，由于我們提取的是圖片的LBP特征，所以我們采用基于LBP特征構建的弱分類器，這里AdaBoot算法就相當于一個弱分類器加工廠，通過有限次數的迭代，最終得到一個在檢測率和誤檢率都表現不錯的最終強分類器。算法具體的過程如下：

1）選取一組訓練樣本（x1，y1），…，（xn，yn）用于分類器的訓練，其中當樣本不是人臉時yn=0，否則yn=1，N則為樣本數目；

2）為每個樣本授予權值，第一次我們設每一個樣本的權值為1 N；

3）進行迭代，通過弱分類器對樣本集來進行比對。對于每個弱分類器，分別計算出其在樣本集中的分類誤差率，其中hj(xi）表示第j個弱分類器判斷樣本i是否正確，ωi表示第i個樣本的權值）。取其中誤差率最小的弱分類器為基本分類器G1(x)，其在最終分類器中的系數為

4）為每個樣本從新授予權值（目的是加大弱分類器Gj(x)識別錯誤的樣本的權值，降低識別正確樣本權值），公式如下：

其中ωm+1，i表示第i個樣本在第m+1次迭代中的權值，；

5）不斷重復步驟3）、4），直到達到指定迭代次數T，或者檢測準確率、誤差率達到設計要求；

6）將每次迭代選出的基本分類器整合起來，得到最終的強分類器：

5 實驗結果和分析

本論文最終在1000張圖片上檢測算法的準確性（812張包含人臉（200張含多人臉），188非人臉圖片），并將它與膚色檢測方法和基于LBP的Adaboost方法做了比較。檢測結果統計如表1。

表1 人臉集檢測結果比較

從實驗結果來看，基于膚色的檢測方法無論是檢測單張人臉還是檢測多張人臉，都具有最高的檢測率和最短的檢測時間，但是由于其較高的誤檢率一直影響著它在實際中的應用。對于Adaboost算法而言，其在檢測率方面的表現也非常令人滿意，而且相較于膚色方法它的誤檢個數明顯減少了，但是其檢測速度方面表現稍差。本文提出的檢測方法，結合兩種算法的優勢，最終在實驗中表現出較高的檢測率，最關鍵的是相對于膚色檢測其誤檢率也降低了不少。同時，就檢測時間而言，其相比與Adaboost算法有了明顯的縮短，表明該方法在正面人臉檢測中取得了較好的效果，是一種有效的人臉檢測方法。

6 結語

本文提出了一種基于LBP算子的Adaboost算法之上改進的算法，通過膚色分割預處理，將疑似人臉區域提取出來（并未破壞人臉的特征信息），可以有效減少LBP算子的掃描區域，使整個算法更加關注于自己需要判斷的數據，從而提高了處理的效率。實驗結果表明：該算法可以準確快速地檢測出人臉。