基于肤色特征的人脸检测技术研究

doi：10.3969/j.issn.1671-1122.2012.07.018

基于肤色特征的人脸检测技术研究

商喜喜1,2，修春波1,2

（1. 天津工业大学电气工程与自动化学院，天津 300387；

2. 天津工业大学电工电能新技术天津市重点实验室，天津 300387）

摘　要：文章提出一种多人脸图像中人脸检测与定位方法，将图像从RGB色彩空间转换到YCrCb 色彩空间中，根据肤色点在CrCb空间中的分布情况进行肤色点检测，并滤除肤色检测后的孤立噪声，

利用势函数方法获得人脸候选区域。然后，根据人脸的结构特征对候选区域进行人脸区域的判别和定位，

最终实现图像中多人脸的检测功能，并通过仿真实验证明了该方法的有效性。

关键词：人脸检测；肤色；势函数；色彩空间

中图分类号：TP393.08 文献标识码：A 文章编号：1671-1122（2012）07-0064-02

Face Detection based on Skin Color

SHANG Xi-xi1,2, XIU Chun-bo1,2

( 1. School of Electrical Engineering and Automation, Tianjin Polytechnic University, Tianjin 300387, China;

2. Key Laboratory of Advanced Electrical Engineering and Energy Technology, Tianjin Polytechnic University,

Tianjin 300387, China )

Abstract: A face detection and location method is proposed to fi nd multiple faces in a image. The image is change from RGB color space to YCrCb color space. The skin pixels can be detected according to their distribution

in YCrCb color space. And isolated noise point can be fi ltered. The possible face areas can be determined by the

potential function method. The face areas can be determined according to the face structural characteristic from the

possible face areas. Thus, multiple faces detection can be realized. Simulation results prove it’s valid.

Key words: face detection; skin color; potential function; color space

0 引言

人脸检测是模式识别与机器视觉领域的重要研究内容之一[1-3]，是实现人脸自动识别的第一步，在人脸识别、视频会议、智能监控系统以及人机交互和医疗诊断等领域具有重要的应用价值[4-7]。目前，人脸检测的常用方法有基于特征的方法、基于统计的方法、基于知识的方法以及基于模板匹配的人脸检测方法等[8-11]。基于知识的检测方法通常具有较快的检测速度，但不适用于多姿态的人脸检测。基于模板的人脸检测方法稳定性较高，检测结果具有良好的鲁棒性，但计算量较大，检测速度不高。基于特征的方法是在检测区中需找人脸特征，以此来确定人脸的位置，这种方法可处理较大尺度和视角变化的人脸检测问题。但由于光照和噪声的影响，很难存在相对稳定的特征，从而影响了该类方法的应用效果。基于统计的方法通常具有较大的计算量，而且在样本采集以及训练过程中都存在着一定的困难，因此限制了这类方法的使用范围。

本文结合势函数模式识别方法以及肤色检测方法，提出一种新的人脸检测方法，能够较快、较准确地完成多图像的人脸检测功能。

1 肤色检测

首先在给定图像中进行肤色检测。RGB色彩空间是最常见的颜色空间。在RGB空间中，色度信息和亮度信息是混合在一起的，不适合于肤色模型。为了增强肤色分割对光照条件变化的鲁棒性，采用亮度信息和色彩信息相分离的YCrCb色彩空间，利用色度和饱和度信息进行判别。RGB空间到YCrCb色彩空间的转换矩阵为：

(1)

收稿时间：2012-05-13

基金项目：天津市自然科学基金资助项目[10JCYBJC07500]

作者简介：商喜喜（1978-），男，河北，硕士研究生，主要研究方向：人脸识别；修春波（1978-），男，黑龙江，副教授，博士，主要研究方向：目标识别与跟踪设计。

图像二值化处理操作如下：

(2)

其中，M(i, j)为图像(i, j)位置二值化后的像素取值，[Cb min,Cb max]和[Cr min, Cr max]分别为YCrCb色彩空间中人脸肤色Cb与Cr的取值区间。经过多次图像采集，对肤色样本在CrCb中的分布进行统计，可得其分布范围为：

(3)

即肤色点在CrCb空间中基本分布在上述的矩形区域内。

由于图像的复杂性，通过肤色检测得到的二值化图像中会存在噪声。通过滤波处理去除图像中的孤立噪声。如果某点的像素值为0，且与其相邻的8个像素值都为1，则该像素为肤色区域中的孤立噪声，将其像素值置为1；如果某点的像素值为1，且与其相邻的8个像素值都为0，则该像素为非肤色区域中的孤立噪声，将其值置为0。

经过上述处理后，可在图像中获得若干个肤色区域。

2人脸候选区检测

通过去噪处理后，采用势函数聚类分析方法确定图像中人脸候选区域的数量及中心位置。将滤波后的二值化图像中的所有像素值为1的像素点构成点集V={v i(x i, y i)}，i=1,2,…,N。以点集中的每个像素点为中心，构造N个位势函数：

…（4）将所有位势函数求和构造目标函数：

(5)

当目标函数的某个局部极大值大于设定的阈值F0时，该局部极大值的位置确定为一个人脸候选区域的中心点。也就是说，设二值图像中的点v c(x c, y c)附近的点集为{v j(x j, y j)，j=1,2,…,H}，如果F(v

c

)>F0，且F(v c)> F(v j)，j=1,2,…,N，则点

v

c

(x c, y c)确定为一个人脸候选区域的中心点。

3 人脸区域的检测与定位

根据人脸候选区域中心点位置，确定出人脸候选区域的范围。即从中心点像素开始，依次逐渐向上、下、左和右四个方向扫描各像素值，设点v b(x b, y b)的像素值为1，该点之后连续Z个像素点的像素值都为0时，则将点v b(x b, y b)确定为边界点。根据边界点的位置，可确定出以人脸候选区域中心点为中心的候选区域内接矩形范围。根据下列三个人脸的结构特征条件判断该候选区域是否为人脸区域。

条件1：区域大小判别。计算人脸侯选区域的大小，将小于阈值的人脸候选区域判定为非人脸区域。将大于阈值的人脸候选区域进行条件2的判别。

条件2：进行人脸长宽比例的判别。按照上述方法确定的人脸候选区域的长为|y d-y u|，宽为|x r-x l|，设人脸长宽比例的上下限为q min和q max，如果人脸的长宽比例符合式(5)，则进行条件3

的判别，否则该区域判别为非人脸区域。

（6）

条件3，区域内特征判别。由于人脸候选区域是基于肤色检测的方法确定的，因此在人脸候选区域中，眼睛、眉毛、鼻孔、嘴巴等位置可能会被判别为非肤色区域，其像素值为0。按照人脸中非肤色区域与肤色区域的比例关系判别该人脸候选区域是否为人脸。即统计人脸候选区域内像素值为1的数量P1和像素值为0的数量P2。如果p min≤(P2/P1)≤p max，则该区域确定为人脸区域，其中p min和p max为人脸中非肤色像素数量与肤色像素数量比值的上下限阈值。否则判别该区域为非人脸区域。

将同时满足上述三个条件的候选区域确定为人脸区域，从而完成给定图像的人脸检测和定位。

4 仿真实验

从图1(a)中给出的人脸检测原始图像可以看出，待检测的图像中包含多个人脸。而且图像的背景也较为复杂，部分背景与肤色接近。经过肤色检测后，如图1(b)所示，所获得的二值化图像中将与肤色相接近的部分背景区域误判别为肤色。经过滤波后，孤立噪声可被滤除，如图1(c)所示。利用势函数聚类分析和人脸结构特征判别后，正确检测和定位出图像中人脸的位置如图1(d)所示。由此可见本文所述方法能有效完成对给定人脸检测和定位。

图1 多人脸检测结果

采用本文方法对300幅包含人脸的图像进行检测，所得结果如表1所示。从仿真实验可以看出，本文方法具有更好的检测与识别效果。

表1 人脸检测实验对比结果

方法正确率%

误检率%漏检率%神经网络方法90.2

5.7% 4.1

模板匹配方法92.7 4.3 3.0

本文方法95.1 3.9 1.0

下转第97页