复杂背景下基于肤色分割的人脸检测算法研究

0引言

人脸检测技术不仅是人脸识别、表情识别、数字视频处理、视频检测等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域引起了广泛的重视[1]。对于人脸检测，国内外研究者们提出了许多有效的人脸检测算法[2]

，大体上可以分为4类：基于知识的方法，不变特征量法，模版匹配方法，基于统计理论的方法。基于知识的方法检测速度较快，如Yang 和Huang 提出了基于镶嵌图的人脸检测方法[3]，对于正面人脸的检测精度较高，但不适用于多姿态的人脸检测；基于模板的方法稳定性高且鲁棒性好，如梁路宏等提出的基于仿射模板匹配的方法来检测多姿态人脸，但使用各种倾斜角的模板与输入图像中的每一个可能窗口进行匹配[4]，冗余匹配次数太多、检测速度难以提高。为了解决人脸尺寸的不

确定性，许多检测算法往往需在图像的多个分辨率上重复搜索[5]，计算开销大。Pau1Viola 和Michael Jones 在2001年提出了一种基于Haar-Like 型特征的Adaboost 人脸检测算法[6]，并使用Cascade 结构将第一个真正实时的人脸检测系统成功建立，因该算法具有检测率高，实时性好的优点，成为学术界普遍采用的方法，但该方法需要大量时间进行训练，导致检测系统的灵活性不强。对于复杂背景和人脸姿态未知情况下的人脸检测，很难在检测速度和精度上达到两全的效果。

梁路宏等在人脸检测研究综述中指出[7]：人脸检测研究的趋势是利用多种线索(头发、肤色、器官、轮廓、模板等)综合多种分类方法，启发式信息与统计学习方法相结合。本文算法就利用了基于人脸肤色区域象素分布的统计信息、人脸模板以及人脸特征等线索和分类方法，取得了很快的检测速度和较高的检测率。算法主要包括预处理、人脸粗检和人脸细检

收稿日期：2009-07-20；修订日期：2009-10-28。

智能技术

3个部分。

(1)对于彩色图像，肤色是人脸表面最为显著的特征之一，对于输入的人脸图像，肤色具有较强的聚类特征，且分布稳定，利用肤色特征进行检测具有计算量小，计算速度快的优点，且对于表情、大小、姿势等人脸自身因素的影响有很强的鲁棒性。但是，自然界有许多近似肤色的物体，只使用肤色特征进行人脸检测是很不可靠的，因此本文将基于肤色特征的方法用于Adaboost人脸检测的预处理，其处理过程包括利用肤色的高斯模型分离出肤色像素，对分割出的区域进行后处理，并初步剔除似肤色区域和裸露在外的身体其它部分，为后续算法作好准备。

(2)人脸粗检是利用改进的Adaboost级联分类器确定候选人脸区域，Adaboost是一种构建准确分类器的算法，它将一族弱学习算法按照一定规则结合提升为一个强学习算法，通过样本的训练得到识别准确率理想的分类器。针对Adaboost算法在训练过程中的过配现象和检测过程中的耗时问题，本文作出了改进，提高了分类器的性能。

(3)人脸细检是在粗检测的基础上，利用人脸模板匹配对候选人脸区域进行验证，即在限定的范围内进行匹配，充分利用了已有的检测结果，在一定程度上克服了传统方法需要在图像中逐点进行搜索匹配，运算量大的缺点，完成了人脸区域的最后确定。

1基于肤色的人脸图像预处理

1.1肤色分割

为了把人脸区域从非人脸区域分割出来，需要使用适合不同肤色和不同光照条件的可靠的肤色模型。颜色空间的转换常用的模型主要有：YCbCr，HSV，YIQ，HSI等。仿真结果显示，YCbCr空间具有将色度与亮度分离的特点，并且肤色在YCbCr空间中的聚类特性明显[8]，因此选择在YCbCr空间进行肤色区域分割。

对输入的彩色图像进行颜色空间转换，将其从相关性较高的RGB空间转换到颜色分量互不相关的YCbCr颜色空间，其转换公式如下所示

10.3313

0.0813

0.5

0.5

11

m)(x

0.51(4)

式中：x=(Cb，Cr)T，m是均值，C是协方差，通过选择的样本计

算得到m、C

的值如下

１１２．１９８７

１５１．３９９３

８９．３２５５３２．２８６７

３２．２８６７２５２．９２３６

值的方法，将灰度图像进一步转变为二值图像，分离肤色与非肤色区域。肤色分割过程如图2所示。

1.2肤色区域的预处理

肤色分割后，先采用中值滤波来去除人脸图像中的噪声，并通过对人脸肤色区域的特征进行分析，对分割出来的肤色区域作以下处理彩色图像中的非肤色区域。

(1)区域的面积。区域面积即为该区域中白色像素点的个数表示，算法如下

，

Ｈ。E 为连通区域的欧拉数；C为连通区域的数目，这里为1；H为连通区域内部的空洞数目。根据计算显示，若欧拉数大于0或小于-10，排除该区域为人脸候选区域。

(3)质心。正确的人脸候选区域是一个凸多边形，其质心在区域内。根据如下质心坐标公式计算人脸候选区域的质

心坐标。

，

＝

，

和

=｛

1

(8)

生成弱分类器后，采用Adaboost挑选最优弱分类器，并赋

予其权重，并将多个弱分类器组合生成一个强分类器，具体学

习算法如下：

步骤1标记n个训练样本，其中m个人脸样本标记为y

i=

+1，N1。

步骤2初始化权值。每个人脸样本的初始权值为：W

0'+1=

1/(2*m)，非人脸样本为

W0'-1=1/(2*(

N

(10)

并从中选出迭代误差和最小的弱分类器h

t

(x)

。计算出

ｔ

／（１

ｔ

）

。令

ｔ

）

。则

t

更新全体权值

＝（１１）

若第i个样本被正确分类，e

i=0，否则e i=1；令t=t+1。将

权值归一化

＝／（１２）

步骤4将若干个弱分类器线性组合在一起，可以得到一

个强分类器

０．５

（１３）

式中：

ｔ

）。

2.2级联分类器

由于单个弱分类器的分类能力很弱，需要将多个分类器

级联起来组成若干个强分类器，使这些强分类器能够较好地

排除负样本，检测到尽可能多的正样本。因此就构成了级联

分类器[11]，其结构如图3所示。

从图3可以看出，级联分类器将许多个强分类器分级串

联起来，检测不通过的图像被一级一级丢弃，检测的标准随着

级数的增加而更加严格和复杂，只有人脸图像依次通过级联

分类器各个级别的检测。

训练算法如下[6]：

图2肤色分割

(a)原始人脸

图像

(b)转换为YCbCr

空间图像

(c)似然图(d)二值图

图3级联分类器

待检测图像

通过通过

通过

123进一步检测

排除该图像

不

过

不

过

不

过