侯文濤，林嘉宇

(國防科學(xué)技術(shù)大學(xué)電子與通信工程學(xué)院，長沙410073)

1 引言

人臉檢測作為計(jì)算機(jī)視覺的一個重要分支，廣泛應(yīng)用于身份驗(yàn)證、智能監(jiān)控等領(lǐng)域。常見人臉檢測方法［1］有:基于幾何特征的方法、基于膚色模型的方法和基于統(tǒng)計(jì)理論的方法。以上三種方法性能各異，在特定的條件下都能取得較好的效果。當(dāng)然缺點(diǎn)也不容忽視，比如基于幾何特征的方法在簡單背景正面人臉情況下效果較好;基于膚色模型的方法對光照強(qiáng)度比較敏感;基于統(tǒng)計(jì)理論的方法需要前期訓(xùn)練。

基于核回歸法的人臉檢測方法有三個顯著的優(yōu)點(diǎn):一是對光照敏感性低;二是無需先期統(tǒng)計(jì)訓(xùn)練;三是檢測快、易實(shí)現(xiàn)。

2 核回歸法介紹

相對于通過處理觀察所得的數(shù)據(jù)而確定信號模型參數(shù)的參數(shù)法，核回歸法是一種非參數(shù)估計(jì)方法，主要特點(diǎn)［2］:回歸模型完全由數(shù)據(jù)驅(qū)動，適應(yīng)能力強(qiáng)，穩(wěn)健性高。

非參數(shù)回歸方法一般回歸模型如下:

其中Yi為從觀測點(diǎn)xi得到的觀測值，m(xi)是未知回歸函數(shù)，εi是獨(dú)立同分布零均值噪聲。非參數(shù)估計(jì)就是通過已知的Yi估計(jì)出回歸函數(shù)。

非參數(shù)回歸方法一般包括局部回歸和正交回歸，局部回歸又可分為核回歸、局部多項(xiàng)式回歸、近鄰回歸和穩(wěn)健回歸。本文采用的是核回歸法(NW估計(jì))，其一般形式為:

N-W估計(jì)實(shí)際上是一種簡單的加權(quán)平均估計(jì)，上式中m^Hi(x)表示估計(jì)值，Yi代表像素點(diǎn)灰度值，xi是一個2 ×1 像素點(diǎn)坐標(biāo)，i=1，2，3...p2(p為選擇的采樣窗口大小)。特別指出，上式中KH(xix)就是核回歸法的關(guān)鍵—核函數(shù)，其值與H和xix有關(guān)。H是2×2光滑矩陣，所謂“光滑”就是保證估計(jì)得到m^H(x)逼近真實(shí)的回歸函數(shù)m(x)。

在使用核回歸法計(jì)算時，先逐次選取原始數(shù)據(jù)中連續(xù)的局部數(shù)據(jù)，而后通過核函數(shù)計(jì)算得到局部數(shù)據(jù)點(diǎn)的權(quán)，最后通過加權(quán)平均求和得到估計(jì)值m^H(x)，這也是稱之為局部回歸的原因。

與圖像降噪、修復(fù)的常用方法比較，核回歸法除了利用圖像的表面信息之外，還根據(jù)每個數(shù)據(jù)點(diǎn)的重要性給其復(fù)“權(quán)”，從而達(dá)到更理想效果。

3 “權(quán)特征”模型建立及實(shí)現(xiàn)原理

3.1 “權(quán)特征”模型建立

目前，已經(jīng)廣泛使用的人臉檢測方法在提取圖像特征時，立足點(diǎn)都集中在諸如膚色特征、幾何特征、統(tǒng)計(jì)特征等方面。當(dāng)然，核回歸方法應(yīng)用到人臉檢測技術(shù)時，問題的焦點(diǎn)也在于如何有效提取圖像特征。

觀察(2)式，WHi(x)是直接從局部窗口數(shù)據(jù)計(jì)算得到的權(quán)數(shù)據(jù)。顯而易見，圖像內(nèi)容不同對應(yīng)的是像素?cái)?shù)據(jù)不同，不同像素?cái)?shù)據(jù)計(jì)算得到的權(quán)也是不同的，那么這個“權(quán)”是否可以作為圖像的特征進(jìn)行提取，從而進(jìn)行匹配呢?沿著這個思路進(jìn)一步研究，發(fā)現(xiàn)這是一個將核回歸法應(yīng)用到人臉檢測方面的可行途徑。首先，把要提取的圖像特征命名為“權(quán)特征”，下面介紹具體的做法。

在核回歸法中，權(quán)的計(jì)算公式是:

顯然，計(jì)算“權(quán)”的問題需要處理的關(guān)鍵是核函數(shù)選擇。一般情況下，核函數(shù)的選取要滿足諸多要求，通常都選擇高斯核。

在介紹高斯核之前，先對其進(jìn)行說明，根據(jù)［5］和［6］研究，H作為2×2光滑矩陣主要目的是保證估計(jì)得到值與實(shí)際數(shù)值差距盡量小，而且H矩陣要在圖像變化劇烈的區(qū)域?qū)擞绊懸?，變化平緩的區(qū)域?qū)说挠绊懸?，所以文獻(xiàn)中給出H矩陣形式為:

其中，h是全局光滑參數(shù)［3］，它的選取要滿足非參數(shù)估計(jì)法中的缺一交叉驗(yàn)證方法(leave-one-out cross validation，CV)。Ci是水平和垂直兩個方向梯度的協(xié)方差。下面，寫出高斯核函數(shù)的具體形式:

xi是圖像像素點(diǎn)坐標(biāo)且為列向量，Ci的計(jì)算參見文獻(xiàn)［7］。至此，聯(lián)合公式(3)和(4)，就得到了“權(quán)特征”計(jì)算的具體形式。

3.2 實(shí)現(xiàn)原理

上一小節(jié)中建立了“權(quán)特征”模型，具體到怎樣利用該模型進(jìn)行人臉檢測，就是下面的主要內(nèi)容。

人臉檢測的兩個關(guān)鍵步驟是特征提取與特征匹配。提取特征可以利用“權(quán)特征”模型，其余需要研究的問題就是匹配了。在進(jìn)行匹配研究之前，我們先對提取的“權(quán)特征”進(jìn)行分析。在第二節(jié)中已經(jīng)強(qiáng)調(diào)所謂的“權(quán)”是局部數(shù)據(jù)點(diǎn)的“權(quán)”，因此需要一個固定大小的采樣窗口(設(shè)為P)在水平和垂直方向上逐次計(jì)算圖像的局部“權(quán)特征”，并將每個窗口數(shù)據(jù)點(diǎn)對應(yīng)的“權(quán)”值按照一定順序存儲為一個列向量，如此一來，圖像中包含的窗口數(shù)(設(shè)為圖像中包含的窗口數(shù))就對應(yīng)列向量個數(shù)，將這些列向量合并為一個矩陣(n×P2)，這就得到了圖像的“權(quán)特征”。

理解了“權(quán)特征”的具體形式，可以看出特征匹配問題就是矩陣相關(guān)問題。矩陣相關(guān)問題類似于向量相關(guān)［8］，可以通過定義兩個矩陣之間的Frobenius內(nèi)積來衡量它們之間相關(guān)程度。設(shè)兩個權(quán)特征矩陣F1，F(xiàn)2∈RP2×n，則 F1，F(xiàn)2的內(nèi)積為:

如果F1，F(xiàn)2的內(nèi)積值越接近1則表示它們所代表的圖像塊相似度越高。至此，基于核方法的人臉檢測原理已基本介紹完畢。下面給出具體實(shí)現(xiàn)步驟:

假設(shè)人臉模板圖像為Q，待檢測圖像為T(為了方便實(shí)驗(yàn)進(jìn)行，可使圖像Q大小與圖像T中人臉大小相近)，選定的窗口大小為5×5，即P2=52=25。下面，給出編程實(shí)現(xiàn)的步驟:

(1)對圖像Q和T進(jìn)行規(guī)范化處理，使之水平和垂直方向的像素?cái)?shù)都是窗口數(shù)5的倍數(shù)且余2。

(2)分別計(jì)算Q和T的“權(quán)特征矩陣”WQ，WT。

(3)采用PCA(主分量分析法)對WQ，WT進(jìn)行降維得到 FQ，F(xiàn)T。

(4)將FQ，F(xiàn)T沿水平和垂直方向逐點(diǎn)進(jìn)行匹配檢測。

(5)在圖像中標(biāo)記符合匹配條件的人臉位置。

4 實(shí)驗(yàn)結(jié)果及分析

為了檢驗(yàn)該方法效果，任意選取一個模板人臉圖像，如圖1。在四種不同情況下進(jìn)行實(shí)驗(yàn)，下面逐一進(jìn)行說明。

圖1 模板人臉

(1)分辨率較高的簡單背景圖像檢測

從實(shí)驗(yàn)結(jié)果看，簡單背景圖像人臉檢測效果較好，圖2的3張人臉均被檢測得到。

圖2 簡單背景圖像(800×630，72dpi)

圖3 簡單背景圖像人臉檢測效果

(2)分辨率較高的復(fù)雜背景圖像檢測

從實(shí)驗(yàn)結(jié)果看，復(fù)雜背景人臉檢測效果也較好。圖4的32張人臉均被檢測得到，說明該方法檢測準(zhǔn)確率較高。

圖4 復(fù)雜背景圖像(1600×920，72dpi)

圖5 復(fù)雜背景圖像人臉檢測效

(3)逆光和曝光補(bǔ)償圖像檢測對比

從實(shí)驗(yàn)對比結(jié)果看，該方法在逆光(即人臉區(qū)域光照低)情況下，仍然有較好的檢測效果，說明該方法的檢測效果受光照影響較小。如圖6-圖9所示。

圖6 逆光拍攝圖像(600×800，72dpi)

圖7 逆光拍攝圖像人臉檢測效果

圖8 逆光拍攝時加閃光(600×800，72dpi)

圖9 逆光拍攝加閃光人臉檢測效果

(4)降低分別率的圖像檢測

從圖10-圖11的實(shí)驗(yàn)對比結(jié)果看，降低圖像分辨率后有漏檢情況出現(xiàn)，分析原因在于降低分辨率后，單位面積的像素點(diǎn)變少，可利用的“權(quán)特征”信息相對變少，從而會出現(xiàn)漏檢情況。

圖10 圖2的降質(zhì)圖像(556×441，50dpi)

圖11 圖2的降質(zhì)圖像檢測效果

5 結(jié)束語

從前面的介紹來看，基于核回歸法的人臉檢測模型原理簡單，易于理解。從實(shí)驗(yàn)結(jié)果看，該方法有三個明顯特點(diǎn):①檢測準(zhǔn)確率較高;②對光照敏感度低;③在復(fù)雜背景下的檢測性能較好。

當(dāng)然，和其它人臉檢測技術(shù)相比較，該方法雖然具有一些不錯的性能，但是仍然有不盡如人意的方面，比如:①在實(shí)驗(yàn)時，高斯核函數(shù)的參數(shù)選取一定程度上要依賴實(shí)驗(yàn)經(jīng)驗(yàn);②該方法僅僅依賴圖像的數(shù)據(jù)特征—“權(quán)特征”，當(dāng)圖像分辨率低時，會有誤檢情況。以上這些方面都將作為下步工作研究的重點(diǎn)，盡量使該方法進(jìn)一步完善，使之更為有效。

［1］ 黃福珍，蘇劍波.人臉檢測［M］.上海:上海交通大學(xué)出版社，2006.

［2］ L Wasserman.現(xiàn)代非參數(shù)統(tǒng)計(jì)［M］.吳喜之，譯.北京:科學(xué)出版社，2008.

［3］ Wand M P，Jones M C.Kernel Smoothing［C］.Monographs on Statistics and Applied Probability，New York:Chapman ＆ Hall，1995.

［4］ Hardle W，Muller M，Sperlich S，Werwatz A.Nonparametric and Semiparametric Models［C］.Springer Series in Statistics.New York:Springer，2004.

［5］ Hiroyuki Takeda，Sina Farsiu and Peyman Milanfar.Kernel Regression for Image Processing and Reconstruction［J］.IEEE TRANSACTIONS ON IMAGE PROCESSING，2007，16(2):349-366.

［6］ Ruppert D，Wand M P.Multivariate locally weighted least squares regression［J］.Ann.Statist，1994，22(3):1346-1370.

［7］ Feng X，Peyman Milanfar.Multiscale principal components analysis for image local orientation estimation［C］.presented at the 36th Asilomar Conf.Signals，Systems and Computers，Pacific Grove，CA.2002.

［8］ Ma Y，Lao S，Takikawa E，Kawade M.Discriminant Analysis in Correlation Similarity Measure Space［J］.Proc.Int’l Conf.Machine Learning，2007，227:577-584.

［9］ Hae Jong Seo，Peyman Milanfar.Training-Free，Generic Object Detection Using Locally Adaptive Regression Kernels［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32(9):1688-1704.

［10］ Viola P，ones M.Robust Real-Time Object Detection［J］.Int’l J.Computer Vision，2004，57(2):137-154.

［11］ 劉向東，陳兆乾.人臉識別技術(shù)的研究［J］.計(jì)算機(jī)研究與發(fā)展，2004，41(7):1074-1080.

［12］ 孫德山.支持向量機(jī)分類與回歸方法研究［D］.長沙:中南大學(xué)博士學(xué)位論文，2004.