王 尋，趙懷勛，劉錫蔚

(1.武警工程大學(xué) 研究生管理大隊，陜西 西安710086;2.武警工程大學(xué) 信息工程系，陜西 西安710086)

人臉檢測是指采取一定的算法將輸入圖像中的人臉的姿態(tài)、位置等進行定位的過程。人臉檢測是一個復(fù)雜的過程，是進行疲勞檢測和人臉識別重要的預(yù)處理步驟［1］。目前人臉檢測的方法可大致分為以下4類:基于知識的方法、基于特征的方法、基于表象的方法和基于模板匹配的方法。其中基于知識的檢測方法中最經(jīng)典的是膚色檢測，但該方法僅依靠人臉的膚色信息，受光照、環(huán)境等條件的影響較大，并對于類膚色區(qū)域的魯棒性較差［2］。而由Viola P和Jones M提出的Adaboost人臉檢測算法，從根本上解決了人臉檢測的速度問題，但它僅利用人臉的灰度特征，沒有綜合考慮膚色分布，因此其誤檢率較高。本文有效地結(jié)合了兩種人臉檢測方法，并分別對它們進行了相應(yīng)的改進，通過實驗分析，本文方法不僅提高了人臉檢測的精度和速度，同時還實現(xiàn)了高檢測率和低錯誤率。

1 膚色檢測

膚色對于人的臉部是重要信息，具有相對的穩(wěn)定性而且它與大多數(shù)背景存在差異，不依賴于人臉面部的細節(jié)特征［3］。研究表明，膚色差別主要體現(xiàn)在亮度方面，而相對于色度來說差異較小，也就是說膚色在色度空間上有較好的聚類性，且膚色與人臉的表情、姿態(tài)變化無關(guān)，通過膚色特征可以快速確定人臉區(qū)域。本文先進行光照補償預(yù)處理，然后再利用YCbCr色彩空間對彩色圖像進行人臉粗定位。

1.1 光照補償

在人臉檢測研究中，研究對象易受采集條件的影響，相對來說，光照的影響較大，使實驗結(jié)果產(chǎn)生了偏差。為提高人臉檢測的正確率，檢測前需要先對圖像進行光照補償預(yù)處理。算法為取得所有輸入圖像的灰度值，并將像素灰度值按由高到低進行排列，取其前5%的像素，并以它的亮度作為“參考白”［1］。然后將它們的R、G、B色彩分量亮度值調(diào)整到最大值255，與前5%像素亮度的平均值除以255，就可以得到圖像補償系數(shù)，圖像中其余像素亮度值按此系數(shù)進行線性放大。

實驗表明，當(dāng)光照補償系數(shù)過大時，光照補償可能會造成膚色在色彩分量上產(chǎn)生較大的偏離。因此，應(yīng)使用自適應(yīng)的光照補償算法。通過實驗得到一個自適應(yīng)門限值，將其與計算得到的光線補償系數(shù)相比較，若值在門限值以內(nèi)，則進行光照補償，否則舍棄。這樣避免了因補償不當(dāng)造成的膚色在色彩分量上的過度偏離。

1.2 色彩空間轉(zhuǎn)換

YCbCr是一種常見的色彩空間，被廣泛應(yīng)用于電視色彩顯示中。其中，Y分量給出所有的亮度信息;Cb分量表示紅色分量;Cr分量表示藍色分量。YCbCr色彩空間有著與人視覺感知結(jié)構(gòu)原理相類似，它是一種理想的色彩空間。RGB色彩空間到Y(jié)CbCr色彩空間變換公式為

1.3 膚色模型

膚色區(qū)域相對集中的分布在二維膚色空間YCbCr內(nèi)，人臉皮膚上像素的色彩值服從高斯分布。因此，文中使用基于高斯模型的膚色建模方法［4］。高斯模型通過計算像素的概率值得到連續(xù)數(shù)據(jù)信息，并得到一個膚色概率圖，依照概率的大小進行膚色確認。該模型對膚色像素點的特性進行統(tǒng)計和分析，求出高斯分布各色度分量的均值和方差，然后利用概率密度公式計算圖像中的像素點屬于膚色點的概率，并對其進行判斷。2D Gaussian模型G(m，v2)公式為

其中，Cb，Cr所對應(yīng)的平均值分別為V為協(xié)方差矩陣。計算像素點距高斯分布中心的距離就可得到膚色相似度，計算公式為

用P(Cb，Cr)除以圖像中最大的膚色相似度Pmax(Cb，Cr)就可以得到歸一化的膚色相似度圖像，各像素點的相似度值在(0，1)之間。膚色相似值越大則該點屬于膚色的概率越大［5］。

2 改進的Adaboost算法

2.1 Adaboost算法的不足

Adaboost算法是一種分類器算法［6］，是由Freund和Schapire提出的一種將弱分類器訓(xùn)練成強分類器的方法。該算法不需要預(yù)知弱分類器的誤差，只要求弱分類器誤差比隨機猜測略好，當(dāng)弱分類器個數(shù)趨于無限時，強分類器的錯誤率也趨近于零。

Adaboost算法的描述如下［7］:

假設(shè)給定訓(xùn)練樣本{x1，y1}，{x2，y2}，…，{xn，yn}，其中，yi={0，1}，i=1，2，…，n，0代表非人臉樣本;1代表人臉樣本;n為訓(xùn)練樣本總數(shù)量。

(1)設(shè)ωt，i為第t次循環(huán)中第i個樣本的權(quán)重系數(shù)。首先對權(quán)值進行初始化，對于yi=1的人臉樣本，設(shè)置權(quán)重ωt，i=1/2a;對于yi=0的非人臉樣本，設(shè)置權(quán)重ωt，i=1/2b;其中，a、b分別是人臉樣本和非人臉樣本的樣本總數(shù)。

(2)對于t=1，2，…，T，其中T是訓(xùn)練次數(shù)。

②對于每個特征j，訓(xùn)練與之對應(yīng)的弱分類器hj，即確定閾值θj和偏置ρj，使它對應(yīng)的誤差函數(shù)εj=達到最小值。

③根據(jù)步驟②得到的弱分類器，尋找具有最小分類誤差εt的弱分類器，并將其加入到強分類器中。

(3)最終所構(gòu)成的強分類器為

相對于正面人臉圖像，基于Adaboost算法的人臉檢測檢測效果良好，其檢測率高、速度快、誤檢率低，但對于側(cè)面人臉及不同表情的人臉漏檢率高、檢測率低。另一方面，通過檢測發(fā)現(xiàn)，對于有一定傾斜的人臉，Adaboost算法存在漏檢情況。同時當(dāng)很少見到的困難樣本或含有噪聲的樣本出現(xiàn)在訓(xùn)練樣本集時，Adaboost算法會將這些樣本列為重點考慮的對象，經(jīng)過多次的重點對待，易使這些樣本的權(quán)值大幅增長，最終可能會出現(xiàn)退化現(xiàn)象。因此需要對Adaboost算法進行改進，以優(yōu)化側(cè)面人臉檢測率和減少退化現(xiàn)象的產(chǎn)生。

2.2 改進的Adaboost算法

(1)Harr矩形特征擴展。本文添加了兩種新的矩形特征模板，如圖1所示，以增強對具有傾斜角度人臉的檢測效果，并將它加入到訓(xùn)練弱分類器模板之中。

圖1 新的Haar特征模板

如圖1所示，當(dāng)人臉有一定的傾斜角度時，新增加的兩種特征模板可以良好地反映出斜線方向上的灰度特征，達到更好的分類效果。新加入的特征模板所訓(xùn)練生成的強分類器對傾斜的人臉具有一定的針對性。

(2)樣本權(quán)值更新的改進。在Adaboost算法的訓(xùn)練學(xué)習(xí)中，訓(xùn)練弱分類器的重要因素是集中各樣本的權(quán)值。因此樣本權(quán)值的調(diào)整需要謹慎，避免出現(xiàn)退化現(xiàn)象。而在原始的Adaboost算法迭代訓(xùn)練中，每個樣本權(quán)值更新原則采用的方法是相同的，即只根據(jù)樣本被分類的情況來決定對它的權(quán)值是否進行調(diào)整。文中通過定義一個閾值TH，結(jié)合樣本被分類正確與否，以及當(dāng)前樣本權(quán)值是否大于TH來決定該樣本的權(quán)值是否需要做出調(diào)整［8］。

至于改進的Adaboost算法步驟而言，前3步與傳統(tǒng)Adaboost算法一致，在第4步權(quán)值更新時做如下改進:

④設(shè)置本輪訓(xùn)練的權(quán)值更新閾值

⑤對樣本權(quán)值進行更新

通過以上步驟可以看出，更新某個樣本權(quán)值是由本次迭代的權(quán)值更新閾值TH和樣本的當(dāng)前權(quán)值決定的。當(dāng)樣本分類錯誤時，且樣本目前的權(quán)值ωt，i比權(quán)值更新閾值TH小時，就增加這個樣本權(quán)值，否則就相應(yīng)減少樣本權(quán)值，這種情況下，如果在每次迭代訓(xùn)練中一個困難樣本都被分類錯誤，該樣本的權(quán)值也不會出現(xiàn)過度增大，這樣可以在一定程度上防止訓(xùn)練弱分類器時出現(xiàn)退化現(xiàn)象［9］。

3 改進的Adaboost算法的人臉檢測

基于Adaboost算法的人臉檢測具有檢測率高、檢測速度快的優(yōu)點，但其在某些復(fù)雜背景下會出現(xiàn)一定的誤檢［10］。膚色特征檢測人臉的速度快，但容易出現(xiàn)誤檢、漏檢。為增加算法的實時性和準確性，本文提出了一種基于YCbCr空間下的高斯膚色模型和改進的Adaboost算法結(jié)合的人臉檢測方法。算法實現(xiàn)過程如圖2所示。

圖2 膚色及改進Adaboost算法相結(jié)合的人臉檢測方法實現(xiàn)過程

4 實驗結(jié)果及分析

本文在P4 2.0 GHz CPU的PC上對該算法進行實驗，人臉測試樣本由自拍和網(wǎng)上下載的方式獲得的200幅不同背景、尺寸及光照條件下的人臉圖像，非人臉測試集是從漫畫、風(fēng)景、建筑等圖片中獲得的，表1統(tǒng)計了3種人臉檢測方法對采集到測試圖像的檢測結(jié)果，包括其所對應(yīng)的檢測率及誤檢率等內(nèi)容。

表1 種人臉檢測方法

圖3分別給出了3種人臉檢測方法的部分人臉檢測結(jié)果圖，其中圖3(a)是基于膚色的人臉檢測方法，圖3(b)是基于Adaboost算法的人臉檢測方法，圖3(c)是基于膚色及改進的Adaboost算法的人臉檢測方法。

圖3 人臉檢測的結(jié)果圖

5 結(jié)束語

基于Adaboost算法的人臉檢測具有檢測率高、檢測速度快的優(yōu)點，但由于它是基于人臉的灰度特征，具有一定的局限性。本文將基于膚色信息的人臉檢測與改進的Adaboost算法相結(jié)合，首先將圖像轉(zhuǎn)換到Y(jié)CbCr空間，對膚色建模以排除非膚色區(qū)域，再將處理后的圖像送入改進的Adaboost分類器檢測，將兩種方法有機結(jié)合既保證了檢測速度快，又提高了檢測的精度，能夠達到實時性的要求，可以很好地用于實時跟蹤和視頻監(jiān)控。

［1］MILAN S，VACLAV H，ROGER B.圖像處理分析與機器視覺［M］.2版.艾海舟，武勃，譯.北京:人民郵電出版社，2003.

［2］ 王建國，華繼釗，楊靜宇.基于YCgCr顏色空間的光照自適應(yīng)的膚色區(qū)域檢測［J］.計算機應(yīng)用研究，2008，25(2):467－482.

［3］ 張爭珍，石躍祥.YCgCr與YCgCb顏色空間的膚色檢測［J］.計算機工程與應(yīng)用，2010，46(36):167－170.

［4］ 林慶，羅敏.基于顏色和幾何關(guān)系的人臉檢測方法［J］.計算機工程與設(shè)計，2008，29(7):3396－3398.

［5］ 郭秀梅.基于膚色的人臉檢測算法的研究LDI［D］.泰安:山東農(nóng)業(yè)大學(xué)，2008.

［6］ 阮錦新，尹俊勛.基于人臉特征和Adaboost算法的多姿態(tài)人臉檢測［S］.計算機應(yīng)用，2010，30(4):967－970.

［7］ 徐前，趙德安，趙建波.基于改進的AdaBoost算法的人臉檢測與定位［J］.傳感器與微系統(tǒng)，2010，29(1):94－97.

［8］ 張君昌，李倩，賈靖.基于分類器相關(guān)性的Adaboost人臉檢測算法［J］.計算機應(yīng)用，2009，29(12):3346－3348.

［9］ 宋義偉，王秀，趙雪竹，等.基于膚色分割和AdaBoost算法的彩色圖像的人臉檢測［J］.自動化與信息工程，2009(1):116－119.

［10］崔瀟瀟，王貴錦，林行剛.基于AdaBoost權(quán)值更新以及K－L距離的特征選擇算法［J］.自動化學(xué)報，2009(5):45－50.