何瑤，陳湘萍

（貴州大學(xué)電氣工程學(xué)院，貴州 貴陽(yáng) 550025）

0　引言

隨著計(jì)算機(jī)與信息技術(shù)的不斷發(fā)展，人臉檢測(cè)與識(shí)別在各個(gè)領(lǐng)域均得到了廣泛使用。人臉檢測(cè)是人臉識(shí)別系統(tǒng)中的重要組成單元。人臉檢測(cè)指的是應(yīng)用一定的策略對(duì)給出的圖片或者視頻來(lái)進(jìn)行檢索，判斷是否存在著人臉，如果存在則定位出每張人臉的位置、大小與姿態(tài)的過(guò)程[1-2]。根據(jù)現(xiàn)有的算法，目前的人臉檢測(cè)方法可分為三類(lèi)，分別是基于統(tǒng)計(jì)理論方法，基于幾何特征方法以及基于膚色模型方法。其中，基于統(tǒng)計(jì)理論方法中的Adaboost[3-4]人臉檢測(cè)算法是由劍橋大學(xué)的Paul Viola和Michael Jones提出，在人臉檢測(cè)中應(yīng)用比較廣泛，但也存在著較高的誤檢率。OpenCV(Open Source Computer Vision Library)由Intel公司開(kāi)發(fā)，是開(kāi)源的視覺(jué)算法庫(kù)，由C和C++函數(shù)組成[5-7]。本文借助OpenCV庫(kù)，引入HSV色彩空間膚色分割算法，與Adaboost算法相結(jié)合，設(shè)計(jì)基于膚色分割與Adaboost算法相結(jié)合的人臉檢測(cè)系統(tǒng)，并比較該系統(tǒng)與Adaboost算法設(shè)計(jì)的人臉檢測(cè)系統(tǒng)對(duì)圖片與實(shí)時(shí)視頻人臉檢測(cè)的檢測(cè)率和誤檢率。

1　人臉檢測(cè)算法

1.1　Adaboost算法

1.1.1 Adaboost算法原理

Adaboost算法是通過(guò)無(wú)數(shù)次循環(huán)迭代來(lái)尋求最優(yōu)分類(lèi)器的過(guò)程[8]。用弱分類(lèi)器Haar特征中任一特征放在人臉樣本上，求出人臉特征值，通過(guò)更多分類(lèi)器的級(jí)聯(lián)便得到人臉的量化特征,以此來(lái)區(qū)分人臉和非人臉。Haar功能由一些簡(jiǎn)單黑色白色水平垂直或旋轉(zhuǎn)45°的矩形組成。目前的Haar特征總的來(lái)說(shuō)廣義地分為三類(lèi)：邊緣特征、線(xiàn)特征以及中心特征。Haar特征的本質(zhì)其實(shí)就是一個(gè)差值，即人臉特征值[9-10]。這個(gè)差值為求得白色區(qū)域的像素灰度和與黑色區(qū)域的像素灰度和兩者之差。利用積分圖，可以迅速的計(jì)算出Haar特征值，積分圖的運(yùn)算如式（1）所示。

ii(x,y)為圖像經(jīng)運(yùn)算之后所得積分圖內(nèi)每個(gè)像素點(diǎn)的像素值，i(x',y')為原圖像在(x',y')處的像素值。一個(gè)完整的圖像包括每個(gè)像素的左方及上方的區(qū)域總和。

1.1.2 Haar分類(lèi)器訓(xùn)練原理

根據(jù)adaboost算法原理，我們可以得到一個(gè)弱分類(lèi)器[11-12]，弱分類(lèi)器的數(shù)學(xué)結(jié)構(gòu)如式（2）所示。

最開(kāi)始的弱分類(lèi)器為h(x,f,p,θ) ， 其中子窗口圖像確定x,f為Haar特征值，p為不等號(hào)的方向，θ為閾值。強(qiáng)分類(lèi)器由無(wú)數(shù)弱分類(lèi)器組成，其檢測(cè)率與誤檢率為一對(duì)矛盾體。因此，我們會(huì)通過(guò)調(diào)整檢測(cè)率與誤檢率的參數(shù)來(lái)面對(duì)不同的需求。級(jí)聯(lián)分類(lèi)器由多個(gè)強(qiáng)分類(lèi)器進(jìn)行疊加組成。它的前幾層的強(qiáng)分類(lèi)器較為簡(jiǎn)易，后幾層則是相對(duì)而言比較復(fù)雜的強(qiáng)分類(lèi)器。通過(guò)前幾層簡(jiǎn)單強(qiáng)分類(lèi)器可以迅速去除無(wú)關(guān)背景區(qū)域。而后幾層能夠更好的區(qū)分出人臉。通過(guò)一級(jí)一級(jí)的遞進(jìn)選擇，直至判斷出人臉。我們完全可以假定很高的檢測(cè)率和相對(duì)而言比較高的誤檢率在經(jīng)過(guò)級(jí)聯(lián)分類(lèi)器層層迭代后，其仍然具有很好的檢測(cè)率和很低的誤檢率。檢測(cè)速度與精度大大增強(qiáng)。每個(gè)窗口對(duì)特征值進(jìn)行運(yùn)算的數(shù)量為式（3）所示。

在式（3）中，pj為第 j層強(qiáng)分類(lèi)器的檢測(cè)率，ni為第i層強(qiáng)分類(lèi)器的特征數(shù)，k為級(jí)聯(lián)分類(lèi)器的總層數(shù)。

1.2　膚色分割

膚色檢測(cè)擁有算法簡(jiǎn)易且響應(yīng)速率快等優(yōu)勢(shì)?；谀w色分割的人臉檢測(cè)避免了由類(lèi)似皮膚顏色區(qū)域或類(lèi)似人臉特征所引起的誤檢，因而與Adaboost算法一起使用有著更高的性能和更低的誤檢率。

1.2.1 HSV色彩空間

色調(diào)(H)，飽和度(S)，亮度(V) 在HSV色彩空間中作為參數(shù)用以描述顏色[13]。其中，色調(diào)(H)指的是顏色外觀，能夠彼此區(qū)分不同顏色。在HSV色彩空間里，H由繞Z軸的轉(zhuǎn)動(dòng)角表示[14-15]。S表示顏色的純潔度，它指彩色成分所占比例，S的取值范圍為0.0到1.0之間。其中，0.0表示灰色，1.0表示完全飽和。亮度(V)，是顏色的明暗程度，它其取值范圍為0.0到1.0。其中，0.0表示黑色，1.0表示白色。在使用HSV色彩空間中進(jìn)行膚色分割時(shí)，色調(diào)值在6～38區(qū)間內(nèi)，飽和度值在0.23～0.28區(qū)間內(nèi)，亮度值在0.55～0.67區(qū)間內(nèi)，我們可以視為人類(lèi)的皮膚[16]。RGB顏色空間轉(zhuǎn)到HSV顏色空間的算法為：

1.2.2 膚色分割

將人的膚色在圖片中分離的過(guò)程叫做膚色的分割[14-15]。具體的步驟有如下幾步。第一步、獲取彩色圖像；第二步、將每個(gè)像素由RGB對(duì)應(yīng)到HSV顏色空間；第三步、將HSV顏色空間的圖片分解為三張單通道圖片分別進(jìn)行處理；第四步、對(duì)每張通道圖片進(jìn)行判定，如果其像素點(diǎn)在所給定的膚色閾值之內(nèi)，則將該點(diǎn)置為白色，如果條件不滿(mǎn)足，該像素設(shè)為黑色；第五步、將白色圖像點(diǎn)與原圖像進(jìn)行合并，黑色圖像點(diǎn)繼續(xù)為黑色，如此便對(duì)圖像進(jìn)行膚色分割。

1.3　圖像預(yù)處理

面對(duì)各種條件各異的外部環(huán)境變化，圖像一般會(huì)呈現(xiàn)出噪聲、清晰度低等各種缺陷。因此，為了減小缺陷對(duì)提取到的人臉特征的影響，在特征提取之前，先對(duì)對(duì)圖像進(jìn)行預(yù)處理操作。當(dāng)我們處理彩色圖像時(shí)，即需要對(duì)三個(gè)通道依次處理，這會(huì)帶來(lái)巨大的時(shí)間開(kāi)銷(xiāo)，因此為了提高系統(tǒng)的處理速度，減少難度，我們需要把彩色圖像進(jìn)行灰度化處理。在對(duì)視頻圖像進(jìn)行檢測(cè)分析之前，我們應(yīng)該盡可能減少噪聲干擾，從而加快準(zhǔn)獲取圖像的特征，并更好進(jìn)行模式識(shí)別，也能夠減少其計(jì)算量。我們選擇使用Gauss濾波來(lái)減小圖像噪聲。Gauss濾波是通過(guò)Gauss函數(shù)來(lái)選擇權(quán)值的線(xiàn)性濾波方法。其算法如公式6所示，σ表示方差，它決定Gauss濾波器寬度。

當(dāng)檢測(cè)目標(biāo)所處環(huán)境下的光線(xiàn)發(fā)生變化時(shí)，直方圖均衡化可以降低帶來(lái)的影響。直方圖均衡化主要原理為在原圖像的灰度直方圖中，將原圖像中灰度級(jí)密集部分拉開(kāi)，即將相對(duì)集中的灰度區(qū)間變?yōu)榫鶆蚍植荚谌炕叶确秶鶾17]。

2　人臉檢測(cè)系統(tǒng)設(shè)計(jì)及仿真實(shí)驗(yàn)

在本設(shè)計(jì)中，引入HSV色彩空間膚色分割算法，與Adaboost算法相結(jié)合，設(shè)計(jì)基于膚色分割與Adaboost算法相結(jié)合的人臉檢測(cè)系統(tǒng)，該人臉檢測(cè)系統(tǒng)具有圖片或視頻采集、膚色提取與分割、圖像預(yù)處理、載入分類(lèi)器、檢測(cè)人臉、矩形框出被檢測(cè)人臉的功能。之后比較該系統(tǒng)與Adaboost算法設(shè)計(jì)的人臉檢測(cè)系統(tǒng)對(duì)圖片與實(shí)時(shí)視頻人臉檢測(cè)的檢測(cè)情況和誤檢情況。

2.1　人臉檢測(cè)系統(tǒng)結(jié)構(gòu)圖

在此系統(tǒng)中，經(jīng)過(guò)膚色分割后的圖像，僅僅存在人臉和類(lèi)膚色區(qū)域，接著運(yùn)用Adaboost分類(lèi)器，這樣便能準(zhǔn)確迅速標(biāo)注人臉位置。因此，基于adaboost算法與膚色分割相結(jié)合的人臉檢測(cè)系統(tǒng)不僅檢測(cè)速度快、而且準(zhǔn)確度高，還避免了類(lèi)人臉特征導(dǎo)致的誤檢。

圖1　基于adaboost算法與膚色分割相結(jié)合的人臉檢測(cè)系統(tǒng)Fig.1 Face detection system based on adaboost algorithm and skin segmentation

2.2　人臉檢測(cè)系統(tǒng)

2.2.1 分類(lèi)器的訓(xùn)練過(guò)程

建立正負(fù)樣本集：基于MIT人臉庫(kù)，建立正負(fù)樣本集及其說(shuō)明的txt文件。

訓(xùn)練人臉檢測(cè)分類(lèi)器：首先生成訓(xùn)練集的VEC 文件，之后書(shū)寫(xiě)相應(yīng)代碼進(jìn)行分類(lèi)器訓(xùn)練。

2.2.2 檢測(cè)程序的設(shè)計(jì)流程

1）讀取待檢測(cè)圖像：此階段是載入待檢測(cè)圖片或者載入攝像頭并獲取視頻流的一幀。

2）膚色提?。喊褕D片中每一個(gè)像素從RGB對(duì)應(yīng)到HSV顏色空間，然后將HSV空間的圖片分解成三張單通道圖片依次進(jìn)行處理，然后對(duì)每張通道圖片進(jìn)行判定，如果其像素點(diǎn)在所給定的膚色閾值之內(nèi)，則將該點(diǎn)置為白色，如果條件不滿(mǎn)足,該像素設(shè)為黑色。

3）膚色分割：將白色圖像點(diǎn)與原圖像進(jìn)行合并，黑色圖像點(diǎn)繼續(xù)為黑色，如此便對(duì)圖像進(jìn)行膚色分割，如圖2所示。

圖2　對(duì)載入圖像進(jìn)行膚色分割Fig. 2 Skin segmentation for loading images

4）圖像預(yù)處理：將載入的圖片或者圖像進(jìn)行預(yù)處理，預(yù)處理步驟為先灰度化圖片，然后執(zhí)行平滑處理中高斯濾波操作，最后執(zhí)行直方圖均衡化。其中，灰度化是為了保證檢測(cè)的效率和準(zhǔn)確性，高斯濾波可以消除部分圖像噪聲，直方圖均衡化則可以讓人臉在圖像中更好的凸現(xiàn)出來(lái)。

5）加載人臉檢測(cè)分類(lèi)器：將所訓(xùn)練的人臉檢測(cè)分類(lèi)器加載到程序中。

6）人臉特征提?。豪贸晒虞d的分類(lèi)器，快速計(jì)算出圖像中haar特征，然后進(jìn)行人臉的檢測(cè)和定位。

7）識(shí)別人臉并輸出：根據(jù)人臉特征提取后得出的結(jié)果，確定人臉的坐標(biāo)和范圍，使用矩形框標(biāo)記出原圖像中人臉的具體位置，并顯示圖像。

3　人臉檢測(cè)結(jié)果分析

3.1　靜態(tài)圖片檢測(cè)結(jié)果

將基于膚色分割與Adaboost算法相結(jié)合的人臉檢測(cè)系統(tǒng)與使用Adaboost算法的人臉檢測(cè)系統(tǒng)檢測(cè)結(jié)果做對(duì)比，紅色方框表示檢測(cè)出的人臉?lè)秶?。?jiǎn)單背景人臉檢測(cè)是檢驗(yàn)人臉檢測(cè)系統(tǒng)最基本性能，實(shí)驗(yàn)表明在簡(jiǎn)單背景人臉條件下，兩種系統(tǒng)都有著很好的性能。在復(fù)雜背景條件下，人臉檢測(cè)結(jié)果如圖3所示。

圖3　復(fù)雜背景人臉檢測(cè)結(jié)果Fig.3　Complex background face detection results

實(shí)驗(yàn)表明， 在復(fù)雜背景多人臉條件下， 膚色分割同adaboost算法相結(jié)合的系統(tǒng)有著較好的檢測(cè)效果。將人臉檢測(cè)類(lèi)型劃分為4種情況，將兩種系統(tǒng)檢測(cè)的結(jié)果做一個(gè)對(duì)比，對(duì)比結(jié)果如表1所示。

表1　兩種系統(tǒng)檢測(cè)結(jié)果對(duì)比Table 1　Comparison between the two algorithms

實(shí)驗(yàn)數(shù)據(jù)表明，在人臉檢測(cè)中，2種人臉檢測(cè)系統(tǒng)的檢測(cè)率相當(dāng)，但是膚色分割與adaboost算法相結(jié)合的檢測(cè)系統(tǒng)的誤檢率為3%，優(yōu)于adaboost算法（11%）的誤檢率。

3.2　動(dòng)態(tài)視頻檢測(cè)結(jié)果

Adaboost算法的人臉檢測(cè)系統(tǒng)結(jié)果和膚色分割與adaboost算法相結(jié)合的人臉檢測(cè)系統(tǒng)結(jié)果如圖4所示?；赼daboost算法與膚色分割相結(jié)合的人臉檢測(cè)系統(tǒng)能夠有效排除類(lèi)人臉區(qū)域，且能夠避免或減小產(chǎn)生誤判概率，因此能得到較好的檢測(cè)效果。

圖4　動(dòng)態(tài)視頻檢測(cè)結(jié)果Fig.4　Dynamic video test results

4　結(jié)論

本文基于OpenCV視覺(jué)庫(kù)，在adaboost算法的基礎(chǔ)上，依靠人類(lèi)膚色在HSV色彩空間中的特性，使用基于HSV色彩空間的膚色分割同Adaboost算法相結(jié)合的算法，設(shè)計(jì)出了人臉檢測(cè)系統(tǒng)。系統(tǒng)的構(gòu)成部分包括圖片或動(dòng)態(tài)視頻圖像的采集、膚色提取與分割、圖像的預(yù)處理（包括灰度化、高斯濾波、直方圖均衡化等）、特征提取、分類(lèi)識(shí)別、人臉的定位等。實(shí)驗(yàn)證明該算法能夠減小系統(tǒng)的誤檢率。