基于肤色特征人脸检测算法.doc

1、基于肤色特征人脸检测算法摘 要在人脸检测的研究中发现 Adaboost 人脸检测算法检测速度快，出现漏检率比较低，但存在误测几率的发生，若结合肤色模型检测进一步确认检测区域，肤色是人脸的重要特征之一，肤色特征对人脸检测的优点是对旋转、尺度及表情等不敏感，具有良好的稳定性和鲁棒性。二者相结合的人脸检测是建立肤色模型算法，计算肤色区域的面积与非肤色区域的面积之比，设定阈值来实现人脸检测，在一定程度上改善了误测的几率发生。 关键词人脸检测；肤色检测；弱分类器；强分类器；多层分类器 中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2015）36-0331-03 引言 最早

2、Papageoriou 等人把 Harr 特征运用到人脸检测，Papageoriou在研究人脸检测问题时，为了提高检测所需的分辨和增加模型的表达能力1，使用 3 类二维的 Harr 小波函数提取对象的特征。Viola2发现正方形的 Harr 滤波不足以描述人脸的特征，如：人眼睛和鼻梁上侧的灰度差的绝对值比较大，表现为矩形区域特征，将特征原型扩展 3 种类型4 种形式的矩形特征原型。人脸检测是根据输入的图像确定人脸和人脸大小、位置过程。Adaboost 人脸检测算法是一种矩形特征算法3，但是Adaboost 算法训练的强分类器只具有最小误检率，没有最高检测率，其漏检低，仍存在误检，因此需要其它算

3、法加以确认4。人脸肤色的主要特征，人脸肤色检测对旋转、尺度及表情变化都不敏感，并且肤色特征稳定，在区别其它物体颜色具有很强的鲁棒性和稳定性且肤色特征人脸检测算法简单，检测速度快5。 1 基于 AdaBoost 人脸检测算法 图像中平移或伸缩获得特征称为矩形特征，然后再将特征值通过Adaboost 的训练得到基于矩形特征分层人脸检测算法6，过程如下： （1）先用矩形特征表示人脸，用“积分图7”实现特征数值快速计算。计算公式（1）和公式（2） 。 Harr-Like 特征： （1） 其中表示特征是由 N 个矩形构成，表示第 i 个矩形的权值，函数表示矩形内所有像素和8。 积分图定义2： （2） 其

4、中是图像在平面坐标系中 x，y处的像素值。 图像的积分图递推公式： （3） 其中，表示原图像（x，y）点所在列纵坐标不超过该点的所有像素灰度的和。图像的积分图可以快速计算图像中任意矩形内所有像素灰度积8。 （2）使用 Adaboost 算法选取出具有代表人脸的矩形特征称为弱分类器，由弱分类器组成一个强分类器，弱分类器的公式（4） 。Adaboost的弱分类器特征值 f，阈值和指示不等号方向的 p 组成2 （4） 选取过程： a. 计算每一种矩形特征原型映射所有样本的特征值 f（x） ，且进行排序； b. 扫描这些特征原型产生的特征值 f（x） ，计算其映射的最小分类误差 2。 （5） T+、T

5、-表示全部人脸样本权重和与非人脸样本的权重和，S+、S-表示排在该特征值前的人脸样本权重与人脸样本权重和。表示在此特征前的人脸权重和加上后面非人脸权重和，如果这个值较小，表明该特征为非人脸，而且误检率较小。 c.最小分类误差对应矩形特征原型长、宽和（s，t） ，即为弱分类器的特征 f，这个分类器的阈值为 ，判断最小分类误差是还是，若是前者，表示小于阈值的非人脸，大于阈值的是人脸，那么 p 为-1，反之为+1。 d. T 次循环后得到 T 个弱分类器 hl（x） ，hi（x）及其对应的分类误差 1T。通过公式（6） ，构造强分类器。 （6） 其中 3.将训练得到的若干个强分类器组成一个级联的多层

6、分类器。多层级联分类器要求每一层最小检测 99%，而最大误差率 50%，而 Adaboost算法训练的强分类只具最小误检率9，而不是最高检测率，要达多层级联分类器各层的要求，需要对 Adaboost 训练出来的分类器的阈值进行调整。对于每个人脸样本弱分类器加权和为2： （7） 对 PD 进行排序，选择满足多层级联分类器要求的每层最高检查率的阈值 Th。 。其中 p 为人脸个数。保证 p*d 个人脸被检测出来。 2 肤色特征人脸检测算法 肤色是人脸的主要特征之一，基于肤色特征的人脸检测的优点是对旋转、尺度及表情等不敏感，肤色特征稳定7，区别其他物体颜色方面具有较强的鲁棒性和稳定性。根据文献5的方

7、法进行肤色检测。 其方法如下： （1）RGB 颜色空间转换 YCbCr 颜色空间，其转换公式6： （8） （2）对非线性色彩进行变换，建立属于该颜色空间聚类模型，其变换公式6： （9） （10） （11） （12） 其中文献5设定的非线性分段颜色变化的分段阈值。文献5实验数据得到的肤色聚类区域 Y 分量的最小值和最大值。表示肤色区域的宽度9 （13） 经过这样的非线性分段色彩变换后，在一定程度上消除色度对亮度的依赖关系。 （3） 最后再用一个椭圆来近似这一肤色区域，其解析表达式如下6 （14） 对图像中的每个象进行检测，若变换后的值在椭圆区域之内10，则认为是肤色像素点，否则是非肤色像素点。最

8、后将图像转换为二值图像。 3 肤色特征与 AdaBoost 相结合的人脸检测算法 （1）先应用 AdaBoost 进行人脸检测，其流程如下： a.设检测图像大小为 W*H，计算其积分图； b.初始化检测窗口大小为：w*h，设置检测窗口最大放大倍数maxSize； c.对于多层级联分类器的每一层强分类器，使用放大倍数 size 的检测窗口对图片进行检测，若为人脸，则标注 1，若不是则标注 0。当检测窗口小于某一个值时，就停止检测。 d.最后对于所有检测人脸的窗口，如果两个检测窗口的中心位置差值不超过两者的长度、宽的均值，则认为检测出的是同一个人脸，那么将其合并，取其均值。 （2）检测结果后，建立

9、图片的肤色模型，计算肤色区域的面积与非肤色区域的面积之出 P。如果图像是人脸，那么其脸色一定占绝大部分11，所以假设本文中的设定阈值 T=0.4。如果 PT 则认为是人脸，反之认为是非人脸，直接抛弃。 3.1 实验结果 从中能看出图 2 的结果是正确，图 3 的误测，如何保留图 2，去除图3 呢？，下面采用肤色检测来实现。 对图 2 和图 3 进行二值化处理从而得到图 4 和图 5。 图 4 肤色区域占整个区域的 0.5278，图 6 肤色区域只占整个区域的0.1071。由于截取的人脸区域容易受周围头发等影响，再取图像的中心区域作为检测。再次检测后的图像结果： 图 6 人脸区域占整个区域的 0

10、.8901，而图 7 的人脸区域为 0，设定阈值为 0.4，结果图 3 的图片可以去除，图 2 的图片保留。 结束语 在 Adaboost 算法的基础上与肤色模型检测相结合进一步确认检测区域，实验证明改进的算法在一定程度上改善了误测几率的发生，但是对类肤色的非人脸检测区域不能正确判断，需进一步研究。 参考文献 1Papageorgiou，C.，M.Oren， and T. Poggio. A General Framework for Object Detection， International Conference on Computer Vision （ICCV98） ， pp .555

11、-562， January 1998. 2Paul Viola， Michael Jones， Robust Real-Time Face Detetion， International Journal of Computer Vision， 2004. 3R. Kjeldson，J.，Kender.Finding Skin in Color Images.Second international Conf.Automatic Face and Gesture Recognition，pp.312-317，1996. 4 陈锻生，刘政凯. 肤色检测技术综述J.计算机学报， 2006，2： 19

12、4-207. 5 Dean J.， Ghemawat S. MapReduce： Simplifed Data Processing on Large Clusters， Proc. of the 6th Symposium on Operating System Design and Implementation， San Francisco.2004 6 冯亚丽，蒋文文，刘泽光，一种改进的基于肤色分割和 PCA 人脸检测方法J，科学技术与工程， 2010，10： 2343-2347. 7 张洪明，赵德斌，高文.基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测J，计算机学报，2002，

13、11： 1250-1256. 8 Trans on Pattern Analysis and Machine Intelligence， 24（5）.696-706， 2002 9 陈梅，刘昕.基于最小二乘支持向量机的色彩空间转换模型J，西安理工大学学报， 2010，3： 338-342. 10 李根，李文辉， 基于尺度不变特征变换的平面旋转人脸检测J，吉林大学学报（工学版） ， 2013，1： 186-191. 10 R.Kjeldson， J.，Kender.Finding Skin in Color Images. Second international Conf.Automatic Face and Gesture Recognition， pp. 312-317，1996. 11 DeanJ.Ghemawat S.MapReduce：Simplifed Data Processing on Large Clusters， Proc. of the 6th Symposium on Operating System Design and Implementation， San Francisco.2004.