一種高效的人臉馬賽克方法

姚東明，馬 川， 于 溪，吳建斌

(1.武漢市公安局 警務(wù)指揮中心，湖北 武漢 430030；2.華中師范大學(xué) 物理與科學(xué)技術(shù)學(xué)院，湖北 武漢 430079)

一種高效的人臉馬賽克方法

姚東明1，馬 川2， 于 溪2，吳建斌2

(1.武漢市公安局 警務(wù)指揮中心，湖北 武漢 430030；2.華中師范大學(xué) 物理與科學(xué)技術(shù)學(xué)院，湖北 武漢 430079)

針對現(xiàn)有人臉檢測方法速度緩慢的問題,在詳細(xì)介紹結(jié)合類Haar特征和級聯(lián)AdaBoost人臉檢測算法原理及訓(xùn)練流程的基礎(chǔ)上，提出一種改進(jìn)的人臉檢測算法。該算法可以動態(tài)調(diào)整Haar檢測函數(shù)的閾值和選取擴(kuò)展的Haar特征，并運(yùn)用OpenCV中圖像處理的基本算法實現(xiàn)較高準(zhǔn)確度和較快速度的人臉檢測，可高效用于馬賽克處理。實驗結(jié)果表明，該算法人臉檢測率達(dá)到95.41%，處理圖片時間約2.4ms/frame，計算復(fù)雜度低，且穩(wěn)定性較好,可廣泛用于人臉檢測中。

人臉馬賽克；人臉檢測；級聯(lián)分類器；類Haar特征；OpenCV

0 引言

高清攝像頭經(jīng)常在拍攝車輛信息的同時，也會拍攝到乘車人的臉部信息。為保護(hù)隱私,在公布圖片時，需要對人臉進(jìn)行馬賽克處理。現(xiàn)階段主要是利用工具軟件自帶的Mosaic濾鏡功能對畫面進(jìn)行手動處理，不但費(fèi)時費(fèi)力，而且圖片處理的效果也不理想。因此，有必要研究實現(xiàn)高效且準(zhǔn)確率高的人臉馬賽克處理方法。

人臉檢測是實現(xiàn)人臉馬賽克的一個重要步驟，人臉特征選取直接影響人臉檢測的精確性。目前，人臉特征選取方法大體可分為基于知識方法、基于統(tǒng)計方法、基于膚色模型方法3類。其中，基于知識的方法是在各種先驗知識的基礎(chǔ)上建立人臉模型，再利用該模型達(dá)到人臉檢測的目的。如馬德智[1]和陳雁翔等[2]描述了一種基于高斯混合模型的目標(biāo)檢測方法；基于統(tǒng)計方法[3]是將向量機(jī)分為3層，分別對人臉圖像模型進(jìn)行多姿態(tài)協(xié)同人臉檢測；趙海峰、孫姍姍等[4]對不同LBP特征值進(jìn)行融合再用于人臉檢測；Nilsson等[5]利用具有較小計算代價的局部連續(xù)均值量化特征以及分裂稀疏網(wǎng)絡(luò)分類器進(jìn)行正面人臉圖像檢測； 基于膚色模型方法[6,7]以李全彬等[8]為代表。上述方法均能取得較好的檢測效果，但也存在一些不足之處：馬德智、陳雁翔等的方法計算量大，實現(xiàn)過程復(fù)雜；滕少華等的方法運(yùn)算量大、耗時長，特征描述能力不足；趙海峰、Nilsson等的方法實時性較強(qiáng)，但誤識率較高；李全彬等的方法在表情多樣的情況下，效果不是很理想。

為提高算法運(yùn)行效率，利用類Haar特征和Adaboost分類器在人臉檢測中的優(yōu)勢[9,10]，本文提出了一種改進(jìn)的人臉檢測算法。該算法可以動態(tài)調(diào)整Haar檢測函數(shù)的閾值和選取擴(kuò)展的Haar特征。實驗結(jié)果證明該改進(jìn)算法能夠?qū)崿F(xiàn)不同人物、表情、姿態(tài)等的人臉檢測與馬賽克效果。

1 算法結(jié)構(gòu)

人臉檢測包括針對待檢測圖像的訓(xùn)練過程和檢測過程。訓(xùn)練過程主要是構(gòu)建包含類Haar特征信息的級聯(lián)AdaBoost分類器；檢測過程需提取人臉關(guān)鍵類Haar特征，借助級聯(lián)AdaBoost分類器判斷人臉存在性，最后將檢測后的人臉區(qū)域打上馬賽克。

預(yù)處理是人臉檢測的前提，其流程如圖1所示。注意到圖像在空間內(nèi)像素的高度相關(guān)性，故采用高斯濾波去除圖像噪聲。隨后采用灰度圖像進(jìn)行檢測降低背景干擾和減小計算量；再通過尺寸變換將圖像縮放到同一大小進(jìn)行處理；最后采用直方圖均衡化增強(qiáng)圖像對比度。

圖1 預(yù)處理流程

1.1 改進(jìn)型類Haar特征提取

使用類Haar特征能高效描述人臉邊緣輪廓，采用AdaBoost中的篩選式級分類器對特征進(jìn)行分類，多數(shù)初級弱分類器只有一層決策樹(stump)。表達(dá)式如式1所示：

(1)

其中，弱分類器h(x,f,p,θ)由子窗口圖像x，一個特征f，指示不等號方向的p和閾值θ組成。一層決策樹允許下面形式的決策：判斷特征f的值v大于某個閾值t，并判斷人臉，判斷抉擇如式(2)所示：

(2)

式(2)中vi是第i個特征點(diǎn)的特征值，t為設(shè)定的閾值。當(dāng)為人臉時判斷特征fi為+1，反之則為-1。對于閾值t的計算方法如下：

(1)對于每個特征fi，計算所有訓(xùn)練樣本的特征值，并將其排序，掃描一遍排好序的特征值，對排好序的表中的每個元素，計算圖像區(qū)域內(nèi)所有人臉樣本的權(quán)重之和t1；圖像區(qū)域內(nèi)所有非人臉樣本的權(quán)重之和t0；掃描此元素之前的人臉樣本的權(quán)重之和s1；掃描此元素之前的非人臉樣本的權(quán)重之和s0；

(2)在當(dāng)前元素的特征值Fki和它前面的一個特征值Fki-1之間選取閾值，閾值t表示為：

(3)

傳統(tǒng)的弱分類器選取該元素最小值作為最優(yōu)閾值，形成一個弱分類器。本文給出一種新的閾值選取計算公式：

(1)將該節(jié)點(diǎn)上的所有決策樹數(shù)據(jù)按照當(dāng)前元素進(jìn)行連續(xù)性的取特征值，得到序列{Fk1，F(xiàn)k2,…,Fki} ；

(2)在特征值取值序列{Fk1，F(xiàn)k2,…,Fki}生成分割點(diǎn)，每個分割點(diǎn)根據(jù)當(dāng)前點(diǎn)的特征值和其決策樹上的一個特征值將閾值設(shè)定為：

(4)

其中，α,β為初始權(quán)值，對于不同的圖片樣本，需設(shè)置不同的權(quán)值。結(jié)合實驗數(shù)據(jù)，本文對平均大小 為693*692的圖像設(shè)定α=0.16，β=0.84，并在一定范圍內(nèi)調(diào)節(jié)窗口移動步長，構(gòu)建最優(yōu)弱分類器。由于每個樣本總共可得到57 519個類Haar特征，計算量大，故采用Viola等[1]提出的方法，將積分圖像方法應(yīng)用到類Haar特征提取計算中，提高該系統(tǒng)獲取人臉特征的速度。

1.2 級聯(lián)AdaBoost算法

AdaBoost算法通過訓(xùn)練多個弱分類器，并把弱分類器按一定的權(quán)重加權(quán)構(gòu)成強(qiáng)分類器。在訓(xùn)練過程中，數(shù)據(jù)點(diǎn)分類錯誤這個代價經(jīng)過一系列更新，使得后級弱分類器更加關(guān)注前級分類器分類錯誤的數(shù)據(jù)點(diǎn)。機(jī)器學(xué)習(xí)過程中可能由于各種錯誤(欠擬合、過擬合、模型無法學(xué)習(xí)數(shù)據(jù)等)導(dǎo)致分類失敗，AdaBoost算法的優(yōu)勢在于對每一個分類器學(xué)習(xí)過程中那些效果差的訓(xùn)練集再一次進(jìn)行加重學(xué)習(xí)，使分類器性能最大化；在人臉檢測過程中，希望分類器的錯誤拒絕率很大，而錯誤識別率很小，可設(shè)置ROC曲線和混淆矩陣(見圖2、圖3)參數(shù)使操作點(diǎn)下降，即在允許一定錯誤檢測率的基礎(chǔ)上，使得目標(biāo)錯誤拒絕率很大。

圖2 ROC曲線 圖3 混淆矩陣

強(qiáng)分類器結(jié)構(gòu)如圖4所示，將包含類Haar特征的待測樣本送入級聯(lián)AdaBoost分類器中，只有被前一級強(qiáng)分類器判決為T的樣本才能被輸入到下一級強(qiáng)分類器，否則被判為非人臉樣本，只有通過了所有強(qiáng)分類器檢測的圖片區(qū)域才是有效人臉區(qū)域。

圖4 級聯(lián)AdaBoost分類器結(jié)構(gòu)

1.3 馬賽克效果

馬賽克效果是先把感興趣區(qū)域(RIO)分割成矩形的子矩陣，再把包含在子矩陣內(nèi)的像素按照一定的規(guī)則涂抹成相同的灰度值，本文提出4種涂抹方式如圖5所示。

圖5 馬賽克效果的涂抹方式

(5)

其中，x∈[0,m]，y∈[0,n]，矩陣m×n為子矩陣像素點(diǎn)的數(shù)目，分子則表示對應(yīng)子矩陣的像素值之和。

1.4 運(yùn)行測試

為驗證文中方法的有效性和可行性，探尋級聯(lián)在人臉檢測中的作用，采用主頻為2.4GHz、Inter(R)Core(TM)i3-2370MCPU、4GB內(nèi)存的PC機(jī)，借助vs2012和OpenCV2.4.8搭建仿真環(huán)境，測試結(jié)果如表1所示。實驗采用的驗證人臉庫為FERET和ORL標(biāo)準(zhǔn)人臉庫、多人臉圖像庫。

表1 不同級聯(lián)階數(shù)的檢測率和速度

由表1可以看出級聯(lián)在人臉檢測中的重要性，表中參數(shù)測量時間包含人臉檢測時間和實現(xiàn)馬賽克效果的時間，Size是對所有圖片的像素平均值?？梢钥闯?，該算法在應(yīng)用于人臉檢測上具有較大的優(yōu)越性，增強(qiáng)分類器階數(shù)能小幅度提高人臉正確檢測率，而大大降低誤檢率是階數(shù)約為20時，且檢測時間不會增加。對于平均690*493像素的圖片，平均用時0.4s，可以達(dá)到每天處理15萬張以上的圖片的效率。從算法復(fù)雜性的角度，假定樣本數(shù)為N，特征的數(shù)量是M，傳統(tǒng)的人臉檢測方法復(fù)雜性是O(M×N)，本文中改進(jìn)人臉檢測方法的復(fù)雜性為其一半，明顯優(yōu)于傳統(tǒng)方法。

圖6是待檢測圖像和處理后的圖像對比?？梢钥闯?，本文中的人臉馬賽克效果可以成功將圖中任意位置的人臉進(jìn)行馬賽克處理。對于多姿態(tài)、多表情的人臉檢測及馬賽克效果檢測準(zhǔn)確率很高、處理效果較好,且不存在誤檢，且只會對人臉進(jìn)行馬賽克處理，而不影響后續(xù)對車輛的車牌、車身或其他部分進(jìn)行識別。

圖6 待檢測圖像和處理后圖像對比

2 結(jié)語

本文在AdaBoost算法的基礎(chǔ)上，提出了一種動態(tài)調(diào)整Haar檢測函數(shù)閾值的算法。采用參數(shù)選擇方法較大程度上簡化了整個流程，解決了單純級聯(lián)AdaBoost算法的人臉檢測方法在復(fù)雜背景環(huán)境下魯棒性不佳的問題。該算法動態(tài)調(diào)整Haar檢測函數(shù)的閾值，并微調(diào)窗口移動步長，通過閾值對窗口內(nèi)的目標(biāo)進(jìn)行精確搜索，實現(xiàn)高效進(jìn)行人臉檢測和馬賽克效果。實驗結(jié)果證明了本文改進(jìn)算法相較于傳統(tǒng)算法有處理速度快和準(zhǔn)確率高的優(yōu)越性，能實現(xiàn)自動化馬賽克處理，提高信息集成度，極大提高工作效率。

[1] 馬德智.基于高斯混合模型的運(yùn)動目標(biāo)檢測方法研究與應(yīng)用，電子測量技術(shù)，2013,36(10)：47-50.

[2] 陳雁翔，李賡.基于AdaBoost的安全帶檢測系統(tǒng)，電子測量技術(shù)，2015,38(4)：123-127.

[3] 滕少華，陳海濤，張巍.基于超球支持向量機(jī)的多姿態(tài)協(xié)同人臉檢測，計算機(jī)應(yīng)用，2013,33(7)：1988-1990.

[4] 趙海峰，孫姍姍等. 基于LBP算子和類覆蓋捕獲圖的人臉檢測算法，數(shù)學(xué)的實踐和認(rèn)識，2013,43(7)：50-56.

[5] VIOLA P, Jones M. Robust real-time face detection [J]. International Journal of Computer Vision (S0920-5691), 2004, 57(2): 137-154.

[6] 劉春生，常發(fā)亮，陳振學(xué)，等.改進(jìn)的高斯膚色模型及其在人臉檢測中的應(yīng)用[J].儀器儀表學(xué)報，2012，33(5)：1117-1121.

[7] 李全彬，王小明，劉錦高，等.復(fù)雜光照下的人臉膚色檢測方法[J]. 計算機(jī)應(yīng)用，2010，30(6)：1594-1596.

[8] 李全彬，孫巧榆，劉錦高，等.復(fù)雜背景和光照多變的人臉檢測方法[J].計算機(jī)工程，2009，45(18)：22-24．

[9] VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C].In Proceeding of International Conference on Computer Vision and Pattern Recognition,Kauai, HI, USA2001, 1: 511 -518.

[10] LIENHART R, MAYDT J. An extended set of haar-like features for rapid object detection[C].The IEEE International Conference on Image Processing,NewYork,USA,2002:900-903.

[11] 金立君，閆書家，劉源.基于類 Haar 特征與級聯(lián) AdaBoost 算法的防震錘識別，系統(tǒng)仿真學(xué)報，2012,24(9)：1806-1809.

(責(zé)任編輯：陳福時)

華中師范大學(xué)中央高?；究蒲袠I(yè)務(wù)研究基金項目(CCNU15A02040)

姚東明(1974-)，男，河南商丘人，碩士，武漢市公安局警務(wù)指揮中心一級警督，研究方向為計算機(jī)視覺與智能視頻監(jiān)控；吳建斌(1972-)，男，湖北黃梅人，博士，華中師范大學(xué)物理與科學(xué)技術(shù)學(xué)院副教授、碩士生導(dǎo)師，研究方向為計算機(jī)視覺與隱身通信。

10.11907/rjdk.162321

TP317.4

A

1672-7800(2017)003-0167-03