一種膚色定位的人臉檢測算法

林國軍， 楊明中， 陳明舉*， 解 梅

(1.四川理工學院 自動化與信息工程學院,四川 自貢 643000；2.電子科技大學 電子工程學院，四川 成都 611731)

1 引 言

由于來源豐富、采集方便、非侵犯性等良好特點，人臉識別作為身份識別與人體生物認證技術在政府、工業(yè)和商業(yè)中得到了廣泛的應用[1-2]。進行人臉識別前，首先要精確定位獲取有背景的圖像的人臉位置，常見方法有模板匹配法、SVM模型、AdaBoost算法[3-4]、深度學習[5]以及膚色檢測[6]。在實際應用中，實時獲取的多為彩色圖像，所以膚色檢測算法的應用更加廣泛。李明等[7]構造彩色人臉模版，通過五官色彩模板化檢測人臉。Francisco等[8]構造模糊高斯函數(shù)系統(tǒng)，設定熵分割膚色定位人臉。

研究發(fā)現(xiàn)，膚色位置在YCbCr彩色空間中與背景有較大差別，縮小YCbCr彩色空間的閾值能精確定位膚色位置。由于不同彩色圖像中膚色部分色彩不同，設定能變化的閾值從而適應不同圖像將會精確定位。本文提出一種膚色定位的人臉檢測算法，2次定位膚色位置，從而能夠準確定位。

2 構造彩色空間模型

現(xiàn)實獲取的彩色圖像為RGB彩色圖像，紅、綠、藍三基色即代表顏色信息，又代表亮度信息，光照影響變化大，不適合構造膚色模型。而YCbCr彩色空間是一種與視覺感知同一性的空間，有效地將彩色信息與亮度信息分開，將RGB圖像轉化為YCbCr空間圖像，構造膚色模型。

(1)

在Cb和Cr圖像中，膚色部分值集中在某一區(qū)間內，為了拉開膚色與背景的差距，將Cb和Cr圖像的數(shù)值進行四舍五入處理，如圖1所示。

(2)

圖1 原始圖與公式(2)處理的Cb和Cr圖. (a)原始圖；(b) Cb圖；(c) Cr圖。 Fig.1 Original image and the images of Cb and Cr processed by Eq.2. (a)Original image. (b) Cb image. (c) Cr image.

研究多幅YCbCr彩色空間的Cb和Cr圖可知，分別在Cb和Cr圖中選擇1個或者2個值，就能定位出膚色位置。由于不同彩色圖像中膚色部分色彩不同，初始閾值的區(qū)間較大，本文選定初始閾值為90≤Cb≤130和130≤Cr≤170。由于初始閾值太大，引入非膚色的背景較多，不利于后期處理，本文引入HSI彩色模型。HSI模型是直接使用顏色三要素(色調、飽和度和亮度)，可以分離亮度和色度特性，能供計算機處理構造膚色模型。

(3)

其中：

圖2 第一次定位膚色位置Fig.2 First time locating the position of the skin color

隨后，統(tǒng)計圖2膚色區(qū)域的Cb和Cr數(shù)值的出現(xiàn)頻率，取頻率最高2個數(shù)的均值為最后Cb和Cr的閾值中點，分別確定Cb和Cr的鄰近2值為閾值，再對圖2分割處理，可得到幾乎沒有背景的膚色部分區(qū)域，如圖3所示。

圖3 第二次定位膚色位置Fig.3 Second time locating the position of the skin color

3 形態(tài)學處理確定膚色區(qū)域

由圖3知，經過膚色分割后得到的二值圖像存在孤立的小塊，這些是由眼睛、嘴巴和噪聲等影響而存在的小塊，不利于進一步膚色人臉檢測，采用腐蝕、膨脹等形態(tài)學算子對二值圖像進行處理，得到平滑邊緣的待檢測區(qū)域，此時出現(xiàn)較多候選區(qū)域，有些區(qū)域的形狀大小明顯區(qū)別與人臉的幾何特征，可以排除面積過小與長寬比例過大的區(qū)域，如圖4所示。

圖4 形態(tài)學處理后的區(qū)域Fig.4 Region processed by morphology

4 亮度信息圖像確定人臉區(qū)域

由上膚色區(qū)域可以得到對應的亮度信息Y圖像，人臉區(qū)域由于有眼睛和嘴巴等區(qū)域使得該區(qū)域的亮度信息明暗分明，而手、純皮膚等亮度信息均勻，如圖5去除均勻亮度信息區(qū)域，確定人臉區(qū)域。

5 實 驗

為了驗證本文算法，選擇加州理工大學彩色人臉庫(Faces)、丹麥藝術大學人臉庫(IMM)和AFW人臉數(shù)據(jù)庫。Faces與IMM都為單人圖像，其中Faces除去灰色卡通人臉擁有445幅彩色人臉圖像，IMM除去18幅灰度圖像有462幅彩色圖像；AFW中有單人與多人圖像，排除圖像過大而個人計算機無法處理，有329人的178幅彩色圖像。實驗結果如表1所示。對比文獻[8]算法，本文算法的正檢率提高了約2%，誤檢率下降將近2倍，實驗結果表明本文算法的正檢率比較高，誤檢率大大降低，有利于人臉檢測的應用。

圖5 人臉檢測定位Fig.5 Face detection and location

算法FacesIMMAFW正檢率/%誤檢率/%漏檢率/%正檢率/%誤檢率/%漏檢率/%正檢率/%誤檢率/%漏檢率/%文獻[8]算法88.5422.2511.461000.65070.2127.6629.79本文算法89.6611.0110.341000.22072.3417.6327.66

6 結 論

本文算法實現(xiàn)膚色粗檢并完成細檢，再由亮度信息排除純皮膚區(qū)域確定人臉位置，實現(xiàn)復雜背景下的人臉檢測。形態(tài)學處理有效地解決了人與其他部位或多人之間的連接，消除非人臉部分的影響，提高人臉檢測的準確率，用3個人臉庫進行實驗驗證，結果表明本文算法能有效提高人臉正檢率。由于復雜環(huán)境影響，誤檢率仍然較高。降低誤檢率，提高正檢率將是進一步研究的重點，從而適應于更加廣泛復雜的實際生活中。