王自偉，盛惠興，2

(1.河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院，常州213022;

2.常州市傳感網(wǎng)與環(huán)境感知重點(diǎn)實(shí)驗(yàn)室，常州213022)

1 引言

人臉是一個(gè)常見而復(fù)雜的視覺模式，人臉?biāo)磻?yīng)的視覺信息在人與人的交流和交往中有著重要的作用和意義，對(duì)人臉進(jìn)行處理和分析在視覺監(jiān)控、公共安全、視頻會(huì)議以及人機(jī)交互等領(lǐng)域都有著廣泛的應(yīng)用前景。人臉檢測(cè)是指對(duì)任意給定的一幅圖像或者一段視頻采用一定的方法和策略對(duì)其進(jìn)行搜索以確定其是否含有人臉以及所有人臉在圖像中出現(xiàn)的位置［1］。近年來基于圖像的方法為主要研究熱點(diǎn)。這類方法主要有基于線性子空間的方法，基于神經(jīng)網(wǎng)絡(luò)的方法，基于SVM的方法，基于Adaboost的方法等。其中，Adaboost算法［2］和其他方法相比，其檢測(cè)效果和穩(wěn)定性都較好，被廣泛用于人臉檢測(cè)中。而在視頻圖像中，運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究課題。預(yù)先對(duì)運(yùn)動(dòng)物體進(jìn)行檢測(cè)，然后在提取的運(yùn)動(dòng)區(qū)域上進(jìn)行Adaboost人臉檢測(cè)算法，可以很大程度上縮短人臉檢測(cè)的時(shí)間。

因此將KIM算法［3］和Adaboost人臉檢測(cè)方法相結(jié)合，提出了一種快速的人臉檢測(cè)算法，該算法對(duì)于人臉檢測(cè)具有較好的準(zhǔn)確性和實(shí)時(shí)性。

2 運(yùn)動(dòng)區(qū)域的提取

常用的運(yùn)動(dòng)區(qū)域檢測(cè)方法主要有光流法、幀間差分法和背景減法等［4－5］。

光流法是采用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，有效地實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤。該類檢測(cè)方法可以適用于攝像機(jī)靜止和運(yùn)動(dòng)兩種場(chǎng)合。但是多數(shù)光流場(chǎng)計(jì)算方法相當(dāng)復(fù)雜，且容易受到噪聲影響，因此應(yīng)用性和實(shí)時(shí)性較差。幀間差分法是通過對(duì)相鄰的兩幀做減法，閾值化后得到運(yùn)動(dòng)目標(biāo)的區(qū)域。該方法簡(jiǎn)單快速，實(shí)時(shí)性好，并且對(duì)動(dòng)態(tài)環(huán)境具有較好的適應(yīng)性。但該方法對(duì)噪聲十分敏感，而且提取的運(yùn)動(dòng)區(qū)域容易產(chǎn)生空洞現(xiàn)象，不能有效地提取完整目標(biāo)。背景減法是利用當(dāng)前幀圖像與背景圖像相減得出運(yùn)動(dòng)區(qū)域，當(dāng)背景穩(wěn)定的情況下，可以完整的檢測(cè)出前景運(yùn)動(dòng)目標(biāo)。而當(dāng)光照突變時(shí)，容易產(chǎn)生將背景像素誤判為前景目標(biāo)的現(xiàn)象，引起較大的檢測(cè)誤差。因此該方法對(duì)于背景建模和背景更新要求較高，而且對(duì)于與背景灰度相近的目標(biāo)不能夠完全檢測(cè)出來。

此次采用的KIM算法是將三幀差法和背景減法相結(jié)合來有效提取運(yùn)動(dòng)區(qū)域。這種方法既能克服背景差法易受外界環(huán)境的影響，還能夠避免幀差法中運(yùn)動(dòng)目標(biāo)重疊而檢測(cè)不出來的現(xiàn)象，因此可以得到更加全面的運(yùn)動(dòng)區(qū)域。KIM算法原理框圖如圖1所示。

圖1 KIM算法流程圖

2.1 三幀差法

設(shè) It－1、It、It+1為視頻的連續(xù) 3 幀圖像，利用幀間差分法原理，首先計(jì)算It－1和It的差值以及It和It+1的差值，然后通過閾值化分割得到二值圖像，并將結(jié)果進(jìn)行與運(yùn)算，得到其共同部分，從而有效去除幀差法的“雙影”效果。

因此在三幀差法中使用一種改進(jìn)的自適應(yīng)閾值選擇方法，利用幀差圖像的結(jié)果，即運(yùn)動(dòng)像素的均值作為閾值，然后對(duì)幀差結(jié)果進(jìn)行二值化處理，公式描述如下:

其中，d(i，j)表示圖像中點(diǎn)(i，j)的灰度值，n 為圖像中像素不為0的點(diǎn)的個(gè)數(shù)，M，N分別為圖像的高度和寬度，如果d(i，j)≥Tth，則改點(diǎn)為運(yùn)動(dòng)點(diǎn)。

由圖2的實(shí)驗(yàn)結(jié)果可知，該方法得到的運(yùn)動(dòng)區(qū)域檢測(cè)效果比采用固定閾值和OTSU法(大津法)即最大類間方差法得到的結(jié)果要好的多。手動(dòng)設(shè)定閾值和OTSU法得到的二值圖像明顯缺失了大部分運(yùn)動(dòng)區(qū)域，而自適應(yīng)均值法則能很好的提取出運(yùn)動(dòng)區(qū)域部分。

但是在視頻圖像中無運(yùn)動(dòng)目標(biāo)時(shí)，輕微的環(huán)境變化會(huì)使檢測(cè)的噪聲很大，此次是通過設(shè)定閾值下限來改善無運(yùn)動(dòng)目標(biāo)時(shí)噪聲很大的情況。當(dāng)?shù)玫讲钪祱D像Dt(x，y)時(shí)，先求得其像素的最大與最小值的差值 Xt，若 Xt＜T，則令差分圖像 Dt(x，y)=0，若Xt≥T，則通過上述的自適應(yīng)閾值方法得到二值圖像，此處使T=40。

圖2 三種閾值分割方法的結(jié)果圖

2.2 背景減法

背景減法一般有統(tǒng)計(jì)中值法、卡爾曼濾波法、高斯模型法、Surendra法等?？紤]到實(shí)時(shí)性因素，這次是使用均值法進(jìn)行初始背景計(jì)算，然后利用Surendra算法［6］進(jìn)行背景更新和背景建模。首先利用連續(xù)的N幀視頻圖像取像素平均值建立初始背景B(x，y)，公式描述如下:

然后將初始背景與當(dāng)前幀進(jìn)行差值計(jì)算，并設(shè)置閾值T，若差值小于閾值時(shí)，對(duì)當(dāng)前幀進(jìn)行累加求和并使計(jì)數(shù)器加一，若差值大于閾值則忽略不計(jì)。如此反復(fù)進(jìn)行下一幀與初始背景的差值計(jì)算。累加到一定幀數(shù)后對(duì)累加的和進(jìn)行均值計(jì)算，得到背景，如果累加和為零，則用初始背景的像素點(diǎn)作為新的背景。

獲取背景圖像后，將當(dāng)前幀與背景圖像做差值運(yùn)算，得到的就是運(yùn)動(dòng)區(qū)域，即前景圖像。然后通過閾值化分割得到二值化圖像，閾值通過上述的自適應(yīng)閾值法求得。

由于光照等外界環(huán)境的影響，背景在不斷的變化，因此需要建立背景更新模型來降低背景減法所帶來的檢測(cè)誤差。這次利用閾值分割的二值化結(jié)果TBt(x，y)使用了一種自適應(yīng)背景更新模型。公式描 述如下:

其中，Bt+1(x，y)和 Bt(x，y)分別為輸入第 t+1幀、第t幀圖像后得到的背景，It+1(x，y)為輸入的第t+1幀圖像，TBt(x，y)=1 表示點(diǎn)(x，y)被判定為運(yùn)動(dòng)點(diǎn)，背景像素不變，TBt(x，y)=0 表示點(diǎn)(x，y)被判定為背景點(diǎn)，利用當(dāng)前幀進(jìn)行背景更新。α為背景模型學(xué)習(xí)速率。α值太小，則背景更新很慢，不能很好地體現(xiàn)出視頻圖像的變化，會(huì)降低對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的正確率;而α值太大，則背景更新很快，容易產(chǎn)生虛假檢測(cè)。因此，α的取值不能太大或者太小，經(jīng)驗(yàn)值在0.05 到0.1 之間，取 α =0.05。

2.3 運(yùn)動(dòng)區(qū)域融合

將三幀差法和背景減法閾值化后得到的二值圖像進(jìn)行或運(yùn)算，得到初步的運(yùn)動(dòng)區(qū)域，由于檢測(cè)圖像中會(huì)存在一些散點(diǎn)和噪聲，因此對(duì)結(jié)果圖像進(jìn)行形態(tài)學(xué)處理來消除這些影響，一般的形態(tài)學(xué)處理有腐蝕、膨脹、開運(yùn)算和閉運(yùn)算。

3 基于Adaboost的人臉檢測(cè)

2001年，Viola和 Jones［7］提出了積分圖像的概念和基于Adaboost方法訓(xùn)練人臉檢測(cè)分類器的方法，建立了第一個(gè)真正實(shí)時(shí)的人臉檢測(cè)系統(tǒng)。其基本思想是在給定的訓(xùn)練集上反復(fù)訓(xùn)練，挑選出關(guān)鍵的分類特征(弱分類器)，然后把這些在訓(xùn)練集上得到的弱分類器線性組合起來構(gòu)成一個(gè)最終的強(qiáng)分類器。

此次的人臉檢測(cè)方法主要是基于類Haar特征的積分圖運(yùn)算、Adaboost算法和級(jí)聯(lián)分類器相結(jié)合的方法。人臉檢測(cè)原理框圖如圖3所示。

圖3 人臉檢測(cè)流程圖

3.1 類Haar特征計(jì)算

類Haar特征是一種矩形特征，主要分為三類:邊緣特征、線性特征和對(duì)角線特征。這些特征模板都是由兩個(gè)及以上的全等矩形相鄰組合而成，特征模板內(nèi)有黑白兩種矩形，并定義模板的特征值為白色矩形內(nèi)的像素和減去黑色矩形內(nèi)的像素和。為提高訓(xùn)練與檢測(cè)的速度，選擇了圖4中3種類型5種形式的矩形特征。

圖4 3種類型的5種矩形特征

利用所得的積分圖矩陣可以快速計(jì)算矩形特征。矩形特征的特征值計(jì)算，只與此特征端點(diǎn)的積分圖有關(guān)，而與圖像坐標(biāo)值無關(guān)。因此，不管矩形特征的尺度如何，特征值的計(jì)算所耗費(fèi)時(shí)間均為常量，而且只是簡(jiǎn)單的加減運(yùn)算。

3.2 Adaboost算法流程

Adaboost算法是一種迭代算法，它能自適應(yīng)的調(diào)節(jié)訓(xùn)練樣本權(quán)重的大小。起初每一個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重，表明它被某個(gè)分類器選入訓(xùn)練集的概率。如果某個(gè)樣本點(diǎn)被準(zhǔn)確分類，則在構(gòu)造下一個(gè)訓(xùn)練集中，它被選中的概率降低，反之，則它的權(quán)重提高。在每一次迭代訓(xùn)練后，挑選出當(dāng)前樣本權(quán)重分布下分類錯(cuò)誤率最小的弱分類器作為最佳弱分類器，并通過線性組合將這些最佳弱分類器組成一個(gè)強(qiáng)分類器。Adaboost算法具體步驟如下［8］:

(1)給定一系列訓(xùn)練樣本 (x1，y1)，(x2，y2)，...，(xn，yn)，其中 yi=1 表示人臉，yi=0 表示非人臉。

(3)迭代T次求取最佳弱分類器，即最佳特征。For t=1，2，...，T

b.對(duì)每個(gè)特征 f，訓(xùn)練一個(gè)弱分類器 h(x，f，p，θ)，計(jì)算對(duì)應(yīng)所有特征的弱分類器的加權(quán)qt的錯(cuò)誤率 εf:εf= ∑iqi|h(xi，f，p，θ)－ yi|

c.選取最佳弱分類器hi(x)，即擁有最小錯(cuò)誤率εt:

ht(x)=h(x，ft，pt，θt)

其中ei=0表示xi被正確分類，ei=1表示xi被錯(cuò)誤分類

(4)最后的強(qiáng)分類器:

3.3 級(jí)聯(lián)分類器結(jié)構(gòu)

多層級(jí)聯(lián)分類器結(jié)構(gòu)的每一層都是由Adaboost算法訓(xùn)練得到的強(qiáng)分類器。級(jí)聯(lián)結(jié)構(gòu)可以快速有效地對(duì)輸入圖像中的非人臉部分進(jìn)行排除，從而提高人臉檢測(cè)的速度。在圖像檢測(cè)中，待檢測(cè)子窗口依次通過每一層分類器，位于前端的強(qiáng)分類器所包含的特征較少，分類速度很快，可以將大部分的非人臉子窗口排除，通過每一層分類器的檢測(cè)子窗口即為候選的人臉窗口。位于后面幾層的強(qiáng)分類器包含的特征數(shù)目增多，用來區(qū)分那些與人臉類似的負(fù)樣本。雖然特征數(shù)量變多了，但是能夠達(dá)到這些層的子窗口數(shù)已經(jīng)很少，因此在實(shí)際檢測(cè)時(shí)，后面幾層的檢測(cè)也不耗時(shí)。這些通過訓(xùn)練得到的每一層分類器，都要滿足一定的性能要求，即檢測(cè)率和虛警率。每一層的檢測(cè)率和虛警率可以依據(jù)整個(gè)系統(tǒng)的檢測(cè)率與虛警率得到，系統(tǒng)的檢測(cè)率和虛警率分別等于各層的檢測(cè)率與虛警率的乘積。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證算法的有效性，使用監(jiān)控?cái)z像機(jī)在實(shí)驗(yàn)室中拍攝的視頻進(jìn)行實(shí)驗(yàn)，視頻單幀圖像大小設(shè)定為320×240進(jìn)行算法測(cè)試。圖5與圖6為這次算法對(duì)視頻中的人臉進(jìn)行檢測(cè)的實(shí)驗(yàn)結(jié)果圖。實(shí)驗(yàn)結(jié)果表明，這種算法在視頻圖像中基本能夠準(zhǔn)確、實(shí)時(shí)的進(jìn)行人臉檢測(cè)。

圖5 算法的實(shí)驗(yàn)過程結(jié)果圖

圖6 視頻圖像的檢測(cè)結(jié)果

4 結(jié)束語

由于高原地區(qū)霧天較多，同時(shí)由于霧霾天氣增加，霧景圖像增強(qiáng)技術(shù)需求不斷增強(qiáng)，因此科研領(lǐng)域產(chǎn)生了很多霧景圖像增強(qiáng)新算法，它們各有其優(yōu)缺點(diǎn)。由于自然圖像的復(fù)雜性，現(xiàn)存的很多算法不能完全滿足需要。因而，霧景圖像增強(qiáng)領(lǐng)域必須解決以下幾個(gè)問題:在圖像增強(qiáng)的時(shí)候，會(huì)出現(xiàn)噪聲擴(kuò)大，細(xì)節(jié)丟失的現(xiàn)象，這仍是今后需要改進(jìn)的地方。找到一個(gè)算法可以增強(qiáng)霧霾條件下圖像是今后研究的重點(diǎn)和難點(diǎn)，也是今后圖像去霧研究的發(fā)展方向。盡量減少人工干預(yù)的成分，使參數(shù)獲得智能化、自動(dòng)化。將一些性能好的智能算法、優(yōu)化算法應(yīng)用到霧景圖像增強(qiáng)方面，以提高霧景圖像增強(qiáng)的效率。

［1］劉治群，汪榮貴，楊萬挺.一種改進(jìn)的處理霧天降質(zhì)圖像的增強(qiáng)算法［J］.淮北煤炭師范學(xué)院學(xué)報(bào)，2008，4(29):52－56.

［2］周衛(wèi)星，廖歡.基于高頻強(qiáng)調(diào)濾波和CLAHE的霧天圖像增強(qiáng)方法［J］.數(shù)字視頻，2010(7):38－40.

［3］胡大南，何濤.基于霧天環(huán)境下圖像增強(qiáng)方法研究［J］.科技論壇，2011(2):14 －15.

［4］衛(wèi)婷婷，紀(jì)峰，龐勝軍.圖像增強(qiáng)算法新進(jìn)展［J］.寧夏師范學(xué)院學(xué)報(bào)(自然科學(xué))，2012(12):6－33.

［5］黃黎洪.一種基于單尺度Retinex的霧天降質(zhì)圖像增強(qiáng)新算法［J］.應(yīng)用光學(xué)，2010，31(5):728 －733.

［6］ROSENMAN J，ROE C A，CROMATRIE R.Portal film enhancement:technique and clinical utility［J］.International Journal of Radiation Oncology，Biology，Physics，1993，25(2):333 －338.

［7］John P.Oakley，Brenda L.Satherley.Improving Image Quality in Poor Visibility Conditions Using a Physical Model for Contrast Degradation［J］.IEEE TRANSACTIONSONIMAGEPROCESSING，1998，7(2):167－179.

［8］錢徽，朱淼良.大氣退化的自然山體圖像復(fù)原研究［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2002，14(6):526－529.

［9］劉錦鋒，黃峰.天氣影響的場(chǎng)景影像復(fù)原方法［J］.光電工程，2005，32(1):71 －73.

［10］葛君偉，謝祥華，方義秋.霧天圖像清晰化方法及應(yīng)用［J］.重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，22(2):223－226.

［11］汪榮貴，楊萬挺，方帥.基于小波域信息融合的MSR改進(jìn)算法［J］.中國圖象圖形學(xué)報(bào)，2010，15(7):1901－1908.

［12］董慧穎，方帥，王欣威.基于物理模型的惡化天氣下的圖像復(fù)原方法及應(yīng)用［J］.東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，26(3):217 －219.

［13］許志遠(yuǎn).霧天降質(zhì)圖像增強(qiáng)方法研究及DSP實(shí)現(xiàn)［D］.大連:大連海事大學(xué)博士論文，2010.

［13］胡學(xué)友.霧天降質(zhì)圖像的增強(qiáng)復(fù)原算法研究［D］.合肥:安徽大學(xué)碩士論文，2011.