劉樹娟，齊金鵬，卞鳳杰，李林鴿

(東華大學(xué) 信息工程與科學(xué)技術(shù)學(xué)院，上海 201600)

基于IB-Adaboost算法的人臉檢測(cè)

劉樹娟，齊金鵬，卞鳳杰，李林鴿

(東華大學(xué) 信息工程與科學(xué)技術(shù)學(xué)院，上海 201600)

針對(duì)傳統(tǒng)Adaboost算法在光照不均勻、角度確不定的情況下，進(jìn)行人臉檢測(cè)出現(xiàn)檢測(cè)率不佳的問題，文中基于Adaboost算法，提出一種改進(jìn)的IB-Adaboost人臉檢測(cè)方法。該方法通過對(duì)圖像光照補(bǔ)償預(yù)處理，改善圖像光照質(zhì)量；再基于Adaboost算法訓(xùn)練人臉分類器；接著對(duì)圖像進(jìn)行YCbCr色彩空間轉(zhuǎn)換并二值化處理，縮小人臉?biāo)阉鲄^(qū)域；再經(jīng)過R、G、B顏色疊加獲取皮膚區(qū)域的彩色圖像實(shí)現(xiàn)人臉檢測(cè)。實(shí)驗(yàn)結(jié)果表明，文中提出的IB-Adaboost方法在光照不均勻和人臉角度不定方面能夠?qū)崿F(xiàn)較為滿意的檢測(cè)效果。

人臉檢測(cè)；IB-Adaboost; Adaboost算法；光照補(bǔ)償；顏色空間轉(zhuǎn)換；二值化

目前,國(guó)內(nèi)人臉檢測(cè)技術(shù)主要有：遵循Viola 和Jones級(jí)聯(lián)框架，武勃等[1]基于Adaboost算法，利用多分辨率搜索和姿態(tài)估計(jì)提出多視角人臉檢測(cè)方法。梁路宏等[2]提出了基于模板匹配與支持向量機(jī)的人臉檢測(cè)。劉春生等[3]針對(duì)傳統(tǒng)高斯膚色模型在膚色和光照變化較大情況下不能有效提取膚色區(qū)域的問題,提出一種改進(jìn)的高斯膚色模型,并將其應(yīng)用于人臉檢測(cè)中。

由于Adaboost算法檢測(cè)快速，應(yīng)用簡(jiǎn)單而被廣泛使用。但在光照不均勻或人臉角度不定等情況下，檢測(cè)效果就會(huì)有所下降。因此，為解決易受到外界光照和角度影響出現(xiàn)的問題，本文擬針對(duì)Adaboost算法提出一種改進(jìn)的IB-Adaboost (Illumination Compensation and Binarization)人臉檢測(cè)方法。IB-Adaboost方法首先對(duì)圖像進(jìn)行光照補(bǔ)償處理，改善光照不均勻?qū)D像質(zhì)量的影響；結(jié)合Adaboost算法提高人臉分類性能；接著通過YCbCr顏色空間轉(zhuǎn)換并二值化圖像，嘗試縮小人臉檢測(cè)的區(qū)域以降低漏檢；然后進(jìn)行膚色區(qū)域特征提取，以期達(dá)到提高人臉檢測(cè)的效果。

1 基于IB-Adaboost的檢測(cè)方法

1.1 IB-Adaboost算法架構(gòu)

IB-Adaboost算法架構(gòu)具體如圖1所示。其基本思想是：首先，對(duì)圖像進(jìn)行預(yù)處理，通過光照補(bǔ)償彌補(bǔ)光照不均勻?qū)D像的檢測(cè)影響；其次，結(jié)合Adaboost算法，訓(xùn)練人臉檢測(cè)器；接著利用YCbCr圖像色彩空間的轉(zhuǎn)換，二值化圖像選取感興趣的目標(biāo)，剔除不需要的對(duì)象，提取皮膚區(qū)域，最后實(shí)現(xiàn)彩色圖像的人臉檢測(cè)。

圖1 IB-Adaboost算法流程圖

1.2 彩色圖像的光照補(bǔ)償方法

由于面部識(shí)別經(jīng)常受到光照強(qiáng)度等條件的影響，拍攝得到的圖像會(huì)發(fā)生色彩偏移。為解決此問題，本文在提出的IB-Adaboost方法中，嘗試引入光照補(bǔ)償進(jìn)行色彩修正?，F(xiàn)有的彩色圖像的光照補(bǔ)償方法包含兩種：一種對(duì)RGB3個(gè)通道分別進(jìn)行色彩矯正[5]；一種將RGB彩色圖像轉(zhuǎn)換到其他彩色模型進(jìn)行亮度分量的矯正[6]。本文使用“參考白”規(guī)范化顏色外觀:把圖像中像素亮度的前5%的值作為參考白，除非這些像素的數(shù)量足夠大。一幅彩色圖像的R,G,B組成部分調(diào)整，所以這些參考白的像素的平均灰度值被線性擴(kuò)展至255[7]。

1.3 Adaboost算法

在本文提出的IB-Adaboost方法中，主要利用Adaboost算法根據(jù)弱學(xué)習(xí)的反饋，適應(yīng)性地調(diào)整假設(shè)的錯(cuò)誤率，得到檢測(cè)率較高的強(qiáng)分類器，以提高分類性能。

圖2 Adaboost算法流程圖

算法流程圖如圖2所示。先使用Haar-like特征表示人臉，使用“積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算；使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器；將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類器的檢測(cè)速度。

1.3.1 Haar-like特征

如圖3所示，Adaboost算法首先使用Haar-like特征表示人臉，圖3(a)和圖3(b)為兩矩形特征反映邊緣特征，圖3(c)和圖3(d)為三矩形特征反映線性特征，圖3(e)為四矩形特征反映特定方向特征。特征數(shù)值計(jì)算公式為[8]

V=Sum白-Sum黑

(1)

圖3 Haar-like特征

其中，V表示特征模板的特征值；Sum白表示白色矩形像素和；Sum黑表示黑色矩形像素和[7]。這就需要求出每個(gè)待檢測(cè)子窗口的特征個(gè)數(shù)以及每個(gè)特征的特征值。

1.3.2 積分圖

其次，在 Adaboost算法中使用“積分圖”快速計(jì)算特征數(shù)值。在獲取了矩形特征后計(jì)算矩形特征的值。

圖4 區(qū)域像素積分圖

區(qū)域像素積分圖可用圖4表示，坐標(biāo)A(x,y)的積分圖是其左上角的所有像素之和(圖中陰影部分)[9]。定義為

(2)

其中，ii(x,y)表示積分圖。在圖4中，A(x,y)表示點(diǎn)(x,y)的積分圖；s(x,y)表示點(diǎn)(x,y)的y方向的所有原始圖像之和[10]。積分圖也可以用式(3)和式(4)得出

s(x,y)=s(x,y-1)+i(x,y)

(3)

ii(x,y)=ii(x-1,y)+s(x,y)

(4)

一個(gè)區(qū)域的像素值由該區(qū)域端點(diǎn)的積分圖計(jì)算[10]。矩形特征的特征值由特征端點(diǎn)的積分圖計(jì)算，與坐標(biāo)無關(guān)，再根據(jù)式(1)獲得矩形特征的特征值。

1.3.3 Adaboost分類器

Adaboost算法最后實(shí)現(xiàn)的是基于級(jí)聯(lián)分類模型的分類器的訓(xùn)練。級(jí)聯(lián)分類模型如圖5所示。

圖5 級(jí)聯(lián)分類模型

將多個(gè)強(qiáng)分類器連接在一起進(jìn)行操作，每個(gè)強(qiáng)分類器由若干個(gè)弱分類器加權(quán)組成。每個(gè)強(qiáng)分類器對(duì)負(fù)樣本的判別準(zhǔn)確度較高。一但檢測(cè)發(fā)現(xiàn)負(fù)樣本，停止調(diào)用下面的強(qiáng)分類器，減少很多檢測(cè)時(shí)間。當(dāng)分類器正確分類時(shí)，減少樣本的權(quán)值；當(dāng)錯(cuò)誤分類時(shí)，增加樣本的權(quán)值，讓學(xué)習(xí)算法能夠在后面的學(xué)習(xí)中對(duì)比較困難的樣本進(jìn)行訓(xùn)練。

1.4YCbCr色彩空間的轉(zhuǎn)換

為調(diào)整彩色圖像的亮度，期望較好地保留圖像的彩色信息，本文IB-Adaboost方法需進(jìn)一步對(duì)圖像進(jìn)行YCbCr色彩空間的轉(zhuǎn)換，從而實(shí)現(xiàn)提高能辨率的功能。

具體轉(zhuǎn)換：YCbCr色彩系統(tǒng)與RGB色彩系統(tǒng)的轉(zhuǎn)換關(guān)系如下[11]

Y=0.299×R+0.587×G+0.114×B

(5)

Cr=(R-Y)×0.713+128

(6)

Cb=(B-Y)×0.564+128

(7)

其中，R、G、B分別表示紅、綠、藍(lán)顏色分量；Y表示亮度；Cb表示色調(diào)；Cr表示飽和度。由于顏色信息對(duì)方向不敏感，可以對(duì)旋轉(zhuǎn)的人臉進(jìn)行檢測(cè)并縮小人臉區(qū)域，提高人臉檢測(cè)精度。

1.5 圖像膨脹

為提高人臉圖像的檢測(cè)率，本文提出的IB-Adaboost方法還利用形態(tài)學(xué)方法對(duì)帶檢測(cè)圖像進(jìn)行了二值化化處理，剔除非人臉區(qū)域。處理過程主要利用膨脹操作[12-13]。

設(shè)二值圖像為F，結(jié)構(gòu)元素為S，當(dāng)一個(gè)結(jié)構(gòu)元素S的原點(diǎn)移動(dòng)到圖像的點(diǎn)(x，y)處時(shí)，將其記作Sxy。此時(shí)圖像X被結(jié)構(gòu)元素S膨脹的運(yùn)算可表示為[15-16]

D=F⊕S={x,y|Sxy∩X≠∮}

(8)

表示當(dāng)結(jié)構(gòu)元素S的原點(diǎn)移動(dòng)到(x，y)位置，如果S中包含至少一個(gè)像素值為1的點(diǎn)，則在膨脹后的圖像上該點(diǎn)為1，否則為0。上述圖像膨脹操作可以減小目標(biāo)搜索區(qū)域，降低圖像噪聲，從而提高人臉識(shí)別率。

2 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文提出的IB-Adaboost方法在圖像光照不均勻和方向不確定的情況下的有效性，本文以互聯(lián)網(wǎng)隨機(jī)抽取的人臉圖像為測(cè)試樣本，利用Matlab仿真平臺(tái)，并提出2個(gè)指標(biāo)：(1)檢測(cè)比，檢測(cè)面積在總圖像面積所占的比重；(2)識(shí)別率，識(shí)別正確人臉的比率。

如圖5所示，本文首先利用IB-Adaboost算法對(duì)單人臉圖像圖5(a)進(jìn)行面部區(qū)域檢測(cè)?；贏daboost算法得到的檢測(cè)效果如圖5(b)所示。檢測(cè)結(jié)果表明該方法沒有檢測(cè)出預(yù)期的面部輪廓，即而驗(yàn)證傳統(tǒng)Adaboost算法會(huì)出現(xiàn)漏檢的結(jié)果。對(duì)圖像進(jìn)行光照補(bǔ)償?shù)玫降膱D像如圖5(c)所示。為提高特征提取，圖5(d)為綜合Adaboost算法進(jìn)行二值化得到的黑白圖像；圖5(e)是將二值化的圖像變成彩色圖像得到的膚色檢測(cè)效果；圖5(f)為最終的效果圖，此時(shí)檢測(cè)面積占71.9%。

上述實(shí)驗(yàn)結(jié)果表明，在人臉檢測(cè)提出的基于IB-Adaboost的改良方法要優(yōu)于Adaboost算法，其檢測(cè)比71.9%? 0。

圖5 單個(gè)系列人臉檢測(cè)輸出效果

表1 單個(gè)人臉檢測(cè)結(jié)果

識(shí)別率檢測(cè)比Adaboost43.12%25.15%IB-Adaboost95.6%77.69%

從表1可以看出，IB-Adaboost方法與傳統(tǒng)Adaboost算法相比，識(shí)別率提高約52%，且檢測(cè)比高接近62%。從單個(gè)人臉檢測(cè)數(shù)據(jù)可以看出，基于改良的IB-Adaboost方法在人臉檢測(cè)中相對(duì)于傳統(tǒng)Adaboost算法獲得了較滿意的檢測(cè)效果。

圖6 多個(gè)系列人臉檢測(cè)輸出效果

接著本文利用IB-Adaboost算法對(duì)多人臉圖像圖6(a)進(jìn)行了面部區(qū)域檢測(cè)?；贏daboost算法得到的檢測(cè)效果如圖6(b)所示，漏檢率達(dá)到接近47%，有5例未檢測(cè)出來，且檢測(cè)比為12.15%。圖6(c)是對(duì)圖像進(jìn)行光照補(bǔ)償?shù)玫健Ｈ缓缶C合Adaboost算法進(jìn)行二值化得到的黑白圖像圖6(d)；接著將二值化圖像變成彩色圖像得到圖6(e)；圖6(f)利用 IB-Adaboost方法得到最終的效果圖，灰色區(qū)域表示對(duì)圖像光照補(bǔ)償后結(jié)合Adaboost算法得到的檢測(cè)結(jié)果。通過實(shí)驗(yàn)表明，利用IB-Adaboost算法進(jìn)行多人臉檢測(cè)會(huì)取得較滿意的人臉檢測(cè)效果。

表2 多人臉檢測(cè)結(jié)果

從表2可以看出，IB-Adaboost方法比傳統(tǒng)Adaboost算法的識(shí)別率提高約22%，且檢測(cè)比高接近55%。

綜合上述檢測(cè)數(shù)據(jù)，本文采用6張多人臉圖片和4張單人臉圖片進(jìn)行檢測(cè)，測(cè)試結(jié)果如表3所示。

表3 綜合人臉檢測(cè)結(jié)果

從表3可以看出，基于改良的IB-Adaboost方法在人臉檢測(cè)系統(tǒng)中比傳統(tǒng)Adaboost算法的優(yōu)勢(shì)在于，人臉識(shí)別率提高約17%，且檢測(cè)比高接近37%。

3 結(jié)束語

本文針對(duì)圖像在光照不均勻和人臉方向條件下的人臉檢測(cè)效果不佳的問題，基于Adaboost算法對(duì)改進(jìn)的基于IB-Adaboost方法的有效性進(jìn)行了驗(yàn)證。該方法較好地保留圖像的彩色信息；更精確地提取出感興趣的特征，縮小人臉檢測(cè)的搜索區(qū)域，實(shí)現(xiàn)了人臉檢測(cè)并給出了實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文提出的基于IB-Adaboost算法的人臉檢測(cè)方法與傳統(tǒng)的Adaboost算法相比，較好地解決了在光照不均勻和人臉角度不定時(shí)檢測(cè)率低的情況，獲得較為滿意的人臉檢測(cè)的效果。不足之處在于檢測(cè)率仍有待提升，而且對(duì)圖片處理的時(shí)間較長(zhǎng)，這需要進(jìn)一步提高。

[1] 武勃,黃暢,艾海舟,等.基于連續(xù)Adaboost算法的多視角人臉檢測(cè)[J].計(jì)算機(jī)研究與發(fā)展,2005(9):61-63.

[2] 梁路宏,艾海舟,肖習(xí)攀,等.基于模板匹配與支持向量機(jī)的人臉檢測(cè)[J].計(jì)算機(jī)學(xué)報(bào),2002(1):38-42.

[3] 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力按鍵中的應(yīng)用[J].儀器儀表學(xué)報(bào),2012(5):87-92.

[4] 方昱春,王蘊(yùn)紅,譚鐵牛.融合人臉輪廓和區(qū)域信息改進(jìn)人臉檢測(cè)[J].計(jì)算機(jī)學(xué)報(bào),2004(4):78-85.

[5] 師一華.人體膚色信息分析與檢測(cè)[D].鄭州:鄭州大學(xué),2006.

[6] 楊金鋒,傅周宇,譚鐵牛,等.一種新型的基于內(nèi)容的圖像識(shí)別與過濾方法[J].通信學(xué)報(bào),2004,25(7):93106.

[7] 李魯寧.基于Haar-like特征和Adaboost分類器的表情識(shí)別實(shí)時(shí)系統(tǒng)[D].青島:山東科技大學(xué),2012.

[8] 阮錦新,尹俊勛.基于人臉特征和Adaboost算法的多姿態(tài)與人臉檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2010(4):967-970.

[9] Hsu R L,Abdel-Mottaleb M,Jain A K.Face dtection in color images[J].IEEE Transactions on Images,2002(5):24-33.

[10] 武勃,黃暢,艾海舟.基于連續(xù)Adaboost 算法的多視角人臉檢[J].計(jì)算機(jī)研究與發(fā)展, 2005,42(9):1612-1621.

[11] 付忠良.關(guān)于 RealAdaboost 算法的分析與改進(jìn)[J].計(jì)算機(jī)工程與應(yīng)用,2012,41(4):89-93.

[12] 蔡朝暉,胡丹,賀貴明.基于彩色圖片的人臉檢測(cè)方法[J].武漢大學(xué)學(xué)報(bào):工學(xué)版,2004,37(5):120-124.

[13] 田巍,莊鎮(zhèn)泉.基于 HSV 色彩空間的自適應(yīng)膚色檢測(cè)[J].計(jì)算機(jī)工程程與用,2004,14(l):81-85.

[14] 黨治,馮曉毅.基于新的膚色模型的人臉檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2006,26(3): 615-617.

[15] 陳鍛生,劉政凱.膚色檢測(cè)技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào),2006,29(2):194-207.

[16] 盧春雨,張長(zhǎng)水,聞方,等.基于區(qū)域特征的快速人臉檢測(cè)法[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版,1999,39(1):101-108.

Face Detection for Images Based on IB-Adaboost Algorithm

LIU Shujuan，QI Jinpeng，BIAN Fengjie，LI Linge

(School of Information Engineering and Science Technology, Donghua University, Shanghai 201600, China)

In view of the poor face detection performance of the traditional Adaboost algorithm under the condition of uneven illumination and uncertain angle of detection, this article puts forward an improved IB-Adaboost (tiny illumination compensation and binarization) face detection methods. The method of image offers illumination compensation pretreatment to improve the image quality light; secondly, the face classifier is trained based on the Adaboost algorithm; then theYCbCrcolor space transform and image binarization processing are performed to narrow the face search area; and finally the skin area color images are obtained byR,G,Bcolor overlay to achieve face detection. Experimental results show that the proposed IB-Adaboost method in uncertain uneven illumination and face Angle can achieve more satisfactory test results.

face detection; IB-Adaboost; Adaboost; illumination compensation; color space conversion; binarization

2016- 06- 04

國(guó)家自然科學(xué)基金(61104154)；上海市自然科學(xué)基金(16ZR1401300，16ZR1401200)

劉樹娟(1991-)，女，碩士研究生。研究方向：圖像處理。齊金鵬(1977-)，男，博士，副教授。研究方向：數(shù)字圖像處理。

10.16180/j.cnki.issn1007-7820.2017.05.009

TP391.41

A

1007-7820(2017)05-032-04