韓征彬++張景++黃鑫悅++李宛瑾++吳冰

摘 要：人臉識別一直是圖像處理研究的熱門領域，現(xiàn)在社會中的應用更是越來越廣泛，可用于安防、案件偵查和移動支付等領域，其中，人臉檢測是人臉識別的前提。通常的人臉檢測技術有基于膚色、模板匹配和AdaBoost等檢測方法。該文采用膚色和唇色信息相結合的人臉檢測技術，可以較好的檢測出圖像中的人臉位置。

關鍵詞：人臉檢測 膚色 唇色 彩色均衡

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2017）06（c）-0001-02

在人臉檢測領域，人臉特征的選取是基礎與核心[1]。人臉檢測技術主要分為基于特征和基于統(tǒng)計兩種方法，兩種方法各有優(yōu)缺點?；谔卣鞯姆椒ㄈ菀资艿搅炼?、干擾等影響，但對人臉角度變化，范圍較大的圖像檢測具有優(yōu)勢；而基于統(tǒng)計方法雖然不易受到噪聲背景等的影響，但一般計算復雜，存在樣本量大，訓練困難等問題。

該文采用膚色模型的人臉檢測，并結合唇色檢測，并對其進行優(yōu)化。解決思路為將圖像進行增強處理，突出感興趣區(qū)域（ROI），減少噪聲和其他干擾，結合膚色高斯概率模型，計算屬于膚色的概率，然后根據(jù)對人臉的先驗知識，排除一些較為明顯的干擾。根據(jù)唇色特征再判斷屬于膚色區(qū)域中是否存在嘴唇，如果存在，則判定此區(qū)域含有人臉。

1 圖像預處理

受光照和其他因素的影響，采集的人臉圖像存在其他干擾，所以要先進行圖像預處理，增強圖像中感興趣區(qū)域的特征，主要有光照預處理和圖像增強等。

光線預處理采用GrayWorld算法的彩色均衡法，分別計算圖像R、G、B3個顏色分量的平均值，并且需要求得圖像的平均灰度值，然后分別調整每個像素的R、G、B值，使得調整后圖像的3個顏色分量的平均值都近似于平均灰度值。

人臉圖像增強主要是去除噪聲， 在獲取的圖像中，由于設備或環(huán)境的影響，圖像中會有噪聲的存在，噪聲的存在對于圖像處理和識別都會造成影響。中值濾波是把局部區(qū)域的像素按色彩亮度進行排序，取該領域中色彩亮度的中值作為當前像素的值。因為中值濾波并不是簡單的取均值，因而它不會產(chǎn)生很多模糊部位，對人臉圖像檢測不會產(chǎn)生很多影響。

2 基于YCbCr色彩空間的膚色模型

2.1 色彩空間

皮膚的顏色是人體的一個重要特征，也是識別人臉的首要特征。膚色檢測是檢測人臉的第一步?；谀w色特征檢測人臉，主要是構造人臉的膚色模型[2]，使用數(shù)學模型進行檢測，判斷各個像素點屬于膚色的概率。

顏色模型是指利用三維空間一點坐標去描述可見光的顏色，常見的顏色模型有RGB、CMYK、HSL、HSB、YCbCr等模型。YCbCr顏色模型中的Y為亮度信息，Cb、Cr分別表示藍色和紅色，YCbCr顏色空間和人的視覺系統(tǒng)很相似，而且具有非常好的聚類性，適合用于膚色模型的構建中。

2.2 膚色模型

經(jīng)過統(tǒng)計學研究，膚色是符合正態(tài)分布的隨機樣本，即也滿足高斯分布。膚色模型就是利用統(tǒng)計學原理，使用數(shù)學方法來表示某一像素屬于膚色的概率，其中簡單高斯模型是一種常見的模型表示方法，其表達形式簡單、直觀。高斯模型通過計算像素的概率值構成連續(xù)的數(shù)據(jù)信息并得到一個膚色概率圖，根據(jù)數(shù)據(jù)的大小完成膚色的確認[3]。

二維高斯型函數(shù)：

通過采集大量的膚色樣本計算他們的統(tǒng)計特征，可以求得C和M的值為：

2.3 圖像二值化

將圖像中的每一個像素點帶入膚色模型函數(shù)，可以得到每一點屬于膚色的概率，即膚色似然度。再將每一點的值除以圖像上最大的似然度值，然后進行歸一化，即乘上255，得到的灰度圖就是類膚色圖像[4]，灰度值越高表明屬于膚色的概率就越大。

得到類膚色灰度圖后，需要對其進行二值化，分割膚色區(qū)域，該文采用閾值分割法對灰度圖進行分割，閾值分割法選擇直方圖法。二值化圖像后進行形態(tài)學處理，腐蝕、膨脹。對連通區(qū)進行標記。圖1為原始圖像，圖2為標記后的二值化圖像，可以看出除了膚色區(qū)域被標記，還有背景中一些類膚色區(qū)域也被標記。根據(jù)經(jīng)驗可知，人臉的長寬比例在一定范圍內，因此可以根據(jù)這個范圍排除一些干擾，圖3為去除掉一些大小、長寬比例不在范圍內的連通區(qū)。

3 唇部檢測

利用唇部的色度差，即RGB分量在唇部的分布差異，可以檢測出唇部的位置和大小。唇部檢測算法有Wark等提出的 Chromatic Feature Extraction（CFE）[5]和Lewis等提出的RedExclusion（RE）[6]。該文利用Wark等提出的CFE算法。CFE算法認為唇色和膚色的差別是紅色和綠色分量，他得出的判別式為：L≤≤U，即唇部的紅色分量與藍色分量的比值在一定的范圍內，經(jīng)過研究計算，Wark得出L=1.5，U=2.2。

根據(jù)上述準則，在膚色檢測結果的連通區(qū)內判別是否存在唇部區(qū)域，圖4為檢測結果，圖中存在一些類膚色，類唇色區(qū)域的干擾。因為唇部所占人臉面積的比例具有一定范圍，可以去除不符合比例范圍的類唇色干擾區(qū)。圖5為最終人臉檢測結果。

該文主要基于膚色和唇色信息，運用彩色平衡，圖像增強等技術，實現(xiàn)了人臉檢測的功能，同時結合唇部、人臉區(qū)域的面積及比例信息，可以去除干擾區(qū)域，得到比較準確的檢測結果。

參考文獻

[1] 李智勇.基于光照預處理的人臉檢測研究[D].陜西師范大學， 2006.

[2] 李智勇，田貞.基于膚色模型的人臉檢測研究[J].現(xiàn)代電子技術，2011，34（3）：131-133.

[3] 程艦.人臉識別技術在期貨軟件登錄中的應用研究[D].大連海事大學，2014.

[4] 肖明坤，王厚大.一種基于膚色分割的彩色圖像人臉檢測算法[J].信息化研究，2007，33（3）：40-42.

[5] Wark T，Sridharan S，Chandran V.An Approach to Statistical Lip Modelling for Speaker Identification via Chromatic Feature Extraction[A].International Conference on Pattern Recognition[C].IEEE Computer Society， 1998：123.

[6] Lewis T W，Powers D M W.Lip Feature Extraction Using Red Exclusion[A].Pan-Sydney Workshop Visualization[C].2002：61-67.