蘇州市職業(yè)大學(xué)電子信息工程學(xué)院 陳海濤 潘 靜

1 引言

人臉檢測技術(shù)是指從圖片或者一段視頻流中檢測是否存在人臉，如果存在，則將人臉的坐標(biāo)，大小等信息表示出來，如圖1所示。如果從技術(shù)領(lǐng)域來看，人臉檢測屬于目標(biāo)檢測領(lǐng)域，而目標(biāo)檢測分為兩類:第一類通用目標(biāo)檢測，這種檢測主要是檢測圖像中多個(gè)類別的目標(biāo)；第二類是只針對某一種目標(biāo)進(jìn)行檢測，人臉檢測就屬于這一類。

圖1 人臉檢測

20世紀(jì)60年，研究人臉識別技術(shù)的專家提出來了人臉定位的問題。當(dāng)時(shí)提出這個(gè)問題主要是為了解決人臉識別過程中如何確定人臉位置。但在人臉檢測的早期階段，由于計(jì)算機(jī)的運(yùn)算能力和一些其它技術(shù)方面的限制，所以，那時(shí)人臉檢測技術(shù)并沒有受到重視，發(fā)展得十分緩慢。不過由于近些年計(jì)算機(jī)的性能在不斷地提升，計(jì)算能力是以前計(jì)算機(jī)無法比擬的，所以人臉檢測在發(fā)展初期遇到的技術(shù)瓶頸也就迎刃而解了，這幾年人臉檢測技術(shù)得到了快速的發(fā)展，人臉檢測技術(shù)也日趨成熟。

生物特征識別包括生物的指紋、聲音、虹膜和人臉等識別，但人臉識別的快速性、準(zhǔn)確性和便捷性都是其它生物特征識別無法比擬的。因?yàn)樗倪@些優(yōu)勢和人臉檢測的應(yīng)用范圍的擴(kuò)展，人臉檢測早已作為一個(gè)獨(dú)立的研究方向了。目前，國內(nèi)外都對人臉檢測技術(shù)有專項(xiàng)的研究，例如中國科學(xué)院計(jì)算技術(shù)研究所，科大訊飛，美國卡耐基梅隆大學(xué)，蘋果公司等等。

本文將著重介紹人臉檢測的方法及存在的一些問題和未來的發(fā)展方向。

2 基于Adaboost的人臉檢測技術(shù)與問題

目前人臉檢測有多種方法，也各有各的優(yōu)缺點(diǎn)，大致可以分為兩類。第一類是根據(jù)人臉的特征進(jìn)行人臉檢測，主要包括面部輪廓，面部的器官分布，面部對稱性，膚色紋理等特征；第二類則是根據(jù)圖像進(jìn)行人臉檢測[1]。本節(jié)主要介紹的是基于Adaboost(Adaptive Boosting)的人臉檢測技術(shù)，其特點(diǎn)是自適應(yīng)增強(qiáng)。

Adaboost算法是上世紀(jì)90年代由Paul Viola和Michael Jones提出的一種人臉檢測的算法，此算法是一種快速的迭代算法，用一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類器，再把這些弱分類器放到一起，綜合成一個(gè)最終分類器，此分類器就是強(qiáng)分類器[2]。要得到這樣一個(gè)最終分類器，大致可由以下四個(gè)步驟完成：

1)對N個(gè)訓(xùn)練樣本進(jìn)行權(quán)值規(guī)一化，使每個(gè)樣本的權(quán)值都為1/N；

2)訓(xùn)練弱分類器，讓分類正確的分類器的權(quán)值變小，分類錯(cuò)誤的權(quán)值變大。訓(xùn)練后的分類器用于下一次訓(xùn)練，并根據(jù)這個(gè)訓(xùn)練方法迭代下去；

3)加大分類錯(cuò)誤率低的分類器的權(quán)重，減小分類錯(cuò)誤率高的分類器的權(quán)重，使得前者起決定作用，后者起輔助作用；

4)將訓(xùn)練好的弱分類器集合起來變成一個(gè)強(qiáng)分類器。

人臉檢測中，Adsboost算法選用一些簡單的黑白矩形構(gòu)成的特征來采集人臉的特征，這些矩形構(gòu)成的特征就是Haar特征。Haar特征分為三類，如圖2所示，圖2中的第一類特征是邊緣特征，第二類是線特征，第三類是中心環(huán)繞特征和對角線特征。

圖2 Haar特征

這些特征都可以表示圖像的灰度值的變化，像素分模塊求差值的一種特征[3]。例如：鼻尖要比鼻尖兩邊的顏色要淺。由此看出，Haar所描述的特征都是一些簡單且特定的特征。Haar特征值是由如下公式計(jì)算而來的：

第一類和第三類特征的計(jì)算方法：V=Sum白-Sum黑

第二類特征的計(jì)算方法：V=Sum白（左）+Sum（右）-2*Sum黑

注：1)V為Haar特征值；2)在第二個(gè)公式中。減去兩倍的“sum黑”，是因?yàn)樵谟?jì)算過程中，需要保持黑白像素比為1：1。

在實(shí)際操作中，“Sum黑”和 “Sum白”的Haar特征是通過黑白矩形框在待檢測窗口中由放大+平移產(chǎn)生一系列子特征所構(gòu)成的，但是在這一系列的運(yùn)動(dòng)中，黑白矩形框的黑白區(qū)域面積比始終保持不變。如圖3所示，以Haar_x2特征為例，在經(jīng)過放大和平移過程中，白：黑面積比始終是1:1。先是在圖片所示的橙色矩形框中的檢測窗口中生成一個(gè)最小的Haar_x2特征，如圖3-a所示；然后在待檢測窗口中沿著x軸和y軸依次平移，每次平移都會產(chǎn)生一個(gè)大小為2個(gè)像素的Haar_x2的特征；接著將Haar_x2特征進(jìn)行等比例放大，重復(fù)之前的操作，則會產(chǎn)生放大以后的Haar_x2的特征，如圖3-b所示；直到等比例放大后的Haar特征與橙色矩形框所示的待檢測窗口同樣大的時(shí)候結(jié)束，這時(shí)一個(gè)完整的Haar_x2特征就產(chǎn)生了，如圖3-c所示。Haar特征的個(gè)數(shù)可以由下面的公式算得：

灰度圖像的Haar特征值是采用離散二維矩陣來計(jì)算，積分圖公式如下：

注：待檢測的灰度圖中的任意一點(diǎn)：image（x，y）

雖然現(xiàn)在的人臉檢測技術(shù)已經(jīng)得到了快速的發(fā)展，是初期人臉檢測技術(shù)無法比擬的。但是還是有很多因素限制著人臉檢測技術(shù)的發(fā)展。其中較為突出的因素有：光照強(qiáng)度的不同，人臉姿態(tài)及表情的多樣性，模糊不清的人臉等等。人臉檢測對光照強(qiáng)度要求非常苛刻，所以這個(gè)因素也是人臉檢測中的一大難點(diǎn)。如果光照太強(qiáng)，則會在人臉突出部位造成面部陰影；如果光照太弱，則會致使畫面亮度太暗。現(xiàn)在為解決這個(gè)難點(diǎn)，技術(shù)人員一般選用直方圖均衡的方法。采取這種方法可以使得圖片的全局對比度變大，使原圖的灰度直方圖中比較集中的部分在全部灰度范圍內(nèi)進(jìn)行均勻分布，這樣不僅不會影響整體的對比度，還可以增強(qiáng)局部的對比度，使得層次更清晰。

人臉的姿態(tài)問題和表情問題同樣是人臉檢測中的難點(diǎn)，在這種情況下，人臉檢測的檢測率會瞬間下降。在人臉檢測過程中，人臉在很多情況下都不會是正臉。對于這種情況，可以對人臉先進(jìn)行一個(gè)預(yù)處理，即將類似于人臉的部分進(jìn)行一定角度的旋轉(zhuǎn)，在進(jìn)行下一步檢測?；蜻x用一些不隨人臉角度改變而變化的特征來檢測，如：膚色。

人臉檢測過程中，不一定是檢測靜止的人，大多數(shù)情況下，被檢測的對象都是運(yùn)動(dòng)的，這種情況下的人臉一般都是模糊的，不清晰的。例如檢測一段視頻流中的對象，可以采用對一幀圖像進(jìn)行檢測，并且盡可能多的采集圖像進(jìn)行檢測。以避免漏檢誤檢的問題。

3 人臉檢測的未來發(fā)展

隨著科技的發(fā)展，人們對于生活智能化的要求也在不斷的提高。而在近一段時(shí)間內(nèi)，人臉檢測研究基于人體特征的唯一性，取得了一定的進(jìn)展。例如亞馬遜的刷臉購物、螞蟻金服的“刷臉取件”、英飛拓“人臉布控”工程項(xiàng)目等等。

在未來，有許多問題需要深入研究，人臉檢測顯然是其中之一。例如：任意集合中的人臉是不是都可以通過一個(gè)人臉檢測器檢測，如果出現(xiàn)一個(gè)新的集合，能否利用原來的人臉檢測器就可以適應(yīng)這個(gè)新的圖像數(shù)據(jù)集。如果可以，那么這將是有非常高的實(shí)用價(jià)值和普及推廣性。在眾多檢測中，人臉檢測對于環(huán)境的適應(yīng)性的要求更高，在人臉檢測的初期階段，雖然已經(jīng)有人對這方面進(jìn)行了研究。但是作者相信，在未來的工作研究中，這仍然是一個(gè)的重點(diǎn)發(fā)展方向。作者在此做個(gè)大膽的預(yù)測，在不久的將來，人臉檢測會成為學(xué)習(xí)、工作和生活的重要工具和手段，其重要性不言而喻。

[1]李剛,高政.人臉檢測技術(shù)研究與發(fā)展[J].計(jì)算機(jī)與現(xiàn)代化,2003,4:2-3.

[2]孔凡芝，張興周.基于Adaboost的人臉檢測技術(shù)[J].應(yīng)用科技,2005,32(6):2-3.

[3]艾海舟,肖習(xí)攀.人臉檢測與檢索[J].計(jì)算機(jī)學(xué)報(bào),2003,26(7):2-3.

[4]布拉德斯基.學(xué)習(xí)OpenCV(中文版)[M].北京:清華大學(xué)出版社,2009.

[5]毛星云.OpenCV3編程入門[M].北京:電子工業(yè)出版社,2015.