李 嵐，張 云

（蘭州文理學院 數(shù)字媒體學院，甘肅蘭州 730000）

人臉識別與虛擬現(xiàn)實技術(shù)相結(jié)合是目前非常活躍的課題，在出入安全檢測、個人信息驗證、人機交互、目標跟蹤等領(lǐng)域有很好的實用價值[1]。雖然人臉識別的準確性要低于虹膜、指紋的識別，但是由于它的無侵害性和對用戶最自然、最直觀的方式，使人臉識別成為最容易被接受的生物特征識別方式。人臉識別通常包含兩部分內(nèi)容：一是人臉檢測，二是人臉識別。正確的人臉檢測就是指對于任意一幅給定的圖像，采用一定的策略對其進行搜索，確定是否存在人臉，如果有則返回人臉所在的位置、姿態(tài)、大小。

典型的人臉檢測方法有模板法、基于示例的學習法、基于器官特征的方法、神經(jīng)網(wǎng)絡法等[2]。由于膚色信息對方向、位置的無關(guān)性，因此基于膚色的人臉檢測和基于灰度圖像的人臉檢測[3]相比，可以很好地縮短檢測時間，提高檢測的實時性和魯棒性。但是膚色信息也有自身的缺點，如環(huán)境光照、膚色種類、遮擋、旋轉(zhuǎn)、胡須等客觀因素的影響，也會加大檢測的難度。

針對以上出現(xiàn)的問題本文進行了探討和測試，先將人臉檢測的過程劃分為三步。第一步：建立顏色空間——對顏色進行光照補償，對比膚色模型，找出對膚色具有更好的聚類的顏色空間，在一定程度上可以消除日照、光源等客觀環(huán)境的影響?；谖墨I[4]，在RGB三基色顏色空間對受光不好的圖像進行光線補償，修復色彩偏移問題；通過空間變換，在YCgCr空間上對輸入圖像進行膚色分割，盡可能減少搜索區(qū)域。第二步：建立膚色模型——采用高斯膚色混合模型，將YCgCr膚色空間中的Cg、Cr通道分離，并結(jié)合Y分量建立混合高斯膚色模型，將膚色區(qū)域從背景圖像中分割出來，并利用膚色相似度等知識粗選人臉區(qū)域。第三步：人臉分割——利用Blob分析人臉上的眼、嘴幾何信息和彩色信息，用來檢測候選人臉的特征部位，根據(jù)分割結(jié)果進行檢測和定位人臉，確定人臉的位置，整個過程如圖1所示。

圖1 人臉檢測流程圖

YCgCr色彩空間的高斯檢測模型，具有和人視覺感知的一致性、對膚色聚類效果好以及亮度和色度相互獨立的特點，對光照、旋轉(zhuǎn)、遮擋有很好的魯棒性，所以本文采用YCgCr顏色空間進行膚色初檢測。再通過Blob分析算法，找出連通區(qū)域，結(jié)合人臉的特征，確定出準確的人臉位置。實驗結(jié)果表明，該算法能夠快速、準確檢測人臉，為人臉識別與跟蹤做好準備。

1 人臉區(qū)域定位

1.1 色彩空間

膚色檢測中最常用的色彩空間是三基色RGB色彩空間，在該色彩空間中，顏色被定義為由R、G、B 3種色光按照不同的比例相加混合得到，這3個分量都包含亮度信息，他們之間存在著很大的相關(guān)性，不利于膚色的檢測和分割。其他膚色空間用來進行人臉檢測，有歸一化RGB色彩空間和YCbCr、YUV、HSI等色彩空間。YCbCr色彩空間是由YUV空間派生出來的一種，與人類對顏色的感知能力非常接近[5]。

YCbCr空間中的Cb分量反映的是RGB空間中藍色分量與亮度分量之間的差值，而在人的膚色中藍色分量所占比重比較小，Cb分量不利于膚色分割。后來De Dios提出了YCgCr空間[5]，其中Cg分量表示綠色分量與亮度Y的差，可以很好地分離出膚色特生。文獻[6]驗證了膚色在YCgCr色彩空間比在YCbCr色彩空間具有更好的聚集性，所以本文采用了YCgCr色彩空間。其中，YCgCr空間與RGB空間的轉(zhuǎn)換公式如式（1）。

1.2 高斯膚色模型

高斯膚色模型是在忽略亮度的情況下，色度分量都趨于一致，利用正態(tài)分布來擬合膚色的概率密度分布，近似地呈現(xiàn)二位高斯模型。其核心內(nèi)容是：在設(shè)定的條件下，比如光照條件一定，膚色之間的差異在于概率密度，而與顏色無關(guān)，膚色的分布是屬于正態(tài)分布[7]。在YCgCr空間下，建立高斯膚色模型的具體步驟如下：

Step1收集海量的帶膚色的彩色圖像，采用相關(guān)方法進行光照補償，然后再進行剪裁，得到膚色圖片。

Step2將Step1的膚色圖片從RGB色彩空間轉(zhuǎn)換到Y(jié)CgCr色彩空間，統(tǒng)計每個膚色圖片的像素點的Cg、Cr值。通過統(tǒng)計出來的Cg、Cr值，確定出二維高斯模型G=(m,C)中的參數(shù)，其中m表示均值，C表示協(xié)方差矩陣，具體計算公式如下：

1.3 膚色分割

根據(jù)上述建立好的高斯膚色模型，輸入待檢測圖像，再根據(jù)式（1）中YCgCr空間與RGB空間的轉(zhuǎn)換，將輸入圖像從RGB空間轉(zhuǎn)換到Y(jié)CgCr空間，對Cg和Cr應用Mahalanobis距離，通過考察各像素點的Cg和Cr值距離其均值的遠近得到圖像每個像素屬于膚色的相似度，其相似度計算公式為

計算完成之后，對所求得的每個P(Cg,Cr)值進行歸一化處理，使得各像素點的相似度值在[0,1]之間，并且屬于膚色區(qū)域的亮度值更高。其中，相似度值越大，表示屬于膚色的可能性越大，反之越小。

2 人臉區(qū)域判定

2.1 Blob算法

在本文中采用Blob分析[8]算法，其思想是模仿人的視覺處理過程，在一塊圖像區(qū)域內(nèi)，通過分割圖像，得到若干互不相交的封閉區(qū)域，然后再對這些區(qū)域進行處理，區(qū)域中的像素在空間上連通并且具有相似的特征，這個連通區(qū)域稱為Blob。復雜背景下，膚色分割得到的人臉待選區(qū)域中，可能會存在很多和人臉膚色相近或相同的其他區(qū)域，也有可能裸露的手臂或脖頸被誤判為人臉。二值圖像Blob分析方法能夠計算每個連通成分的形狀參數(shù)，提供連通區(qū)域的數(shù)量、位置、形狀等，因而可用于剔除非人臉區(qū)域。本方法采用的具體判定依據(jù)及過程如下：

（1）空洞數(shù)(1＞h)：根據(jù)圖像分割結(jié)果，應用Blob分析眼睛和唇部的顏色同人臉膚色對比度比較大，在進行膚色分割時必然產(chǎn)生人臉內(nèi)部的空洞，故只有空洞數(shù)大于1的區(qū)域才可能是人臉區(qū)域；

（2）長短軸比(0.8＜r＜1.6)：根據(jù)大量的實驗，人臉輪廓呈橢圓狀，其長短軸比例在一定的范圍內(nèi)，而其他人體膚色區(qū)域的長寬比顯然比人臉大；

（3）傾斜角(-90 °＜θ＜90°)：在一般情況下，人臉中的中軸線（臉可以對稱分為兩部分的線）不應該是向下傾斜的。

具體實現(xiàn)中，r和θ采用橢圓擬和方法計算。值得注意的是，為獲得準確的擬和參數(shù)，需填補待選區(qū)域中的空洞。若記像素坐標為(xi,yi)，則區(qū)域C的最佳擬和橢圓參數(shù)重心、傾斜角 θ、短軸a和長軸b如下：

根據(jù)θ，可對候選區(qū)域進行校正得到接近豎直的人臉區(qū)域。

2.2 人臉區(qū)域判定

通過膚色高斯模型將人臉與背景區(qū)域分割，這時候會產(chǎn)生類膚色區(qū)域，結(jié)合Blob算法，根據(jù)人臉上的特征，最后確定出人臉區(qū)域。具體步驟如下：

（1）輸入圖像進行光照補償；（2）根據(jù)膚色信息，將RGB色彩轉(zhuǎn)換到Y(jié)CgCr空間；（3）根據(jù)顏色空間中Cg、Cr值建立二維膚色高斯模型，求出顏色均值m和方差C；（4）應用Mahalanobis距離公式求出Cg、Cr的相似度值，進行歸一化處理，其值在范圍[0，1]之間的顏色即為膚色；（5）應用Blob分析，結(jié)合人嘴、眼特征確定空洞數(shù)，再根據(jù)人臉的長寬比例確定出正確人臉。

3 實驗結(jié)果及分析

本文建立了一個具有光照和復雜背景的彩色人臉庫（600×480），其中包含單人臉和多人臉圖片，也包含旋轉(zhuǎn)角度較大、姿態(tài)和表情變化較大的人臉圖片。本文實驗硬件環(huán)境采用Intel Pentium Dual-coreTM2.8HZ的PC機上進行的實驗。將圖像形成兩個測試集：（1）簡單測試集，包括頭肩部圖像、人臉面積，無背景或者較簡單背景，光照有變化，人臉旋轉(zhuǎn)角度任意；（2）復雜測試集，有類膚色復雜背景存在，人臉個數(shù)、大小、位置未知，光照有變化，人臉多姿態(tài)、旋轉(zhuǎn)角度較大。實驗分別用本文方法與文獻[4]進行了比較，表1和表2是兩種方法對兩個測試集的實驗結(jié)果數(shù)據(jù)。

測試中分別選取170張人臉圖片和90張人臉圖片，通過表1和表2的實驗結(jié)果數(shù)據(jù)可以看出，對于簡單測試集，本文提出的方法檢測結(jié)果很好；對于復雜測試集，膚色檢測時，應用Blob分析方法后，有5個人臉漏檢，是因為遮擋嚴重并旋轉(zhuǎn)幅度太大而漏檢，同時誤檢人臉數(shù)極大減少。

表1 測試集（1）單獨膚色YCgCr檢測方法和本文方法比較

表2 測試集（2）單獨膚色YCgCr檢測方法和本文方法比較

圖2 本文算法單人臉檢測結(jié)果

圖3 單獨的YCgCr膚色模型多人臉檢測結(jié)果

圖4本文算法多人臉檢測結(jié)果

圖2 、圖3、圖4是實驗結(jié)果的部分實例。圖中矩形框指示了檢測到的人臉的位置和大小。圖2是利用本文提出的方法針對單人臉，有背景的圖像進行檢測的結(jié)果；圖3是采用文獻3進行的多人臉的簡單環(huán)境檢測結(jié)果，圖中胡子特別多的2個人臉被漏掉了；圖4是本文算法，結(jié)合了Blob分析，提高檢測的準確率?？梢钥吹?，本文提出的方法很好地解決了多角度人臉檢測的間題。與單獨的膚色檢測相比較，本文算法在復雜場景的檢測具有更好的魯棒性。

本文利用Blob分析算法獲取目標圖像中所有Blob的位置、周長、面積及外接矩形參數(shù)。然后再根據(jù)Blob的位置及外接矩形等先驗知識，將非人臉區(qū)域濾除，最終實現(xiàn)目標區(qū)域的提取工作。

4 結(jié)論

針對復雜背景的彩色圖像，本文提出了一種融合膚色與Blob分析的人臉檢測方法。該算法首先利用了膚色信息在顏色空間YCgCr中對彩色圖像進行分割，然后通過高斯膚色模型計算人臉候選區(qū)域，結(jié)合Blob分析對旋轉(zhuǎn)角度人臉進行檢測與定位。實驗結(jié)果表明，本文改進的方法有效地解決了多角度旋轉(zhuǎn)人臉的檢測問題，能夠?qū)Σ煌庹窄h(huán)境、不同遮擋、姿態(tài)變化的人臉有較好的檢測效果，在膚色檢測過程中，有可能形成人臉與背景相似而產(chǎn)生真正人臉丟失的現(xiàn)象，我們下一步的工作是在該工作基礎(chǔ)上，解決更加復雜人臉區(qū)域準確判定的問題，提高檢測的正確率。