鄧 鋒胡志勇肖偉明鐘衛(wèi)為

（1.武漢郵電科學(xué)研究院 武漢 430074）（2.武漢虹信技術(shù)服務(wù)有限責(zé)任公司 武漢 430074）

1 引言

經(jīng)過(guò)多年的發(fā)展，人臉識(shí)別技術(shù)已經(jīng)廣泛地應(yīng)用于人們的日常生活當(dāng)中，例如乘坐高鐵時(shí)刷臉進(jìn)站、在店買(mǎi)東西直接刷臉付款等。而且相對(duì)于眾多生物識(shí)別技術(shù)而言，人臉識(shí)別技術(shù)可以最大可能地做到在不影響人們的情況下就完成了數(shù)據(jù)采集［1～2］，所以其可以被人們廣泛接受，這對(duì)如何快速準(zhǔn)確地從復(fù)雜環(huán)境中提取出人臉提出了較高的要求。

當(dāng)前的人臉檢測(cè)技術(shù)可以分為三類(lèi)：基于幾何特征的人臉檢測(cè)方法、基于膚色模型的方法、基于統(tǒng)計(jì)理論的方法［3～4］。基于幾何特征的人臉檢測(cè)方法就是利用人臉的器官在現(xiàn)實(shí)生活中表現(xiàn)出來(lái)的幾何特征來(lái)進(jìn)行人臉檢測(cè)，其中的代表有：基于先驗(yàn)知識(shí)的人臉檢測(cè)方法［5］、Leung［6］等提出任意圖匹配的方法、層次模板匹配的方法［7］?；谀w色模型的方法則是利用人的膚色在色度空間表現(xiàn)出來(lái)的聚合性來(lái)檢測(cè)人臉。基于統(tǒng)計(jì)理論的方法則是在對(duì)大量樣本統(tǒng)計(jì)的基礎(chǔ)上來(lái)檢測(cè)人臉的方法，它主要包含子空間方法、支持向量機(jī)方法、神經(jīng)網(wǎng)絡(luò)方法以及Boost方法。

在眾多檢測(cè)方法當(dāng)中，Boost方法具有深厚的理論和實(shí)踐的基礎(chǔ)，Adaboost則是其中較為成功的代表之一［8］，但是其計(jì)算量相較于其他算法一般比較大，所以對(duì)其的進(jìn)一步研究具有一定的現(xiàn)實(shí)意義。本文中提出了一種膚色分割預(yù)處理的方法，將疑似人臉區(qū)域從背景圖片中取出來(lái)，減少Adaboost算法需要處理的數(shù)據(jù)量，來(lái)達(dá)到提速的目的。

2 膚色分割

作為一種重要的人體特征，通過(guò)膚色來(lái)將人和背景圖片分割開(kāi)來(lái)一直是一個(gè)經(jīng)典課題。經(jīng)過(guò)研究表明，在生物和物理上，膚色分布具有一致性［9］。對(duì)于不同的人種，從雙色差或者色調(diào)飽和度上來(lái)看，膚色的變化差異并不大，但是從亮度上來(lái)看，膚色的差異就比較明顯。因此，我們可以利用膚色在色度方面表現(xiàn)的一致性將膚色從周邊的環(huán)境中摳出來(lái)，便于進(jìn)行膚色分割。

2.1 色度空間的轉(zhuǎn)換和膚色分割

由于膚色的差異更多在于亮度而不在于色度，所以可以選擇合適的色度空間建立合適的膚色模型，剔除亮度對(duì)于膚色分割的影響。顏色空間有許多種，例如：歸一化的RGB、CIE-XYZ、CIE-Yxy、CMYK、CMY、HSL、HSV、YUV、YCbCr等。由于YCbCr［10］既具有將亮度和色度分離出來(lái)的優(yōu)點(diǎn)，又具有計(jì)算簡(jiǎn)單的特點(diǎn)，因此在本文中，將對(duì)圖片進(jìn)行YCbCr顏色空間的色度空間轉(zhuǎn)換，其公式如下：

其中，Y為亮度，Cb為藍(lán)色色度，Cr為紅色色度。

完成色度空間的轉(zhuǎn)換后，我們接下來(lái)的工作就是根據(jù)色度的分布將落在膚色色度范圍內(nèi)的點(diǎn)找出了，這里可以建立一個(gè)膚色模型。一般情況下，膚色模型可以分為三種：1）統(tǒng)計(jì)直方圖模型；2）高斯模型；3）混合高斯模型。考慮到統(tǒng)計(jì)直方圖模型的建立需要大量的膚色數(shù)據(jù)、混合高斯模型計(jì)算過(guò)于復(fù)雜，在本文中選取依據(jù)高斯模型來(lái)進(jìn)行膚色分割。在YCbCr色度空間中，高斯模型認(rèn)為人的膚色的分布是呈現(xiàn)正態(tài)分布的，其概率密度為

2.2 對(duì)膚色區(qū)域的預(yù)處理

由于上一步分割出來(lái)的膚色區(qū)域會(huì)有一些不連貫性，為了得到更好的效果，我們需要對(duì)膚色區(qū)域做一些預(yù)處理。具體步驟如下：

1）對(duì)膚色連通區(qū)域進(jìn)行標(biāo)記，幾位Pi（i=0，…，N）；

2）估算每個(gè)連通區(qū)域大小，并取平均值B；

3）由公式r= Bπ計(jì)算出圓形結(jié)構(gòu)半徑。

3 LBP特征

3.1 提取LBP特征

LBP［11～13］（Local Binary Pattern）是 一 種 局 部 二值模式的算子，它最早由T.Ojala，M.Pietikainen和D.harwood于1994年提出來(lái)，用于紋理特征的提取。如今，它廣泛應(yīng)用于紋理分類(lèi)領(lǐng)域和人臉識(shí)別領(lǐng)域，早已成為這兩個(gè)領(lǐng)域重要的特征提取方式之一。其具有旋轉(zhuǎn)不變性和灰度不變性等特點(diǎn)，當(dāng)它應(yīng)用于人臉檢測(cè)時(shí)，可以有效避免光照等因素的影響。提取LBP特征可以分為以下幾個(gè)步驟：

1）首先對(duì)于一張圖片，我們需要將它劃分為一個(gè)一個(gè)的小方塊，通常取16*16的小區(qū)域；

2）區(qū)域劃分完成后，是對(duì)每個(gè)區(qū)域的操作，對(duì)位于其中的每個(gè)像素點(diǎn)求出它的LBP值。首先，將目標(biāo)像素相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂?，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣就可以得到一個(gè)二進(jìn)制數(shù)，這個(gè)二進(jìn)制數(shù)數(shù)就是我們要得到的LBP值；

3）雖然得到每個(gè)像素的LBP值，但是卻不好直接用它來(lái)描述圖片的特征，需要對(duì)它進(jìn)行下一步的處理。一般我們會(huì)采用統(tǒng)計(jì)學(xué)的方式，計(jì)算出每個(gè)小區(qū)域的直方圖，然后對(duì)該直方圖進(jìn)行歸一化處理；

4）最后將每個(gè)統(tǒng)計(jì)直方圖整合成為一個(gè)特征向量，這就是我們需要的整幅圖的LBP紋理特征向量。

3.2 基于LBP建立弱分類(lèi)器

為了使用AdaBoot算法訓(xùn)練出最終的強(qiáng)分類(lèi)器，需要根據(jù)LBP紋理特征向量建立一些弱分類(lèi)器。對(duì)于每一個(gè)弱分類(lèi)器g(x′，f，θ，p)，其可以由一個(gè)LBP特征f，判定閾值θ和指示不等式方向的p組成，其公式如下：

其中x′表示待檢測(cè)的圖片，f(x′)是對(duì)待檢測(cè)圖片進(jìn)行LBP特征提取后所得到的統(tǒng)計(jì)直方圖經(jīng)過(guò)相似度函數(shù)判斷后的相似度，當(dāng)相似度滿足我們要求是取值為1，否則為0。

4 AdaBoot人臉檢測(cè)分類(lèi)器

AdaBoot［14～15］（Adaptive Boosting）是一種迭代算法。該算法的核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器，一般我們稱(chēng)這些分類(lèi)器為弱分類(lèi)器，然后將這些弱分類(lèi)器按照不同的權(quán)重整合到一起，這樣就構(gòu)成了最終的強(qiáng)分類(lèi)器。弱分類(lèi)器的構(gòu)成我們可以采取多種方法，由于我們提取的是圖片的LBP特征，所以我們采用基于LBP特征構(gòu)建的弱分類(lèi)器，這里AdaBoot算法就相當(dāng)于一個(gè)弱分類(lèi)器加工廠，通過(guò)有限次數(shù)的迭代，最終得到一個(gè)在檢測(cè)率和誤檢率都表現(xiàn)不錯(cuò)的最終強(qiáng)分類(lèi)器。算法具體的過(guò)程如下：

1）選取一組訓(xùn)練樣本（x1，y1），…，（xn，yn）用于分類(lèi)器的訓(xùn)練，其中當(dāng)樣本不是人臉時(shí)yn=0，否則yn=1，N則為樣本數(shù)目；

2）為每個(gè)樣本授予權(quán)值，第一次我們?cè)O(shè)每一個(gè)樣本的權(quán)值為1 N；

3）進(jìn)行迭代，通過(guò)弱分類(lèi)器對(duì)樣本集來(lái)進(jìn)行比對(duì)。對(duì)于每個(gè)弱分類(lèi)器，分別計(jì)算出其在樣本集中的分類(lèi)誤差率，其中hj(xi）表示第j個(gè)弱分類(lèi)器判斷樣本i是否正確，ωi表示第i個(gè)樣本的權(quán)值）。取其中誤差率最小的弱分類(lèi)器為基本分類(lèi)器G1(x)，其在最終分類(lèi)器中的系數(shù)為

4）為每個(gè)樣本從新授予權(quán)值（目的是加大弱分類(lèi)器Gj(x)識(shí)別錯(cuò)誤的樣本的權(quán)值，降低識(shí)別正確樣本權(quán)值），公式如下：

其中ωm+1，i表示第i個(gè)樣本在第m+1次迭代中的權(quán)值，；

5）不斷重復(fù)步驟3）、4），直到達(dá)到指定迭代次數(shù)T，或者檢測(cè)準(zhǔn)確率、誤差率達(dá)到設(shè)計(jì)要求；

6）將每次迭代選出的基本分類(lèi)器整合起來(lái)，得到最終的強(qiáng)分類(lèi)器：

5 實(shí)驗(yàn)結(jié)果和分析

本論文最終在1000張圖片上檢測(cè)算法的準(zhǔn)確性（812張包含人臉（200張含多人臉），188非人臉圖片），并將它與膚色檢測(cè)方法和基于LBP的Adaboost方法做了比較。檢測(cè)結(jié)果統(tǒng)計(jì)如表1。

表1 人臉集檢測(cè)結(jié)果比較

從實(shí)驗(yàn)結(jié)果來(lái)看，基于膚色的檢測(cè)方法無(wú)論是檢測(cè)單張人臉還是檢測(cè)多張人臉，都具有最高的檢測(cè)率和最短的檢測(cè)時(shí)間，但是由于其較高的誤檢率一直影響著它在實(shí)際中的應(yīng)用。對(duì)于Adaboost算法而言，其在檢測(cè)率方面的表現(xiàn)也非常令人滿意，而且相較于膚色方法它的誤檢個(gè)數(shù)明顯減少了，但是其檢測(cè)速度方面表現(xiàn)稍差。本文提出的檢測(cè)方法，結(jié)合兩種算法的優(yōu)勢(shì)，最終在實(shí)驗(yàn)中表現(xiàn)出較高的檢測(cè)率，最關(guān)鍵的是相對(duì)于膚色檢測(cè)其誤檢率也降低了不少。同時(shí)，就檢測(cè)時(shí)間而言，其相比與Adaboost算法有了明顯的縮短，表明該方法在正面人臉檢測(cè)中取得了較好的效果，是一種有效的人臉檢測(cè)方法。

6 結(jié)語(yǔ)

本文提出了一種基于LBP算子的Adaboost算法之上改進(jìn)的算法，通過(guò)膚色分割預(yù)處理，將疑似人臉區(qū)域提取出來(lái)（并未破壞人臉的特征信息），可以有效減少LBP算子的掃描區(qū)域，使整個(gè)算法更加關(guān)注于自己需要判斷的數(shù)據(jù)，從而提高了處理的效率。實(shí)驗(yàn)結(jié)果表明：該算法可以準(zhǔn)確快速地檢測(cè)出人臉。