葛小鳳

摘 要：針對疲勞駕駛預警系統(tǒng)中人臉檢測準確率低、誤檢率高的問題，提出一種基于膚色與Haar-like擴展集的駕駛員人臉檢測算法。首先根據(jù)駕駛員人臉膚色在YCbCr色彩空間的聚類性、臉部特征及駕駛環(huán)境，篩選人臉膚色作為候選區(qū);然后在傳統(tǒng)基于Haar-like特征的AdaBoost算法中，加入兩組新的符合人臉特征分布的Haar-like特征進行駕駛員人臉檢測。以MIT人臉庫和拍攝的駕駛員人臉圖像作為訓練與檢測樣本，與傳統(tǒng)AdaBoost算法進行對比實驗。結(jié)果表明，該算法對正面人臉和側(cè)面人臉（傾斜角度小于45°）檢測準確率分別提高1.25%和5.00%，誤檢率降低2.81%和4.50%， 人臉檢測準確率得到較大提高。

關鍵詞：人臉檢測;Haar-like特征;膚色分割;AdaBoost算法;級聯(lián)分類器

DOI：10. 11907/rjdk. 201531 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP391文獻標識碼：A 文章編號：1672-7800（2020）008-0030-05

Abstract：Aiming at the problems of low accuracy and high false detection rate of face detection in fatigue driving warning system， this paper proposes a driver face detection algorithm based on skin color and Haar like extension set. Firstly， according to the clustering of drivers face skin color in YCbCr color space， facial features and driving environment， human skin color is selected as candidate region; then， based on AdaBoost algorithm of traditional Haar like feature， two new Haar like features are added to detect the drivers face. The MIT face database and the drivers face images taken as training and detection samples are compared with the traditional AdaBoost algorithm. The experimental results show that the detection accuracy of the algorithm is improved by 1.25% and 5.00% respectively for front face and side face （tilt angle is less than 45 °）， and the false detection rate is reduced by 2.81% and 4.50%， which proves the face detection accuracy is greatly improved.

Key Words： face detection; Haar-like feature; skin color segmentation; AdaBoost algorithm; cascade classifier

0 引言

駕駛員人臉準確、實時檢測是疲勞駕駛預警的關鍵環(huán)節(jié)[1-3]，近年來各類經(jīng)典及改進算法層出不窮。如文獻[4]提出基于Haar-Like T特征的人臉檢測算法，可有效提高正面人臉檢測率和檢測速度，但未對側(cè)面人臉進行研究;文獻[5]提出基于回歸的人臉檢測加速算法，縮短了視頻人臉特征提取時間，可滿足人臉檢測實時性要求;文獻[6]提出兩層級聯(lián)卷積神經(jīng)網(wǎng)絡法，在人臉多姿態(tài)變化和面部特征信息不完整等情況下實現(xiàn)精準檢測，但訓練樣本選擇復雜且要求高;文獻[7]通過改進多任務級聯(lián)卷積神經(jīng)網(wǎng)絡人臉檢測算法，速度提高將近40%，正確率達到97%，但該算法十分依賴人臉訓練樣本是否全面。人臉檢測算法要同時滿足檢測準確率高、實時性強、誤檢率低等多方面要求，仍存在不足。

2001年Viola等[8-9]提出基于簡單Haar特征，利用Boosted進行特征分類的方法建立人臉檢測的實時處理VJ框架，并在實際運用中取得較大成功，它需在大量人臉和非人臉樣本訓練的基礎上建立人臉識別分類器。此后，研究者們致力于提升該框架檢測精度和速度，主要從新特征引入、新算法和新檢測器層級結(jié)構3個方面進行改進。

為提高駕駛員人臉檢測系統(tǒng)檢測效果，本文首先根據(jù)人臉膚色在YCbCr色彩空間的聚類性，采用高斯膚色分割出人臉候選區(qū)域;再根據(jù)駕駛環(huán)境下的人臉面積占有率和高寬比，進行人臉候選區(qū)域優(yōu)化;最后，提出有效針對駕駛員眉眼區(qū)域和側(cè)面人臉的Haar-like特征擴展集，使用AdaBoost算法確定圖像中的人臉。人臉樣本實驗證明，該方法對駕駛員正面和側(cè)面人臉檢測準確率均可達 96.56%和95.50%，誤檢率也降至3.13%和4.50%。

1 膚色分割

駕駛員人臉圖像數(shù)據(jù)采集與傳輸受駕駛環(huán)境、光照和噪聲干擾，可對圖像進行直方圖均衡化和濾波處理，以提高檢測圖像質(zhì)量。直方圖均衡化目的是擴大圖像灰度動態(tài)變化范圍，使原圖像非均勻概率密度可均勻分布;而中值濾波根據(jù)圖像各點像素值大小排序，找出位置居中的值作為該點像素值，可去除或減弱圖像噪聲，保留較完整的邊緣細節(jié)，增強圖像清晰度和質(zhì)量[10]。

樣本檢測時，首先需將強分類器按復雜程度排序，從易到難，逐級排除非人臉區(qū)域，最終排除所有非人臉。檢測結(jié)束時，如果有剩余區(qū)域，則為人臉區(qū)域，否則表示未檢測到人臉。

3.2 算法流程

人臉檢測流程包括分類器訓練與檢測兩部分，流程如圖5所示。

（1）樣本分類器訓練。首先收集MIT庫與部分網(wǎng)絡下載及拍攝的駕駛員人臉、非人臉圖像建立正負訓練樣本庫。其中正面人臉圖像2 000張，側(cè)面人臉（傾斜角度小于45°）圖像800張，非人臉圖像2 530張，將所有樣本灰度化、歸一化處理為20×20像素的灰度圖;其次，提取圖像Haar-like特征，構造多個弱分類器，再由AdaBoost算法循環(huán)，構造強分類器;最后按強分類器檢測率從高到低進行排列，級聯(lián)構成Haar分類器，可快速排除非人臉區(qū)域。

（2）人臉檢測。駕駛員檢測樣本來自網(wǎng)絡和筆者拍攝的駕駛環(huán)境下320 張駕駛員正臉圖像和100張側(cè)臉（傾斜角度小于45°）圖像，均為單張人臉圖像。首先對待檢測圖像作直方圖均衡化與中值濾波去噪;其次在YCbCr顏色空間中，采用高斯膚色分割和區(qū)域優(yōu)化得到人臉候選區(qū)，若不滿足區(qū)域優(yōu)化條件，則為非人臉圖像;最后將其輸入到級聯(lián)分類器中判斷是否檢測到人臉圖像。

4 實驗結(jié)果分析

為驗證本文提出的基于膚色與Haar-like特征擴展集的人臉檢測算法有效性，對比利用基于單一Haar-like特征的Adaboost算法、膚色和Haar-like特征相結(jié)合的Adaboost算法進行人臉檢測實驗，就正面和側(cè)面人臉（傾斜角度小于45°）圖像進行檢測準確率、誤檢率、檢測時長3方面對比分析，實驗數(shù)據(jù)如表1、表2所示。

由表1、表2實驗數(shù)據(jù)分析可知，對于正面人臉，本文算法平均檢測率可達96%，高于單一的Haar-like特征與膚色和Haar-like特征的AdaBoost人臉檢測算法;而對于誤檢率來說，雖然本文算法也會對背景產(chǎn)生誤檢，但遠低于其它兩種方法，平均檢測時長也最短;對于側(cè)面人臉，本文算法平均檢測準確率為95.5%，略低于正面人臉，卻遠高于其它兩種方法對側(cè)面人臉的檢測率，誤檢率也遠低于其它兩種方法，但此時檢測時長低于單一Haar-like特征檢測算法，而略高于膚色與Haar-like特征檢測算法。

使用本文方法的人臉檢測率得到顯著提高，尤其是對側(cè)面人臉，這是因為針對駕駛環(huán)境，首先通過預處理降噪，增強圖像質(zhì)量，采用高斯膚色模型及駕駛過程中采集的視頻圖像中的人臉特征，設置合適的閾值，排除了大量與膚色相似的車內(nèi)背景;其次，新加入的Haar-like特征集更加符合人臉眉眼區(qū)域特點，同時也對駕駛員側(cè)臉特征進行了較好描述，使檢測方法魯棒性更好，從而提高檢測準確率。Haar-like特征算法中引入膚色特征后與單一的Haar-like特征對比，可有效降低誤檢率，改善整體檢測效果。圖6為其中一組正側(cè)面圖像人臉檢測對比，可看出基于單一的Haar-like算法雖然能正確檢測人臉部分，但卻出現(xiàn)誤檢，而采用膚色結(jié)合Haar-like特征與本文算法則正確檢測出人臉目標區(qū)域且沒有誤檢，進一步說明Haar-like特征算法中引入膚色特征的有效性。從平均檢測時長來看，本文算法可節(jié)省較多檢測時間，原因是高斯膚色模型結(jié)合駕駛員人臉區(qū)域優(yōu)化進行的膚色分割篩除了大量非膚色區(qū)域，減少待檢測窗口數(shù)量，提高了人臉檢測效率。因此，在單一的Haar-like特征算法基礎上加入膚色特征，可有效降低誤檢，而在此基礎上引入Haar-like特征擴展集則可以明顯提高人臉檢測準確率。

5 結(jié)語

本文通過膚色分割，再結(jié)合基本Haar-like擴展兩組新特征集，采用AdaBoost算法訓練檢測器，檢測駕駛員人臉。經(jīng)實驗證明，本文算法在駕駛環(huán)境下的人臉檢測準確率高、誤檢率低、速度快，檢測效果明顯好于Haar-like特征算法與膚色和Haar-like特征相結(jié)合的算法，尤其是對傾角小于45°的側(cè)面人臉檢測率顯著提高，但對于傾斜角度更大或更復雜背景下的人臉檢測，還不能滿足工程實踐要求，這是下一步研究重點。

參考文獻：

[1] HAO Z K， LIU Y， QIN H W， et al. Scale-aware face detection [C]. ?Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition，2017：1063-6919.

[2] RANGANATHA S， GOWRAMMA Y P. An integrated robust approach for fast face tracking in noisy real world videos with visual constraints[C]. ?2017 International Conference on Advances in Computing， Communications and Informatics， 2017： 772-776.

[3] RANJAN R，BANSAL A，ZHENG J， et al. A fast and accurate system for face detection， identification， and verification[J]. ?IEEE Transactions on Biometrics，Behavior，and Identity Science， 2019， 1（2）：82-96.

[4] 王慶偉，應自爐. ?一種基于Haar-Like T特征的人臉檢測算法[J]. 模式識別與人工智能， 2015， 28（1）：35-41.

[5] 王丹，趙宏偉，戴毅，等. 基于回歸的人臉檢測加速算法[J]. 重慶郵電大學學報（自然科學版），2019，31（4）：550-555.

[6] 張海濤，李美霖，董帥含. 兩層級聯(lián)卷積神經(jīng)網(wǎng)絡的人臉檢測[J]. 中國圖象圖形學報，2019，24（2）：203-214.

[7] 吳紀蕓，陳時欽. 一種改進的MTCNN人臉檢測算法[J]. 軟件導刊，2019，18（12）：78-81.

[8] VIOLA P， JONES M J. Rapid object detection using a boosted cascade of simple features[C]. ?IEEE Computer Society Conference on Computer Vision & Pattern Recognition， 2001：511-518.

[9] VIOLA P， JONES M J. Robust real-time face detection[J]. International Journal of Computer Vision， 2004， 57 （2）：137-154.

[10] 謝鳳英. ?數(shù)字圖像處理及應用[M]. ?北京：電子工業(yè)出版社， 2014 .

[11] RANJAN R，PATEL V M，CHELLAPPA R. A deep pyramid deformable part model for face detection[C]. ?International Conference on Biometrics Theory， Applications and Systems，2015：1-8.

[12] 陽崇云，桑農(nóng)，陳張一，等. ?基于膚色模型與Adaboost算法的多視角人臉檢測[J]. 華中科技大學學報（自然科學版），2015，43（S1）：271-275.

[13] 姚子怡，張清勇，李雪琪. 一種融合改進型AdaBoost和膚色模型的人臉檢測方法[J]. 計算機與數(shù)字工程，2018，46（4）： 743-749.

[14] 崔鵬，燕天天. ?融合YCbCr膚色模型與改進的Adaboost算法的人臉檢測[J]. 哈爾濱理工大學學報，2018，23（2）：91-96.

[15] 曹潔，唐瑞萍，李偉. ?基于擴展的Haar-Like特征和LBP特征的人臉壓縮跟蹤算法[J]. 傳感器與微系統(tǒng)，2019，38（11）：125-128.

[16] 魏瑋，趙芳. 基于Haar-like EB特征與幀間約束的視頻人臉定量檢測[J]. 計算機工程，2018，44（ 9） ： 250-255，262.

[17] 張彩麗，劉廣文，詹旭，等. ?基于新增haar特征和改進AdaBoost的人臉檢測算法[J]. 長春理工大學學報（自然科學版），2020，43（2）：89-93.

[18] 李晶惠，葉學義，夏胡云，等. ?基于“大T”型區(qū)域的AdaBoost人臉檢測算法[J]. 軟件導刊，2017，16（10）：22-26.

[19] 沈翔，朱建鴻. ?基于膚色與改進Adaboost算法的人臉檢測[J]. 傳感器與微系統(tǒng)，2019，38（4）：143-145.

（責任編輯：江 艷）