戴嫣然，戴國(guó)慶，袁玉波，2

（1.華東理工大學(xué)信息科學(xué)與工程學(xué)院，上海 200237；2.上海大數(shù)據(jù)與互聯(lián)網(wǎng)受眾工程技術(shù)研究中心，上海 200072）

（?通信作者電子郵箱dyr136006@163.com）

0 引言

如今，隨著信息社會(huì)的發(fā)展，圖像變得越來(lái)越重要，人臉又是圖像中的一個(gè)重要的分支，人臉信息在人臉跟蹤、人臉識(shí)別、視頻監(jiān)控等領(lǐng)域有著重要的應(yīng)用。人臉檢測(cè)是人臉識(shí)別的第一步，人臉檢測(cè)的準(zhǔn)確性直接影響到后面任務(wù)的可行性和效率，因此抽取正確的人臉信息是十分重要的。如何快速地提升人臉識(shí)別系統(tǒng)對(duì)不同人種的檢測(cè)性能，是一個(gè)實(shí)用的人臉識(shí)別算法應(yīng)該考慮的問(wèn)題［1］。在復(fù)雜的圖像中檢測(cè)人類皮膚已經(jīng)被證明是一個(gè)具有挑戰(zhàn)性的問(wèn)題，因?yàn)橛捎谠S多因素，如光照、種族、老化、成像條件和復(fù)雜的背景，皮膚顏色在其外觀上可以有很大的變化。

顏色是簡(jiǎn)單、直觀且有效的特征，顏色特征常常用于人臉檢測(cè)，不同顏色空間的選擇帶來(lái)的結(jié)果也有所差異［2］。Hsu等［3］提出了在YCrCb（Luminance，Red-difference Chrominance，Blue-difference Chrominance）顏色空間的人臉檢測(cè)，通過(guò)非線性變換，將像素投射到Y(jié)CrCb空間，并用橢圓區(qū)域判斷是否為膚色像素。Shaik 等［4］使用兩種顏色空間進(jìn)行皮膚檢測(cè)的對(duì)比研究，認(rèn)為HSV（Hue，Saturation，Value）顏色空間在簡(jiǎn)單背景和均勻背景下的檢出率較高，而YCbCr 顏色空間在復(fù)雜背景下的檢出率較高。Pujol等［5］提出基于模糊熵膚色分割的人臉檢測(cè)，在RGB（Red，Green，Blue）、YCbCr和HSV 三個(gè)顏色空間進(jìn)行人臉學(xué)習(xí)和模糊系統(tǒng)建模，最后進(jìn)行人臉的檢測(cè)。Bencheriet 等［6］使用膚色分割，結(jié)合局部二值模式（Local Binary Pattern，LBP）特征和高斯混合模型（Gaussian Mixed Model，GMM）模型，對(duì)人臉進(jìn)行學(xué)習(xí)，然后抽取人臉。膚色特征的使用是十分重要的，是快速、有效定位人臉大致位置的方法。不同的膚色抽取策略對(duì)分割效果也不一樣，目前沒(méi)有明確的最佳顏色空間選擇方案，本文的研究目標(biāo)是提出一種新的顏色空間融合方案，為膚色抽取提出新思路。

人臉的定位一直是人臉檢測(cè)的難點(diǎn)，基于內(nèi)容的人臉檢測(cè)一般使用人臉特征如眼睛、嘴巴等，構(gòu)造人臉模板進(jìn)行匹配。模板的大小可以使用人眼間距和人臉的比例、人臉長(zhǎng)寬比等生物特征進(jìn)行確定。早期，Brunelli 等［7］用模板匹配的方式，計(jì)算鼻子的長(zhǎng)寬、嘴的位置和下巴的形狀來(lái)進(jìn)行人臉識(shí)別。Jin等［8］設(shè)定了臉部模板，由人臉框和人眼組成，然后在膚色分割后的候選區(qū)域內(nèi)進(jìn)行人臉檢測(cè)。胡祖奎等［9］提出了一種基于分層模板的人臉檢測(cè)方法，結(jié)合膚色信息和臉部分層的特征，構(gòu)造人臉結(jié)構(gòu)的參數(shù)，檢測(cè)校園監(jiān)控中的人臉。Luo等［10］使用分類決策樹(shù)模型，對(duì)人臉進(jìn)行初步定位，然后結(jié)合人臉膚色的概率分布，得到人臉膚色區(qū)域。Wang等［11］將膚色分為深色和淺色兩種分類，并添加深色通道輔助膚色提取，然后使用模板匹配和人眼定位，將人臉框出。

不同人種的膚色信息略有差異，在膚色檢測(cè)時(shí)的策略也不同，人種的膚色信息的主要差別是亮度。Tan 等［12］提出一種融合算法，結(jié)合了2D直方圖和高斯模型，分亞洲人、非洲人和歐美人三個(gè)人種，在對(duì)數(shù)顏色空間（Log Opponent chromaticity space，LO）中進(jìn)行膚色分割。Klevan 等［13］提出了不同的顏色空間融合方法，并將人臉?lè)殖煞侵奕?、亞洲人、歐美人和其他人種四個(gè)分類，最后用閾值濾波器將非膚色像素剔除，從而得到膚色像素。合理地對(duì)膚色進(jìn)行分類和檢測(cè)是重要的，將膚色根據(jù)人種進(jìn)行分割可以得到更加完整的膚色前景。

目前利用深度學(xué)習(xí)進(jìn)行人臉檢測(cè)的方法已經(jīng)很多，Hao等［14］使用不同比例的網(wǎng)絡(luò)計(jì)算出圖像中人臉的尺度分布，然后按照該尺度歸一化圖像，再進(jìn)行人臉檢測(cè)。Hu等［15］從尺度不變性、圖像分辨率、上下文推理三方面對(duì)小臉檢測(cè)算法進(jìn)行改進(jìn)，得到很好的效果。Li等［16］提出對(duì)偶的人臉檢測(cè)器，對(duì)特征進(jìn)行增強(qiáng)，并改進(jìn)錨點(diǎn)匹配策略，模型具有極高的魯棒性和穩(wěn)定性。目前的深度學(xué)習(xí)算法大多針對(duì)人臉檢測(cè)，較少有人臉內(nèi)容抽取的方法，人臉抽取相關(guān)的數(shù)據(jù)集也不足，用深度學(xué)習(xí)實(shí)現(xiàn)人臉抽取較困難。本文提出遺傳算法，對(duì)人臉內(nèi)容進(jìn)行計(jì)算，判斷人臉區(qū)域，對(duì)內(nèi)容進(jìn)行抽取，不依賴大量的數(shù)據(jù)集，也可以完成人臉抽取。

在多人場(chǎng)景下，根據(jù)顏色信息進(jìn)行膚色分割在多人臉或復(fù)雜背景下容易失效，不同人種的檢測(cè)率也不一樣，白色人種和黃色人種的檢測(cè)率最高。因此，為了解決不同人種的膚色分割問(wèn)題和人臉抽取不完整的問(wèn)題，本文提出基于膚色學(xué)習(xí)的人臉抽取方法，將膚色按照四種人種進(jìn)行分割，分別是白色人種、黃色人種、棕色人種和黑色人種，并結(jié)合人臉生物特征，對(duì)人臉?lè)秶M(jìn)行判斷和框定，同時(shí)，利用遺傳機(jī)制的思想，將人臉從膚色前景中抽取得更加準(zhǔn)確和完整。

1 基于膚色學(xué)習(xí)的多人臉前景抽取方法

本文提出一種基于膚色學(xué)習(xí)多人臉前景抽取方法，其技術(shù)框架如圖1，關(guān)鍵思想是對(duì)不同人種的膚色進(jìn)行學(xué)習(xí)，根據(jù)學(xué)習(xí)得到的參數(shù)和閾值進(jìn)行膚色前景分割，并利用遺傳機(jī)制的思想，結(jié)合膚色信息，將人臉區(qū)域進(jìn)行生長(zhǎng)，得到較為完整的人臉前景。

圖1 基于膚色學(xué)習(xí)的多人臉前景抽取方法流程Fig.1 Flow chart of multi-face foreground extraction method based on skin color learning

首先，建立基于膚色學(xué)習(xí)的膚色分割模型。本文將人種分為四種:白種人、黃種人、棕種人和黑種人，從各種圖像中抽取不同膚色人種的膚色塊，對(duì)膚色塊進(jìn)行顏色空間的轉(zhuǎn)換和像素分布分析，可以得到膚色像素的分布情況，從而計(jì)算膚色閾值，構(gòu)造膚色模型。

其次，對(duì)輸入多人臉圖像進(jìn)行光線補(bǔ)償。真實(shí)場(chǎng)景照片會(huì)受到不同光線的影響，圖像中可能會(huì)存在光線不平衡的情況而造成色彩偏差，為了抵消這種整個(gè)圖像中存在的色彩偏差，進(jìn)行光線補(bǔ)償。根據(jù)建立好的膚色模型，對(duì)光線補(bǔ)償后的圖像進(jìn)行膚色前景分割。

然后，確定遺傳機(jī)制的初始種子塊和生長(zhǎng)區(qū)域。利用自適應(yīng)回歸窗模型［17］，檢測(cè)人臉特征點(diǎn)，結(jié)合膚色模型抽取到的前景信息，選出在人臉前景中的特征點(diǎn)，作為初始種子塊，人臉的最大范圍作為遺傳機(jī)制的生長(zhǎng)區(qū)域。

最后，構(gòu)造遺傳機(jī)制的適應(yīng)性函數(shù)，在生長(zhǎng)區(qū)域范圍內(nèi)進(jìn)行遺傳生長(zhǎng)，經(jīng)過(guò)選擇、交叉、變異后，可以提取出更加完整的人臉區(qū)域。

2 基于膚色學(xué)習(xí)的人臉前景分割模型

對(duì)于給定的包含多人臉的圖像I，人臉前景分割的問(wèn)題定義如下:

定義1對(duì)于給定的含有N（N≥3）個(gè)人臉彩色圖像I，表示如下:

其中:p(x，y)表示(x，y)處的像素值；Ω為整個(gè)圖像區(qū)域。

多人臉前景抽取的目標(biāo)定義是尋找最優(yōu)的子集F*?I，使得F*里面非人臉的像素點(diǎn)盡可能少，模型表示如下:

其中C(pi)是計(jì)算器，記錄F*中非人臉像素點(diǎn)的數(shù)目，表達(dá)式如下:

該問(wèn)題的關(guān)鍵在于如何判斷pi是人臉點(diǎn)。事實(shí)上，多人臉前景抽取模型可以等價(jià)定義為區(qū)域分割問(wèn)題，即尋找Ω的N個(gè)子集Ωi(i=1，2，…，N)，滿足:

人臉前景即為:

也稱Ωb為背景。

從上面模型可以看出，每一個(gè)人臉區(qū)域Ωi應(yīng)該具備兩個(gè)重要的特征:首先要是皮膚點(diǎn)，其次要在人臉區(qū)域內(nèi)。從技術(shù)層面看，第一任務(wù)是從圖像I里抽取膚色點(diǎn)，定義為膚色前景。

2.1 膚色前景抽取

膚色前景定義如下:

定義2人臉彩色圖像I的膚色前景S定義為其子集S?I，使得S里面包含盡可能多的膚色點(diǎn)，模型表示如下:

其中s(pi)是計(jì)算器，記錄S中膚色點(diǎn)的像素?cái)?shù)目，表達(dá)式如下:

從上面定義可以看出，膚色前景的關(guān)鍵在于如何判斷pi是膚色點(diǎn)，由于膚色是人種的主要特征，不同的人種，膚色有差異，因此這個(gè)問(wèn)題的關(guān)鍵在于以下兩個(gè)問(wèn)題:

問(wèn)題1 地球上常見(jiàn)人種有幾類？

問(wèn)題2 每一種人種膚色均值E(pr)是多少？

根據(jù)本文第1 章的敘述，問(wèn)題1 的答案是四種；但是對(duì)于問(wèn)題2，由于每一種族的個(gè)體差異也是比較大的，所以由于樣本選擇不同其均值必有差異，通過(guò)對(duì)國(guó)際上現(xiàn)有人臉圖像進(jìn)行分析，本文選擇了著名的SFA 數(shù)據(jù)庫(kù)作為膚色的參考數(shù)據(jù)庫(kù)。四種人種膚色樣本圖片塊如圖2所示。

圖2 四種人種膚色樣本圖片塊Fig.2 Sampled image blocks of four racial skin color

判斷種族的模型定義如下:

其中E(pr)表示第r種人種膚色的像素期望值。

膚色的像素期望值E(pr)的計(jì)算模型如下:

其中c(Nr)表示第r種人種標(biāo)準(zhǔn)樣本膚色塊的像素點(diǎn)數(shù)量。

標(biāo)準(zhǔn)膚色塊方差σr定義如下:

由此，第r種人種的膚色點(diǎn)判定區(qū)間定義為:

2.2 人臉?lè)N子區(qū)域抽取

人臉的種子區(qū)域定義如下:

定義3人臉?lè)N子區(qū)域C定義為各個(gè)人臉?lè)N子區(qū)域Ci的并集。

人臉膚色前景S與人臉特征點(diǎn)所圍區(qū)域G*的交集，使得C中的點(diǎn)均為人臉上的點(diǎn)，模型表示如下:

其中N為人臉彩色圖像I的人臉個(gè)數(shù)。

人臉特征點(diǎn)使用基于自適應(yīng)回歸窗模型的特征點(diǎn)定位方法，抽取初步定位的68個(gè)人臉特征點(diǎn)，記為:

其中，Ki為模型抽取到的單個(gè)人臉的68 個(gè)特征點(diǎn)，1～18 號(hào)點(diǎn)為人臉輪廓點(diǎn)，記為Ki*。

將人臉輪廓點(diǎn)Ki*與膚色前景S作交集，在膚色前景S中的點(diǎn)，就作為種子點(diǎn)

最后將各個(gè)種子點(diǎn)作凸集合，得到種子區(qū)域Ci。因此，人臉特征點(diǎn)所圍區(qū)域Ci可以定義為:

2.3 人臉再生

根據(jù)前面得到的候選人臉前景C，人臉再生的目標(biāo)是在給定的有效范圍內(nèi)，對(duì)不完整的人臉進(jìn)行像素級(jí)的判斷，利用遺傳機(jī)制，生長(zhǎng)出完整的人臉區(qū)域。

其中r(pi)是計(jì)算器，記錄Ωi中人臉區(qū)域的像素?cái)?shù)目。Ei是第i張候選人臉的生長(zhǎng)有效范圍，確定模型如下:

其中(xi，yi)是候選人臉區(qū)域的中心點(diǎn)，計(jì)算式如下:

a、b是橢圓區(qū)域的短半軸和長(zhǎng)半軸，計(jì)算式如下:

人臉再生的有效范圍如圖3 所示。在式（17）中，Ωi的生成采用遺傳機(jī)制，基本像素生成原理參照文獻(xiàn)［18］。

圖3 人臉特征點(diǎn)示意圖Fig.3 Schematic diagram of face features

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)從網(wǎng)絡(luò)及現(xiàn)有數(shù)據(jù)庫(kù)中，隨機(jī)選擇多人臉圖像，構(gòu)建包括100 張多人臉圖像的數(shù)據(jù)集，人臉圖像分別來(lái)自網(wǎng)絡(luò)高清圖像、Pratheepan Dataset［19］和 BaoDataBase。Pratheepan Dataset 圖像是從谷歌隨機(jī)下載的用來(lái)進(jìn)行人體皮膚檢測(cè)方法的研究，這些圖像是在不同的光照下，并通過(guò)不同的色彩增強(qiáng)方法處理得到的。BaoDataBase 由274 張不同場(chǎng)景下的單一人臉和多人臉圖像組成。

第一類圖像來(lái)自網(wǎng)絡(luò)高清圖片，包括不同場(chǎng)景的合照，選取的場(chǎng)景包括室內(nèi)和室外和合影，共50 張，示意圖如圖4所示。

圖4 第一類圖片F(xiàn)ig.4 Images of first class

第二類圖像來(lái)自Pratheepan Dataset，包括不同家庭的合照，共25張，示意圖如圖5所示。

圖5 第二類圖片F(xiàn)ig.5 Images of second class

第三類圖像來(lái)自BaoDataBase，共25 張，示意圖如圖6所示。

圖6 第三類圖片F(xiàn)ig.6 Images of third class

3.2 評(píng)價(jià)指標(biāo)及實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)的運(yùn)行環(huán)境為:Windows10 64位操作系統(tǒng)，硬件配置是Intel Core i5-7200U 的CPU，2.50 GHz 的主頻和8 GB 的RAM，在Python3.6.5的環(huán)境中編程實(shí)現(xiàn)。

本文采用準(zhǔn)確率（Precision，P）、召回率（Recall，R）和Fβ三個(gè)評(píng)價(jià)指標(biāo)，其計(jì)算式如下:

其中:TP表示實(shí)際為正、預(yù)測(cè)成正的個(gè)數(shù)；FP表示實(shí)際為負(fù)、預(yù)測(cè)成正的個(gè)數(shù)；FN實(shí)際為正、預(yù)測(cè)成負(fù)的個(gè)數(shù)。

Fβ能夠很好地評(píng)估分割結(jié)果的整體性能，計(jì)算式如下:

因?yàn)槿四樓熬疤崛≈袦?zhǔn)確率的重要程度高于召回率，因此這里取β為1，即F1。

準(zhǔn)確率越高表示算法返回的相關(guān)結(jié)果比不相關(guān)的結(jié)果越多，召回率越高表示算法返回的相關(guān)結(jié)果越多。Fβ是準(zhǔn)確率和召回率的加權(quán)調(diào)和平均數(shù)。Fβ越高表示一個(gè)方法在不犧牲精度的情況下越能達(dá)到高的查全值。

針對(duì)人臉前景區(qū)域，選擇文獻(xiàn)［20］的基于高斯變差的自動(dòng)前景提?。╝utoMatic Foreground extraction based on Difference Of Gaussian，F(xiàn)MDOG）方法、文獻(xiàn)［18］的基于遺傳機(jī)制和高斯變差的前景目標(biāo)提?。‵Oreground extraction with Genetic mechanism and difference of Guassian，GFO）方法、文獻(xiàn)［17］的人臉關(guān)鍵點(diǎn)檢測(cè)方法和文獻(xiàn)［21］的人臉?lè)指罘椒ㄅc本文方法進(jìn)行收取結(jié)果對(duì)比。文獻(xiàn)［20］方法使用圖像分割算子，結(jié)合高斯變差提取關(guān)鍵點(diǎn)，構(gòu)建自動(dòng)前景目標(biāo)提取模型。文獻(xiàn)［18］方法使用改進(jìn)的圖像分割算子（Normalized cut，Ncut），結(jié)合遺傳算法，自動(dòng)抽取前景。文獻(xiàn)［21］方法使用維諾圖和2D（Dimensional）直方圖算法進(jìn)行人臉?lè)指睢Ｈ悎D片的實(shí)驗(yàn)結(jié)果如圖7～9所示。

圖7 不同方法對(duì)第一類圖片的人臉?lè)指罱Y(jié)果Fig.7 Face segmentation results of first-class images by different methods

圖8 不同方法對(duì)第二類圖片的人臉?lè)指罱Y(jié)果Fig.8 Face segmentation results of second-class images by different methods

圖9 不同方法對(duì)第三類圖片的人臉?lè)指罱Y(jié)果Fig.9 Face segmentation results of third-class images by different methods

文獻(xiàn)［20］方法可以提取大部分目標(biāo)前景，但是前景存在目標(biāo)缺損或者冗余等問(wèn)題。文獻(xiàn)［18］方法是對(duì)文獻(xiàn)［20］方法的改進(jìn)，它可以很好地解決文獻(xiàn)［20］方法存在的問(wèn)題，可以提取到更加精確的目標(biāo)前景，但是對(duì)于人臉前景的提取仍不完整。文獻(xiàn)［17］方法主要提取特征區(qū)域，提取到的部分肯定為人臉區(qū)域，但是會(huì)丟失人臉邊緣和輪廓信息，缺乏完整性，也無(wú)法提取整個(gè)臉部區(qū)域。文獻(xiàn)［21］方法對(duì)于單人臉的簡(jiǎn)單場(chǎng)景效果較好，但是對(duì)于室外的場(chǎng)景，會(huì)引入非人臉的像素點(diǎn)。本文所提的方法可以有效剔除非人臉的膚色區(qū)域，并且將整個(gè)人臉區(qū)域，包括額頭等區(qū)域都提取完整，是更加有效的人臉前景抽取方法。

五種方法的準(zhǔn)確率、召回率、F1值對(duì)比如圖10～圖12所示。

由圖10 可以看出，本文所提方法的準(zhǔn)確率明顯高于文獻(xiàn)［20］方法和文獻(xiàn)［21］方法，略低于文獻(xiàn)［17］方法。文獻(xiàn)［20］方法會(huì)存在很多非人臉的區(qū)域如脖子、手臂等，結(jié)果過(guò)于冗余，造成誤檢率的升高，因此平均準(zhǔn)確率為85.6%。文獻(xiàn)［18］方法可以更準(zhǔn)確提取到前景，減少冗余，因此為人臉的概率很大，因此誤檢率較少，平均準(zhǔn)確率也提升到95.7%。文獻(xiàn)［17］方法側(cè)重于人臉特征點(diǎn)的提取，抽取區(qū)域基本都是人臉區(qū)域，因此誤檢率較少，但是仍有很多人臉區(qū)域無(wú)法捕捉到。文獻(xiàn)［21］方法基于維諾圖和直方圖的分割，會(huì)引入與膚色像素相近的像素。本文方法可以檢測(cè)完整的人臉區(qū)域，抽取到完成的人臉前景，平均準(zhǔn)確率提升至98.4%；但是當(dāng)頭發(fā)與背景的顏色和人臉很接近時(shí)，會(huì)造成誤檢率的上升。

圖10 不同方法的準(zhǔn)確率對(duì)比Fig.10 Precision comparison of different methods

由圖11 可以看出，本文所提方法的召回率穩(wěn)定優(yōu)于其他四種方法。文獻(xiàn)［20］方法的結(jié)果涵蓋與皮膚顏色相近的像素，因此漏檢率較低，平均召回率為81%。文獻(xiàn)［18］方法的結(jié)果作為人臉?lè)N子塊，要確保種子點(diǎn)都在膚色人臉橢圓范圍內(nèi)，因此比人臉小很多，造成了漏檢率的升高，平均召回率也相較文獻(xiàn)［20］方法要低很多，為57.8%。文獻(xiàn)［17］方法抽取人臉主要特征區(qū)域，會(huì)漏檢非特征區(qū)域，導(dǎo)致人臉前景抽取不完整。文獻(xiàn)［21］方法使用距離變化選擇感興趣的區(qū)域，因此人臉區(qū)域能有效檢出，平均召回率為95.5%。本文所提方法能有效抽取人臉，遺傳機(jī)制可以補(bǔ)全人臉區(qū)域，減少漏檢的像素?cái)?shù)，但如果人臉在極端光線下，抽取結(jié)果較差，導(dǎo)致漏檢率升高，平均召回率為89.5%，低于文獻(xiàn)［21］方法。

圖11 不同方法的召回率對(duì)比Fig.11 Recall comparison of different methods

由圖12 可以看出，作為準(zhǔn)確率和召回率的調(diào)和，F(xiàn)1值可以通過(guò)使用準(zhǔn)確率和召回率來(lái)提供對(duì)測(cè)試表現(xiàn)更現(xiàn)實(shí)的度量。可以看出，本文所提方法的F1值均大于其他四種方法，達(dá)到87.3%，表明本文方法的總體結(jié)果優(yōu)于其他四種方法，具有更強(qiáng)的可靠性和魯棒性。文獻(xiàn)［17］方法能有效抽取人臉特征，在抽取人臉區(qū)域時(shí)也具有較好的效果，雖然漏檢率高，但是抽取的區(qū)域均為人臉區(qū)域，降低了誤檢率，因此F1值為78.2%。文獻(xiàn)［20］方法和文獻(xiàn)［21］方法的誤檢率高，文獻(xiàn)［18］方法的漏檢率高，因此這三個(gè)方法F1值的均值在42.2%～70.9%。

圖12 不同方法的F1值對(duì)比Fig.12 F1 value comparison of different methods

3.3 時(shí)間評(píng)估

對(duì)100張人臉圖像的修復(fù)耗時(shí)箱型圖如圖13所示。本文方法在人臉抽取耗時(shí)上略多于其他方法。對(duì)于所有人臉圖像進(jìn)行實(shí)驗(yàn)，文獻(xiàn)［20］方法的平均耗時(shí)為27.5 s，文獻(xiàn)［18］方法的平均耗時(shí)為34.6 s，文獻(xiàn)［17］方法的平均耗時(shí)為4.4 s，文獻(xiàn)［21］方法的平均耗時(shí)為11.1 s，本文方法的平均耗時(shí)為48.4 s。算法耗時(shí)與圖片像素有關(guān)，文獻(xiàn)［18］方法與本文方法使用遺傳算法，在精確抽取的同時(shí)會(huì)增加時(shí)間消耗。文獻(xiàn)［17］方法使用學(xué)習(xí)好的模型，人臉抽取的速度較快。

圖13 不同方法的耗時(shí)箱型圖對(duì)比Fig.13 Comparison of time-consuming box plots of different methods

4 結(jié)語(yǔ)

在多人臉場(chǎng)景下，現(xiàn)有基于內(nèi)容的人臉抽取并不是很完善，無(wú)法抽取完整的人臉區(qū)域，因此本文提出了基于膚色學(xué)習(xí)的人臉抽取技術(shù)。首先，按照四個(gè)人種的膚色進(jìn)行膚色學(xué)習(xí)，四個(gè)人種分別為白色人種、黃色人種、棕色人種和黑色人種，根據(jù)學(xué)習(xí)到的膚色模型進(jìn)行膚色分割，可以分割到更加完整的膚色區(qū)域；然后，利用遺傳機(jī)制的思想，結(jié)合人臉特征點(diǎn)的先驗(yàn)信息，對(duì)人臉區(qū)域進(jìn)行遺傳生長(zhǎng)，從而將人臉區(qū)域抽取得更加完整。本文方法雖然具有較高的復(fù)雜度，但其準(zhǔn)確率和召回率相較其他方法有明顯提升。

未來(lái)的工作中，可研究改進(jìn)遺傳種子和遺傳區(qū)域的選取，基于深度學(xué)習(xí)進(jìn)行人臉?lè)秶_定，并選取種子點(diǎn)，提高遺傳算法的精確度。