基于膚色統計矩和Adaboost算法的人臉檢測研究

郝存明,陳宏彩,李 倩,鄧建科

(1.河北省科學院應用數學研究所,河北石家莊 050081; 2.石家莊開發(fā)區(qū)冀科雙實科技有限公司,河北石家莊 050081; 3.保定廣播電視大學,河北保定 071000)

基于膚色統計矩和Adaboost算法的人臉檢測研究

郝存明1,2,陳宏彩1,2,李 倩1,2,鄧建科3

(1.河北省科學院應用數學研究所,河北石家莊 050081; 2.石家莊開發(fā)區(qū)冀科雙實科技有限公司,河北石家莊 050081; 3.保定廣播電視大學,河北保定 071000)

采用基于Adaboost的人臉檢測算法檢測出彩色圖像中的人臉候選區(qū)域,在此基礎上利用人臉膚色統計矩剔除非人臉區(qū)域,最終實現對人臉的準確檢測。由于本算法檢測速度快、準確率高可以應用于對實時性要求較高的智能監(jiān)控領域。

Adaboost;統計矩;HSV空間;人臉檢測;智能監(jiān)控

隨著圖像處理、模式識別和機器視覺等科學技術的發(fā)展,可以利用計算機對采集到的視頻序列進行實時的目標檢測、識別和分析,這就為實現智能化監(jiān)控提供了條件。目前對人的行為分析、跟蹤、識別已經成為智能監(jiān)控領域研究的主要內容之一[1,2]。因為人臉特征是區(qū)分個體的重要信息,所以實時、準確的人臉檢測算法已經成為智能監(jiān)控領域迫切需要的技術。

基于統計模型的方法是解決人臉檢測問題的有效途徑。Viola和Jones于2001年提出了基于Adaboost算法的方法[5],這種算法是從大量的Haar-like特征中挑選出最優(yōu)的特征并制作成強分類器用于人臉檢測,可以滿足智能監(jiān)控對人臉實時檢測的要求。但是這些特征只包含了一些人臉灰度分布特征,缺少人臉膚色的信息,這就導致在復雜場景中把一些非人臉區(qū)域誤判為人臉區(qū)域。鑒于此作者建立了膚色統計矩模型,把人臉的膚色特征融合到Adaboost人臉檢測算法當中,實現了對人臉的實時、準確檢測。

1 基于Adaboost方法的人臉檢測算法簡介

1.1 Haar-like特征

Haar-like特征最早是由Papageo rgiou等人[4]應用于人臉表示的,之后Viola等人[5]定義了(圖1中a、b、h、e)4種形式的特征模板,首次提出一種基于 Haar-like特征的穩(wěn)定、實時的人臉檢測框架。在此基礎上,Rainer等人[6]又把Haar-like特征模板擴展為15種(圖1),通過實驗表明擴展后的檢測算法可以大大提高檢測的準確率。

圖1 Haar-like特征模版

利用圖1所示的特征模板,用黑色部分的像素和減去白色部分的像素和來計算特征值。通過特征模板在圖像子窗口中平移、伸縮可以得到大量特征值。這些由圖像灰度值計算得到的特征值在邊緣方面有著很好的表現,對人的臉部特征有著非常強大的提取和編碼能力。

1.2 積分圖

由于需要對大量的訓練樣本進行訓練得到人臉的特征,為了降低計算成本Paul Viola等人[5]引入了積分圖的概念。這樣使得人臉特征值的計算只與特征模板矩形的端點的積分圖有關,不管 Haar-like特征模板的尺度如何變換,計算人臉特征的時間復雜度總是常量級。

圖2 積分圖像

圖3 積分圖像計算

由圖像的積分圖可方便快速地計算圖像中任意矩形內所有像素灰度積分:如圖3,在矩形D中的像素和可以通過四點計算得到,在點1的積分圖的和可以通過矩形A內的點的和得到,在點2的值就是A+B,在點3的值就是A+C,在點4的值就是A+B+C+D。在D內的點的和可以利用4+1-(2+ 3)計算得到。

1.3 Adaboost對人臉特征提取

采用積分圖的表示方法,可以快速從人臉樣本和非人臉樣本中計算出 Haar-like特征值,每個特征對應一個弱分類器,但并不是任何一個 Haar-like特征都能較好地描述人臉。Aaboost學習算法將由Haar-like特征生成的弱分類器疊加成為強分類器,再將強分類器串聯成級聯分類器。將強分類器串聯成級聯分類器時應遵循“先重后輕”的分級分類器原則,即將由重要特征構成的結構較簡單的強分類器放在前面,這樣可以剔除大量的偽人臉區(qū)域,提高檢測速度。A daboost檢測器的結構如圖4所示。

圖4 Adaboost檢測器的結構

2 膚色統計矩模型及實驗結果

人的膚色信息作為人臉的一個重要特征,已經在實際應用中被證明是非常有效的。雖然不同的人有不同的膚色,但是一些研究已經證明這種區(qū)別多數存在于他們的強度而不是色度上[7-9]。

在圖像處理中,統計矩主要是用來描述圖像灰度直方圖的特性,對圖像的尺度變化不敏感,已經成功地應用于人臉和車型的檢測[10]、圖像檢索[11]、隱寫檢測檢測[12,13]、此外AdaBoost人臉檢測算法檢測到的人臉尺度變化較大,選用統計矩方法對膚色特征進行建?？梢詼p小膚色特征受尺度變化的影響。灰度均值為m的n階矩為其中L為圖像的灰度級數,zi為代表灰度的隨機數,p(zi)為區(qū)域灰度直方圖。這些統計量的應用功能有:,用于描述數據的均值。

2)方差:μ2,用于度量數據取值分散性的。

3)三階矩:μ3,用于刻畫數據關于均值對稱性。

4)四階矩:μ4,用于描述數據的相對平坦性。

作者利用Adaboost人臉檢測算法對Face Detection網站的BIo ID人臉庫中的單身圖片、合影圖片進行人臉檢測,把所有檢測到的人臉區(qū)域轉換為 HSV色彩空間,提取其色調 H并計算均值m和方差μ2,通過實驗統計分析發(fā)現98%人臉區(qū)域的均值m分布在2

為檢驗本文算法的有效性,選擇了一些典型的彩色圖片作為測試對象。測試圖片分別來自B Io ID人臉檢測庫中的第26和43副合影圖片。當直接采用Adaboost人臉檢測算法對圖片進行人臉檢測時均出現誤檢測(圖5(a,c)),經過計算三幅圖片誤檢區(qū)域均值和方差分別為252和36、121和45。誤檢區(qū)域均值和方差可以通過統計矩模型排除,從而可以消除這些誤檢(圖5(b,d)),完成準確的人臉檢測。

圖5 算法的效果圖

3 結論

采用基于Adaboost和膚色統計矩結合的方法實現了對人臉的準確檢測。檢測過程中利用彩色圖像HSV空間中的人臉膚色統計矩的特性,對A daboost人臉檢測算法檢測到的區(qū)域進行進一步驗證,充分發(fā)揮了A daboost人臉檢測算法計算速度快的優(yōu)勢,又提高了人臉檢測的精度和可靠性,可以滿足智能監(jiān)控對人臉檢測實時、準確性的要求。

[1] O.Javed,K.Shafique,and M.Shah.Automated Visual Surveillancein Realistic Scenarios[J].In IEEE M ultimedia,January-March 2007,14(1):30-39.

[2] R.Collins,J.Lip ton,and T.Kanade.Introduction to the specialsection on video surveillance[J].IEEE Trans.PAM I,Aug 2000, 22(8):745-746.

[3] C.Regazzoni,V.Ramesh,and G.L.Foresti.Special issue on video communications,p rocessing,and understanding for third generation surveillance system s[J].Proceedings of the IEEE,2001,89(10):1355-1539.

[4] Lienhart R,Maydt J.An Extended Set of Haar-like Features for Rapid Object Detection[J].IEEE ICIP 2002,1:900-903.

[5] C.Papageorgiou,M.Oren,and T.Poggio.A general framework for object detection[J].International Conference on Computer Vision,Jan 1998,555-562.

[6] Viola,P.,Jones,M.,Rapid Object Detection Using a Boosted Cascade of Simp le Features[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR),December 2001,1:511-518.

[7] T.K.Leung,M.C.Burl,and P.Perona.Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching[J].Proc. Fifth IEEE Int’l Conf.Computer Vision,1995,637-644.

[8] H.P.Graf,T.Chen,E.Petajan,and E.Cosatto.Locating Faces and Facial Parts[J].Proc.First Int’l Wo rkshop Automatic Face and Gesture Recognition,1995,41-46.

[9] H.P.Graf,E.Cosatto,D.Gibbon,M.Kocheisen,and E.Petajan.Multimodal System for Locating Heads and Faces[Z].Proc. Second Int’l Conf.Automatic Face and Gesture Recognition,1996,88-93.

[10] H.Schneiderman,T.Kanade.A Statistical Method for 3D Object Detection Applied to Faces and Cars[Z].IEEE Conference on Computer Vision and Pattern Recognition(CVPR 2000),2000,1:746-751.

[11] 尚趙偉,張明新,沈鈞毅,相明.基于雙密度小波變換的紋理圖像檢索[J].西安交通大學學報,2005,39(10):1081-1084.

[12] 馬懿,張政保,馮帆,王嘉禎.基于小波奇異性分析的擴頻隱寫檢測算法[J].計算機工程,2009,35(15):159-161.

[13] S.Lyu and H.Farid.Detecting Hidden Messages using Higher Order Statistics and Support Vector Machines[J].International Wo rkshop on Info rmation Hiding,LectureNotes in Computer Science,p ringer-Verlag,2002,2578:340-354.

Face detection based on skin color moment and Adaboost Algorithm

(1.Institute of A pp lied M athmatics,Hebei Academ y of Science,Shijiazhuang Hebei,050081,China;2.SJZJ KSS Technology Co.,L td,Shijiazhuang Hebei,050081,China;3.Baoding Radio&TV University,Baoding Hebei,071000,China)

HAO Cun-ming1,2,CHEN Hong-cai1,2,LIQian1,2,DENG Jian-ke3

An face detection algorithm based on Adaboost is used to detect the face area possibly existing in the color image,then eliminate the false face area w ith skin colormoment,and in thisway accurate detection of face is achieved.the high detection rate and real-time performance of the algo rithm is suitable to intelligent surveillance.

Adaboost;Moment;HSV color space;Face detection;Intelligent surveillance

TP317

:A

1001-9383(2011)01-0006-04

2010-12-24

郝存明(1981-),男,河北宣化人,碩士,研究實習員,主要從事圖像處理和機器視覺方面的研究.