基于膚色和改進AdaBoost算法的人臉檢測

劉志波，周石琳，閆軍偉

(1.國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院，長沙 410073;2.武警石家莊士官學(xué)校通信二系，石家莊 050050)

隨著計算機和現(xiàn)代傳感技術(shù)的發(fā)展，人機交互技術(shù)日益成為人工智能領(lǐng)域中的研究熱點，其中人臉檢測已成為計算機視覺中一個備受關(guān)注的研究方向，在視頻監(jiān)視、人機交互、人臉識別等應(yīng)用中起著非常重要的作用。人臉檢測就是確定輸入圖像中是否存在人臉，如果存在則定位出每個人臉的位置、大小以及姿態(tài)。

目前，人臉檢測方法大致可分為4類:基于知識的方法、基于特征不變量的方法、模板匹配方法和基于表象的方法［1－2］。其中基于特征不變量法和基于表象的方法較為常用?；谔卣鞑蛔兞糠⒆阌诓浑S光線、表情、視角等變化的結(jié)構(gòu)特征，例如膚色、臉部特征紋理等［3］，此方法主要用在人臉定位上。通常來說這種方法處理速度較快。缺點是由于噪聲和遮擋等使圖像特征被破壞，人臉的特征被弱化，可能使得檢測算法的性能下降甚至失效?；诒硐蟮姆椒ǖ闹饕枷胧菍W(xué)習(xí)大量的人臉樣本，從而抓住人臉的典型表象來實現(xiàn)人臉的檢測，如神經(jīng)網(wǎng)絡(luò)、支持向量機(SVM)、Ada-Boost算法等［4－5］。其中基于 AdaBoost學(xué)習(xí)算法的人臉檢測方法實現(xiàn)了實時的正面人臉檢測，并且能達到較高的檢測率和較好的實時性，因此在實際中得到了廣泛運用。但該方法由于需要對所有可能的檢測窗口進行窮舉搜索，所以計算復(fù)雜度很高，而且在訓(xùn)練過程中存在過增益現(xiàn)象［6］。為了充分利用了膚色檢測的速度和AdaBoost算法檢測的高檢測率，本文將膚色檢測和AdaBoost算法結(jié)合起來，并針對傳統(tǒng)的AdaBoost算法訓(xùn)練過程中的過增益缺陷進行了改進，對其算法權(quán)重的更新規(guī)則進行了調(diào)整，增加了構(gòu)建層疊分類器訓(xùn)練過程。實驗結(jié)果表明，改進后的方法在檢測性能上得到了明顯提高。

1 膚色檢測

1.1 膚色空間

膚色是人臉重要信息，它不依賴于面部的細節(jié)特征，且對于旋轉(zhuǎn)、表情變化都具有相對穩(wěn)定性。膚色檢測方法可以很快在圖像中搜索到包含人臉的膚色區(qū)域。大量的結(jié)果表明，膚色之間的差異主要是由于亮度信息引起的，為利用皮膚顏色在色度空間的聚類性，需要把圖像中表達顏色的色度信息與亮度信息分開，因此選擇一個更適合于膚色分割的彩色空間很重要。目前，常用的彩色空間有 RGB、HSI、YUV、YCbCr等。YCbCr色彩空間和人的視覺預(yù)處理過程有著相似的結(jié)構(gòu)規(guī)則，特別是人臉檢測在YCbCr空間有著較好的聚類效果。De Dios［7］提出將YCgCr色彩空間用于人臉檢測，它同 YCbCr空間比較相似。Wang［8］證實，對于膚色，YCgCr空間比YCbCr空間有著更好的聚類性。因此，本文采用YCgCr色彩空間檢測可能的人臉區(qū)域。RGB空間可按式(1)轉(zhuǎn)換到Y(jié)CgCr空間。

1.2 膚色分割

膚色檢測即通過特定的算法獲取可能的膚色區(qū)域，包括膚色提取和膚色分割。本文采用高斯模型來提取和分割被檢圖像的膚色。YCgCr空間將亮度信息和色度信息分開，這樣可以降低亮度的影響，膚色點在Cg和Cr分量上存在一個比較穩(wěn)定的聚類分布。確定膚色點在Cg和Cr二維空間中的二維高斯模型［9］為:

其中:x為每個像素點的色度分量;Cg為第1個分量;Cr為第2個分量;M和C分別為統(tǒng)計出來的均值和協(xié)方差。

對于輸入圖像，按照式(1)將其從RGB色彩空間轉(zhuǎn)換到Y(jié)CgCr色彩空間，然后按照上面的高斯膚色模型計算其中任何像素屬于膚色區(qū)域的概率，即根據(jù)該點與高斯分布中心的距離得到其與膚色的相似度［9］，計算公式為

P(Cg，Cr)體現(xiàn)了各像素與膚色的相似程度。P(Cg，Cr)值越大表示屬于膚色的可能性也越大，反之越小。

根據(jù)膚色相似度，采用閾值化技術(shù)將圖像轉(zhuǎn)換成二值圖像來獲取膚色區(qū)域。然后，對膚色二值圖利用數(shù)學(xué)形態(tài)學(xué)運算濾除噪聲，去除小的不相關(guān)區(qū)域，再通過對圖像的連通域搜索、二值圖像的孔洞信息等條件進行篩選，得到一個比較平滑的人臉區(qū)域，如圖1所示。

圖1 膚色分割結(jié)果

2 改進AdaBoost算法

AdaBoost算法［10］的基本思想是集合大量的弱分類器來形成一個強分類器。這種算法的缺點是［11］當(dāng)訓(xùn)練集包含少數(shù)難以分類的樣本時，Ada-Boost算法會聚焦于這些特殊樣本，給這些樣本分配很高的權(quán)值，最終由于反復(fù)迭代導(dǎo)致權(quán)重分布嚴(yán)重扭曲，產(chǎn)生過增益現(xiàn)象。

為避免訓(xùn)練過程中的過增益現(xiàn)象，本文采用了一種新的權(quán)重更新方法［11］，基本思想是對每次循環(huán)設(shè)置一個權(quán)重閾值，當(dāng)樣本被錯誤分類并且其當(dāng)前權(quán)值小于閾值時，則增加樣本權(quán)值，否則減小其權(quán)值。同時在訓(xùn)練過程中構(gòu)建級聯(lián)分類器，這樣就不需要再單獨構(gòu)建分類器［12］。算法描述如下:

給定訓(xùn)練樣本{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中真假樣本的數(shù)量分別為 m和 h，yi={0，1}，i=1，2，…，n 分別對應(yīng)樣本的假和真。

1)首先，需要確定強分類器的數(shù)量P和強分類器的平均錯誤率RP、RP是序列遞減的。

2)初始化權(quán)重。設(shè) ωt，i為t次循環(huán)中第 i個樣本的誤差權(quán)重，如果 yi=1，則 ωt，i=1/2m;否則ωt，i=1/2h。

3)進行迭代操作。

②采用弱分類器算法，從確定的弱分類器中找出一個具有最小錯誤εt的弱分類器ht;

③設(shè)訓(xùn)練過程中的權(quán)重閾值為

④更新樣本權(quán)重:

其中:βt=εt/(1 － εt)，vt是使的一化因子;

⑤t=t+1。

4)計算當(dāng)前強分類器的平均錯誤率。

①集合最優(yōu)弱分類器形成強分類器

②計算強分類器的平均錯誤率

③如果ε≥Rp，進入步驟3)，其他情況進入步驟5)。

5)輸出強分類器，更新樣本進入步驟2)。

集合所有強分類器形成級聯(lián)分類器，采用改進的權(quán)重更新規(guī)則，進而有效地避免了過增益現(xiàn)象。

3 基于膚色和改進AdaBoost算法的人臉檢測

膚色檢測具有較快的速度，但由于光照的影響，那些不包括人臉的膚色區(qū)域以及和膚色相似的背景區(qū)域容易被錯誤地認(rèn)為是人臉區(qū)域，因此造成高虛警率。為了在提高檢測速度和檢測率的同時降低虛警率，本文將膚色檢測算法和改進的AdaBoost算法相結(jié)合來實現(xiàn)人臉檢測?；舅枷胧?將候選人臉區(qū)域從被檢圖像中分割出來，然后輸入到AdaBoost分類器中進行檢測。這樣就不需要對整個圖像進行掃描，因此，檢測速度可以明顯提高。圖2和圖3給出了每一步的檢測結(jié)果。

圖2 組合算法的單個人臉檢測結(jié)果

4 實驗結(jié)果及分析

本文的訓(xùn)練樣本采用 Bao face database［13］數(shù)據(jù)庫中的人臉圖像，真假樣本數(shù)量分別為2 439和4 381。測試環(huán)境為 P4，3GHz CPU，2G 內(nèi)存，操作系統(tǒng)為 Windows XP，在VC++6.0平臺上編程實現(xiàn)。部分檢測結(jié)果如圖4所示。表1是檢測率比較。表2是檢測速度比較。實驗結(jié)果表明，本文的算法較能有效避免傳統(tǒng)的AdaBoost算法中的過增益現(xiàn)象，充分利用了膚色檢測的快速性和Ada-Boost算法的準(zhǔn)確性，在檢測速度和檢測率上都比基于傳統(tǒng) AdaBoost算法的人臉檢測方法有所提高。

圖3 組合算法的單個人臉檢測結(jié)果

圖4 部分檢測結(jié)果

表1 比較檢測率和虛警率

表2 比較檢測速度 ms

5 結(jié)束語

將膚色檢測和改進AdaBoost算法檢測相結(jié)合，提出了一種新的人臉檢測方法。首先，利用膚色檢測方法確定被檢圖像中可能的人臉區(qū)域。然后，針對傳統(tǒng)AdaBoost算法在訓(xùn)練過程中的過增益現(xiàn)象進行了改進，通過新的權(quán)重更新方法，使其有效避免過增益現(xiàn)象，提高檢測率，降低誤識率。最后，將膚色檢測結(jié)果輸入到改進AdaBoost分類器中進行檢測，確定人臉。實驗結(jié)果表明，這種方法具備了膚色檢測的高速性和改進AdaBoost算法的高檢測率，達到了較好檢測效果。

［1］Cha Zhang，Zhengyou Zhang.A Survey of Recent Advances Face Detection［J］.Tech Rep，Microsoft Research，2010(3):125 －127.

［2］王展飛.基于監(jiān)控視頻的人臉檢測與實時跟蹤提?。跠］.南京:南京理工大學(xué)，2009.

［3］徐錦.人臉檢測的自適應(yīng)膚色分割算法研究［J］.貴州大學(xué)學(xué)報:自然科學(xué)版，2007，24(2):171 －174.

［4］任成娟，胡淑芳，劉崇文.子模式局部保持映射人臉識別算法［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2011，25(6):84－89.

［5］張彤，盧雯雯，肖南峰.基于BP網(wǎng)絡(luò)的人臉朝向識別方法［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2010，24(6):61－65.

［6］Paul Viola，Michael J.Jones.Robust Real-time Object Detection［M］.Cambridge:Cambridge Research Laboratory，2001:1 －24.

［7］De Dios J，Garcia N.Face Detection Based on a New color Space YCgCr［C］//Proceedings of International Conference on Image Processing.USA:［s.n.］，2003:909－912.

［8］Jian-Guo Wang，Yu-Sheng Lin，Jing-Yu Yang.First Faceregion Location Based on a Novel Color Space YcgCr［J］.Computer Science，2007，34(5):228 －233.

［9］趙明華.人臉檢測和識別技術(shù)的研究［D］.成都:四川大學(xué)，2006.

［10］Paul Viola，Michael Jones.Rapid Object Detection using a Boosted Cascade of Simple Features［C］//IEEE CVPR.USA:［s.n.］，2001.

［11］Xiong Sheng-wu，Zong Xin-lu，Zhu Guo-feng.Improved face detection method based on AdaBoost algorithm［J］.Application Research of Computers，2007，24(11):298－300.

［12］Lin Peng.Study And Implementation of Face Detection Based on AdaBoost Algorithm［D］.Xi’an:Xi’an University of Technology，2007:24 －28.

［13］Frischholz R.Bao face database at the face detection homepage［EB/OL］.［2010 － 08 － 11］.http://www.facedetection.com.