基于數(shù)字圖像處理技術的人臉檢測算法研究

何 莉，羅艷芳

(武昌職業(yè)學院 電子信息工程學院，湖北 武漢 430202)

基于數(shù)字圖像處理技術的人臉檢測算法研究

何 莉，羅艷芳

(武昌職業(yè)學院 電子信息工程學院，湖北 武漢 430202)

為了提高人臉檢測的準確性及檢測速度，需要對基于數(shù)字圖像處理技術的人臉檢測算法進行研究；使用當前方法進行人臉檢測時，需要提取臉部特征數(shù)目較多、檢測速度過慢，降低人臉檢測效率；為此，提出一種基于數(shù)字圖像處理技術的人臉檢測算法；該方法首先獲取人臉數(shù)字圖像，通過拉開數(shù)字圖像的灰度間距，使數(shù)字圖像灰度均勻分布，進而提高數(shù)字圖像對比度，使圖像更加清晰，再通過Wiener維納濾算法對處理后的數(shù)字圖像進行圖像平滑去噪，在此基礎上使用Robert邊緣檢測算子方法對數(shù)字圖像人臉邊緣每個像素點檢測，得到數(shù)字圖像中人臉邊緣的基本圖像，將其輸入到計算機數(shù)字圖像處理系統(tǒng)中進行識別檢測；實驗仿真證明，所提算法在檢測速度及準確性等方面具有明顯的優(yōu)勢。

數(shù)字圖像；圖像處理；人臉檢測

0 引言

近年來隨著計算機技術的發(fā)展，人臉檢測技術也是近年來研究的熱點，受到IT人員的關注。人臉檢測技術是人臉識別的前期工作，在很多方面都有應用價值，如：身份驗證、人機交互、可視通信、公安檔案管理等[1]。然而使用現(xiàn)在的技術需要提取特征數(shù)據較多、識別慢[2]。為使人臉檢測技術在提取人臉數(shù)字圖像中特征數(shù)據較少的情況下，也可以快速準確對人臉進行檢測識別，為此，提出了一種基于數(shù)字圖像處理技術的人臉檢測算法。該方法首先獲取人臉數(shù)字圖像，通過拉開數(shù)字圖像的灰度間距，使數(shù)字圖像灰度均勻分布，進而提高數(shù)字圖像對比度，使圖像更加清晰，再以Wiener維納濾算法對處理后的數(shù)字圖像進行平滑去噪處理，Wiener維納濾算法將圖像視為小波粒子，以小波粒子的速度以及位置來優(yōu)化計算公式，得到準確的最優(yōu)解。在此基礎上使用Robert邊緣檢測算子方法對數(shù)字圖像人臉邊緣每個像素點檢測，并在一定的灰度值區(qū)間對該像素的灰度進行調節(jié)，得到人臉數(shù)字圖像中邊緣的基本圖像，將其結果輸入到計算機數(shù)字圖像處理系統(tǒng)中進行識別檢測。通過數(shù)字圖像處理技術進行人臉檢測，即使提取的人臉特征較少，也可達到較高的準確率及速度，數(shù)字圖像處理技術是解決上述問題的有效途徑，受到許多相關人士的關注與重視，由于人臉檢測技術具有深遠的發(fā)展意義，因此逐漸成為了研究的焦點課題，受到了廣泛的關注，同時也取得了一定的成果[3-5]。

現(xiàn)有的人臉識別檢測技術有：文獻[6]提出一種基于小波分解的人臉檢測算法，該算法使用小波分解提取待認證人臉的面部特征，并把提取的人臉面部特征以向量的方式表示出來，再利用SVM(Support Vector Machine支持向量機)分類器對提取的人臉特征向量進行分類，將分析的結果與待認證人的預留信息進行核對。該算法的人臉檢測技術準確率較高，但該算法在人臉特征提取時受光照變化的影響，提取的人臉特征不穩(wěn)定。文獻[7]提出一種基于彈性圖人臉匹配(FEGM)的檢測算法。先使用Gabor對人臉特征(如眼、鼻子、嘴等)進行檢測、定位，形成人臉特征數(shù)據組，再利用代價函數(shù)對每個人臉特征進行彈性匹配，代價函數(shù)越小，得到的人臉檢測結果越準確。該算法提高了人臉檢測技術的人臉識別精度，但該算法提取的人臉面部特征較多，影響人臉識別速度。文獻[8]提出一種基于YCbCr聚類的人臉檢測算法。該方法可以自適應對數(shù)字圖像進行光照補償，根據數(shù)字圖像灰度的深淺分別建立區(qū)域模型和高斯模型，使用區(qū)域模型的分割結果除去高斯噪聲，降低噪聲對數(shù)字圖像人臉檢測的影響，利用自適應閾值對圖像灰度分割，得到灰度圖像的候選區(qū)域。將分割出來圖像進行形態(tài)學處理，以先前知識的檢測算法對灰度圖像進行篩選，確定人臉的位置，并對其進行檢測。該算法可以反映出人臉特征數(shù)據的真實分布，但由于計算量過大，使得檢測速度過慢[9-10]。

針對上述問題，提出一種基于數(shù)字圖像處理技術的人臉檢測算法。實驗仿真證明，數(shù)字圖像處理算法以少量特征數(shù)據，也可以快速準確對人臉進行檢測識別。

1 基于數(shù)字圖像處理技術的人臉檢測算法研究

1.1 人臉檢測中數(shù)字圖像處理技術

數(shù)字圖像處理技術一般都在計算機上進行，因此，圖像處理技術又稱計算機數(shù)字圖像處理。首先在計算機上對數(shù)字圖像進行對比度調節(jié)及去噪的基礎的處理，在對數(shù)字圖像中人臉邊緣檢測。(1)圖像灰度變換：圖像灰度變換是指在攝像時很多因素都會造成數(shù)字圖像的對比度不足，導致在計算機數(shù)字圖像技術下分辨不清楚圖像中的細節(jié)，而對數(shù)字圖像進行灰度處理可以有效提高對比度。影響數(shù)字圖像對比度的因素有：成像時曝光不足或曝光過度、成像設備的非線性、圖像記錄設備動態(tài)范圍太窄等因素等。這時我們需要對數(shù)字圖像的灰度進行改變，把數(shù)字圖像的灰度間距拉開或者使數(shù)字圖像的灰度調節(jié)均勻，從而提高數(shù)字圖像的對比度，使數(shù)字圖像更加清晰，已達到圖像處理技術的要求。

處理數(shù)字圖像灰度是為了提高數(shù)字圖像的清晰度，使數(shù)字圖像在數(shù)字化的時候更加的準確。變換數(shù)字圖像的灰度值，對原圖像中的每個像素點進行改變，使數(shù)字圖像畫質更加清新。數(shù)字圖像灰度變換有時又被稱為數(shù)字圖像對比度增強或對比度拉伸。在計算機數(shù)字圖像處理系統(tǒng)中輸入數(shù)字圖像得到圖像數(shù)據，數(shù)字圖像灰度值用濃淡度表示。假設原數(shù)字圖像的灰度值為D=f(x,y)，處理過的數(shù)字圖像的灰度值為D′=g(x,y)，因此，數(shù)字圖像灰度增強度可以表示為:

g(x,y)=T[f(x,y)]

(1)

或

D′=T(D)

(2)

公式中的D和D′必須在數(shù)值數(shù)字圖像灰度值的取值范圍內。數(shù)字圖像灰度變換函數(shù)以函數(shù)T(D)表示；

數(shù)字圖像灰度變換函數(shù)描述了數(shù)字圖像的輸入灰度值與輸出灰度值之間的轉換關系。當確定一個數(shù)字圖像灰度變換函數(shù)時,相當于確定一個增強數(shù)字圖像灰度的具體方法，進而確定該數(shù)字圖像的每個像素點灰度的處理方案。數(shù)字圖像灰度變換函數(shù)各不相同,即便是同一個數(shù)字圖像也會有不同的處理結果。選擇數(shù)字圖像的灰度變換函數(shù)時，應考慮數(shù)字圖像的性質和處理數(shù)字圖像目的來決定。經過灰度變換處理后數(shù)字圖像的對比度得到擴展，使得數(shù)字圖像變得更加清晰容易識別。

(2)圖像平滑去噪：進行人臉檢測的時候噪聲對人臉檢測的影響非常大，然而當前的圖像處理技術噪聲處理并不好，經常出現(xiàn)漏檢甚至無法準確檢測人臉的現(xiàn)象。因此，近年來IT人員對數(shù)字圖像去噪進行了研究。經過多年的研究在許多經典算法中，數(shù)字圖像處理技術的Wiener維納濾算法圖像去噪效果較為突出，數(shù)字圖像處理技術還包括均值濾波算法和中值濾波算法，這兩類算法去噪時數(shù)字圖像領域半徑越大，效果越好，但數(shù)字圖像處理代價越大。因此提出Wiener維納濾算法進行圖像去噪。Wiener維納濾算法是將數(shù)字圖像視為小波粒子，以小波粒子兩個極值的更新實現(xiàn)圖像去噪。該算法以小波粒子的速度以及位置來優(yōu)化計算公式，從而得到即準確又靈活的最優(yōu)解，將結果帶入Wiener維納濾算法中進行數(shù)字圖像去噪。

(3)數(shù)字圖像人臉邊緣檢測：數(shù)字圖像人臉邊緣檢測是數(shù)字圖像邊緣灰度像素階躍變化或屋頂形狀變化的集合，該集合存在于目標與背景、目標與目標、區(qū)域與區(qū)域之間。數(shù)字圖像人臉邊緣檢測在人臉圖像分析過程中是十分重要的，是數(shù)字圖像人臉邊緣檢測中最關鍵的一步，是提取數(shù)字圖像特征的重要屬性。數(shù)字圖像人臉邊緣檢測有兩個特性：數(shù)字圖像人臉邊緣的方向及數(shù)字圖像人臉邊緣的幅度。水平于數(shù)字圖像人臉邊緣方向的數(shù)字圖像像素變化平緩，而垂直于數(shù)字圖像人臉邊緣方向的數(shù)字圖像像素變化劇烈，形成階躍型和房頂型。

數(shù)字圖像中落在人臉邊緣的像素，將其在一定的灰度值區(qū)間內對灰度進行調節(jié)。數(shù)字圖像的灰度變化率和方向兩個特征起了主要的作用。數(shù)字圖像人臉邊緣檢測技術使用Robert邊緣檢測算子對每個像素點檢測，并對其進行灰度變化率的量化及方向的確定。其公式如下：

G[f(x,y)]=

(3)

其中:f(x,y)是所有數(shù)字圖像像素點坐標。

1.2 數(shù)字圖像處理技術提取人臉特征算法研究

人臉檢測過程中首要過程就是人臉特征的提取。所以用haar-like特征來表示數(shù)字圖像中人臉的特征，haar-like特征可以利用矩形模板計算數(shù)字圖像人臉特征值，該矩形模板由兩個或多個黑色和白色矩形組成，白色矩形的像素減去黑色矩形的像素就是數(shù)字圖像人臉特征的像素值。經常使用的3種數(shù)字圖像人臉特征有(見圖1)：兩矩形、三矩形和四矩形的特征。

圖1 矩形特征

圖1中，A和B是兩矩形數(shù)字圖像人臉特征，兩矩形數(shù)字圖像特征值計算公式為：

V=S白-S黑

(4)

C是三矩形數(shù)字圖像人臉特征，三矩形數(shù)字圖像特征值計算公式為：

V=S白-2S黑

(5)

公式中S表示相同顏色矩形的和，V為數(shù)字圖像人臉特征值，D是四矩形數(shù)字圖像人臉特征，四矩形數(shù)字圖像特征值計算公式同A和B兩矩形數(shù)字圖像特征計算公式相同。

1.3 基于數(shù)字圖像處理技術的人臉檢測算法

通過數(shù)字圖像處理技術提取人臉特征之后，為了挑選出有效的人臉特征，為此我們使用Adaboost分類器對數(shù)字圖像中有效的人臉特征進行選擇。在一幅24×24的圖像中可以提取出28萬之多的人臉特征，而Adaboost分類器可以在28萬之多的人臉特征中挑選出對人臉檢測結果有用的人臉特征。Adaboost分類器的具體流程如下：

1)給定樣本數(shù)字圖像為:

(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)

其中:yi∈{1,0}。

2)Fort=1,2,...,T(T表示Adaboost分類器個數(shù))

(1)初始化數(shù)字圖像樣本權重:

(6)

其中:m是正樣本數(shù)字圖像人臉圖片樣本數(shù)，p是負樣本非數(shù)字圖像人臉圖片樣本數(shù);

(2)歸一化樣本權重:

(7)

使得權重ωt,i可以表示概率分布;

(3)每一個人臉特征都對應一個Adaboost分類器:

(8)

其中:pj表示一個指示數(shù)字圖像人臉邊緣不等式方向的參數(shù)，fj(x)表示數(shù)字圖像人臉特征值，θj表示數(shù)字圖像人臉邊緣不等式位置；

(4)選擇具有最小加權誤差εt的Adaboost分類器ht；

(5)更新樣本權重ωt+1=ωt,iβet,j，其中:

(9)

(10)

3)最終Adaboost分類器輸出為:

(11)

其中:

(12)

使用Adaboost分類器流程圖如圖2所示。第一步將數(shù)字圖像人臉特征值輸入計算機內，獲取正樣本(人臉圖片)和負樣本(非人臉圖片)，第二步，對目標樣本提取Haar-Like特征，再利用Adaboost分類器進行挑選，選出達到數(shù)字圖像處理技術指定的虛警率，不符合的數(shù)字圖像人臉特征樣本的Haar-Like特征將保存到臨時文件中。第三步，將Adaboost分類器輸出的人臉特征樣本輸入到計算機內，進行進一步的處理。

圖2 Adaboost分類器流程圖

2 實驗結果與分析

為了證明本文提出的數(shù)字圖像處理技術在人臉檢測中的可行性，需要進行仿真實驗，該實驗將在本市的實驗高中進行，高中所有高三學生都將參加本次實驗，并結合編程Visual C++NET，在以2 G的內存、P4 2.4 GHz的CPU為主的計算機上進行數(shù)字圖像人臉檢測的仿真實驗測試。本次實驗的相關數(shù)據如下：數(shù)字圖像中人臉樣本5781張，數(shù)字圖像中正面人臉圖像3514張，數(shù)字圖像中非人臉圖像共7542張，所有的數(shù)字圖像素都調節(jié)為240×320，像每幅數(shù)字圖像都提取了35681個Harr特征。將提取出的Haar-Like特征輸入計算機，以真陽性率和假陽性率檢測指標為衡量標準。計算機輸出的測試結果如圖3圖4所示。

圖3 人臉誤分為分人臉比例

圖4 非人臉誤分為人臉

從圖3圖4的檢測結果可以看出，想要得到較為理想的人臉檢測效果人臉特征數(shù)目應控制在30個之后。

以相同的實驗樣本對文獻[6]文獻[7]文獻[8]所提算法進行人臉實驗，并對4種方法的性能進行比較。使用相同的實驗數(shù)據，重復上述上人臉檢測實驗。在試驗中使用本文方法時。對人臉特征相關度設定閾值，設該閾值為ε=0.25。本實驗將對這4中算法的結果進行評估，用ROC曲線表示4種算法的特征曲線圖。人臉檢測的實驗結果將由兩種方式表達，即陽性(人臉)以及陰性(非人臉)，陽性樣本又可以叫真陽性，陰性樣本又被稱為假陰性。假陰性用X軸表示，真陽性率用Y軸表示。實驗比較結果如圖5所示。

圖5 各種方法數(shù)字圖像人臉特征的曲線圖

表1顯示出這4種算法的算法性能穩(wěn)定時，使用的人臉特征數(shù)目，TPR、FPR、人臉檢測時間等數(shù)據。

表1 各種方法的結果對照

從圖5的數(shù)字圖像人臉特征曲線中可以看出，在人臉檢測性能方面，本文的方法效果最好，文獻[5-7]的算法都有較為突出方面，但總體來說本文的數(shù)字圖像處理技術的人臉檢測算法綜合性較強。但從表1中顯示的人臉檢測實驗結果可以看出，想要達到比較穩(wěn)定的人臉檢測準確率，這4種算法最少選取特征數(shù)目依次為80、75、45和34個。在4種方法中人臉檢測準確率相差無幾，但本文方法提出的數(shù)字圖像處理技術的人臉檢測算法需要提取的人臉特征數(shù)目最少，所以人臉檢測速度最快。

3 結論

針對當前方法在人臉檢測的過程中需要提取的人臉特征數(shù)目較多、檢測速度較慢，從而降低了人臉檢測效率。提出一種基于數(shù)字圖像處理技術的人臉檢測算法。仿真實驗結果表明，所提檢測方法所需人臉特征數(shù)據較少，可以快速準確對人臉進行識別檢測。

[1] 馬小虎,譚延琪.基于鑒別稀疏保持嵌入的人臉識別算法[J].Acta Automatica Sinica,2014,40(1):73-82.

[2] 張宏星,鄒 剛,趙 鍵,等.基于Gabor特征與協(xié)同表示的人臉識別算法[J].計算機工程與設計,2014,35(2):666-670.

[3] 林國軍,解 梅.一種魯棒協(xié)作表示的人臉識別算法[J].計算機應用研究,2014,31(8):2520-2522.

[4] 周 全,魏 昕,陳建新,等.一種基于稠密SIFT特征對齊的稀疏表達人臉識別算法[J].電子與信息學報,2015,37(8):1913-1919.

[5] 謝 佩,吳小俊.基于Shearlet變換和均勻局部二值模式特征的協(xié)作表示人臉識別算法[J].計算機應用,2015,35(7):2056-2061.

[6] 唐雨佳,周李威,陳 耿,等.一種自適應加權SpPCA單樣本人臉識別算法[J].計算機應用研究,2014,31(9):2856-2858.

[7] 陳立潮,張秀琴,潘理虎,等.煤礦考勤系統(tǒng)中人臉識別算法的研究[J].工礦自動化,2015,41(4):69-73.

[8] 張順嵐,莫建文.基于雙目視覺的三維人臉識別算法[J].電視技術,2014,38(9):214-217.

[9] 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.

[10] 賈海鵬,張云泉,袁 良,等.基于OpenCL的Viola-Jones人臉檢測算法性能優(yōu)化研究[J].計算機學報,2016,39(9):1775-1789.

Research on Face Detection Algorithm Based on Digital Image Processing Technology

He Li，Luo Yanfang

(Wuchang Polytechnic College,College of electronic information engineering,Wuhan 430202,China)

In order to improve the accuracy and speed of detection of face detection, the need for research on face detection algorithm based on digital image processing technology. The current method is used for face detection, facial feature extraction need more number, the detection speed is too slow, reduce the face detection efficiency. Therefore, proposed a face detection algorithm based on digital image processing technology. The method first gets face digital image by gray space opened the digital image, the digital image gray uniform distribution, so as to improve the image contrast, the image is more clear, and then through the Wiener Wiener filtering algorithm for image smoothing of digital image processing after Denoising, based on the use of Robert operator edge detection method for detection of digital image edge face of each pixel, the basic image for face detection in digital image, the input to the recognition and detection of computer digital image processing system. Simulation results show that the proposed algorithm has obvious advantages in the detection speed and accuracy etc..

digital image; image processing; face detection

2017-03-25；

2017-04-24。

何 莉(1984-)，女，湖北黃岡人，工程碩士，講師，主要從事數(shù)字圖像處理方向的研究。

1671-4598(2017)07-0273-03

10.16526/j.cnki.11-4762/tp.2017.07.068

TP391

A