基于OpenCV人臉檢測技術(shù)的研究及實現(xiàn)

王洋　鄭佳春

摘 要：為了在視頻流中準(zhǔn)確檢測到人臉，文中基于OpenCV設(shè)計了一個人臉檢測系統(tǒng)。使用Haar和LBP兩種算子提取特征，通過AdaBoost算法構(gòu)造級聯(lián)分類器，檢測出人臉區(qū)域。通過計算機仿真驗證，發(fā)現(xiàn)采用LBP算子提取特征的正面檢測率更高，達90%以上，且檢測時間更短，平均檢測時間降低1個數(shù)量級，取得了較好的效果。該模塊可移植性強，可擴展，為后續(xù)研究打下了良好的基礎(chǔ)。

關(guān)鍵詞：視頻流；特征提??；局部二值模式；人臉檢測

中圖分類號：TP39；U644.8 文獻標(biāo)識碼：A 文章編號：2095-1302（2018）03-00-03

0 引 言

隨著計算機技術(shù)和數(shù)字成像技術(shù)的進步，機器視覺技術(shù)蓬勃發(fā)展。人臉識別一直是計算機視覺和人工智能中的重要問題。人臉識別技術(shù)因無需與用戶進行肢體接觸，使用簡單、安全，經(jīng)過幾十年的研究和發(fā)展，已成為一項熱門的研究課題，受到越來越多研究者的重視。該技術(shù)可廣泛應(yīng)用于公共場所人口統(tǒng)計及視頻監(jiān)控，安全駕駛提醒，門禁管理系統(tǒng)等相關(guān)領(lǐng)域。因此找到一個高效明了的算子提取特征描述人臉和分類器至關(guān)重要。研究者為此提出了主成分分析法 （PCA）[1]、線性判別式分析（LDA）[2]等全局描述方法和Haar[3]特征與LBP[4]特征等局部描述的特征等。局部特征在不同的光照及姿態(tài)和復(fù)雜環(huán)境下，具有較強的魯棒性，得到了廣泛應(yīng)用。本文利用Visual Studio 2013和開源計算機視覺平臺OpenCV搭建了一個人臉識別模塊，利用Haar和LBP兩種算子提取特征，進行視頻流的人臉識別。該模塊搭建方便，可移植性強，在Windows，Android和iOS系統(tǒng)上均可實現(xiàn)。

1 人臉識別模塊

1.1 Haar特征

Haar特征是以圖像灰度分布為基礎(chǔ)并反映圖像灰度值變化的一種特征，主要是由黑白矩陣像素組合而成的不同模板，包含邊緣特征、線性特征、中心環(huán)繞特征。人的面部有很多特征，比如眼睛顏色比周圍皮膚顏色深，嘴唇顏色比周圍皮膚顏色深等。對于一個24×24的圖片來說，面部特征多達9萬余個，也正是因為這一特點導(dǎo)致訓(xùn)練時間過長。面部特征可由Haar特征表示，定義左上角為白色區(qū)域，以此交錯。該模板的特征值是白色填充區(qū)域的像素值之和與黑色填充區(qū)域的像素值之和的差值[5]?；谌四樚卣鞯腍aar特征如圖1所示。

1.2 積分圖

使用積分圖可以實現(xiàn)上述黑色和白色特征數(shù)值的計算，大大提高了圖像特征值的計算效率。積分圖[6]是一種能夠描述全局信息的矩陣表示方法，示意圖如圖2所示。用公式表示為：

1.3 LBP特征

LBP[7，8]是一種描述圖像紋理特征的算子，具有灰度不變性、旋轉(zhuǎn)不變性和統(tǒng)一模式等優(yōu)點。Ojala最早提出了LBP算子，將其用于局部紋理特征描述。

假設(shè)局部鄰域的紋理圖像T是圖像像素灰度值P（P>1）的聯(lián)合分布，T=t（gc，g0，…，gp-1），gc表示中心點像素的灰度值，gp （p=0，…，p1）是半徑為R的圓上對稱點的灰度值。gc是坐標(biāo)原點， gp坐標(biāo)分布在（-Rsin（2πp/P）， Rcos（2πp/P））的圓上，通過雙線性插值得到坐標(biāo)不是整數(shù)點的坐標(biāo)。

LBP特征值表示為，2p代表對應(yīng)位置上的權(quán)重。如圖4所示，在3×3窗口中通過二值化閾值分割，得到該點的二進制模式為00111010，對應(yīng)的十進制為58，中心對比度為4。對于中心對比度，如果數(shù)值小于某一個值c，可認(rèn)為該區(qū)域是平坦區(qū)，沒有需要的特征，不提取該點的特征；反之，如果該點的對比度很高，則說明該點可能是邊緣或者角點特征。得益于其二進制模式，計算機接受較快。

聯(lián)合分布T=t（gc，g0-gc，g1-gc，…，gp-1-gc）。假設(shè)gp-gc和gc是相互獨立的，T≈t（gc）t（g0-gc，g1-gc，…，gp-1-gc）。所有像素點加上或者減去同一個常量，紋理特性不會發(fā)生改變。紋理特征在灰度（光照）范圍內(nèi)具有平移不變性。對于一個平坦區(qū)域，區(qū)域內(nèi)所有方向上的差異為0。對于變化較小的邊緣，算子計算出各方向上的最大差異和邊緣上的零值。對于一個點，各方向上的差異都很大。簡而言之，LBP算子反映出了點、線、邊緣上的特征。通過二值化處理得到T≈t（s（g0-gc），s（g1-gc），…，s（gp-1-gc）），其中。

以3×3窗口8個采樣點為例，采用LBP等價模式（即0和1轉(zhuǎn)換的次數(shù)）后，u=0或u=2，一共有7×8+2+1=59種，極大地減少了計算量，且不受圖像旋轉(zhuǎn)的影響，對圖像的點、線、邊緣及角點特征也能較好地表達出來，并起到了降維的作用。3×3鄰域LBP統(tǒng)一模式示意圖如圖5所示，LBP特征示意如圖6所示。

1.4 級聯(lián)分類器

AdaBoost算法是一種自適應(yīng)算法，是機器視覺和數(shù)據(jù)挖掘領(lǐng)域的十大算法之一[9，10]。采用AdaBoost算法訓(xùn)練的目的在于挑選出最優(yōu)分類器。

不同的面部特征代表不同的分類器，即弱分類器，分類效果稍好（大于0.5）。將M個正樣本（人臉）和N個負(fù)樣本（非人臉）區(qū)分標(biāo)記，初始化正樣本的權(quán)重w1和負(fù)樣本的權(quán)重w2。訓(xùn)練時，歸一化所有樣本權(quán)重wi，通過迭代，根據(jù)每個特征的表現(xiàn)，選出計算錯誤率εi最小的分類器。訓(xùn)練過程中分類結(jié)果錯誤的分類器被賦予更高的權(quán)值。在多次迭代中，多個弱分類器組合為強分類器。通過多次迭代，錯誤率呈指數(shù)下降的趨勢。多個強分類器級聯(lián)成為新的分類器，即級聯(lián)分類器。級聯(lián)分類器逐級復(fù)雜。前幾層的分類器能夠區(qū)分出大部分的人臉和非人臉，越往后強分類器越復(fù)雜，包含更多的弱分類器，檢測精度也更高，訓(xùn)練時間更長。全部通過每一個分類器檢測的區(qū)域就是我們尋找的人臉區(qū)域。

利用OpenCV提供的工具opencv_createsamples.exe和opencv_traincascade.exe生成XML文件，就是我們需要的級聯(lián)分類器。遍歷圖像將人臉和背景區(qū)分開來。

2 實驗結(jié)果及分析

實驗采用的正樣本：FERET數(shù)據(jù)庫800張圖片、AR_database數(shù)據(jù)庫700張人臉圖片、ORL數(shù)據(jù)庫400張圖片、CelebA的部分?jǐn)?shù)據(jù)庫855張人臉圖片，對樣本剪裁，保留人臉部分。同時選取非人臉的圖片作為負(fù)樣本，長度和寬度保持1∶1。選擇Haar和LBP兩種特征分別訓(xùn)練，為了減少訓(xùn)練時間，提高精確度，將圖片歸一化為24×24。

具體過程：首先加載XML，如果分類器不能讀取，則顯示錯誤。如果讀取到分類器，則打開攝像頭，讀取一幀圖像，并將讀取的圖像變?yōu)榛叶葓D像，之后通過對灰度圖像進行歸一化計算，將光照對圖像的影響減少到最小，然后做均衡化處理，增強圖像的對比度，如果檢測到面部區(qū)域，則將其標(biāo)注顯示出來。

為保證程序的可移植性，采用C++。本實驗在Intel（R） Core（TM）i7-4790 CPU @3.60GHz，RAM 8G的PC上進行，普通攝像頭每秒30幀，每幀分辨率為640×480。選取6個實驗人員，每人檢測5次，得到表1所列實驗結(jié)果。

同時采用CelebA人臉數(shù)據(jù)庫進行檢測。CelebA數(shù)據(jù)集是一個大型面部屬性數(shù)據(jù)集，擁有超過20萬張的名人圖像，每張圖片具有40個屬性注釋。它具有豐富的面部表情和背景。從中選擇100張正面圖片，分別用兩種特征進行檢測，檢測效果見表2所列。

實驗結(jié)果分析：Haar特征算子的浮點運算導(dǎo)致計算復(fù)雜，而LBP特征算子的二值化容易實現(xiàn)，運算簡單。對于同一個目標(biāo)，LBP算子檢測速度比Haar特征快很多。因為背景和光線等因素干擾，利用攝像頭識別會對檢測效果造成較大干擾。Haar特征訓(xùn)練出來的分類器要區(qū)分被檢測物體和背景，在檢測塊狀目標(biāo)時效果更好，用于邊緣檢測則稍遜一籌。同時該系統(tǒng)還可以進行視頻監(jiān)控，對mp4和AVI格式視頻中的人臉進行檢測。對于超過30°的側(cè)臉，會有誤檢和漏檢的情況出現(xiàn)。實驗結(jié)果如圖7所示。

3 結(jié) 語

本文基于開源的計算機視覺庫OpenCV，利用LBP和Haar兩種算子提取特征，對測試人員、照片及視頻流人臉進行檢測。統(tǒng)計結(jié)果表明，相較于傳統(tǒng)的Haar特征，LBP特征算子正面識別率達90%以上，檢測時間更短，平均檢測時間不到1 s。該系統(tǒng)搭建簡單，成本低，可移植性強，在PC機和移動終端都可運行，也可擴展到很多領(lǐng)域，為后續(xù)研究打下了堅實的基礎(chǔ)。

參考文獻

[1]李康順，李凱，張文生.一種基于改進 BP 神經(jīng)網(wǎng)絡(luò)的 PCA人臉識別算法[J].計算機應(yīng)用與軟件，2014， 31（1）：158-159.

[2]鐘偉，黃元亮，郝真真，等.基于粒子群算法的LDA實現(xiàn)方法研究[J].計算機工程與應(yīng)用，2017，53（1）：39-43.

[3]陳葉飛，蘇劍波.非學(xué)習(xí)模式下的類Haar特征快速人眼定位[J].控制理論與應(yīng)用，2016，33（4）：479-485.

[4]任艷.基于關(guān)鍵點LBP特征提取的面部AU組合識別[J].信息化研究，2012，38（2）：44-46.

[5]陳志恒，姜明新.基于OpenCV 的人臉檢測系統(tǒng)的設(shè)計[J].電子設(shè)計工程，2012，20（10）：182-185.

[6]黃文杰，陳斌.一種快速圖像處理的積分方法[J].計算機應(yīng)用，2005，25（S1）：266-268.

[7]周書仁，殷建平.基于Haar特性的LBP紋理特征[J].軟件學(xué)報，2013（8）：1909-1926.

[8]寧星.基于LBP的人臉識別研究[D].撫州：東華理工大學(xué)，2012.

[9] TANG Yi， LIU Weiming， WEI Wujian. An improved pedestrian detection algorithm based on adaBoost cascading stucture [C]. IEEE proceeding of the 8th world congress on intelligent control and automation. China Jinan 2010：6322-6323.

[10] ZHOU Z H， YANG Y， KUMAR V，et al. The top ten algorithms in data mining [M].New York，USA：CRC Press， 2009：127-149.