基于高斯膚色模型與Blob算法的人臉檢測(cè)

李 嵐，張 云

（蘭州文理學(xué)院 數(shù)字媒體學(xué)院，甘肅蘭州 730000）

人臉識(shí)別與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合是目前非?；钴S的課題，在出入安全檢測(cè)、個(gè)人信息驗(yàn)證、人機(jī)交互、目標(biāo)跟蹤等領(lǐng)域有很好的實(shí)用價(jià)值[1]。雖然人臉識(shí)別的準(zhǔn)確性要低于虹膜、指紋的識(shí)別，但是由于它的無(wú)侵害性和對(duì)用戶最自然、最直觀的方式，使人臉識(shí)別成為最容易被接受的生物特征識(shí)別方式。人臉識(shí)別通常包含兩部分內(nèi)容：一是人臉檢測(cè)，二是人臉識(shí)別。正確的人臉檢測(cè)就是指對(duì)于任意一幅給定的圖像，采用一定的策略對(duì)其進(jìn)行搜索，確定是否存在人臉，如果有則返回人臉?biāo)诘奈恢?、姿態(tài)、大小。

典型的人臉檢測(cè)方法有模板法、基于示例的學(xué)習(xí)法、基于器官特征的方法、神經(jīng)網(wǎng)絡(luò)法等[2]。由于膚色信息對(duì)方向、位置的無(wú)關(guān)性，因此基于膚色的人臉檢測(cè)和基于灰度圖像的人臉檢測(cè)[3]相比，可以很好地縮短檢測(cè)時(shí)間，提高檢測(cè)的實(shí)時(shí)性和魯棒性。但是膚色信息也有自身的缺點(diǎn)，如環(huán)境光照、膚色種類、遮擋、旋轉(zhuǎn)、胡須等客觀因素的影響，也會(huì)加大檢測(cè)的難度。

針對(duì)以上出現(xiàn)的問(wèn)題本文進(jìn)行了探討和測(cè)試，先將人臉檢測(cè)的過(guò)程劃分為三步。第一步：建立顏色空間——對(duì)顏色進(jìn)行光照補(bǔ)償，對(duì)比膚色模型，找出對(duì)膚色具有更好的聚類的顏色空間，在一定程度上可以消除日照、光源等客觀環(huán)境的影響?；谖墨I(xiàn)[4]，在RGB三基色顏色空間對(duì)受光不好的圖像進(jìn)行光線補(bǔ)償，修復(fù)色彩偏移問(wèn)題；通過(guò)空間變換，在YCgCr空間上對(duì)輸入圖像進(jìn)行膚色分割，盡可能減少搜索區(qū)域。第二步：建立膚色模型——采用高斯膚色混合模型，將YCgCr膚色空間中的Cg、Cr通道分離，并結(jié)合Y分量建立混合高斯膚色模型，將膚色區(qū)域從背景圖像中分割出來(lái)，并利用膚色相似度等知識(shí)粗選人臉區(qū)域。第三步：人臉?lè)指睢肂lob分析人臉上的眼、嘴幾何信息和彩色信息，用來(lái)檢測(cè)候選人臉的特征部位，根據(jù)分割結(jié)果進(jìn)行檢測(cè)和定位人臉，確定人臉的位置，整個(gè)過(guò)程如圖1所示。

圖1 人臉檢測(cè)流程圖

YCgCr色彩空間的高斯檢測(cè)模型，具有和人視覺(jué)感知的一致性、對(duì)膚色聚類效果好以及亮度和色度相互獨(dú)立的特點(diǎn)，對(duì)光照、旋轉(zhuǎn)、遮擋有很好的魯棒性，所以本文采用YCgCr顏色空間進(jìn)行膚色初檢測(cè)。再通過(guò)Blob分析算法，找出連通區(qū)域，結(jié)合人臉的特征，確定出準(zhǔn)確的人臉位置。實(shí)驗(yàn)結(jié)果表明，該算法能夠快速、準(zhǔn)確檢測(cè)人臉，為人臉識(shí)別與跟蹤做好準(zhǔn)備。

1 人臉區(qū)域定位

1.1 色彩空間

膚色檢測(cè)中最常用的色彩空間是三基色RGB色彩空間，在該色彩空間中，顏色被定義為由R、G、B 3種色光按照不同的比例相加混合得到，這3個(gè)分量都包含亮度信息，他們之間存在著很大的相關(guān)性，不利于膚色的檢測(cè)和分割。其他膚色空間用來(lái)進(jìn)行人臉檢測(cè)，有歸一化RGB色彩空間和YCbCr、YUV、HSI等色彩空間。YCbCr色彩空間是由YUV空間派生出來(lái)的一種，與人類對(duì)顏色的感知能力非常接近[5]。

YCbCr空間中的Cb分量反映的是RGB空間中藍(lán)色分量與亮度分量之間的差值，而在人的膚色中藍(lán)色分量所占比重比較小，Cb分量不利于膚色分割。后來(lái)De Dios提出了YCgCr空間[5]，其中Cg分量表示綠色分量與亮度Y的差，可以很好地分離出膚色特生。文獻(xiàn)[6]驗(yàn)證了膚色在YCgCr色彩空間比在YCbCr色彩空間具有更好的聚集性，所以本文采用了YCgCr色彩空間。其中，YCgCr空間與RGB空間的轉(zhuǎn)換公式如式（1）。

1.2 高斯膚色模型

高斯膚色模型是在忽略亮度的情況下，色度分量都趨于一致，利用正態(tài)分布來(lái)擬合膚色的概率密度分布，近似地呈現(xiàn)二位高斯模型。其核心內(nèi)容是：在設(shè)定的條件下，比如光照條件一定，膚色之間的差異在于概率密度，而與顏色無(wú)關(guān)，膚色的分布是屬于正態(tài)分布[7]。在YCgCr空間下，建立高斯膚色模型的具體步驟如下：

Step1收集海量的帶膚色的彩色圖像，采用相關(guān)方法進(jìn)行光照補(bǔ)償，然后再進(jìn)行剪裁，得到膚色圖片。

Step2將Step1的膚色圖片從RGB色彩空間轉(zhuǎn)換到Y(jié)CgCr色彩空間，統(tǒng)計(jì)每個(gè)膚色圖片的像素點(diǎn)的Cg、Cr值。通過(guò)統(tǒng)計(jì)出來(lái)的Cg、Cr值，確定出二維高斯模型G=(m,C)中的參數(shù)，其中m表示均值，C表示協(xié)方差矩陣，具體計(jì)算公式如下：

1.3 膚色分割

根據(jù)上述建立好的高斯膚色模型，輸入待檢測(cè)圖像，再根據(jù)式（1）中YCgCr空間與RGB空間的轉(zhuǎn)換，將輸入圖像從RGB空間轉(zhuǎn)換到Y(jié)CgCr空間，對(duì)Cg和Cr應(yīng)用Mahalanobis距離，通過(guò)考察各像素點(diǎn)的Cg和Cr值距離其均值的遠(yuǎn)近得到圖像每個(gè)像素屬于膚色的相似度，其相似度計(jì)算公式為

計(jì)算完成之后，對(duì)所求得的每個(gè)P(Cg,Cr)值進(jìn)行歸一化處理，使得各像素點(diǎn)的相似度值在[0,1]之間，并且屬于膚色區(qū)域的亮度值更高。其中，相似度值越大，表示屬于膚色的可能性越大，反之越小。

2 人臉區(qū)域判定

2.1 Blob算法

在本文中采用Blob分析[8]算法，其思想是模仿人的視覺(jué)處理過(guò)程，在一塊圖像區(qū)域內(nèi)，通過(guò)分割圖像，得到若干互不相交的封閉區(qū)域，然后再對(duì)這些區(qū)域進(jìn)行處理，區(qū)域中的像素在空間上連通并且具有相似的特征，這個(gè)連通區(qū)域稱為Blob。復(fù)雜背景下，膚色分割得到的人臉待選區(qū)域中，可能會(huì)存在很多和人臉膚色相近或相同的其他區(qū)域，也有可能裸露的手臂或脖頸被誤判為人臉。二值圖像Blob分析方法能夠計(jì)算每個(gè)連通成分的形狀參數(shù)，提供連通區(qū)域的數(shù)量、位置、形狀等，因而可用于剔除非人臉區(qū)域。本方法采用的具體判定依據(jù)及過(guò)程如下：

（1）空洞數(shù)(1＞h)：根據(jù)圖像分割結(jié)果，應(yīng)用Blob分析眼睛和唇部的顏色同人臉膚色對(duì)比度比較大，在進(jìn)行膚色分割時(shí)必然產(chǎn)生人臉內(nèi)部的空洞，故只有空洞數(shù)大于1的區(qū)域才可能是人臉區(qū)域；

（2）長(zhǎng)短軸比(0.8＜r＜1.6)：根據(jù)大量的實(shí)驗(yàn)，人臉輪廓呈橢圓狀，其長(zhǎng)短軸比例在一定的范圍內(nèi)，而其他人體膚色區(qū)域的長(zhǎng)寬比顯然比人臉大；

（3）傾斜角(-90 °＜θ＜90°)：在一般情況下，人臉中的中軸線（臉可以對(duì)稱分為兩部分的線）不應(yīng)該是向下傾斜的。

具體實(shí)現(xiàn)中，r和θ采用橢圓擬和方法計(jì)算。值得注意的是，為獲得準(zhǔn)確的擬和參數(shù)，需填補(bǔ)待選區(qū)域中的空洞。若記像素坐標(biāo)為(xi,yi)，則區(qū)域C的最佳擬和橢圓參數(shù)重心、傾斜角 θ、短軸a和長(zhǎng)軸b如下：

根據(jù)θ，可對(duì)候選區(qū)域進(jìn)行校正得到接近豎直的人臉區(qū)域。

2.2 人臉區(qū)域判定

通過(guò)膚色高斯模型將人臉與背景區(qū)域分割，這時(shí)候會(huì)產(chǎn)生類膚色區(qū)域，結(jié)合Blob算法，根據(jù)人臉上的特征，最后確定出人臉區(qū)域。具體步驟如下：

（1）輸入圖像進(jìn)行光照補(bǔ)償；（2）根據(jù)膚色信息，將RGB色彩轉(zhuǎn)換到Y(jié)CgCr空間；（3）根據(jù)顏色空間中Cg、Cr值建立二維膚色高斯模型，求出顏色均值m和方差C；（4）應(yīng)用Mahalanobis距離公式求出Cg、Cr的相似度值，進(jìn)行歸一化處理，其值在范圍[0，1]之間的顏色即為膚色；（5）應(yīng)用Blob分析，結(jié)合人嘴、眼特征確定空洞數(shù)，再根據(jù)人臉的長(zhǎng)寬比例確定出正確人臉。

3 實(shí)驗(yàn)結(jié)果及分析

本文建立了一個(gè)具有光照和復(fù)雜背景的彩色人臉庫(kù)（600×480），其中包含單人臉和多人臉圖片，也包含旋轉(zhuǎn)角度較大、姿態(tài)和表情變化較大的人臉圖片。本文實(shí)驗(yàn)硬件環(huán)境采用Intel Pentium Dual-coreTM2.8HZ的PC機(jī)上進(jìn)行的實(shí)驗(yàn)。將圖像形成兩個(gè)測(cè)試集：（1）簡(jiǎn)單測(cè)試集，包括頭肩部圖像、人臉面積，無(wú)背景或者較簡(jiǎn)單背景，光照有變化，人臉旋轉(zhuǎn)角度任意；（2）復(fù)雜測(cè)試集，有類膚色復(fù)雜背景存在，人臉個(gè)數(shù)、大小、位置未知，光照有變化，人臉多姿態(tài)、旋轉(zhuǎn)角度較大。實(shí)驗(yàn)分別用本文方法與文獻(xiàn)[4]進(jìn)行了比較，表1和表2是兩種方法對(duì)兩個(gè)測(cè)試集的實(shí)驗(yàn)結(jié)果數(shù)據(jù)。

測(cè)試中分別選取170張人臉圖片和90張人臉圖片，通過(guò)表1和表2的實(shí)驗(yàn)結(jié)果數(shù)據(jù)可以看出，對(duì)于簡(jiǎn)單測(cè)試集，本文提出的方法檢測(cè)結(jié)果很好；對(duì)于復(fù)雜測(cè)試集，膚色檢測(cè)時(shí)，應(yīng)用Blob分析方法后，有5個(gè)人臉漏檢，是因?yàn)檎趽鯂?yán)重并旋轉(zhuǎn)幅度太大而漏檢，同時(shí)誤檢人臉數(shù)極大減少。

表1 測(cè)試集（1）單獨(dú)膚色YCgCr檢測(cè)方法和本文方法比較

表2 測(cè)試集（2）單獨(dú)膚色YCgCr檢測(cè)方法和本文方法比較

圖2 本文算法單人臉檢測(cè)結(jié)果

圖3 單獨(dú)的YCgCr膚色模型多人臉檢測(cè)結(jié)果

圖4本文算法多人臉檢測(cè)結(jié)果

圖2 、圖3、圖4是實(shí)驗(yàn)結(jié)果的部分實(shí)例。圖中矩形框指示了檢測(cè)到的人臉的位置和大小。圖2是利用本文提出的方法針對(duì)單人臉，有背景的圖像進(jìn)行檢測(cè)的結(jié)果；圖3是采用文獻(xiàn)3進(jìn)行的多人臉的簡(jiǎn)單環(huán)境檢測(cè)結(jié)果，圖中胡子特別多的2個(gè)人臉被漏掉了；圖4是本文算法，結(jié)合了Blob分析，提高檢測(cè)的準(zhǔn)確率?？梢钥吹剑疚奶岢龅姆椒ê芎玫亟鉀Q了多角度人臉檢測(cè)的間題。與單獨(dú)的膚色檢測(cè)相比較，本文算法在復(fù)雜場(chǎng)景的檢測(cè)具有更好的魯棒性。

本文利用Blob分析算法獲取目標(biāo)圖像中所有Blob的位置、周長(zhǎng)、面積及外接矩形參數(shù)。然后再根據(jù)Blob的位置及外接矩形等先驗(yàn)知識(shí)，將非人臉區(qū)域?yàn)V除，最終實(shí)現(xiàn)目標(biāo)區(qū)域的提取工作。

4 結(jié)論

針對(duì)復(fù)雜背景的彩色圖像，本文提出了一種融合膚色與Blob分析的人臉檢測(cè)方法。該算法首先利用了膚色信息在顏色空間YCgCr中對(duì)彩色圖像進(jìn)行分割，然后通過(guò)高斯膚色模型計(jì)算人臉候選區(qū)域，結(jié)合Blob分析對(duì)旋轉(zhuǎn)角度人臉進(jìn)行檢測(cè)與定位。實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)的方法有效地解決了多角度旋轉(zhuǎn)人臉的檢測(cè)問(wèn)題，能夠?qū)Σ煌庹窄h(huán)境、不同遮擋、姿態(tài)變化的人臉有較好的檢測(cè)效果，在膚色檢測(cè)過(guò)程中，有可能形成人臉與背景相似而產(chǎn)生真正人臉丟失的現(xiàn)象，我們下一步的工作是在該工作基礎(chǔ)上，解決更加復(fù)雜人臉區(qū)域準(zhǔn)確判定的問(wèn)題，提高檢測(cè)的正確率。