李 凱

(江西理工大學(xué)理學(xué)院，江西贛州 341000)

隨著互聯(lián)網(wǎng)絡(luò)的快速發(fā)展，人們對(duì)智能化人臉檢測(cè)技術(shù)越來越重視。人臉檢測(cè)就是檢測(cè)一幅圖像中人臉?biāo)诘奈恢茫?］。常用的人臉檢測(cè)方法有基于知識(shí)的方法［2］、基于特征的方法［3］、基于模板匹配的方法［4］、基于統(tǒng)計(jì)的方法［5］。在視頻中的檢測(cè)需要滿足實(shí)時(shí)性，Viola等［6-7］提出了一種基于AdaBoost的人臉檢測(cè)算法，同時(shí)建立了第一個(gè)真正實(shí)時(shí)的人臉檢測(cè)系統(tǒng)，從根本上解決了檢測(cè)速度問題，具有較好的識(shí)別效果。但利用AdaBoost算法的人臉檢測(cè)具有一定的局限性，算法對(duì)于側(cè)面及多姿態(tài)的人臉檢測(cè)誤檢率較高。針對(duì)這個(gè)問題，本文提出了一種動(dòng)態(tài)視頻流實(shí)時(shí)多人臉檢測(cè)算法，并對(duì)該法的檢測(cè)效率和速度進(jìn)行了評(píng)價(jià)。

1 視頻圖像膚色分割

膚色是表征人臉的顯著特征信息，具有相對(duì)的穩(wěn)定性。視頻圖像的大小、表情、姿態(tài)等因素不會(huì)對(duì)膚色特征造成較大的影響。因?yàn)槟w色與背景顏色存在較大差別，所以能夠運(yùn)用膚色特征分割視頻圖像中的人臉區(qū)域。本文選擇在能夠?qū)D像的亮度與色度分離的YCbCr色彩空間中建模，并使用簡(jiǎn)單門限的方法分割膚色的區(qū)域，然后運(yùn)用膨脹處理，將離散的像素點(diǎn)以一定規(guī)則連接起來，并運(yùn)用腐蝕的方法腐蝕掉較小的噪聲點(diǎn)。最終分割出視頻圖像的膚色區(qū)域。圖1是一幅圖像分割膚色區(qū)域的過程圖。圖1a是一幅原始的圖像。圖1b將RGB色彩空間中的圖像轉(zhuǎn)化YCbCr色彩空間中并運(yùn)用簡(jiǎn)單門限的方法分割的效果圖。從圖中可以看出分割出來的二值化圖像眼睛部分是黑色的，臉部的其他部分是白色的，需要將圖像中離散的像素點(diǎn)連接起來，以分割出全部的膚色區(qū)域。圖1c是經(jīng)過膨脹處理后二值化圖像的效果圖，從圖中可以看出一些很小的非膚色區(qū)域的較小噪聲點(diǎn)也連接在一起。圖1d是通過腐蝕處理，減小圖像中噪聲點(diǎn)后的效果圖。從圖1可以看出，通過以上的處理，膚色區(qū)域被完整地從圖像中分割出來。

圖1 圖像分割的過程

2 AdaBoost人臉檢測(cè)算法

AdaBoost［8-9］算法是研究人員提出的一種通過不斷學(xué)習(xí)提高分類性能的算法。算法采用了一種Haarlike［10］特征選擇策略，通過灰度變化選取人臉特性。圖2中列舉了幾種比較常見的特征。Lienhart和Maydt在2002年擴(kuò)展了幾種Haar-like特征。Haar-like特征能夠很好地選取視頻圖像中的數(shù)據(jù)特征點(diǎn)，但這種選取方式運(yùn)行耗費(fèi)時(shí)間過多，為了加快特征選取的速度，可以使用數(shù)學(xué)中常用的積分圖的方法。AdaBoost算法首先提取樣本圖像中的Haar-like特征，然后將圖像的特征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)訓(xùn)練弱分類器。假設(shè)樣本空間為(x，y)，從樣本空間中選擇m組訓(xùn)練樣本，訓(xùn)練樣本的權(quán)重為1/2m。選擇一個(gè)弱學(xué)習(xí)算法迭代運(yùn)算T次，每次運(yùn)算后都按照分類結(jié)果調(diào)整訓(xùn)練樣本的權(quán)重，并且賦予分類錯(cuò)誤的訓(xùn)練樣本更大的權(quán)重，在迭代運(yùn)算中更加注意上次分類錯(cuò)誤的訓(xùn)練樣本的分類情況。弱分類器經(jīng)過不斷迭代最終獲得一個(gè)分類函數(shù)序列(f1，f2，…，fT)。賦予分類函數(shù)一個(gè)權(quán)重，分類效果差的分類函數(shù)賦予較小的權(quán)重。經(jīng)過T次迭代運(yùn)算，最終得到一個(gè)由弱分類器加權(quán)形成的強(qiáng)分類器F。

圖2 幾種基本的Haar-like特征

AdaBoost算法的詳細(xì)工作步驟如下:

1)輸入n個(gè)訓(xùn)練樣本:{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中i=1，2，…，n，yi為訓(xùn)練樣本類別標(biāo)簽(yi=0，1)分別表示l個(gè)負(fù)樣本(非人臉)、m個(gè)正樣本(人臉)，l+m=n。

2)初始化權(quán)重

3)設(shè)t=1，2，…，T。

(1)歸一化訓(xùn)練樣本的權(quán)值為

(2)每個(gè)特征j對(duì)應(yīng)一個(gè)弱分離器hj為

用該弱分離器對(duì)所有樣本進(jìn)行分類，然后計(jì)算對(duì)所有樣本進(jìn)行分類的錯(cuò)誤率的和ξj，即

(3)選擇具有最小錯(cuò)誤率ξt的弱分離器ht(x)作為本次迭代得到的最佳弱分類器。

(4)更新樣本對(duì)應(yīng)的相應(yīng)權(quán)重，即

4)經(jīng)過T次迭代，選出T個(gè)最佳弱分類器，形成最后的強(qiáng)分類器，即

式中:at=lg(1/βt)。

3 動(dòng)態(tài)視頻流多人臉檢測(cè)算法

針對(duì)傳統(tǒng)的AdaBoost人臉檢測(cè)算法對(duì)側(cè)面及多姿態(tài)人臉檢測(cè)誤檢率較高且檢測(cè)速度較慢等問題，為了得到性能更好的人臉檢測(cè)算法，本文提出了一種動(dòng)態(tài)視頻流實(shí)時(shí)多人臉檢測(cè)算法。該算法在YCbCr空間中建立簡(jiǎn)單的膚色模型，運(yùn)用簡(jiǎn)單門限以及一些形態(tài)學(xué)的運(yùn)算，分割視頻圖像中的膚色區(qū)域，縮小AdaBoost算法的搜索范圍以降低算法的運(yùn)行時(shí)間。最后運(yùn)用AdaBoost方法在該區(qū)域內(nèi)精確地尋找出人臉?biāo)诘奈恢谩?/p>

算法的詳細(xì)工作步驟如下:

1)攝像頭實(shí)時(shí)采集視頻圖像。

2)將RGB色彩空間中的視頻圖像轉(zhuǎn)化到Y(jié)CbCr色彩空間中。

3)運(yùn)用簡(jiǎn)單門限的方法分割視頻圖像中的膚色區(qū)域。

4)運(yùn)用腐蝕和膨脹等形態(tài)學(xué)的方法處理分割出來的膚色區(qū)域。

5)運(yùn)用AdaBoost算法構(gòu)造的分類器，在膚色區(qū)域內(nèi)精確地定位人臉?biāo)诘奈恢谩?/p>

6)標(biāo)記出人臉?biāo)诘奈恢谩?/p>

動(dòng)態(tài)視頻流多人臉檢測(cè)算法的流程圖如圖3所示。

圖3 動(dòng)態(tài)視頻流多人臉檢測(cè)算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證算法的有效性，本文在實(shí)驗(yàn)環(huán)境為Inter(R)Core(TM)i5 CPU 2.53 GHz，2 Gbyte 內(nèi)存的計(jì)算機(jī)上，運(yùn)用MATLAB2012和OpenCV2.3.1［11］混合編程實(shí)現(xiàn)了一個(gè)人臉檢測(cè)系統(tǒng)。并通過兩個(gè)實(shí)驗(yàn)驗(yàn)證本文所提出的算法在靜態(tài)圖像和動(dòng)態(tài)視頻流中的算法性能。

實(shí)驗(yàn)一:用本文提出的檢測(cè)方法檢測(cè)靜態(tài)圖像。圖5為使用該算法的人臉檢測(cè)效果圖。圖4a中包含4個(gè)人臉，檢測(cè)出4個(gè)、誤檢0個(gè)。圖4b包含8個(gè)人臉，檢測(cè)出8個(gè)、誤檢0個(gè)。圖4c包含19個(gè)人臉，檢測(cè)出18個(gè)人臉、誤檢0個(gè)。通過實(shí)驗(yàn)一能夠得出，該算法在人臉數(shù)較少時(shí)檢測(cè)效果較好，但人臉數(shù)較多時(shí)有一定的漏檢。由于在膚色區(qū)域內(nèi)檢測(cè)人臉區(qū)域，算法的誤檢率也有所降低。

圖4 靜態(tài)圖像的人臉檢測(cè)效果圖

實(shí)驗(yàn)二:為進(jìn)一步驗(yàn)證本文提出算法在實(shí)時(shí)動(dòng)態(tài)視頻流中的有效性，本文運(yùn)用筆記本式計(jì)算機(jī)自帶的攝像頭實(shí)時(shí)獲取動(dòng)態(tài)視頻流并且檢測(cè)人臉區(qū)域，調(diào)節(jié)視頻圖像大小為320×240，幀頻為20 f/s(幀/秒)。實(shí)時(shí)動(dòng)態(tài)檢測(cè)的效果如圖5、圖6所示。

圖5為實(shí)時(shí)動(dòng)態(tài)視頻流單人臉檢測(cè)效果圖。圖6是實(shí)時(shí)動(dòng)態(tài)視頻流多人臉檢測(cè)效果圖。從圖5和圖6中可以看出本文提出的實(shí)時(shí)動(dòng)態(tài)視頻流多人臉檢測(cè)算法對(duì)有遮擋、側(cè)面以及多人臉檢測(cè)都具有較好的檢測(cè)效果。該算法克服了AdaBoost算法對(duì)側(cè)面及多姿態(tài)人臉檢測(cè)誤檢率較高的問題，能夠很好地跟蹤檢測(cè)人臉區(qū)域。

為了得到算法的具體性能數(shù)據(jù)，本文分別采用Adaboost算法和本文方法定位動(dòng)態(tài)視頻流中單個(gè)和多個(gè)人臉?biāo)诘奈恢谩１?、表2為相應(yīng)的數(shù)據(jù)信息。

圖5 實(shí)時(shí)動(dòng)態(tài)視頻流單人臉檢測(cè)效果圖

圖6 實(shí)時(shí)動(dòng)態(tài)視頻流多人臉檢測(cè)效果圖

表1 動(dòng)態(tài)視頻中單人臉測(cè)試結(jié)果比較

表2 動(dòng)態(tài)視頻中多人臉測(cè)試結(jié)果比較

從表中可以看出本文的算法降低了視頻中人臉檢測(cè)的誤檢率。文中沒有被檢測(cè)出人臉的視頻幀主要發(fā)生在只有部分人臉在攝像頭范圍內(nèi)的情況。該算法對(duì)側(cè)臉以及多人臉檢測(cè)效果良好。由于算法僅僅在膚色區(qū)域內(nèi)搜索人臉?biāo)诘奈恢?，因此算法的運(yùn)行時(shí)間也明顯減少。綜上所述，本文提出的算法具有良好的性能與可行性。

5 結(jié)論

本文提出一種動(dòng)態(tài)視頻流實(shí)時(shí)多人臉檢測(cè)算法，并實(shí)現(xiàn)了一個(gè)動(dòng)態(tài)視頻流人臉檢測(cè)系統(tǒng)。該算法先在YCb-Cr色彩空間中建立膚色模型，然后運(yùn)用簡(jiǎn)單門限以及腐蝕和膨脹的方法分割視頻圖像中的膚色區(qū)域，最后運(yùn)用AdaBoost算法在該膚色區(qū)域內(nèi)精確定位出人臉?biāo)诘奈恢谩７抡鎸?shí)驗(yàn)表明，該算法比傳統(tǒng)的算法有更低的誤測(cè)率和更快的檢測(cè)速度，算法能夠在動(dòng)態(tài)視頻流中實(shí)時(shí)檢測(cè)，具有較高的實(shí)用價(jià)值。

:

［1］YANG M H，KRIEGMAN D，AHUJA N.Detecting faces in images:a survey［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(1):34-58.

［2］HUANG T S，YANG G Z.Human face detection in a complex background［J］.Pattern Recognition，1994，27(1):53-63.

［3］PENV P S，ARICK J J.Local facture analysis:a general statistical theory for object representation［J］.Network:Computation in Neural Systems，1996，7(3):477-500.

［4］SAKAI T，NAGAO M.Line extraction and pattern detection in a photograph［J］.Pattern Recognition，1969(1):233-248.

［5］ROWLEY H A，BALUJA S，KANADE T.Neural network-based face detection［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，1998，20(1):23-38.

［6］VIOLA P，JONES M.Rapid object detection using a boosted cascade of simple features［C］//Proc.the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Hawaii，USA:IEEE Press，2001:511-518.

［7］VIOLA P，JONES M.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57(2):137-154.

［8］徐品，童癸，瞿靜.基于AdaBoost算法和人眼定位的動(dòng)態(tài)人臉檢測(cè)［J］.電視技術(shù)，2011，35(9):114-117.

［9］韓帥，王景存.基于AdaBoost的檢測(cè)與跟蹤技術(shù)在電子警察中的應(yīng)用［J］.電視技術(shù)，2012，36(1):118-121.

［10］LIENHART R，MAYDT J.An extended set of haar-like features for rapid object detection［J］.IEEE ICIP，2002(1):900-903.

［11］BRADSKI G，KAEHLAER A.Learning OpenCV:computer vision with the OpenCV library［M］.［S.l.］:O’Reilly，2008.