王志楊　劉金龍　江力

摘 要：針對(duì)人臉識(shí)別的預(yù)處理，采用圖像處理技術(shù)解決了人臉檢測(cè)問(wèn)題。首先建立輸入圖像的膚色模型，然后進(jìn)行開(kāi)運(yùn)算處理，以消除圖像噪聲利于后面的眼睛定位。再對(duì)二值圖像做灰度投影實(shí)現(xiàn)人臉粗分割，定位雙眼。最后對(duì)細(xì)化分割出來(lái)的人臉區(qū)域進(jìn)行標(biāo)準(zhǔn)化操作，包括灰度的均衡處理和Mallat算法二維小波分解?；叶染獍言紙D像的直方圖變換為均勻分布的形式，增加像素灰度值的范圍。小波分解可以壓縮圖像，以降低算法的復(fù)雜度。每個(gè)步驟通過(guò)處理前后人臉圖像的對(duì)比彰顯所做步驟的意義。人臉檢測(cè)的最終結(jié)果是獲得64×64大小的人臉圖像。此圖像包含了人臉的有效信息，在此圖像的基礎(chǔ)上才能進(jìn)行后續(xù)的提取特征、設(shè)計(jì)支持向量機(jī)，進(jìn)而做人臉識(shí)別。

關(guān)鍵詞：圖像處理；人臉檢測(cè)；灰度均衡；小波分解；膚色建模

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1672-1098（2014）03-0033-06

要識(shí)別圖像中的人臉，首要的一點(diǎn)就是要找到人臉。人臉檢測(cè)與跟蹤就是研究如何從靜態(tài)圖片或者視頻序列中找出人臉的所在區(qū)域，如果存在人臉，則輸出人臉的位置及其大小。人臉跟蹤就是要在檢測(cè)到人臉的基礎(chǔ)上，在后續(xù)的人臉圖像中繼續(xù)捕獲人臉的位置及其大小等性質(zhì)。人臉檢測(cè)是人臉身份識(shí)別的前期工作。同時(shí)，人臉檢測(cè)作為完整的單獨(dú)功能模塊，在智能視頻監(jiān)控、視頻檢索和視頻內(nèi)容組織等方面有直接的應(yīng)用[1]。

目前做人臉檢測(cè)的方法大致有：神經(jīng)網(wǎng)絡(luò)的方法、基于特征的方法和基于圖像的方法等。其中，神經(jīng)網(wǎng)絡(luò)的方法是用許多的訓(xùn)練數(shù)據(jù)（一部份是臉部的、一部份是非臉部的）去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其可以辨識(shí)出什么圖像是臉、什么圖像不是臉。基于特征的方法是利用人臉部的一些特征來(lái)檢測(cè)人臉，例如：人臉上有眼睛、鼻子、嘴巴，而這些器官都有固定的相對(duì)位置；就整張臉而言，大概是呈橢圓形，而臉和背景之間大致會(huì)有邊緣線；諸如此類，有許許多多的特征可利用。而基于圖像的方法，則是利用人臉部的顏色來(lái)判斷某圖像是否是臉，若圖像是彩色的，知道臉的顏色是黃、白、褐、深褐色，若圖像是灰度的，人臉的灰度顏色的變化并不會(huì)太大，而眼睛、嘴巴、頭發(fā)會(huì)是較黑的部份[2]。

同灰度圖像相比，彩色圖像能夠提供更多有關(guān)于目標(biāo)物體的信息，彩色圖像處理方法具有比灰度圖像處理方法更大的優(yōu)越性?；趫D像的方法運(yùn)算量小，膚色是人臉的重要信息，不依賴于面部的細(xì)節(jié)特征，對(duì)于旋轉(zhuǎn)、表情等變化情況都能適用，具有相對(duì)的穩(wěn)定性并且和大多數(shù)背景物體的顏色相區(qū)別，因此膚色特征在人臉檢測(cè)中是最常用的一種特征[3]。

本課題設(shè)計(jì)了一套人臉識(shí)別的技術(shù)路線，僅探討標(biāo)準(zhǔn)化處理前的人臉檢測(cè)部分。

人的皮膚顏色分布在顏色空間中很小的一個(gè)范圍內(nèi)，呈聚類特性，特別是在排除了光照亮度和在經(jīng)過(guò)某種變換的色彩空間中。所以利用膚色這一線索，可以排除掉在灰度圖像中很像人臉而對(duì)應(yīng)到彩色圖像中根本不是膚色的區(qū)域，這在人臉檢測(cè)中會(huì)起到積極的作用，膚色模型正是建立在此基礎(chǔ)之上的，并且人們提出了不同色彩空間的膚色模型表示方法。常見(jiàn)的色彩表示方法是基于三基色理論的RGB空間，由RGB空間經(jīng)過(guò)變換，可以得到各種色度空間表示，有HIS，YCbCr等[4]。

CbCr分量組成的二維聚類區(qū)域排除了大部分非人臉區(qū)域，但由于CbCr是直接由RGB色彩格式通過(guò)線性變換得到，沒(méi)有完全分離出亮度信息，因此對(duì)光照比較敏感。膚色聚類呈兩頭尖的紡錘形狀。若只采用二維的膚色CbCr模型，在值較大和較小的部分，被錯(cuò)誤檢測(cè)為膚色的區(qū)域?qū)⒋蟠笤黾?。在進(jìn)行膚色建模的時(shí)候，YCbCr空間中的亮度和色度的分離度越大越好，但是實(shí)際操作中這二者總是存在一定的依賴關(guān)系，要做的就是盡量消除它們之間的依賴關(guān)系，分段的非線性轉(zhuǎn)換就是為了這一目的。

2 二值圖像開(kāi)運(yùn)算和閉運(yùn)算

形態(tài)學(xué)變換膨脹采用向量加法對(duì)兩個(gè)集合進(jìn)行合并。膨脹XB是所有可能向量加之和的集合，向量加法的兩個(gè)操作數(shù)分別來(lái)自于X和B，并且取到任意可能的組合[6]。

膨脹用來(lái)填補(bǔ)物體中小的空洞和狹窄的縫隙，它使物體的尺寸增大。

腐蝕Θ對(duì)集合元素采用向量減法，將兩個(gè)集合合并，腐蝕是膨脹的對(duì)偶運(yùn)算。

腐蝕簡(jiǎn)化了物體的結(jié)構(gòu)，某些物體或物體的部分將被去掉， 腐蝕和膨脹不是互逆變換。

開(kāi)運(yùn)算是對(duì)圖像先腐蝕后再膨脹，得到的不是原始圖像。

根據(jù)開(kāi)啟和閉合的特點(diǎn)，通?？梢岳瞄_(kāi)啟刪除圖像中的小分支，利用閉合填補(bǔ)圖像中的空穴。用B=111111

將經(jīng)過(guò)膚色建模的圖像進(jìn)行開(kāi)運(yùn)算處理，消除部分噪聲以利于下面的眼睛定位（見(jiàn)圖4），可見(jiàn)眼睛所在的區(qū)域非常清晰[7]。

圖像分割是一種基本的計(jì)算機(jī)視覺(jué)技術(shù)，是從圖像處理到圖像分析的關(guān)鍵步驟。有效合理的圖像分割能夠?yàn)榛趦?nèi)容的圖像檢索、對(duì)象分析等抽象出十分有用的信息，從而使得更高層的圖像理解成為可能[8]。

對(duì)于經(jīng)過(guò)膚色建模后的二值圖像，很容易分割出人臉區(qū)域，本文采用灰度積分投影的方法，利用人臉圖像的垂直灰度投影確定左右邊界，利用水平灰度投影確定上下邊界。設(shè)人臉灰度圖像為f（x，y），其大小為m×n，定義圖像的水平灰度投影為

選擇適當(dāng)?shù)耐队伴撝导纯蓪?shí)現(xiàn)人臉的粗分割（見(jiàn)圖5）。在本文中分割人臉的目的在于減小搜索區(qū)域，更加方便地定位雙眼，因此分割區(qū)域選擇首先要包含雙眼在內(nèi)，其次盡量排除其他對(duì)雙眼定位有干擾的區(qū)域，如頭發(fā)等，所以沒(méi)有實(shí)現(xiàn)人臉的完全分割，而是實(shí)現(xiàn)的部分分割，以包括雙眼在內(nèi)為首要目的。

眼睛定位對(duì)于能否自動(dòng)有效地實(shí)現(xiàn)識(shí)別算法起著重要的作用，由于人臉是非剛性的，同一人的臉因表情變化會(huì)差異很大，但同一人的兩眼間距相對(duì)變化是較小的，并且雙眼對(duì)于人臉中線對(duì)稱，因此雙眼的位置及其間距自然成為人臉圖像幾何歸一化的依據(jù)[9]。

在雙眼定位的算法中，使用膚色建模經(jīng)過(guò)開(kāi)運(yùn)算的二值圖像作為基準(zhǔn)圖像，搜索的區(qū)域?yàn)樯弦徊侥w色分割得到的人臉區(qū)域（見(jiàn)圖6）。

1） 根據(jù)分割得到的人臉基準(zhǔn)區(qū)域大小定義一個(gè)小窗口，算法中使用的小窗口長(zhǎng)寬分別為分割區(qū)域的1/10和1/20；

2） 在基準(zhǔn)區(qū)域中分左右眼兩個(gè)區(qū)域移動(dòng)小窗口，并計(jì)算窗口中可能是眼睛點(diǎn)的像素個(gè)數(shù)，當(dāng)個(gè)數(shù)超過(guò)某一閾值（小窗口面積的1/2）時(shí)將小窗口的中心點(diǎn)紀(jì)錄下來(lái)，作為眼睛候選區(qū)域內(nèi)的點(diǎn)；

3） 在左右眼每個(gè)半?yún)^(qū)中，當(dāng)出現(xiàn)把眉毛誤認(rèn)為眼睛的時(shí)候，可以按照眉毛在眼睛上方這一先驗(yàn)知識(shí)予以取舍；

4） 左右半?yún)^(qū)都篩選了一個(gè)區(qū)域以后，就可以得到左右眼睛的中心點(diǎn)。

使用移動(dòng)窗口的好處是它相當(dāng)于一個(gè)噪聲消除裝置，可以將滿足條件的孤立區(qū)域連接起來(lái)得到更大的區(qū)域，利于確定眼睛中心點(diǎn)。

5 細(xì)化分割

確定眼睛中心點(diǎn)以后，對(duì)大小不同或存在不同傾斜程度的人臉圖像進(jìn)行幾何歸一化處理是必要的。細(xì)化分割主要步驟是旋轉(zhuǎn)人臉圖像使兩眼中心連線保持水平，以雙眼間距d為參照距離，以雙眼連線中點(diǎn)為參照中心，沿中心的左右上下方向距離分別為d、d、0.5 d、1.5 d切割出大小為2d×2d的人臉圖像，再將該圖像放大或縮小到指定的標(biāo)準(zhǔn)尺寸[10]。本文將人臉幾何歸一化為256×256大?。ㄒ?jiàn)圖7）。

6.1 灰度均衡處理

細(xì)化分割后還應(yīng)做灰度均衡處理，此處采用直方圖的灰度均衡方法（見(jiàn)圖8）。這個(gè)方法的基本思想是把原始圖像的直方圖變換為均勻分布的形式，這樣就增加了像素灰度值的動(dòng)態(tài)范圍，增強(qiáng)了靠近直方圖極大值附近的亮度對(duì)比度，減小了極小值附近的對(duì)比度。原始圖像的直方圖用H（p）表示，輸入的灰度級(jí)范圍是[p0，pk]。

1） 對(duì)于有G個(gè)灰度級(jí)大小為M×N的圖像，創(chuàng)建一個(gè)長(zhǎng)為G的數(shù)組H，并初始化為0；

2） 形成直方圖。掃描每個(gè)像素，增加相應(yīng)的H成員，當(dāng)像素p具有亮度gp時(shí)，做H[gp]=H[gp]+1；

3） 形成累積直方圖HC。 HC[0]=H[0]， HC[p]=HC[p-1]+H[p]；

4） 設(shè)置T[p]=round（G-1M×NHc[p]），并重新掃描圖像得到一個(gè)具有灰度級(jí)gp的輸出圖像，設(shè)置gp=T[gp]。

（a）均衡前 （b）均衡后

均衡后的圖像，仍包含較多冗余信息，圖像容量較大?？梢圆捎眯〔ㄗ儞Q，壓縮圖像，以降低后續(xù)算法的復(fù)雜度。小波變換是一種信號(hào)的時(shí)間-尺度分析方法，它具有多分辨率分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)局部特征的能力，是一種窗口大小固定不變，但其形狀可變（時(shí)間窗和頻率窗都可變）的時(shí)頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，很適合探測(cè)正常信號(hào)中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分，所以被譽(yù)為分析信號(hào)的顯微鏡[11]。

二維小波函數(shù)是通過(guò)一維小波函數(shù)經(jīng)過(guò)張量積變換得到的，二維小波函數(shù)分解是把尺度j的低頻部分分解成四部分：尺度j+1的低頻部分和三個(gè)方向（水平、垂直、斜線）的高頻部分?？梢詫⒍S小波分解應(yīng)用于人臉圖像的表示，經(jīng)過(guò)適當(dāng)層次的小波分解后得到的低頻子帶圖像有以下特點(diǎn)：經(jīng)k層小波分解后得到的像素點(diǎn)數(shù)是原圖的1/4k，分解后的低頻子帶圖像對(duì)表情變化不敏感。

在多分辨率分析的基礎(chǔ)上，Mallat算法是基于濾波器組的小波分解和小波重構(gòu)算法，通過(guò)它可以實(shí)現(xiàn)信號(hào)多分辨的快速分解。

Mallat算法通過(guò)一組分解濾波器h⌒（低通濾波器）和g⌒（高通濾波器）對(duì)信號(hào)進(jìn)行濾波，然后對(duì)輸出結(jié)果進(jìn)行下二采樣來(lái)實(shí)現(xiàn)小波分解，分解的結(jié)果是產(chǎn)生長(zhǎng)度減半的兩個(gè)部分，一個(gè)是經(jīng)低通濾波器產(chǎn)生的原始信號(hào)的平滑部分；另外一個(gè)是由高通濾波器產(chǎn)生的原始信號(hào)的細(xì)節(jié)部分。重構(gòu)時(shí)使用一組h和g合成濾波器對(duì)小波分解的結(jié)果濾波，再進(jìn)行上二采樣來(lái)重構(gòu)信號(hào)。多級(jí)小波分解通過(guò)級(jí)聯(lián)的方式進(jìn)行，每一級(jí)的小波變換都是在前一級(jí)分解產(chǎn)生的低頻分量上的繼續(xù)，合成是分解的逆運(yùn)算。低頻分量上的信息比較豐富，能量集中；高頻分量上的信息分量多為零，細(xì)節(jié)信息豐富，能量較少。Mallat小波使得復(fù)雜的小波變成了簡(jiǎn)單的濾波器系數(shù)，大大降低了其應(yīng)用的復(fù)雜度。利用Mallat算法進(jìn)行信號(hào)的正交小波分解與合成如圖9所示。

圖9 Mallat算法 小波分解層數(shù)過(guò)多，雖然冗余度降低，但丟失較多信息。本文采用二層小波分解。在對(duì)圖像進(jìn)行二維分解時(shí)，先對(duì)一個(gè)方向（水平方向或垂直方向）進(jìn)行濾波，再對(duì)另一個(gè)方向進(jìn)行濾波。通過(guò)濾波，將圖像分解為四個(gè)子圖，LL表示水平方向和垂直方向都是低頻濾波。對(duì)一幅圖像來(lái)說(shuō)，其高頻信息主要集中在邊緣、輪廓和某些紋理的法線方向上，低頻信息占據(jù)圖像大部分內(nèi)容，所以分解主要做低頻處理。

經(jīng)過(guò)兩層小波分解后的LL人臉圖像，其大小為64×64（見(jiàn)圖10）。

7 結(jié)論

經(jīng)過(guò)該算法，人臉檢測(cè)后可以在采集的圖像中搜索出人臉，最終獲得了64×64大小的人臉圖像，該圖像去除了人臉中的冗余信息，且最大限度的保留了人臉中的有效成分，圖像容量較小，可以降低后續(xù)算法的復(fù)雜度。每幅被采集人臉圖像都將重復(fù)上述過(guò)程，以獲得多幅圖像。該圖像是計(jì)算特征臉和設(shè)計(jì)支持向量機(jī)的基礎(chǔ)，基于該圖可以做人臉識(shí)別。參考文獻(xiàn)：

[1] 梁路宏， 艾海舟， 徐光祐， 等. 人臉檢測(cè)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào)，2009， 25（5）：449-458.

[2] 劉青山， 盧漢清， 馬頌德. 綜述人臉識(shí)別中的子空間方法[J]. 自動(dòng)化學(xué)報(bào)，2006， 29（6）：900-911.

[3] GRUDIN M A. On internal representations in face recognition systems[J]. Pattern Recognition， 2011， 33：

1 161-1 177.

[4] REIN-LIEN HSU， ABDEL MOTTABLEB M， JAIN A K.Face detection in color images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002， 24（5）： 696-706.

[5] 姜軍，張桂林. 一種基于知識(shí)的快速人臉檢測(cè)方法[J].中國(guó)圖像圖形學(xué)報(bào)：A輯，2002，7 （1）： 6-10.

[6] HJELMAS E， LOW BK.Face detection： A survey[J].Computer Vision and Image Understanding，2010，83（3）： 236-244.

[7] YANG MH，KRIEGMAN D，AHUJA N.Detecting faces in images：A survey[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，24（1）：34-48.

[8] DAUGMAN J. Face and gesture recognition： overview[J]. IEEE PAMI，1997， 19（7）： 675-676.

[9] Fu H C，LAI P S. Face detection and eye location by neural network based color segmentation[J]. Proceedings of neural Networks for Signal Processing， Sydney， Australia， 2011（2）： 507-516.

[10] 陶亮，莊鎮(zhèn)泉. 一種基于個(gè)人身份認(rèn)證的正面人臉識(shí)別算法[J]. 中國(guó)圖像圖形學(xué)報(bào)： A輯， 2003， 8（8）：860-865.

[11] 祝海龍， 屈梁生， 張海軍. 基于小波變換和支持向量機(jī)的人臉檢測(cè)系統(tǒng)[J]. 西安交通大學(xué)學(xué)報(bào)， 2007， 36（9）：947-950.

（責(zé)任編輯：何學(xué)華，吳曉紅）