唐云龍 何麒 陳平

摘要：論文通過對目前國內(nèi)外主流人臉檢測的算法進行比較研究，探討如何提高人臉識別算法的精確度和檢測速度，為國內(nèi)開發(fā)各類人臉識別系統(tǒng)提供參考，主要是通過分析以膚色特征為主的人臉檢測法，了解其計算過程和原理，對其擁有的色彩空間、預(yù)處理人臉圖像檢測技術(shù)以及依據(jù)人臉特點建立相應(yīng)的膚色模型等算法、檢測技術(shù)進行深度分析。通過研究，筆者認為在社會經(jīng)濟發(fā)展中，人臉檢測應(yīng)用比較廣泛，相較之其他識別人體生物的系統(tǒng)，人臉識別方式更加直接與友好，已成為未來識別認證身份的一種重要發(fā)展趨勢。以膚色特征為主的人臉檢測法，不僅色彩空間廣，且運用了綜合檢測技術(shù)，提高了檢測精確度，檢測速度也更加快捷，主流人臉檢測算法均有各自的特性，但總體而言，建立在臉部膚色特點基礎(chǔ)上的人臉檢測技術(shù)與綜合檢測技術(shù)相結(jié)合，不僅能夠有效提高膚色檢測技術(shù)的準確率，還可以極大地提高Adaboost算法的檢測速度與效率，使用比較廣泛。

關(guān)鍵詞：人臉檢測;算法;色彩

中圖分類號： TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）19-0198-03

隨著現(xiàn)代化科技水平的快速發(fā)展，信息技術(shù)的安全性日益凸顯。在國家安全部門、公安系統(tǒng)、司法部門、電子商務(wù)及政務(wù)系統(tǒng)、甚至安全檢查等相關(guān)領(lǐng)域，都需要準確的識別個人身份，而識別與鑒定身份的基礎(chǔ)則是系統(tǒng)的安全性，而傳統(tǒng)身份鑒別系統(tǒng)已難以滿足社會發(fā)展需求。眾所周知，人臉識別，就是依據(jù)個體相貌特點來確定其身份的一種手段，在日常生活與生產(chǎn)活動身份鑒別中，應(yīng)用比較廣泛。作為生物特征的表現(xiàn)，人臉具有顯著的穩(wěn)定性，不易偽造及丟失性，相較之其他人體識別系統(tǒng)如視網(wǎng)膜、指紋、基因及虹膜等，人臉識別技術(shù)更加直接與友好，也是未來識別認證身份技術(shù)的重要發(fā)展趨勢。

對于人臉檢測技術(shù)的研究最早始于人臉識別，在人臉識別系統(tǒng)中，人臉檢測技術(shù)是非常關(guān)鍵的一種環(huán)節(jié)。在20世紀60年代，一些學(xué)者開始探究人臉檢測技術(shù)，并對該檢測算法做出了一些研究分析。但是由于傳統(tǒng)人臉識別系統(tǒng)受人臉圖像的約束，因此該技術(shù)發(fā)展比較慢。直到20世紀90年代，隨著電子商務(wù)技術(shù)的發(fā)展應(yīng)用，傳統(tǒng)的人臉識別系統(tǒng)已無法滿足社會發(fā)展需求。此外，隨著高性能計算機技術(shù)的發(fā)展，這也成為人臉檢測的技術(shù)保障。在良好發(fā)展形勢下，研究學(xué)者開始重視人臉檢測技術(shù)，推動該技術(shù)發(fā)展壯大。

在人臉識別系統(tǒng)中，其主要技術(shù)內(nèi)容覆蓋了數(shù)學(xué)、數(shù)字圖像處理、心理學(xué)、生理學(xué)、神經(jīng)網(wǎng)絡(luò)、模式識別及計算機視覺等不同領(lǐng)域，應(yīng)用非常廣泛。近些年，計算機圖像處理技術(shù)快速發(fā)展并取得了顯著成果，現(xiàn)代化圖像采集設(shè)備得到普及推廣，在開關(guān)保險柜、樓宇門禁及開關(guān)計算機手機等系統(tǒng)中也開始應(yīng)用人臉檢測識別技術(shù)，開鎖的唯一“標志”即為人臉。

在安全驗證、海關(guān)、交通、銀行、視頻會議及數(shù)字娛樂等領(lǐng)域，人臉檢測技術(shù)應(yīng)用前景也比較廣闊。該身份識別技術(shù)適用于認證身份、檢索數(shù)據(jù)庫圖像、見識公共場合個體、甚至提高人機交互能力等。隨著社會經(jīng)濟的快速發(fā)展，人口流動量、速度及區(qū)域日益提高，在管理與統(tǒng)計流動人口方面人臉檢測技術(shù)也有非常重要的作用。在許多如保安系統(tǒng)、確認信用卡、過境海關(guān)檢查及識別罪犯等重要場合，都需要對個體實施無限制，沒有傷害而又可靠的人臉檢測識別技術(shù)，因此快速發(fā)展的信息時代，推動了人臉檢測技術(shù)的快速發(fā)展與研究。

在研究人臉檢測算法的發(fā)展與現(xiàn)狀，將該檢測技術(shù)主流算法劃分為三種形式逐一進行分析闡述，具體表現(xiàn)為：以膚色特征為主的人臉檢測法、啟發(fā)式模型的檢測法以及統(tǒng)計理論檢測法。下面將對以膚色特征為主的人臉檢測法做重點介紹。

1 概述人臉檢測技術(shù)擁有的色彩空間

只有在分析個體膚色特征基礎(chǔ)上，選用合理的色彩空間構(gòu)建規(guī)范的個體臉部膚色模型，才能實施以膚色特征為主的人臉檢測法，實現(xiàn)預(yù)期分割膚色的目標。其中“色彩空間”又可以稱之為“色域”（ColorSPace）。根據(jù)色彩學(xué)相關(guān)理論，某種顏色的表達模型不同，可以通過一、二、三或四維空間坐標表示，因此這種根據(jù)坐標系統(tǒng)做出界定的色彩范圍即為色彩空間?，F(xiàn)階段，RGB、HSV及YCbCr等色彩空間是常用顏色空間形式。

2 預(yù)處理人臉圖像檢測技術(shù)

選取好相應(yīng)的色彩空間后，就要采取相應(yīng)措施預(yù)處理人臉圖像。根據(jù)相關(guān)研究證明，在獲得待測個體臉部圖像時，其變動性比較強，特別是受外部光照條件作用，不同技術(shù)參數(shù)、獲得設(shè)備、地點及時間等因素的變化，都會導(dǎo)致光照強度與色度出現(xiàn)相應(yīng)變化，也會干擾到圖像中個體臉部信息的識別。在日常攝影錄像時常會出現(xiàn)飽和度不足或者過大以及偏色等問題，這都是差異光照干擾的實際表現(xiàn)?；诖耍瑸榱擞行宄淮_定因素光照等對圖像個體膚色造成的影響，在人臉檢測前必須要進行色彩平衡及補償光照等操作處理。下圖為針對圖像出現(xiàn)偏色而通過色彩平衡與補償光照等技術(shù)操作處理后的實際效果圖：

3 依據(jù)人臉特點建立相應(yīng)的膚色模型

依照人臉特點建立相應(yīng)的膚色模型就是膚色建模，首先介紹并討論人臉膚色的主要特征表現(xiàn)：

1）如果光照條件確定時，個體臉部膚色分布類似于高斯分布;

2）在選定的色彩空間中，個體臉部膚色分布范圍小而集中;

3）光照一定，個體臉部膚色分布類似于高斯分布。

直方圖、簡單高斯及混合高斯等模型是目前人臉檢測技術(shù)研究中，常用膚色模型。其中直方圖模型，就是通過直方圖膚色統(tǒng)計分布來進行個體臉部特征描述的一種模型。其主要優(yōu)勢在于效果好，特別是通過三維直方圖做出的統(tǒng)計;而需要訓(xùn)練很多樣本才能建成該模型，樣本訓(xùn)練周期長工作量大是其最大的缺點。相比之下，簡單與混合高斯模型屬于在概率統(tǒng)計基礎(chǔ)上建立的膚色模型，其對于能夠更加準確的描述膚色分布，針對該膚色模型的個體臉部擁有較高的檢測效率。與混合高斯模型相比較，簡單高斯模型估測、計算參數(shù)更容易，而且建模與檢測速度比較快，因而能夠較快地確定膚色區(qū)域。

3.1 個體臉部膚色分割

基于上文討論分析的膚色聚類特點與模型，就能夠?qū)Σ噬四槇D像實施膚色分割技術(shù)。在膚色模型基礎(chǔ)上對個體臉部膚色進行分割，就是根據(jù)已經(jīng)構(gòu)建的膚色模型二值化處理圖像的過程。

其中選擇分割閾值是非常關(guān)鍵的，也就是要明確界定膚色與非膚色區(qū)域。根據(jù)上文提出的膚色模型，一般采用以下算法：選擇一個近似膚色的數(shù)值作為最有效的分割閾值，將此數(shù)值與圖像中所有像素點的膚色相似值進行比較，超過該數(shù)值的則被劃定為皮膚區(qū)域并分割為白色;相反低于該數(shù)值則被化為非皮膚區(qū)域并被分割為黑色。對于如何確定最有效的分割閾值，本文則選用otsu自適應(yīng)閾值分割計算法，也就是依照圖像類似直方圖自動選擇閉值。試驗研究表明，該計算方法效果顯著，針對不同圖像的不同亮度與色度，分割閾值范圍在【0.45，0.55】之間。系統(tǒng)根據(jù)膚色模型計算所有輸入系統(tǒng)圖像的膚色近似度，并構(gòu)建相應(yīng)的相似度直方圖，再依照自適應(yīng)閉值分割計算法得出最合理的閾值，再二值化處理圖像，并將相應(yīng)膚色與非膚色區(qū)域分別分割為白色與黑色。

3.2 用形態(tài)學(xué)處理粗檢圖像

在分割膚色后，必須采取形態(tài)學(xué)原理處理檢測到的粗檢區(qū)域圖像，主要包含計算檢測區(qū)域的膨脹與腐蝕值，并對相應(yīng)圖像作平滑處理，才能獲得更加清晰、干凈而且連續(xù)的個體臉部膚色區(qū)域。

膨脹操作，具體而言就是對二值化圖形進行形態(tài)學(xué)運算，它屬于將物體背景邊緣化像素集中到物體區(qū)域內(nèi)的運算過程，也是物體圖形邊緣不斷多外延伸的一個過程，其主要用于填補圖形中出現(xiàn)的空洞。腐蝕操作則是運用形態(tài)學(xué)原理對已知圖像進行運算，其屬于將物體自身邊緣圖形像素向內(nèi)消除的過程，也是物體圖像邊緣向內(nèi)收縮的一個運算過程，主要用于清理圖像中的雜質(zhì)。在處理圖像時要將二者結(jié)合應(yīng)用，其級聯(lián)方式主要有：1）開運算的先腐蝕后膨脹;2）閉運算的先膨脹后腐蝕。其中前者能夠有效清理分散的孤點與圖像“毛刺”，后者則是將兩個相鄰目標區(qū)域連接起來。聯(lián)合應(yīng)用膨脹與腐蝕，不但能夠消除噪音，還能夠確保圖像信息的完整。因此，在本文選用的膚色檢測技術(shù)中，膨脹、腐蝕及兩者級聯(lián)而成的開、閉運算操作是非常關(guān)鍵的環(huán)節(jié)。

3.3 選定候選個體臉部區(qū)域

經(jīng)過膚色分割與形態(tài)學(xué)處理操作，可以得到原膚色圖像的二值化圖像，其中白色為膚色區(qū)域，這樣就能夠選定候選個體臉部區(qū)域。

4 基于Adaboost算法的人臉檢測過程

4.1 放大檢測窗口

臉部膚色特點基礎(chǔ)上的人臉檢測技術(shù)與綜合檢測技術(shù)相結(jié)合，不但能夠有效提高膚色檢測技術(shù)的準確率，還可以極大地提高Adaboost算法的檢測速度與效率。

AdaBoost算法的主要特點是將一種新的圖像表示方式：積分圖像，引入面部檢測，可以用于快速計算面部樣本圖像的Haar-like樣特征值。選擇適當(dāng)?shù)腍aar-like特征作為AdaBoost訓(xùn)練過程的輸入，AdaBoost算法用于為每輪訓(xùn)練選擇最佳弱分類器，這些弱分類器疊加為強分類器。最后，這些強分類器被串聯(lián)成級聯(lián)結(jié)構(gòu)的層疊級聯(lián)分類器用于面部檢測。

傳統(tǒng)的面部檢測機制是使用圖像縮放的方法來檢測人臉。檢測的基本原理是按照一定的比例減小要檢測的圖像的大小，形成金字塔狀結(jié)構(gòu)，稱為“圖像金字塔”，保持檢測窗口的尺寸不變，用該窗口窮舉圖像金字塔中待檢測的子窗口，將要測量的子窗口輸入到分類器進行判斷，并最終檢測出包含臉部的子窗口。其主要特征是圖像逐層變窄，檢測子窗口的大小保持相同的大小，這些特征也會造成一個缺點，當(dāng)圖像被檢測到較大時 ，圖像逐層減少轉(zhuǎn)換將需要很多時間，這將大大降低檢測速度。

為了提高系統(tǒng)的檢測速度，可以使用多尺度的方法來檢測人臉。檢測的基本原理是按照一定比例放大檢測窗口，保持要檢測的圖像的大小，檢測窗口遍歷要檢測的整個圖像，根據(jù)檢測窗口的位置和大小從圖像中提取子圖像，然后將捕獲的子圖像發(fā)送到級聯(lián)分類器進行檢測，并輸出檢測結(jié)果。通過將檢測窗口的長度和寬度值乘以放大因子來擴大檢測窗口，該放大因子比圖像的縮小更有效并且具有更高的檢測速度。

所選的檢測窗口實際上是類似Haar-like的特點。 檢測窗口的放大本質(zhì)上是矩形特征的擴大，對于任何Haar-like的特征，其特征的計算價值是相同的，它也是矩形特征作為弱的選擇分類器的優(yōu)點。檢測窗的放大系數(shù)不能太大，如果太大可能會導(dǎo)致大量漏檢，實驗證明放大系數(shù)設(shè)定為1.2或1.25時更合理，然后漏檢較少，檢測速度較快。當(dāng)檢測窗口被放大時，弱分類器的閾值，即Haar-like特征的特征值將改變。為了保持不變，Haar-like特征特征值的計算方法需要稍微改變，定義如下：

4.2 區(qū)域合并

采用上述方法放大后檢測窗口圖像，在不同的尺度和鄰近位置上會多次檢測到相同的臉部，所以最終需要組合檢測到的矩形以獲得獨特的臉部位置和臉部尺度。合并處理是將原始的多個檢測框的進行平均，將所有檢測到的面部區(qū)域的坐標平均值作為最后組合面部區(qū)域的坐標位置，并且將所有檢測到的臉部區(qū)域的平均值作為最后合并獲得的臉部面積的尺寸。 合并過程分為兩個步驟：

（1）檢測到的面部區(qū)域以相同的尺度合并

當(dāng)以相同的比例掃描輸入圖像時，可以在相同的臉部位置附近檢測到臉部數(shù)次，這些相同的臉部區(qū)域必須被合并。由于相應(yīng)的窗口大小在相同的比例尺度上相同，所以僅需要合并位置。定義鄰域半徑R和閾值M。如果某窗口的中心坐標為[x0，y0]，半徑為R的鄰域[x-x02+y-y02≤R2]內(nèi)人臉窗口中心數(shù)為T，當(dāng)T

（2）合并不同尺度條件下檢測到的面部區(qū)域

把每個尺度上檢測到的面部區(qū)域的大小和位置恢復(fù)到原始比例圖像。當(dāng)兩個面部區(qū)域的重疊區(qū)域大于設(shè)定閾值時，兩個面部區(qū)域被認為是相同的面部，并且將它們的位置和尺寸的平均值作為合并面部區(qū)域的位置和大小。當(dāng)兩個面的重疊面小于設(shè)定的閾值時，它們被認為代表兩個不同的面部區(qū)域。

綜上所述，檢測過程實際上就是發(fā)送被檢測的子窗口到級聯(lián)分類器的強分類器層進行檢測，當(dāng)檢測結(jié)果小于當(dāng)前層的強分類器閾值時，就認定不是人臉，否則就是。將檢測到面部的窗口到下一層強分類器進行檢測。級聯(lián)分類器最初的強分類器比較簡單，因此可以排除大部分非人臉的窗口，大大減少了后續(xù)處理窗口的數(shù)量，提高了檢測速度。

參考文獻：

[1] 郭磊，王秋光.Adaboost人臉檢測算法研究及OpenCV實現(xiàn)[J].哈爾濱理工大學(xué)學(xué)報，2009（5）：124-126.

[2] 肖南峰.基于RBF神經(jīng)網(wǎng)絡(luò)的人臉識別算法[J].重慶理工大學(xué)學(xué)報，2010（10）：56-57.

[3] LIENHARTR ， MAYDTJ. An Extended Set of Haar like Features for Rapid Object Detection[J].IEIE ICIP 2002， 2002（1）： 900-903.

[4] 汪洋.基于差空間的雙向2DPCA和SVM人臉識別算法[J].計算機科學(xué)，2012（10）：269-270.

[5] 田啟川，張重生.刷臉背后[M].北京：清華大學(xué)出版社，2017.

[6] 鄭峰，楊新.基于Adaboost算法的人臉檢測[J].計算機仿真，2005（09）：39-41.

[7] 高旭升，張學(xué)智，姬春英.彩色圖像中人臉檢測的研究[J].自動化技術(shù)與應(yīng)用，2005（10）：156-157.

[8] 田巍，莊鎮(zhèn)泉.基于HSV色彩空間的自適應(yīng)膚色檢測[J].計算機工程與應(yīng)用，2004（14）：87-88.

[9] 劉劍.一種基于改進高斯過程隱變量模型的多角度人臉識別算法[J].電子與信息學(xué)報，2013（9）：2034-2035.

[10] 姜文濤.一種基于曲量場空間的人臉識別算法[J].計算機學(xué)報，2013（9）：1740-1741.

【通聯(lián)編輯：唐一東】