聯合膚色分割的Adaboost算法人臉快速檢測

◆徐凌風

（中國人民公安大學 北京 100038）

人臉檢測技術作為計算機視覺中的重要一環，被廣泛應用于各行業領域。在公安工作中，人臉檢測技術一方面可應用于關鍵視頻幀的人臉識別、人群篩選、安防預警的面部檢索階段；另一方面，人臉檢測也可應用于圖像真偽性鑒別的自動取證過程中?，F有人臉檢測技術可做如下分類[1]：第一類是基于先驗知識的方法，通過利用面部五官的幾何關系來對人臉的特征進行規則描述，并使用此規則來對待檢測人臉進行判定；第二類是基于特征的方法，通過使用人臉所固有的幾何特征、膚色特征、紋理特征來對人臉進行檢測；第三類則是基于表象的方法，其主要依靠尋找人臉與非人臉圖像中的相關特征來構建人臉特征庫，此類方法可進一步分為[2]貝葉斯分類器，Winnows稀疏網絡、支持向量機法（SVM）、神經網絡法、Adaboost算法、隱馬爾科夫模型法（HMM）等。然而，由于人臉自身所具有的特性以及不同環境給面部所帶來的檢測干擾，現有的人臉檢測器檢測精度仍受其制約。針對人臉檢測中的難點，Ashu Kumar等人[3]將其分為面部形態、復雜背景、光照條件以及圖像質量四類。其中，人臉形態主要包括人臉遮擋、旋轉、表情變化等方面，該條件下所導致的人臉特征部分消失及改變使得檢測器需要具備更高的魯棒性；另一方面，復雜背景的存在使得背景中具有與人臉特征類似分布的區域易被誤判為人臉，導致誤檢率的提升；光照條件的干擾可以分為色溫、光強、光位三方面：色溫的干擾來自入射光譜色光比例的不同，進而使得人體膚色偏離正常色調。不同的光位及光強條件則易導致人臉面部出現亮度不均、過明或過暗的情況。最后，較低的圖像質量將會加大檢測器提取并識別人臉特征的難度，造成檢測精準度的下降。本文針對圖像中的復雜背景、光照條件可能對人臉檢測帶來的干擾，提出了使用單峰高斯模型的膚色分割方案進行圖像的預處理以去除圖像中存在的部分復雜背景，并對分割后圖像進行伽馬校正，最后使用結合Haar特征的Adaboost算法進行人臉檢測，以得到框選后人臉圖像。

1 圖像的預處理

由于圖像中具有復雜圖案的地板、墻壁、家具，以及場景內人所穿戴的衣物等存在灰度分布的多變性，對于以圖像中灰度分布為特征來檢索人臉區域的Adaboost算法來說，這將導致人臉檢測器的誤檢率上升。另外，考慮到某些圖像場景（如室內場景）中光源的分布較為分散且光照強度不一，易導致人臉亮度的分布不均，即產生“陰陽臉”的情況。對此，本文設計使用伽馬校正來確保人臉灰度分布處于較為合理的灰度層級內，以便于后期的人臉檢測。圖1為人臉檢測中的圖像預處理流程：

圖1 人臉檢測圖像預處理流程

1.1 膚色分割

Angelopoulou等人[4]經研究發現，不同種族、性別及年齡的群體，其皮膚的光譜反射率曲線具有較強的關聯性。膚色分割即是依據皮膚獨特的反射性質在特定的顏色空間內構建膚色模型以區分背景與膚色區域。目前，膚色分割較常使用的顏色空間有RGB色彩空間、HSV色彩空間以及YCbCr色彩空間。其中，RGB色彩空間內的R、G、B三色分量由于均包含不同比例的亮度成分，難以通過簡單的線性關系進行膚色與背景的區分，故不采用此色彩空間。針對HSV色彩空間以及YCbCr色彩空間，本文采用FDDB人臉數據庫中的5016張人臉圖像在其各自的空間內建立膚色模型，各色彩空間內皮膚像素的三維統計圖如下（圖2、圖3）：

圖2 HSV色彩空間內膚色分布

圖3 YCbCr色彩空間內膚色分布

通過比較可以發現，相比于HSV色彩空間，人體膚色在YCbCr色彩空間內的緊密度更高，故本文選擇在YCbCr色彩空間內構建膚色模型。

根據膚色在YCbCr色彩空間內的分布關系，本文選擇使用Cb、Cr分量來構建膚色的二維高斯模型，高斯模型計算公式如下：

m與C分別為模型的均值與協方差矩陣，通過對樣本的統計，本文所確定的均值m與協方差C的值為：

圖4為膚色像素Cb、Cr值的二維高斯分布圖：

根據該二維高斯分布模型可求得圖像中每點像素對應的所屬皮膚概率，通過OTSU對概率圖進行二值化后即可分割出圖像中的膚色區域。由于人臉中包含眼睛、眉毛此類非膚色區域，故需對二值化圖像進行形態學操作以獲得完整的面部區域，本文所做形態學處理流程如圖5：

圖5 形態學處理流程圖

圖6、圖7為原始圖及其膚色分割后的結果：

圖6 膚色分割原圖

圖7 膚色分割效果圖

1.2 伽馬校正

在部分場景中，由于光源方向及亮度的不確定性，易導致人面部出現光照不均的現象。另外，當嫌疑人佩戴帽子等裝飾品時，也易出現面部的灰度分布改變，給人臉檢測帶來干擾。針對以上問題，本文采用了伽馬變換來進行圖像灰度值的非線性變換。伽馬校正的公式如下：

經實驗，gamma值取0.45時對圖像的灰度校正效果較好，圖8為原圖及經伽馬校正后的圖像：

圖8 伽馬校正效果圖

2 Adaboost算法人臉檢測

2.1 Haar矩形特征

Haar特征是由Viola和Jones于2001年提出，基于灰度分布來表征人臉特征的一組矩形框。通過以不同的位置、大小及方向在人臉區域進行排列，并使用Adaboost算法對其篩選，進而可以得到那些對人臉及背景具有良好區分度的Haar特征。該類矩形特征所具有的辨識力可用圖9來解釋。

圖9 Haar特征面部表述示意圖

由于人面部的灰度值分布不均，某些部位如眼睛的平均灰度值要明顯低于其周圍部位的平均灰度值。當某一Haar矩形特征以上圖所示大小及方向處于圖像中的位置時，若使白色區域的平均灰度值減去黑色區域的平均灰度值，易知所得特征值將趨于某一正值k。而當該Haar矩形特征處于雜亂的背景之中時，可知其值應該趨向于0[5]。由于特征值的明顯不同，此類Haar特征將會對背景及人臉具有較好的辨識度。不同類型的Haar特征如圖10所示，除此之外，亦有針對人臉灰度分布做改進后的Haar矩形特征。

圖10 Haar矩形特征

2.2 Adaboost算法流程

Adaboost算法的作用即是從上述海量的Haar矩形特征中，篩選出對人臉具有良好表達性質的矩形特征作為人臉檢測中的弱分類器來使用。弱分類器的判定公式如下[6]：

其中，x、f、p、θ分別代表待檢測窗口、特征值、不等式方向、閾值。針對樣本集以訓練并篩選最優弱分類器的步驟如下：

（1）針對樣本集M=（x1，y1），（x2，y2），…（xn，yn），x1至xn代表訓練樣本，y1至yn代表樣本的正負性，初始化其樣本權重為1/n。

（2）For t=1，2…T：

①樣本權值歸一化：

② 針對每一個Haar矩形特征計算其錯誤率并選擇具有最小加權錯誤率的作為最優弱分類器：

③更改樣本權重，使得那些被錯分的樣本具有更大的權重：

其中，ei=0代表樣本被錯誤分類，ei=1代表被正確分類。

（3）T類最佳弱分類器疊加以得到強分類器：

由數個最優弱分類器合成的強分類器雖然已具備了較高的檢測率，但其誤檢率仍較高。然而，通過對最優弱分類器數量的累加以提高強分類器的性能，一方面對檢測率的提升貢獻較??；另一方面則易導致檢測的時間過長。對此，Viola等人提出使用強分類器的級聯結構來實現快速的人臉檢測。該方案將多個強分類器分組并以級聯形式排列，待檢測窗口需通過上組分類器判定后才會進入下一層的判定。該方案使得大部分的待檢測窗口在前幾輪的判定中即被拒絕并不再進行檢測，在保證了檢測率沒有較大降低的程度下使得誤檢率大幅減小，同時提高了人臉檢測的速度。

3 仿真實驗與結果分析

本文實驗在CPU為 Inter（R）Core（TM）i7-8750h 2.21GHz，內存為16G的PC機上使用Matlab語言進行編程實現。

實驗選自FDDB人臉數據庫中200幅包含人臉的圖像，部分圖像檢測結果如下（圖11）：

圖11 人臉檢測效果圖

本文以交并比IOU指數對人臉檢測結果做二分類，并以精準率與召回率作為檢測器的評價標準。IOU計算方式如下：

其中，A代表檢測器標注人臉區域，B代表真實標注人臉區域。一般認為，當IOU＞0.5時即為標注成功，圖12為200例圖像中檢測器標注區域IOU值：

圖12 檢測器標注區域IOU值

可以看出，本文所采用檢測器的絕大多數標注區域處于虛線上方。根據上述分類方式可以將檢測結果加以區分，針對該檢測結果計算精準率與召回率，設True為檢測器檢出人臉數量、Detection為檢測器標注人臉數量Ground Truth為真實標注人臉數量。精準率（Precision）與召回率（Recall）的計算方式如下：

針對FDDB內200幅圖像，其精準度與檢測率如表1所示：

表1 精準度與檢測率

4 結論

針對公安行業內對圖像中人臉自動檢測的需求，設計了一種聯合膚色分割模型的Adaboost算法人臉檢測方案。其中，本文采用的高斯膚色分割模型可有效去除非人臉背景區域，避免后續人臉檢測器對人臉的誤檢。另外，對分割后區域進行灰度化并應用伽馬校正，則可以有效減弱面部的光照不均的現象，提高人臉檢測器的魯棒性。經實驗，該方案對于圖像中人臉具有較高的精準度以及召回率，可用于公安領域中的人臉檢測任務。