0 引言
在人臉檢測領(lǐng)域，人臉特征的選取是基礎(chǔ)與核心,。目前主要的人臉檢測方法可以分為基于特征的方法和基于統(tǒng)計(jì)的方法兩大類,。基于特征的方法可以處理較大尺度和視角變化的人臉檢測問題,，但其最大的困難在于很難找到相對穩(wěn)定的特征,，因?yàn)閳D像的顯示特征容易受到光照、噪聲等的影響,；基于統(tǒng)計(jì)的方法可以避免特征提取和分析過程,，但存在計(jì)算量大，以及非人臉樣本收集和樣本訓(xùn)練難的問題,。
為此,，本文對基于膚色分割結(jié)合模板匹配的人臉檢測方法進(jìn)行了改進(jìn)，提出基于“光照預(yù)處理+膚色模型+模板匹配”的人臉檢測解決思路,，即在光照預(yù)處理的前提下,，利用膚色特征建立膚色模型；根據(jù)膚色模型進(jìn)行膚色檢測和閾值分割,；在對分割區(qū)域特征分析的基礎(chǔ)上,，將篩選出的人臉候選區(qū)域與人臉模板相匹配；最后將匹配較好的區(qū)域在原圖像中用矩形框標(biāo)示出來,。
1 膚色模型
人臉的膚色不依賴于面部的其他特征,，對于人臉姿態(tài)和表情的變化不敏感，具有較好的穩(wěn)定性,，而且明顯區(qū)別于大多數(shù)背景物體的顏色,。大量實(shí)驗(yàn)證明，不同膚色的人臉對應(yīng)的色調(diào)是比較一致的,，其區(qū)別主要在于灰度,。人臉的膚色特征主要通過膚色模型來描述。膚色模型是在一定色彩空間描述膚色分布規(guī)律的數(shù)學(xué)模型,。本文選用備受青睞的高斯模型,。
1．1 色彩空間
一般說來，色調(diào)和飽和度相對亮度來說，是相互獨(dú)立的,。在不同的光照條件下,，雖然物體顏色的亮度會產(chǎn)生很大的差異，但是它的色度在很大范圍內(nèi)具有恒常性,，基本保持不變,。研究表明，人類的膚色在YCbCr色彩空間的分布相對比較集中(被稱為膚色的聚類特性),，不同種族之間膚色的差異主要是由亮度引起,，而與顏色屬性無關(guān)。利用此特性,，將圖像像素分為膚色和非膚色像素兩類,，這樣可以大大提高人臉檢測的效率和正確性。
在YCbCr色彩空間中,，Y表示亮度，Cb和Cr是顏色差別信號,，代表色度,。因此，本文的膚色模型只選用YCbCr色彩空間的Cb和Cr色度分量,，并用這兩個分量建立色度分布圖,。實(shí)驗(yàn)中，需要先將普遍采用RGB色彩空間描述的圖像轉(zhuǎn)換到Y(jié)CbCr色彩空間,。
1．2 建立膚色樣本
建立膚色模型需要使用大量包含不同膚色,、不同大小人臉的RGB圖像。本文從互聯(lián)網(wǎng),、人臉庫和日常的生活照中選用了100幅膚色各不相同的人臉圖像,，然后從中裁剪出人臉皮膚區(qū)域的一小部分，作為膚色樣本,。接著將其從RGB色彩空間轉(zhuǎn)換為YCrCb色彩空間,。
經(jīng)過色彩空間轉(zhuǎn)換之后，人臉圖像不可避免地會出現(xiàn)噪聲,。本文采用滑動窗口為3×3的二維中值濾波器來去除椒鹽噪聲,，并在速度和效果上都取得了很好的結(jié)果。
1．3 建立膚色模型
濾除噪聲后,，先用二維高斯分布來描述這種Cb-Cr的色度分布,，然后對膚色樣本進(jìn)行訓(xùn)練，以此得到一個分布中心,，再根據(jù)所觀察的像素離該中心的遠(yuǎn)近來得到一個膚色的相似度,。最后利用均值和方差計(jì)算得到高斯分布模型，這就是實(shí)驗(yàn)中的膚色模型,。二維高斯分布的表達(dá)式為：
2 人臉檢測
2．1 光照預(yù)處理
由于受外界光照環(huán)境的影響,，尤其是光源顏色,，采集來的彩色圖像經(jīng)常會發(fā)生彩色偏移。本文使用Gray World彩色均衡方法來消除這種彩色偏移,。該方法首先通過圖像的R,，G，B三個分量中各自的平均值avgR,，avgG,，avgB確定出圖像的平均灰度值avgGray，然后調(diào)整每個像素的R,，G,，B值，使得調(diào)整后圖像的R,，G,，B三個分量中各自的平均值都趨于平均灰度值avgGray。實(shí)驗(yàn)結(jié)果表明,，消除彩色偏移能有效提高算
法的檢測率和準(zhǔn)確率,。
2．2 類膚色檢測
本文算法最為關(guān)鍵的一步便是人體皮膚區(qū)域的粗檢測。檢測方法是計(jì)算圖像像素與膚色模型的相似度,，這個值描述了像素與膚色的相似程度,。相似度計(jì)算公式為：
通過計(jì)算圖像中每個像素與膚色模型的相似度，生成一幅類膚色灰度圖像,，如圖1所示,。
2．3 閾值分割
由于人體皮膚區(qū)域的像素與膚色模型的相似程度較高，計(jì)算得到的相似度值就比較大,，因此在類膚色灰度圖中,，皮膚區(qū)域顯得比其他部分更亮。這樣一來,，通過選取合適的閾值即可分割出膚色區(qū)域,。
本文實(shí)驗(yàn)選擇的閾值以0．1為間隔從0．65逐漸減小到0．05。通過對選擇的相鄰兩個閾值的圖像相減,，可以找到分割區(qū)域數(shù)量變化最小的閾值取值點(diǎn),，這個閾值就是最佳闞值。根據(jù)這個閾值,，就可以將類膚色灰度圖轉(zhuǎn)換為二值圖,。
圖2為轉(zhuǎn)換后的二值圖。
2．4 區(qū)域特征分析
由于閾值分割得到的二值圖中包含多個類膚色區(qū)域,，這就需要先對這些區(qū)域進(jìn)行標(biāo)記,，以便逐個處理。為了不影響對人臉整體形狀的檢測，采用形態(tài)學(xué)操作對標(biāo)記后的膚色區(qū)域進(jìn)行特征分析,，以決定該區(qū)域是否包含一個人臉,。這些特征主要包括孔洞、質(zhì)心坐標(biāo),、方向角,、面積和高寬比。
由于人臉上包含有眼睛,、眉毛,、鼻子和一張嘴，因此在分割出來的人臉區(qū)域中至少包含一個孔洞,，而且人臉的高寬比值通常接近1,，這個特征參數(shù)就可以排除掉大部分的非人臉區(qū)域。實(shí)驗(yàn)中的高寬比值限定在0．6～1．2之間,，當(dāng)檢測區(qū)域的高寬比值落在該區(qū)間時,，則認(rèn)為該區(qū)域是一個人臉候選區(qū)域。
3 模板匹配
模板匹配就是將預(yù)先建立的人臉模板與篩選出來的人臉候選區(qū)域進(jìn)行相關(guān)性匹配,。匹配時,，首先根據(jù)候選區(qū)域的大小、質(zhì)心坐標(biāo)和方向角度調(diào)整人臉模板的尺寸,、方向和位置，然后才進(jìn)行匹配,。預(yù)先建立的人臉模板如圖3所示,。首先用16個不同的人臉灰度圖像計(jì)算得到一張平均臉，然后從中分割出人臉的主要部分,，作為實(shí)驗(yàn)中使用的人臉模板,。
模板匹配常用的一種測度為模板與原圖像對應(yīng)區(qū)域的誤差平方和。確定這個值的一種方法便是使用歸一化互相關(guān)系數(shù)(以下簡稱相關(guān)系數(shù)),。
兩個圖像矩陣的相關(guān)性匹配通過計(jì)算式(3)得到：
經(jīng)過多次測試發(fā)現(xiàn),，當(dāng)相關(guān)系數(shù)取值大約為0．6時，兩個矩陣匹配較好,。如果人臉模板矩陣和人臉候選區(qū)域矩陣的相關(guān)系數(shù)是0．6或者更高,，則認(rèn)為該區(qū)域包含一個人臉。測試完所有的膚色區(qū)域后,，在原圖中用矩形框標(biāo)示檢測到的每個人臉,。檢測結(jié)果如圖4所示。
4 結(jié)語
實(shí)驗(yàn)中用包含有60個不同人臉(包括黑人,、白人和黃色人種)的20幅圖像對算法進(jìn)行測試,，其中相關(guān)系數(shù)和高寬比值都選擇最佳值。測試結(jié)果表明，本文算法對實(shí)際生活中人臉圖像的正確檢測率達(dá)到了84％,，對姿態(tài)和表情同樣具有較高的魯棒性,，基本上達(dá)到了預(yù)期的目標(biāo)。