摘 要: 針對(duì)AdaBoost人臉檢測(cè)算法易受到紋理干擾而造成誤檢的情況,,提出了一種結(jié)合自適應(yīng)膚色驗(yàn)證的快速人臉檢測(cè)算法CMFS。該算法首先用運(yùn)動(dòng)檢測(cè)為前置處理減小人臉檢測(cè)搜索范圍,,然后用AdaBoost算法檢測(cè)出人臉候選區(qū),,最后根據(jù)人臉候選區(qū)的平均亮度自適應(yīng)地選擇是否啟用膚色驗(yàn)證作為后處理以排除虛警。實(shí)驗(yàn)結(jié)果表明,,提出的CMFS檢測(cè)算法在保證檢測(cè)率的同時(shí),,提高了檢測(cè)速度,并大大降低了誤檢率,。
關(guān)鍵詞: 人臉檢測(cè),;膚色檢測(cè);多特征融合
人臉檢測(cè)是計(jì)算機(jī)視覺(jué)及相關(guān)領(lǐng)域的關(guān)鍵技術(shù),,在智能人機(jī)交互,、視頻會(huì)議、安全監(jiān)控等方面都有著廣闊的應(yīng)用前景,。目前人臉檢測(cè)方法主要有基于知識(shí)的方法和基于統(tǒng)計(jì)學(xué)習(xí)的方法[1],。其中,基于知識(shí)的檢測(cè)算法首先抽取灰度,、紋理,、集合形狀等特征,然后根據(jù)一些特定的知識(shí)規(guī)則判斷圖像中是否含有人臉,,該類(lèi)方法速度快但精度較差,,多適用于人臉的粗檢測(cè)?;诮y(tǒng)計(jì)學(xué)習(xí)的方法是將人臉檢測(cè)轉(zhuǎn)化為模式識(shí)別中的二分類(lèi)問(wèn)題,,通過(guò)學(xué)習(xí)人臉樣本集和非人臉樣本集得到一組模型參數(shù),再利用該參數(shù)來(lái)判斷圖像中的每個(gè)子窗口是否為人臉,。該類(lèi)算法可為兩大類(lèi)[1]:(1)使用統(tǒng)計(jì)的方式進(jìn)行特征提取,,如主成分分析、流行方法等,;(2)使用統(tǒng)計(jì)的方法進(jìn)行分類(lèi),,如神經(jīng)網(wǎng)絡(luò),、支持向量機(jī)(SVM)、貝葉斯決策,、Boosting方法等,。其中,基于A(yíng)daBoost算法的人臉檢測(cè)算法是目前最快,、最有效的人臉檢測(cè)算法之一[2],,能較好地完成實(shí)時(shí)人臉檢測(cè)。
然而,,基于A(yíng)daBoost的人臉檢測(cè)算法易受到紋理干擾而造成誤檢,,所以可以考慮引入其他信息來(lái)提高人臉檢測(cè)算法的性能??紤]到在視頻監(jiān)控的應(yīng)用中,,人們往往更加關(guān)心運(yùn)動(dòng)的物體,因此可以結(jié)合這一應(yīng)用特點(diǎn)引入運(yùn)動(dòng)和膚色信息來(lái)排除復(fù)雜背景對(duì)人臉檢測(cè)的影響,,進(jìn)而提高檢測(cè)速度,。為了提高視頻序列中人臉檢測(cè)算法的性能,降低誤檢率,,本文提出一種結(jié)合運(yùn)動(dòng)檢測(cè),、AdaBoost人臉檢測(cè)和膚色確認(rèn)的級(jí)聯(lián)式多特征人臉檢測(cè)算法CMFS(Cascade Motion Detection,F(xiàn)ace Detection and Skin Verification),。該算法首先進(jìn)行運(yùn)動(dòng)檢測(cè)提取目標(biāo)運(yùn)動(dòng)區(qū)域,,以較小的計(jì)算代價(jià)縮減人臉檢測(cè)的搜索范圍;然后在運(yùn)動(dòng)區(qū)域中使用AdaBoost人臉檢測(cè)算法檢測(cè)人臉,;最后再根據(jù)亮度情況自適應(yīng)地選擇是否啟用膚色驗(yàn)證作為后處理,,以排除紋理干擾。實(shí)驗(yàn)證明,,本文提出的CMFS檢測(cè)算法在保證檢測(cè)率的同時(shí)大大降低了人臉檢測(cè)算法的誤檢率,,提高了檢測(cè)速度,,能滿(mǎn)足復(fù)雜壞境變化中實(shí)時(shí)人臉檢測(cè)的要求。
1 AdaBoost人臉檢測(cè)算法
2001年,,VIOLA P和JONES M[3]提出的實(shí)時(shí)人臉檢測(cè)框架真正讓人臉檢測(cè)走向成熟,該算法使用Boosting的方法將多個(gè)弱分類(lèi)器組合成強(qiáng)分類(lèi)器,,并利用Cascade的結(jié)構(gòu)加快處理速度,使人臉檢測(cè)的速度得到了實(shí)質(zhì)性的提高。參考文獻(xiàn)[3]主要有三大貢獻(xiàn):(1)利用Haar特征構(gòu)造弱分類(lèi)器,,并提出“積分圖”的概念快速計(jì)算Haar特征值;(2)利用AdaBoost算法,,從很大的特征集中選出很少的特征線(xiàn)性組合形成非常高效的節(jié)點(diǎn)分類(lèi)器;(3)利用人臉檢測(cè)是一個(gè)極度不對(duì)稱(chēng)的分類(lèi)問(wèn)題,把節(jié)點(diǎn)分類(lèi)器級(jí)聯(lián)起來(lái),,由粗到精迅速排除非人臉區(qū)域,,顯著提高了檢測(cè)速度,。
其中,,v是Haar特征值;pt代表偏置,,用于控制不等號(hào)的方向;θt代表分類(lèi)閾值,。弱分類(lèi)器是錯(cuò)誤率稍低于50%的分類(lèi)器,在固定的樣本集中挑選出錯(cuò)誤率最低的弱分類(lèi)器后,,可以通過(guò)AdaBoost算法把在不同樣本集中訓(xùn)練得到的弱分類(lèi)器集合起來(lái),構(gòu)成一個(gè)強(qiáng)分類(lèi)器,。
1.2 Adaboost算法
AdaBoost的主要思想是:在每次弱學(xué)習(xí)后更新樣本集的權(quán)重分布,即重新調(diào)整每個(gè)樣本的權(quán)重,,減小被正確分類(lèi)的樣本權(quán)重,加大被錯(cuò)誤分類(lèi)的樣本權(quán)重,,使得后續(xù)的學(xué)習(xí)能更“關(guān)注”那些被錯(cuò)誤分類(lèi)的樣本。
2 多特征融合的快速人臉檢測(cè)算法CMFS
基于A(yíng)daBoost的人臉檢測(cè)算法具有快速,、檢測(cè)率高的優(yōu)點(diǎn),,但它易受到紋理等干擾而導(dǎo)致誤檢,。在視頻監(jiān)控的應(yīng)用中,,可以加入運(yùn)動(dòng)和膚色信息來(lái)排除非人臉干擾,,提升人臉檢測(cè)算法的性能。本文提出的CMFS人臉檢測(cè)算法流程圖如圖3所示,,它有運(yùn)動(dòng)檢測(cè)模塊、人臉檢測(cè)模塊以及膚色驗(yàn)證模塊3個(gè)基本模塊,。首先進(jìn)行運(yùn)動(dòng)檢測(cè)提取目標(biāo)運(yùn)動(dòng)區(qū)域,縮減人臉檢測(cè)的搜索范圍,;然后在運(yùn)動(dòng)區(qū)域中使用AdaBoost人臉檢測(cè)算法檢測(cè)人臉;最后根據(jù)亮度情況自適應(yīng)地選擇是否啟用膚色驗(yàn)證作為為后處理,,以排除紋理干擾。
2.2 膚色驗(yàn)證
本文采用HSU R L等[6]提出的膚色檢測(cè)算法來(lái)對(duì)人臉檢測(cè)出的候選區(qū)域進(jìn)行膚色確認(rèn),。在YCbCr顏色空間中,HSU R L等把色度分量Cb和Cr作為亮度分量Y的函數(shù)Cb(Y)和Cr(Y),,對(duì)YCbCr顏色空間進(jìn)行非線(xiàn)性變換,得到新的顏色空間YCb′Cr′,,并在YCb′Cr′顏色空間提出一個(gè)橢圓膚色模型。把橢圓內(nèi)部的點(diǎn)判定為膚色點(diǎn),,橢圓外部的點(diǎn)判定為非膚色點(diǎn)[6],。
膚色是對(duì)人臉來(lái)說(shuō)是很有效的特征,能有效降低人臉檢測(cè)的虛假率,,但膚色特征存在對(duì)光照變化敏感的缺點(diǎn),。由于膚色檢測(cè)易受到光照變化影響,在高亮度或低亮度條件下較難分割出完整的膚色區(qū)域,,如圖5所示,,因此膚色確認(rèn)的結(jié)果并不總是可信。對(duì)此,采用自適應(yīng)的方式對(duì)人臉候選區(qū)進(jìn)行膚色確認(rèn),。具體來(lái)說(shuō),,即在得到人臉檢測(cè)候選區(qū)后,CMFS算法會(huì)根據(jù)人臉候選區(qū)平均亮度自適應(yīng)地開(kāi)啟膚色驗(yàn)證,。如果人臉候選區(qū)的平均亮度很高或很低,,則不啟用膚色驗(yàn)證,,直接判定經(jīng)過(guò)人臉檢測(cè)的人臉候選區(qū)為最終結(jié)果,;反之,則啟用膚色驗(yàn)證,,并采納膚色驗(yàn)證的結(jié)果。具體地說(shuō),,膚色驗(yàn)證就是:如果人臉檢測(cè)得到的人臉候選區(qū)中膚色像素個(gè)數(shù)占的比例很低(本文中設(shè)定為0.5),則認(rèn)為人臉檢測(cè)發(fā)生誤檢,,排除該候選人臉候選區(qū)。本文通過(guò)大量的實(shí)驗(yàn)統(tǒng)計(jì)發(fā)現(xiàn),,易發(fā)生誤檢的亮度區(qū)間是Y∈[0,70]和Y∈[190,,235],,所以設(shè)定這兩個(gè)區(qū)間分別為低亮度區(qū)間和高亮度區(qū)間,其他區(qū)間為正常亮度區(qū)間,。
3 實(shí)驗(yàn)結(jié)果及分析
本文選取一些常用的測(cè)試視頻序列并用USB攝像頭拍攝多段視頻作為測(cè)試序列,測(cè)試了本文所提CMFS算法的檢測(cè)性能,,并與目前應(yīng)用最廣泛的AdaBoost人臉檢測(cè)算法進(jìn)行了比較。實(shí)驗(yàn)運(yùn)行環(huán)境是:Windows XP SP3操作系統(tǒng),,Intel(R)Pentium(R)D CPU,3.39 GB內(nèi)存,。程序運(yùn)行平臺(tái)是:Microsoft Visual Studio 2008/OpenCV 1.0,AdaBoost人臉檢測(cè)算法取自O(shè)penCV,。
為了測(cè)試本算法對(duì)光照的適應(yīng)性,拍攝了低亮度,、高亮度和正常亮度下的3段序列A、B,、C,分別包含500幀和500張人臉,,在其上測(cè)試了僅用人臉檢測(cè)算法、結(jié)合非自適應(yīng)膚色驗(yàn)證的人臉檢測(cè)算法和本文CMFS算法的性能,,在3種算法前都不作運(yùn)動(dòng)檢測(cè)處理以保證有無(wú)膚色驗(yàn)證為唯一變量。圖6展示了3種算法對(duì)A,、B、C序列的部分檢測(cè)效果,。從圖6可以看出,在低亮度和高亮度情況下,,膚色檢測(cè)已經(jīng)失效(如(d)膚色分割圖所示),此時(shí)如果仍信任膚色,,則會(huì)造成漏檢(如序列A和C的(b)所示),,而自適應(yīng)后置膚色驗(yàn)證算法在非正常亮度下自動(dòng)關(guān)閉膚色驗(yàn)證,,故能保證人臉檢測(cè)的檢測(cè)率,;在正常光照時(shí),,膚色驗(yàn)證能有效地排除紋理干擾,,降低誤檢率(如序列B所示,,可以看到衣服處的膚色像素值不足50%,判定為非人臉,,排除此干擾),。結(jié)合運(yùn)動(dòng)檢測(cè),本文所提出的人臉檢測(cè)算法能達(dá)到平均11.6 ms/frame,,完全滿(mǎn)足實(shí)時(shí)要求。
為了測(cè)試本文算法對(duì)復(fù)雜環(huán)境的魯棒性,,在較為復(fù)雜的場(chǎng)景下用攝像頭拍攝了一段亮度正常的視頻序列D(分辨率為352×288,共840幀,,平均亮度范圍為[70,,190],該序列背景包括書(shū)架,、門(mén),、箱子等)。表1為僅用人臉檢測(cè)的算法與本文算法的性能比較,,圖7為部分檢測(cè)結(jié)果。從表1可以看出,,本文算法在保證檢測(cè)率的同時(shí),大大降低了人臉檢測(cè)的誤檢率,,提高了檢測(cè)速度,。這是因?yàn)楸疚乃岢龅腃MFS算法能通過(guò)前置的運(yùn)動(dòng)檢測(cè)減小人臉檢測(cè)搜索范圍,提高檢測(cè)速度,,并結(jié)合后置的膚色確認(rèn),有效地排除各種紋理和非膚色虛警(如圖7第133幀中的衣服條紋,、第122和380幀中的非膚色物體干擾),。
本文提出一種新的多特征融合人臉檢測(cè)算法,利用運(yùn)動(dòng)檢測(cè)為前置處理減小人臉檢測(cè)搜索范圍,,然后使用AdaBoost人臉檢測(cè)算法得到人臉候選區(qū),,最后根據(jù)人臉候選區(qū)的平均亮度自適應(yīng)地確定是否啟用膚色驗(yàn)證作為后處理,以排除虛警,。相比于僅用人臉檢測(cè)的算法,,本文提出的CMFS算法在保證檢測(cè)率的同時(shí)提高了檢測(cè)速度,,并大大降低了誤檢率,能滿(mǎn)足復(fù)雜壞境變化中實(shí)時(shí)人臉檢測(cè)的要求,。
參考文獻(xiàn)
[1] 郭志波.人臉快速檢測(cè)和特征抽取方法的研究[D].南京:南京理工大學(xué),,2007.
[2] JONES M J, VIOLA P. Robust real-time object detection[C]. Proceedings of the Workshop on Statistical and Computational Theories of Vision,, 2001.
[3] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of the Computer Vision and Pattern Recognition,, 2001 CVPR 2001 Proceedings of the 2001 IEEE Computer Society Conference on,, 2001: 511-518.
[4] SCHAPIRE R E, SINGER Y. Improved boosting algorithms using confidence-rated predictions[J]. Machine Learning,, 1999,, 37(3): 297-336.
[5] 徐顯日.人臉檢測(cè)算法的研究及其在DSP上的實(shí)現(xiàn)[D].廈門(mén):華僑大學(xué),,2007.
[6] HSU R L, ABDEL-MOTTALEB M,, JAIN A K. Face detection in color images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,, 24(5):696-706.