隨著智能化技術(shù)和監(jiān)控技術(shù)在各個領(lǐng)域的廣泛應(yīng)用，人臉檢測作為自動人臉識別的關(guān)鍵環(huán)節(jié)受到越來越多的重視,。人臉檢測是指在圖片中確定人臉位置的過程,，其定位的準(zhǔn)確性將直接影響到人臉識別的結(jié)果。目前人臉檢測有三種類型^[1]：膚色區(qū)域分割,、基于啟發(fā)式模型和基于統(tǒng)計模型的方法,。膚色分割的局限性在于受復(fù)雜背景和光照的影響較大?；趩l(fā)式模型的方法首先抽取特征,，然后檢驗(yàn)是否符合人臉的先驗(yàn)知識。統(tǒng)計模型是把人臉看作一類模式構(gòu)造分類器" title="分類器">分類器,，通過判別圖像中區(qū)域可能屬于哪類模式的方法實(shí)現(xiàn)人臉的檢測,。
　　針對攝像機(jī)固定的監(jiān)視應(yīng)用提出了一種在視頻環(huán)境下檢測人臉的方法。從結(jié)果分析,，本文基于視頻圖像" title="視頻圖像">視頻圖像的人臉檢測方法在檢測率和速度上均滿足系統(tǒng)要求,。
1 人臉檢測系統(tǒng)框架
　　人臉檢測系統(tǒng)以攝像機(jī)采集到的圖像為輸入得到人臉的位置信息。視頻圖像人臉檢測算法流程如圖1所示,。

2 人臉區(qū)域檢測
2.1 基于變化檢測的目標(biāo)定位
　　人臉圖像采集系統(tǒng)的采像環(huán)境和位置是固定的,，因此采用背景差分的方法,。首先選取n幅圖像目標(biāo)進(jìn)入視場的背景圖像f(x，y,，t_i),，i=1，2,，…,，n，運(yùn)用時間中值濾波或均值濾波的方法得到模型的背景圖像,，記為B(x,，y)。將當(dāng)前圖像與這個建立的背景圖像做差分來找到運(yùn)動物體,，記為變化檢測后的D(x,，y，t_i),。
　　由D(x,，y，ti)=|f(x,，y,，ti)-B(x，y)|,，i=1…,，n???????????????????? (1)
　　得到當(dāng)前時刻的運(yùn)動區(qū)域。變化檢測示意圖如圖2所示,。圖2(a)為當(dāng)前圖片,，圖2（b）是變化檢測后的結(jié)果。對變化的區(qū)域做后續(xù)處理工作,，去除小的變化區(qū)域,，找到圖像中最大的連通區(qū)域并進(jìn)行標(biāo)記。

　　由于圖像分割和背景更新等問題不是本文重點(diǎn),，故此處省略,。
2.2 改進(jìn)的Adaboost人臉檢測算法
　　Adaboost算法是Freund等人^[2]提出的一種Boost算法。它是自動地從弱分類器空間中挑選出若干個弱分類器整合成一個強(qiáng)分類器,。在訓(xùn)練過程中調(diào)整樣本的權(quán)重,，使得Adaboost能夠“聚焦于”那些比較困難的樣本。該算法主要有訓(xùn)練和檢測兩個部分,，用其進(jìn)行人臉檢測,，速度快且定位準(zhǔn)確。本文針對視頻應(yīng)用環(huán)境對算法做了改進(jìn),，提高了檢測速度,。
　　(1)訓(xùn)練和檢測算法
　　首先選取合適的樣本,，取矩形特征作為訓(xùn)練中的弱分類器。為了顯著地提高人臉檢測的速度,，將復(fù)雜分類器的問題拆分成若干弱分類器,，對這些弱分類器進(jìn)行篩選，得到一系列強(qiáng)分類器,，再將這些強(qiáng)分類器層疊相連^[3],。特征f_j對應(yīng)的弱分類器表述為h_j(x)。
　　

　　其中,，θ_j是在訓(xùn)練樣本上最小錯誤分類的閾值,，p_j是表示不等式的方向。由一系列弱分類器得到強(qiáng)分類器H_i(x),。
　　
　　其中x為待檢測窗口，h_j(x)為構(gòu)成該強(qiáng)分類器的第j個弱分類器,，θ_i為該強(qiáng)分類器的閾值,。H_i(x)的判斷結(jié)果為1或0。1表示接受,，0表示拒絕,。當(dāng)一系列強(qiáng)分類器層層相連時，就構(gòu)成一個層疊分類器^[4],。訓(xùn)練的過程即為構(gòu)造級聯(lián)分類器,。當(dāng)某一層訓(xùn)練的過程中，錯誤報警率超標(biāo),，則從樣本中繼續(xù)學(xué)習(xí),，增加新的特征以滿足結(jié)果需要。
　　檢測過程同訓(xùn)練過程類似,，將輸入圖像以訓(xùn)練樣本的大小為基準(zhǔn),，依次乘以相應(yīng)的步長，得到一系列子圖像,。計算積分圖像以后,，通過訓(xùn)練好的層疊分類器得到檢測結(jié)果。最后進(jìn)行區(qū)域合并得到人臉位置信息,。
　　(2)Adaboost中的改進(jìn)工作
　　首先,，在訓(xùn)練過程中引入45°旋轉(zhuǎn)矩形特征。由于要檢測的不僅是正面人臉圖像,，因此訓(xùn)練樣本中加入了一些平面內(nèi)和平面外的旋轉(zhuǎn)樣本圖像,。選取的特征也由viola的傳統(tǒng)四類矩形特征擴(kuò)展到加入45°旋轉(zhuǎn)特征。擴(kuò)展的矩形特征圖如圖3所示,。

　　其次,，對圖像進(jìn)行降分辨率搜索,。為了更清晰地表述圖像，視頻圖像通常采用的圖像分辨率比較大,，如1024×768等,，將分辨率降為512×384不會影響檢測的結(jié)果，但是搜索的時間明顯減少,。為適應(yīng)系統(tǒng)實(shí)時性的需求,，針對人臉圖像在視場中的比例，將檢測部分的搜索步長改為1.2,。opencv中的推薦步長是1.1,，本文針對人臉圖像在視場中的比例，在視頻圖像實(shí)驗(yàn)中發(fā)現(xiàn),，如果將原有步長1.1加大到1.2,，不會影響檢測率，但減少了計算量,。以320×320圖像為例比較,，訓(xùn)練圖像的大小是24×24。當(dāng)檢測步長從1.1增加到1.2時,，需要檢測的子圖像個數(shù)由3 302 348降至1 769 115,。需要說明的是，在viola的方法中,，最后實(shí)驗(yàn)結(jié)果在384×288的圖像上進(jìn)行檢測耗時0.067s(實(shí)驗(yàn)機(jī)器配置為 PentiumⅢ,，700MHz)，檢測窗口縮放參數(shù)起始1.25,，步長1.5,，但是由于視頻序列圖像中圖像質(zhì)量較差，若此參數(shù)偏高,，檢測率不能滿足要求,。本文中檢測窗口的縮放參數(shù)為起始1.0，步長1.2,。步長的選取實(shí)際是對檢測率與錯誤報警率之間的一個折中,。本文的候選驗(yàn)證方法能有效地排除錯誤報警，檢測的主要目的是減少漏檢人臉圖像,，保證較高的檢測率,。這也是步長選取為1.2的原因。
3 人臉候選區(qū)域驗(yàn)證
　　從前兩步得到了一系列的人臉候選區(qū)域,，處理得到人臉感興趣區(qū)域,。膚色分割的局限性在于受復(fù)雜背景的影響較大，但是人臉候選區(qū)域的圖像背景通常不復(fù)雜，將其運(yùn)用于人臉候選驗(yàn)證效果很好,。凡是能通過膚色模型^[5]被認(rèn)為是人臉的區(qū)域,，稱為“類膚色區(qū)域”。在人臉候選區(qū)域驗(yàn)證中,，人臉先進(jìn)入第一層分類——膚色模型,，再進(jìn)入第二層分類——圖像的方差，拋掉“類膚色區(qū)域”中的非人臉,。經(jīng)過兩層分類后,，絕大部分錯誤報警被排除。最終同時通過兩層的人臉候選區(qū)域被確定為人臉,。后驗(yàn)證方法的流程如圖4所示,。

3.1 基于膚色分割的候選區(qū)域驗(yàn)證
　　統(tǒng)計一定數(shù)量的膚色區(qū)域，由于在RGB顏色空間分布沒有明顯的規(guī)律性,，因而將其轉(zhuǎn)化到HSI空間發(fā)現(xiàn)了膚色的集中分布區(qū)域,。實(shí)驗(yàn)中有一些背景像素值轉(zhuǎn)化到HSI空間時，對應(yīng)的色調(diào)值S相差不大,，僅僅依靠傳統(tǒng)用色調(diào)來區(qū)分膚色的非膚色區(qū)域的方法不再適用,。在本系統(tǒng)的膚色分割中同時使用了H、I的值進(jìn)行限制,，從大量的結(jié)果統(tǒng)計得到適用范圍。利用此特征對人臉候選區(qū)域進(jìn)行第一次分類,，去除一部分錯誤報警,。候選區(qū)域驗(yàn)證結(jié)果如圖5所示。其中,，圖5(1)中的a列為歸一化后的人臉候選區(qū)域,，b為膚色變換以后的結(jié)果，得到第二層的圖像c,。
3.2 基于圖像方差的候選區(qū)域驗(yàn)證
　　該層剔除的目標(biāo)主要是“類膚色區(qū)域”中的非人臉,。對于人臉膚色區(qū)域和非人臉膚色區(qū)域，方差分布有著明顯的差別,。圖5(2)中得到的就是去除非人臉膚色區(qū)域之后的結(jié)果,。

4 實(shí)驗(yàn)結(jié)果及分析
　　分別進(jìn)行兩組不同類型的實(shí)驗(yàn)，以證明該方法定位人臉的準(zhǔn)確性和實(shí)用性,。

　　實(shí)驗(yàn)1：如圖6所示,。圖6(a)為多人臉圖像中的人臉定位，圖6(b)為當(dāng)人臉旋轉(zhuǎn)的角度小于30°時,，人臉在發(fā)生平面內(nèi)和平面外的旋轉(zhuǎn)時仍能準(zhǔn)確定位的圖片,。在圖像大小為320×240時，整個檢測和候選驗(yàn)證時間88ms（機(jī)器配置為PentiumⅣ，2.4GHz）,，基本上達(dá)到了實(shí)時的要求,。
　　實(shí)驗(yàn)2：研究視頻環(huán)境下的人臉檢測。由于光線的影響和視頻圖像具有運(yùn)動模糊的特點(diǎn),，因而錯誤報警率比通用的測試集高,。表1特別對候選驗(yàn)證前后的錯誤報警進(jìn)行了比較。本文對檢測率(DR)和虛警率(FR)定義如下：
　　
　　其中N為測試集中人眼能夠確認(rèn)的人臉總數(shù),，n為正確檢測到的人臉個數(shù),，m為被檢測方法確定為人臉的非人臉模式，即錯誤檢測樣本個數(shù),。本文的測試集是在視頻環(huán)境下實(shí)驗(yàn)室同學(xué)的樣本,，每個樣本為單幅人臉圖像，樣本數(shù)目和人眼能夠確認(rèn)的人臉總數(shù)是一致的,。檢測率和虛警率統(tǒng)計結(jié)果如表1所示,。