基于肤色和改进的贝叶斯分类器的人脸检测

信号检测与分析

基于肤色和改进的贝叶斯分类器的人脸检测

摘要

提出了一种新的基于肤色的多人脸检测方法。该方法先通过肤色分割得到人脸候选区，然后结合图像的小波表示和主元分析方法通过训练得到可用于区分人脸和非人脸的特征向量，并用改进的贝叶斯分类器对输入图像进行多人脸检测，改进的判决准则中参数 ，可用于控制检测的准确率和虚警概率，通过设定不同 值可使算法适用于不同要求的应用，另外为保证获得较高准确率的同时降低虚警概率，还提出在经分类区判决后的人脸区域中依据对应的马赛克模板进一步排除虚假人脸。

关键词：人间检测；肤色分割；主元分析；贝叶斯准则；马赛克模板

信号检测与分析

Multiple face detection based on skin color and

modified Bayes classifier

Abstract

A new multiple face detection method based on skin is proposed, which got the face candidates by the help of skin color and makes use of wavelet express of the images and the principal component analysis (PCA) to get the eigenvectors distinguishing faces and non-faces, and modified Bayes classifier to detect multiple faces of input images. , the parameter of the modified rules, could control detection accuracy and error probability to apply to different application by setting the values of . In addition, after classing, a mosaic template is used to exclude fake faces to ensure high accuracy and low error probability.

Key word: face detection; shin color segmentation; PCA method; Bayesian rule; mosaic template

信号检测与分析

1 绪论

人脸检测的目的是判断图像中是否存在人脸，并确定人脸的个数、大小和位置。人脸检测在视频监视、人机交互、人脸识别和人脸图像数据库管理等应用中起着非常重要的作用，是自动人脸识别系统的第一步。早期人脸检测的方法大致可以分为基于知识的方法、基于特征的方法和模板匹配的方法。它们的主要缺陷是对噪声、光线变换及人脸大小的变换较敏感，准确率较低，虚警率较高。近年来大量研究主要集中在基于数据统计学习的人脸检测方法，如：特征脸[1]，神经网络，支持向量机等。基于统计的方法依赖统计分析和机器学习技术寻找与人脸和非人脸相关的特征。这些学习特性以分布模型或区分函数的形式用于人脸检测，同时为了提高激素和检测效率通常会对特征向量采用降维的方法。

事实上，人脸检测方法通常采用几种不同方法的综合，充分利用各种方法的优点，根据不同的目的，达到时间和性能上的折中。由于利用肤色信息能够快速定位人脸区域，国内外已有一些将肤色信息和其它方法相结合的人脸检测方法。

本文先通过肤色分割得到人脸候选区，然后结合图像的小波表示和主元分析方法通过训练得到可用于区分人脸和非人脸的特征向量，并对贝叶斯分类器的最小判决准则进行改进，改进的判决准则中参数 ，可用于控制检测的准确率和虚警概率，通过设定不同 值可使算法适用于不同要求的应用。为提高整个检测过程的效率，本文利用肤色信息，先经过肤色分割将人脸的搜索区域从整幅图像缩小到皮肤区域，然后在肤色区域进行搜索确定出人脸位置和大小。另外，较高的检测准确率要求常常会带来较高的虚警概率，为保证获得较高准确率的同时降低虚警概率，本文还提出在经分类器判决后的人脸区域中依据对应的马赛克模板进一步排除虚假人脸。

2 肤色分割

2.1肤色提取

肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转、表情等变化情况都能适用，具有相对的稳定性，并且和大多数背景物体的颜色相区别。Anil K. Jain 采用非线形分段肤色分割得到肤色区域在Cb（chromatic minus blus）.Cr(chromatic minus red)空间中近似于椭圆，可用如下公式表示

(x ecx)x ecy

1 （1） 22

ab

其中：a=25.39，b=14.03，ecx=1.60，ecy=2.41.

x cos sin Cb cx

2.53

y sin cos Cr cy

其中：cx=109.38，cy=152.02。

若大于1则不是肤色，否则为肤色。

Anil K. Jain的Cb、Cr椭圆聚类方法肤色分割效果较好，但是对于亮度较低的区域容易误判为肤色，对于亮度较高肤色区域会误判为非肤色区域。本文针对Anil K. Jain的Cb、Cr椭圆聚类方法肤色分割的缺点，首先对亮度信息进行分段判断，这样克服了在高亮度区域和亮度较低的区域中存在的不足。通过多次实验统计表明，对于亮度小于80的非肤色像素点会误判为肤色点，比如眼睛区域等；对于大于230的肤色像素点会误判为非肤色点（如图1所示）。因此采用如下分段方法：

信号检测与分析

（1） 对于亮度低于80像素点直接判决为非肤色像素点；

（2） 对于亮度在80-230之间的像素点采用肤色的椭圆聚类方法；

（3） 对于亮度大于230的像素点进行判决是，将肤色的聚类时的椭圆的长短轴同时

扩大为原来的1.1倍。

图2-1（c）和图2-1（b）比较，在人眼区域此图有更好更细致的检测效果。试验结果表明，本文的方法较之其它的肤色提取方法在人的五官部分有更好更细致的检测效果。

（a）原图像 （b）Anil K. Jain方法（c）文本的方法

图2-1 肤色提取结果

2.2肤色区域分析

人脸肤色建模是根据皮肤颜色来确定的，有可能把脖子、肩膀、手臂等肤色区域或是与肤色相近的其它物体也包括了进去，所以得到的只能是人脸的大致区域，为了排除非人脸区域，依据人脸区域的空间特征，本文选取了连通区域像素数、区域填充率和长宽比判断因素，得到的人脸候选区域（如图2-2所示）。

图2-2 人脸候选区域

3 人脸特征分析及分类器设计

3.1小波分解和PCA主元分析

小波变换是一个常用的图像分析手段，并且在模式识别中又较多的应用。一个二维小波变换可以看作两个连续的一维小波变换，二维小波变换将一幅图像分解成一系列的子图像。小波变换的结果取决于所采用的小波基的类型，而小波基是由滤波器的类型决定的，本文采用广泛使用的Daubechies-4型小波。对图像进行二维离散小波变换，可得到一个低频近似分量和3个细节分量，3个细节分量分别为水平方向高频信号、垂直方向高频信号和对角方向高频信号。本文训练图像均来自规格为20×20的CMU（central michigan university）人脸库和非人脸库。对图像进行小波变换后，将每一分量矩阵按行扫描顺序排成一列，分别用Ia’、Ih’、Iv’、Id’表示，并把每一个矩阵依次排成一列得到一个1160维的列向量T，T=（Ia’T、Ih’T、Iv’T、Id’T）T。

信号检测与分析

为减小计算量需对小波系数向量T降维，本文采用主元分析PCA（principal component analysis）方法。考虑n个采样的人脸训练样本集 其均值为Uf n( i)。Ti(i 1, n) ，

1n

每幅图像与均值图像uf的差为Bi Ti Uf,，人脸训练样本集的协方差矩阵则为

C=AAT(其中A [B1 Bn])。PCA分析方法就是寻找最佳映射矩阵Wopt使得

T Wopt argmaAW [ 1, 2 n] （2）

W

式中： ii 1,2 ,m ——对应于A的m个最大特征值的特征向量的集合，从而得到新的特征向量Y WT。通常选择使 i

T

L1

i

0.95的L个最大特征值，实验表明当L取30

时已符合要求。非人脸的特征向量映射方法与人脸特征向量映射方法相同。 3.2基于贝叶斯准则的人脸判决

人脸图像符合多维高斯分布，观测矢量x的条件概率密度函数为

p(x f)

1(2 )N2 i

2

1

exp (x Mf) i 1(x Mf) （3）

2

式中：N=1160， i——特征值矩阵的行列式的值。

非人脸图像也符合多维高斯分布，同人脸可得其条件概率密度函数为

p(xnf)

1

(2 )N ni

2

1 1

exp (x Mnf) ni(x Mnf) （4）

2

基于最小错误概率的贝叶斯决策规则，判决表达式为

f

P(wf)p(xwf)

P(wnf)p(xwnf) （5）

nf

因为

P( f(x X x dx))=且当dx很小时，有：

P((x X x dx) f)P( f)

P(x X x dx)

（6）

P((x X x dx)f) p(xf)dx （7）

P(x X x dx) p(x)dx （8）

P( f(x X x dx))=P( fx) （9）

信号检测与分析

从而可得

P( fx)

p(x f)dxP( f)

p(x)dx

p(xf)P( f)

p(x)

（10）

即： P( f)p(x f) p(x)P( fx) （11） 类似可得： P( nf)p(xnf) p(x)P( nfx) （12） 因此（5）式可变为：

f

p(x)P( fx)

p(x)P( nfx) （13）

nf

由（6）式可得：

P( fx)P( nfx)

P( f)p(xf)P( nf)p(xnf)

（14）

当（7）式值大于1时则判断是人脸，否则判断为非人脸，对（7）式两边取对数有：

P( f)p(xf) p(x f) P( fx) P( f) ln ln ln ) （15）

P( x) p(xnf)nf P( nf) P( nf)p(xnf) 若（8）大于0则为人脸，否则判断为非人脸。 分别对（3）（4）取对数得：

ln(p(x f)) N2ln(2 ) 2ln i 2(x Mf) i 1(x Mf) （16）

1

ln(p(x nf)) N2ln(2 ) 2ln ni 2(x Mnf) ni(x Mnf) （17）

P( nf)

（18） 令 ln

P( )

f

N2ln(2 ) 2ln i 2(x Mf) i 1(x Mf) （19）

1

N2ln(2 ) 2ln ni 2(x Mnf) ni(x Mnf) （20）

将式（16）（17）代入（15）中整理后式（18）（19（20）代入得 0时判决为人脸，即 时判决为人脸， 、 的值可以从人脸库的学习中得到。但是实际判断时 值由实际系统确定，CMU人脸库中学习的结果是 =475左右，具体的范围由实际系统确定。人脸和非人脸学习时，不同的 ，人脸与非人脸所占CMU人脸库总数中人脸与非人脸总数的百分比如图3-1所示。

信号检测与分析

图3-1 人脸与非人脸特征聚类曲线

由图3能够看出人脸的特征聚类明显，可以看作高斯模型。从理论上能够计算出准确率（查表），对自建人脸库取不同阈值时结果如表3-1所示。

表3-1 不同阈值时识别效果

3.3人脸图像的归一化

不同的人脸可能具有不同的脸宽及不同脸长。因为学习时的人脸规格为20×20的固定大小，为了对不同的人脸进行特征提取后能正确地识别，人脸的大小必须与学习时的人脸规格大小一致，所以必须对检测到的人脸图像进行尺寸归一化。

若人脸图像的长度（L）与宽（W）有一行等比例的缩小（或放大）

20 W 20 L

W L时L W时

20，则将L与W同时进

倍。

对备选人脸图像进行缩放后，选取以中心点为基准的20×20的区域，由式（10）（11）计算此区域对应的 的值，若 大于 则判断为人脸。

3.4基于马赛克模板的虚假人脸的排除

对于特征脸方法以及上面的基于贝叶斯最小错误概率的方法都有一个共同的问题就是准确率高时，虚警率也高。而且不同大小的人脸有不同的特征，对于大于50×50的人脸，人眼区域和嘴区域又较多的非肤色像素，对于小于50×50人脸，人眼区域和最区域的非肤色像素已不太明显，不能统计非肤色像素排除虚警。为了得到较高的准确率，同时要有较小的虚警率，采取如下的方法排除虚警：

1 对于大于50×50的人脸，判断其眼睛和嘴区域非肤色像素占人脸区域的比例，人脸区域左右近似对称，非肤色像素数目差值不大； 2 对于小于50×50人脸，人脸平均图像如图3-1（a）所示，将人脸分为100块以每

信号检测与分析

块中的平均值替代块中的各像素，如图3-1（b）所示。从图中能够非常容易看出人眼区域的灰度特征非常明显。对于找出的人脸图像，若对应的区域块的灰度值与平均图像对应的块的灰度值相差较大，则认为是非人脸。

(a) 平均人脸 (b)马赛克模板 (c)马赛克模板所对应的分块

图3-1 人脸的马赛克模板

4 试验结果与分析

本次实验学习时人脸库来自于CMU，共2429张人脸图像，非人脸图像共4210张。测试结果如表4-1所示。

表4-1 系统在ORL库和自建图像库上测试结果

实验表明本文对于彩色照片背景比较复杂的多人脸照片进行识别效果较好，对于单人简单背景的灰度图片效果也比较理想，该算法对于负责背景的彩色图像有较好的效果。（如图4-1所示）。

（a）检测效果1 （b）检测效果2 （c）检测效果3

图4-1 检测的部分实例

信号检测与分析

5 结束语

本文结合图像的小波表示和主元分析方法通过训练得到可用于区分人脸和非人脸的特征向量，并对贝叶斯分类器的最小判决准则进行改进，并结合人脸马赛克模板进行虚警排除的人脸检测方法，具有如下特点：①基于灰度信息的方法有较大的虚警，但是通过皮肤区域的分割，使搜索区域减小，能够在不降低准确率的同事减小虚警率；②采用贝叶斯准则进行判决具有较高的准确率，能够最大限度的减小误差；③依据马赛克模板排除虚警是一种行之有效的方法。

通过用基于图像灰度信息的实验，得到的结果表明基于灰度信息的检测系统必然克服不了较大的虚警率，但是其准确率较高。要想系统准确可靠，必须采用多种方法验证，排除虚假人脸。

信号检测与分析

参考文献

1 Campadelli P,Lanzarotti R, A feature-based face recognition system[C]. 12th International Conference on IEEE Image Analysis and Processing,2003:68-73

2 Liu Cheng-jun. A Bayesian discriminating features method for face detetion[J].IEEE Trans Pattern Analysis and Machine Intelligence,2003:725-740.

3 Rein-Lein Hsu,Anil K Jain.Face detection in color images[J].IEEE Trans Pattern Analysis and Machine Intelligence,2002,24(5):696-706.

4 汪孔桥.数字图像的质量评价[J].测控技术，2000，19（5）：14-16. 5 何军，戚飞虎.一种基于肤色和主元分析的人脸检测方法[J]，计算机工程，2003，29（10）：112-114.

6 LAI YK,JAY KUO CC.A harrwavelet approach to compressed image quality measurement[J]. Journal of Visual Communication and Image representation,2000,11(1):17-40.

7 范志刚，藩晓露。一种快速、有效的人脸检测方法[J].计算机应用研究，2002，19（9）：27-29.

8 林维训，藩刚，吴朝晖.面部特征定位方法[J].中国图象图形学报，2003，8：849-859. 9 梁路宏，艾海舟.人脸检测研究综述[J].计算机学报，2002，25（5）449-458.

本文来源：https://www.bwwdw.com/article/glx4.html