基于肤色特征人脸检测算法.docVIP

基于肤色特征人脸检测算法 　　[摘 要]在人脸检测的研究中发现Adaboost人脸检测算法检测速度快，出现漏检率比较低，但存在误测几率的发生，若结合肤色模型检测进一步确认检测区域，肤色是人脸的重要特征之一，肤色特征对人脸检测的优点是对旋转、尺度及表情等不敏感，具有良好的稳定性和鲁棒性。二者相结合的人脸检测是建立肤色模型算法，计算肤色区域的面积与非肤色区域的面积之比，设定阈值来实现人脸检测，在一定程度上改善了误测的几率发生。 　　[关键词]人脸检测；肤色检测；弱分类器；强分类器；多层分类器 　　中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2015）36-0331-03 　　引言 　　最早Papageoriou等人把Harr特征运用到人脸检测，Papageoriou在研究人脸检测问题时，为了提高检测所需的分辨和增加模型的表达能力[1]，使用3类二维的Harr小波函数提取对象的特征。Viola[2]发现正方形的Harr滤波不足以描述人脸的特征，如：人眼睛和鼻梁上侧的灰度差的绝对值比较大，表现为矩形区域特征，将特征原型扩展3种类型4种形式的矩形特征原型。人脸检测是根据输入的图像确定人脸和人脸大小、位置过程。Adaboost人脸检测算法是一种矩形特征算法[3]，但是Adaboost算法训练的强分类器只具有最小误检率，没有最高检测率，其漏检低，仍存在误检，因此需要其它算法加以确认[4]。人脸肤色的主要特征，人脸肤色检测对旋转、尺度及表情变化都不敏感，并且肤色特征稳定，在区别其它物体颜色具有很强的鲁棒性和稳定性且肤色特征人脸检测算法简单，检测速度快[5]。 　　1 基于AdaBoost人脸检测算法 　　图像中平移或伸缩获得特征称为矩形特征，然后再将特征值通过Adaboost的训练得到基于矩形特征分层人脸检测算法[6]，过程如下： 　　（1）先用矩形特征表示人脸，用“积分图[7]”实现特征数值快速计算。计算公式（1）和公式（2）。 　　Harr-Like特征： （1） 　　其中表示特征是由N个矩形构成，表示第i个矩形的权值，函数表示矩形内所有像素和[8]。 　　积分图定义[2]： （2） 　　其中是图像在平面坐标系中x’，y’处的像素值。 　　图像的积分图递推公式： （3） 　　其中，表示原图像（x，y）点所在列纵坐标不超过该点的所有像素灰度的和。图像的积分图可以快速计算图像中任意矩形内所有像素灰度积[8]。 　　（2）使用Adaboost算法选取出具有代表人脸的矩形特征称为弱分类器，由弱分类器组成一个强分类器，弱分类器的公式（4）。Adaboost的弱分类器特征值f，阈值和指示不等号方向的p组成[2] 　　（4） 　　选取过程： 　　a. 计算每一种矩形特征原型映射所有样本的特征值f（x），且进行排序； 　　b. 扫描这些特征原型产生的特征值f（x），计算其映射的最小分类误差ε[2]。 　　（5） 　　T+、T-表示全部人脸样本权重和与非人脸样本的权重和，S+、S-表示排在该特征值前的人脸样本权重与人脸样本权重和。表示在此特征前的人脸权重和加上后面非人脸权重和，如果这个值较小，表明该特征为非人脸，而且误检率较小。 　　c.最小分类误差对应矩形特征原型长、宽和（s，t），即为弱分类器的特征f，这个分类器的阈值为θ，判断最小分类误差是还是，若是前者，表示小于阈值的非人脸，大于阈值的是人脸，那么p为-1，反之为+1。 　　d. T次循环后得到T个弱分类器hl（x） ，hi（x）及其对应的分类误差ε1…εT。通过公式（6），构造强分类器。 　　（6） 　　其中 　　3.将训练得到的若干个强分类器组成一个级联的多层分类器。多层级联分类器要求每一层最小检测99%，而最大误差率50%，而Adaboost算法训练的强分类只具最小误检率[9]，而不是最高检测率，要达多层级联分类器各层的要求，需要对Adaboost训练出来的分类器的阈值进行调整。对于每个人脸样本弱分类器加权和为[2]： 　　（7） 　　对PD进行排序，选择满足多层级联分类器要求的每层最高检查率的阈值Th。。其中p为人脸个数。保证p*d个人脸被检测出来。 　　2 肤色特征人脸检测算法 　　肤色是人脸的主要特征之一，基于肤色特征的人脸检测的优点是对旋转、尺度及表情等不敏感，肤色特征稳定[7]，区别其他物体颜色方面具有较强的鲁棒性和稳定性。根据文献[5]的方法进行肤色检测。 　　其方法如下： 　　（1）RGB颜色空间转换YCbCr颜色空间，其转换公式[6]： 　　（8） 　　（2）对非线性色彩进行变换，建立属于该颜色空间聚类模型，其变换公式[6]： 　　（9） 　　（10） 　　（11）