基于肤色和AdaBoost算法彩色人脸图像检测.docVIP

基于肤色和AdaBoost算法彩色人脸图像检测 　　摘要:针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态#65380;多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸#65377;实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态#65380;多人脸和复杂背景的情况,具有较好的检测效果#65377; 　　关键词:人脸检测; 肤色检测; AdaBoost; 级联分类器 　　中图分类号:TP391.41文献标志码:A 　　文章编号:1001-3695(2007)10-0178-03 　　 　　20 世纪90 年代以来,人脸识别成为一个热门的研究课题,作为人脸识别的重要环节――人脸检测也得到众多研究者的重视[1]#65377;人脸检测的目的是检测图像中的人脸并将其从背景中分割出来#65377;目前人脸检测的主要方法分为四类:基于知识的方法;基于特征的方法;模板匹配的方法;基于外观的方法#65377;由于图像的复杂程度较高, 仅利用单一特征信息往往不能得到准确的检测结果, 融合多个特征信息的检测方法越来越受到人们的重视#65377;?? 　　针对彩色图像的人脸检测,人脸肤色检测非常重要且简单有效#65377;在人脸区域,肤色是占主导地位的色彩,基于肤色的人脸检测方法利用图像的彩色信息,在一定的色彩空间中构造肤色模型,该方法可以在不同的视角中均能检测到人脸,具备稳定性,不受尺寸#65380;表情#65380;人脸姿态变化的影响#65377;但在复杂背景下的检测效果也不是很理想,一般情况下误检率比较高,检测精度也有限#65377;?? 　　Freund和Schapire于1995年提出的AdaBoost算法,其基本思想是当分类器对某些样本正确分类时,则减少这些样本的权值;当错误分类时,则增加这些样本的权值,让学习算法在后续的学习中集中对比较困难的训练样本进行学习,最终得到一个准确率理想的分类器#65377;这种方法大大提高了人脸检测速度,可以基本实现实时检测#65377;但是基于AdaBoost算法的人脸检测同样也有一定的局限性,即对于侧面及多姿态的人脸图像检测正确率不高#65377;?? 　　 　　1肤色检测?? 　　 　　肤色是人脸的一个非常重要的特征#65377;研究表明[2],不同的肤色的差异主要是由亮度引起的,而受色度的影响较小#65377;常用的肤色检测空间有: 归一化红#65380;绿#65380;蓝(RGB),色度#65380;饱和度#65380;纯度(HSV)和YCbCr等#65377;本文选择YCbCr空间[3](Y分量表示亮度,Cb#65380;Cr表示色度)作为肤色分布统计的映射空间#65377;该空间的优点是可以将亮度和色度分开单独处理,实现亮度和色度分量比较彻底的分离,Cb#65380;Cr是两维独立分布,能较好地限制肤色分布区域,肤色点能够形成较好的聚类#65377;?? 　　1.1肤色分割?? 　　对人脸进行肤色检测首先要对肤色建模#65377;人脸建模的方法很多,有高斯模型#65380;椭圆模型等#65377;高斯肤色模型算法相对复杂,本文采用椭圆模型[4],经过非线性分段色彩变换得到的色彩空间用YCb′Cr′来表示#65377;肤色聚类在YCb′Cr′空间中的分布情况如图1所示#65377;?? 　　从图1中可以看出,肤色模型在利用非线性变换后的肤色在Cr′??Cb′空间中呈明显的椭圆分布,可用以下的公式来匹配两个色度分量的距离[5]:?? 　　 　　1.2肤色区域处理?? 　　经过肤色分割得到一系列的连通区域,这些区域包括皮肤区域及与皮肤颜色相近的背景区域#65377;在复杂背景下,有可能存在很多与人脸肤色相近的非人脸区域被分割出来(如手#65380;胳膊等),这就需对这些肤色区域作进一步的处理#65377;?? 　　首先对分割出来的皮肤区域进行腐蚀与膨胀操作,除去噪声对肤色分隔的影响;然后通过人脸肤色区域的统计特征分析,对分割出来的肤色区域作以下预处理,得到最为可能的人脸区域#65377;?? 　　a)对人脸来说,其长宽比一般为1左右#65377;计算肤色区域的长宽比,本文中取人脸的长宽比为0.4~0.5,长宽比不满足此范围的区域,被认为是非人脸区域而被剔除#65377;?? 　　b)由于人脸区域有一定的大小,将肤色区域小于400像素的区域认为是噪声干扰而被除去#65