人脸图像检测与正规化的研究

张海伟 ， 纪玉波

（1.辽宁石油化工大学 计算机与通信工程学院，辽宁 抚顺 113001；2.抚顺职业技术学院 信息工程系，辽宁 抚顺 113006）

随着时代的进步与国民生活水平的提升，人们对于个人隐私与生活环境的安全性有着越来越高的要求，需要一个安全且可靠的环境，即需要对人员身份进行有效的监控与管理。传统的卡片与密码这种身份识别方式已经无法满足人们的需求，因此身份识别演变为希望使用个人与生俱来且独一无二的生物信息来进行识别，这就是生物识别技术。

目前所使用的生物识别技术中，较广泛运用的有指纹识别、掌纹识别、虹膜识别与人脸图像识别，其中指纹与掌纹识别虽然快速方便，但是需要身体与设备直接接触，容易成为疾病的传播途径，识别设备也有可能因为接触污染而造成识别率下降或设备损坏。而虹膜识别虽然不需直接接触，但亦需要人眼与设备在近距离下才能完成识别，且眼睛比身体其他部位更容易造成感染。因此上述生物识别技术中，只有人脸图像识别能够在非接触的情况下进行身份识别，并且能够与监控视频相结合，集成环境监控与人员身份识别于一体。目前人脸图像识别主要运用于大楼门禁系统、城市智能系统与环境安全监控等领域[1]。

一般人脸识别研究通常仅针对公开通用的人脸资料库或是自制的人脸资料库进行检测和识别，省略了从实际场景中进?人脸检测选择与图像正规化的阶段。因此本文从实际复杂背景环境下进?人脸图像检测与正规化，提高了识别率。

1 相关技术介绍

1.1 基于色彩分割的人脸图像检测

此方法为最常见的人脸侦测方法，主要利用人体的肤色特征进行色彩过滤，再对得到的二值化图像进?区域条件判断。例如：人脸椭圆形状、人脸对称性、人脸五官特征相对位置等[2]，判断原则为根据人脸具有的相关特征，尽可能排除非人脸的区域范围，最后得到可能的人脸区域。

1.2 基于Adaboost算法的人脸图像检测

Adaboost（Adaptive Boosting）算法是由 Freund 与 Schapire所提出的，是目前十分热门的人脸图像识别方法，针对每次实验中错误的样本资料进行权重的调整，提高错误分类样本的出现机率，对错误分类进行修正，从而逐渐降低错误率[3-4]。图1中的弱分类器 （weak classifier）为一次实验所得到的结果，由于每次实验会针对上个分类器的错误分类进行修正，因此将实验所得的弱分类器组合，成为一个具有足够分类能力的分类器，称之为强分类器（strong classifier）。

图1 Adaboost分类器结构Fig.1 Structure diagram of Adaboost classifier

该算法的主要目的是希望通过实验的方式，从众多Haar-like的矩形特征之中去除错误分类样本，挑选出一些最能够判断是否为人脸的矩形特征，其流程如下：

Step0:给定一组实验样本集合 S={（x1，y1），…，（xn，yn）}与一群 Haar-like 特征集合 F={f1，f2， …，fm}， 其中 xi∈X 而 yi∈{0，1}，yi=0表示 xi样本非人脸图像，yi=1表示 xi样本为人脸图像。每张样本图像通过式（1）给定初始权重w1，i，其中m为正例（positive）样本个数，l为反例（negative）样本个数。

Step1:假设希望实验结果有T个弱分类器，则需要进行T次挑选演算（t=1，…，T），将会得到T个弱分类器代表着被挑选出的T个Haar-like特征。每次的挑选需要进行以下几个步骤：

Step1.1:正规化实验样本权值，使权值相加总和为1。

Step1.2:利用实验样本资料集X与所有矩形特征F进行分类对应。如式（2）所示，hk表示fk矩形特征所对应的分类函数，即一个候选的弱分类器，其中θ为特征区块的阈值，p为不等式方向参数。因为有m个矩形特征，所以将得到m个候选弱分类器。每个候选弱分类器可以分别统计出分类的错误率 ε，如式（3）所示。

Step1.3:从所有候选分类器hk中挑选出具有最低分类错误率的候选弱分类器，当作此次实验所得到的弱分类器。

译文 Fairest of all God’s trees,the orange came and settled here.

Step1.4:利用式4更新实验样本权值。减小正确分类样本的权值，未被正确分类的样本权值则保持不变。

Step2:经过T次的实验后得到T个弱分类器，最后的实验结果将T个弱分类器通过线性组合的方式集结成为一个强分类器，如式（5）所示。

使用Adaboost算法进行人脸特征挑选后，可以得到如图2所示的强分类器架构，其中包含多个人脸弱分类器，每个弱分类器包含一个矩形特征与分类可信度αi，因此一个图像区域只要经过每个弱分类器并统计可信度，即可决定出该区域是否为人脸区域。

为了更进一步提升人脸检测率与减少计算的复杂度，需要将分类器进行串接，如图3所示，快速的排除非人脸区域，减少需要计算的区域数量，并且针对可能的人脸区域做更多特征判断，因此能够兼顾运算速度与人脸检测的正确率。

图2 人脸检测分类器架构图Fig.2 Structure diagram of face detection classifier

图3 分类器串接图Fig.3 Diagram of classifier cascading

1.3 人脸图像检测正规化的原理

图像旋转是一种基本的图像调整方法，用以修正各个图像中不同角度的差异[5]。假设图像中一个像素点位于（x，y）坐标点，在经过θ度旋转后，像素点位移至新的坐标点（x’，y’），两个坐标点之间的映射关系如式6所示。可以由图4得知整张图像旋转前后的相对关系，旋转后原图像的部份区域会因为旋转而超出图像的表示范围，也会有部份图像区域没有对应的来源像素点，因此在实际操作上会利用式7，通过目标图像的每个坐标点，直接计算对应的原始图像坐标点并取得像素值，若发生非整数坐标点或是没有对应坐标的情形，则使用图像插补（Interpolation）的方式产生像素点。

2 人脸检测与正规化实验

2.1 人脸检测

人脸识别系统所输入的图像通常包含有人物与背景两种信息，而人物的人脸信息为识别系统所关心的部份，因此排除背景信息并检测出图像中人脸大致位置是关键的一步。在灰度人脸检测的方法上，主要利用Adaboost与Haar-like特征实验方法，将事先采集好的人脸特征分类器并以125×125为初试区域大小，对整张输入图像做全面的区域特征对比，每扫描完一次，将搜寻区域放大1.3倍再次进行人脸区域特征对比，直到分类器取得人脸范围或是无法继续放大特征区域为止，利用这种检测方法能够快速的得到人脸的位置，但是也会有错误的情况发生[6]。

图4 图像旋转图Fig.4 Diagram of image turning

为了避免灰度特征检测的误判情况，引入了彩色图像信息进行判断，主要利用人脸侦测常用的肤色过滤方法。首先将选择区域转换成 YCbCr色彩空间，通过如式（8）、（9）所示的条件取得肤色二值化图像，最后利用选择区域的肤色范围比[如式（10）]与肤色密度比[如式（11）]计算来排除人脸检测错误，完整人脸检测流程如图5所示[7]。

图5 人脸检测流程Fig.5 Flow chart the work of face detection

2.2 人脸正规化

经过人脸检测处理后，得到的人脸除了正脸以外，也有可能得到一些倾斜的人脸，取得双眼坐标 eL（x，y）、eR（x，y），取得斜率me，由斜率可以得知旋转角度和方向，从而进行正规化处理，如图6所示。

图6 正规化对比图Fig.6 Diagram of illumination normalization

3 实验结果

通过结合灰度特征检测与肤色过滤检测的方法，所使用的时间如图7所示，较传统的特征方法有明显的减少，以40人的样本数为例，灰度与肤色过滤检测结合的方法所用时间为传统方法的1/3。

图7 所用时间趋势Fig.7 Diagram of time trend

图8 识别率的差异Fig.8 Diagram of recognition rate

文中将人脸正规化处理作为必要手段，统计了处理前后随着样本数变化在识别率方面的差异，如图7所示。实验结果表明经过人脸正规化处理后能够有效提升识别系统的识别率，以40人的样本数为例，未经过正规处理的识别率为73.8%，而经过正规处?的识别率为91.6%，在识别率方面提升了17.8%。

4 结 论

在本文中，研究了一个用于复杂场景中进行实时检测人脸的识别方法。利用彩色图像肤色密度计算的方式，改善了原本仅针对灰度图像进行人脸检测的误判情况。为了能够提高识别率，我们提出了人脸检测正规化的方法，通过实验结果证明，该方法行之有效，能够大幅减少所用的时间。虽然本文实现了一个复杂场景下之实时人脸检测，但是在真实应用环境中还有很多因素会对识别效果造成影响，例如：光线与人脸各种表情变化等，这些项目是我们未来改进的方向。

[1]孙宁，邹采荣，赵力.人脸检测综述[J].电路与系统学报，2006，11（6）:101-108.SUN Ning，ZOU Cai-rong，ZHAO Li.Survey on human face detect[J].Journal of Circuits and Systems，2006，11（6）:101-108.

[2]王昊鹏，刘泽乾.基于特征提取与认证的彩色图像人脸检测[J].电子设计工程，2012，20（1）:171-176.WANG Hao-peng，LIU Ze-qian.Face detection of the color image based on feature extraction and authentication[J].Electronic Design Engineering，2012，20（1）:171-176.

[3]刘刚，王立香.MATLAB数字图像处理[M].北京:机械工业出版社，2010.

[4]柯丽，温立平.改进的AdaBoost人脸检测方法[J].光电工程，2012，39（1）:113-118.KE Li，WEN Li-ping.Face detection based on modified AdaBoost algorithm[J].Opto-Electronic Engineering，2012，39（1）:113-118.

[5]彭群生，鲍虎军，金小刚.计算机真实感图形的算法基础[M].北京:科学出版社，1999.

[6]欧凡，刘冲.人脸图像灰度分布统计分析与检测特征设计[J].大连理工大学学报，2010，50（4）:528-533.OU Fan，LIU Chong.Statistic analysis of gray distribution on human face images and detection feature design[J].Journal of Dalian University of Technology，2010，50 （4）:528-533.

[7]何光宏，潘英俊，吴芳.基于肤色特征和动态聚类的彩色人脸检测[J].光电工程，2004，31（11）:47-50.HE Guang-hong，PAN Ying-jun，WU Fang.Colorful human face detection based on skin color features and dynamic clustering[J].Opto-Electronic Engineering，2004，31（11）:47-50.