基于IB-Adaboost算法的人脸检测

刘树娟，齐金鹏，卞凤杰，李林鸽

(东华大学 信息工程与科学技术学院，上海 201600)

基于IB-Adaboost算法的人脸检测

刘树娟，齐金鹏，卞凤杰，李林鸽

(东华大学 信息工程与科学技术学院，上海 201600)

针对传统Adaboost算法在光照不均匀、角度确不定的情况下，进行人脸检测出现检测率不佳的问题，文中基于Adaboost算法，提出一种改进的IB-Adaboost人脸检测方法。该方法通过对图像光照补偿预处理，改善图像光照质量；再基于Adaboost算法训练人脸分类器；接着对图像进行YCbCr色彩空间转换并二值化处理，缩小人脸搜索区域；再经过R、G、B颜色叠加获取皮肤区域的彩色图像实现人脸检测。实验结果表明，文中提出的IB-Adaboost方法在光照不均匀和人脸角度不定方面能够实现较为满意的检测效果。

人脸检测；IB-Adaboost; Adaboost算法；光照补偿；颜色空间转换；二值化

目前,国内人脸检测技术主要有：遵循Viola 和Jones级联框架，武勃等[1]基于Adaboost算法，利用多分辨率搜索和姿态估计提出多视角人脸检测方法。梁路宏等[2]提出了基于模板匹配与支持向量机的人脸检测。刘春生等[3]针对传统高斯肤色模型在肤色和光照变化较大情况下不能有效提取肤色区域的问题,提出一种改进的高斯肤色模型,并将其应用于人脸检测中。

由于Adaboost算法检测快速，应用简单而被广泛使用。但在光照不均匀或人脸角度不定等情况下，检测效果就会有所下降。因此，为解决易受到外界光照和角度影响出现的问题，本文拟针对Adaboost算法提出一种改进的IB-Adaboost (Illumination Compensation and Binarization)人脸检测方法。IB-Adaboost方法首先对图像进行光照补偿处理，改善光照不均匀对图像质量的影响；结合Adaboost算法提高人脸分类性能；接着通过YCbCr颜色空间转换并二值化图像，尝试缩小人脸检测的区域以降低漏检；然后进行肤色区域特征提取，以期达到提高人脸检测的效果。

1 基于IB-Adaboost的检测方法

1.1 IB-Adaboost算法架构

IB-Adaboost算法架构具体如图1所示。其基本思想是：首先，对图像进行预处理，通过光照补偿弥补光照不均匀对图像的检测影响；其次，结合Adaboost算法，训练人脸检测器；接着利用YCbCr图像色彩空间的转换，二值化图像选取感兴趣的目标，剔除不需要的对象，提取皮肤区域，最后实现彩色图像的人脸检测。

图1 IB-Adaboost算法流程图

1.2 彩色图像的光照补偿方法

由于面部识别经常受到光照强度等条件的影响，拍摄得到的图像会发生色彩偏移。为解决此问题，本文在提出的IB-Adaboost方法中，尝试引入光照补偿进行色彩修正。现有的彩色图像的光照补偿方法包含两种：一种对RGB3个通道分别进行色彩矫正[5]；一种将RGB彩色图像转换到其他彩色模型进行亮度分量的矫正[6]。本文使用“参考白”规范化颜色外观:把图像中像素亮度的前5%的值作为参考白，除非这些像素的数量足够大。一幅彩色图像的R,G,B组成部分调整，所以这些参考白的像素的平均灰度值被线性扩展至255[7]。

1.3 Adaboost算法

在本文提出的IB-Adaboost方法中，主要利用Adaboost算法根据弱学习的反馈，适应性地调整假设的错误率，得到检测率较高的强分类器，以提高分类性能。

图2 Adaboost算法流程图

算法流程图如图2所示。先使用Haar-like特征表示人脸，使用“积分图”实现特征数值的快速计算；使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器；将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。

1.3.1 Haar-like特征

如图3所示，Adaboost算法首先使用Haar-like特征表示人脸，图3(a)和图3(b)为两矩形特征反映边缘特征，图3(c)和图3(d)为三矩形特征反映线性特征，图3(e)为四矩形特征反映特定方向特征。特征数值计算公式为[8]

V=Sum白-Sum黑

(1)

图3 Haar-like特征

其中，V表示特征模板的特征值；Sum白表示白色矩形像素和；Sum黑表示黑色矩形像素和[7]。这就需要求出每个待检测子窗口的特征个数以及每个特征的特征值。

1.3.2 积分图

其次，在 Adaboost算法中使用“积分图”快速计算特征数值。在获取了矩形特征后计算矩形特征的值。

图4 区域像素积分图

区域像素积分图可用图4表示，坐标A(x,y)的积分图是其左上角的所有像素之和(图中阴影部分)[9]。定义为

(2)

其中，ii(x,y)表示积分图。在图4中，A(x,y)表示点(x,y)的积分图；s(x,y)表示点(x,y)的y方向的所有原始图像之和[10]。积分图也可以用式(3)和式(4)得出

s(x,y)=s(x,y-1)+i(x,y)

(3)

ii(x,y)=ii(x-1,y)+s(x,y)

(4)

一个区域的像素值由该区域端点的积分图计算[10]。矩形特征的特征值由特征端点的积分图计算，与坐标无关，再根据式(1)获得矩形特征的特征值。

1.3.3 Adaboost分类器

Adaboost算法最后实现的是基于级联分类模型的分类器的训练。级联分类模型如图5所示。

图5 级联分类模型

将多个强分类器连接在一起进行操作，每个强分类器由若干个弱分类器加权组成。每个强分类器对负样本的判别准确度较高。一但检测发现负样本，停止调用下面的强分类器，减少很多检测时间。当分类器正确分类时，减少样本的权值；当错误分类时，增加样本的权值，让学习算法能够在后面的学习中对比较困难的样本进行训练。

1.4YCbCr色彩空间的转换

为调整彩色图像的亮度，期望较好地保留图像的彩色信息，本文IB-Adaboost方法需进一步对图像进行YCbCr色彩空间的转换，从而实现提高能辨率的功能。

具体转换：YCbCr色彩系统与RGB色彩系统的转换关系如下[11]

Y=0.299×R+0.587×G+0.114×B

(5)

Cr=(R-Y)×0.713+128

(6)

Cb=(B-Y)×0.564+128

(7)

其中，R、G、B分别表示红、绿、蓝颜色分量；Y表示亮度；Cb表示色调；Cr表示饱和度。由于颜色信息对方向不敏感，可以对旋转的人脸进行检测并缩小人脸区域，提高人脸检测精度。

1.5 图像膨胀

为提高人脸图像的检测率，本文提出的IB-Adaboost方法还利用形态学方法对带检测图像进行了二值化化处理，剔除非人脸区域。处理过程主要利用膨胀操作[12-13]。

设二值图像为F，结构元素为S，当一个结构元素S的原点移动到图像的点(x，y)处时，将其记作Sxy。此时图像X被结构元素S膨胀的运算可表示为[15-16]

D=F⊕S={x,y|Sxy∩X≠∮}

(8)

表示当结构元素S的原点移动到(x，y)位置，如果S中包含至少一个像素值为1的点，则在膨胀后的图像上该点为1，否则为0。上述图像膨胀操作可以减小目标搜索区域，降低图像噪声，从而提高人脸识别率。

2 实验结果

为验证本文提出的IB-Adaboost方法在图像光照不均匀和方向不确定的情况下的有效性，本文以互联网随机抽取的人脸图像为测试样本，利用Matlab仿真平台，并提出2个指标：(1)检测比，检测面积在总图像面积所占的比重；(2)识别率，识别正确人脸的比率。

如图5所示，本文首先利用IB-Adaboost算法对单人脸图像图5(a)进行面部区域检测。基于Adaboost算法得到的检测效果如图5(b)所示。检测结果表明该方法没有检测出预期的面部轮廓，即而验证传统Adaboost算法会出现漏检的结果。对图像进行光照补偿得到的图像如图5(c)所示。为提高特征提取，图5(d)为综合Adaboost算法进行二值化得到的黑白图像；图5(e)是将二值化的图像变成彩色图像得到的肤色检测效果；图5(f)为最终的效果图，此时检测面积占71.9%。

上述实验结果表明，在人脸检测提出的基于IB-Adaboost的改良方法要优于Adaboost算法，其检测比71.9%≫ 0。

图5 单个系列人脸检测输出效果

表1 单个人脸检测结果

识别率检测比Adaboost43.12%25.15%IB-Adaboost95.6%77.69%

从表1可以看出，IB-Adaboost方法与传统Adaboost算法相比，识别率提高约52%，且检测比高接近62%。从单个人脸检测数据可以看出，基于改良的IB-Adaboost方法在人脸检测中相对于传统Adaboost算法获得了较满意的检测效果。

图6 多个系列人脸检测输出效果

接着本文利用IB-Adaboost算法对多人脸图像图6(a)进行了面部区域检测。基于Adaboost算法得到的检测效果如图6(b)所示，漏检率达到接近47%，有5例未检测出来，且检测比为12.15%。图6(c)是对图像进行光照补偿得到。然后综合Adaboost算法进行二值化得到的黑白图像图6(d)；接着将二值化图像变成彩色图像得到图6(e)；图6(f)利用 IB-Adaboost方法得到最终的效果图，灰色区域表示对图像光照补偿后结合Adaboost算法得到的检测结果。通过实验表明，利用IB-Adaboost算法进行多人脸检测会取得较满意的人脸检测效果。

表2 多人脸检测结果

从表2可以看出，IB-Adaboost方法比传统Adaboost算法的识别率提高约22%，且检测比高接近55%。

综合上述检测数据，本文采用6张多人脸图片和4张单人脸图片进行检测，测试结果如表3所示。

表3 综合人脸检测结果

从表3可以看出，基于改良的IB-Adaboost方法在人脸检测系统中比传统Adaboost算法的优势在于，人脸识别率提高约17%，且检测比高接近37%。

3 结束语

本文针对图像在光照不均匀和人脸方向条件下的人脸检测效果不佳的问题，基于Adaboost算法对改进的基于IB-Adaboost方法的有效性进行了验证。该方法较好地保留图像的彩色信息；更精确地提取出感兴趣的特征，缩小人脸检测的搜索区域，实现了人脸检测并给出了实验结果。实验结果表明，本文提出的基于IB-Adaboost算法的人脸检测方法与传统的Adaboost算法相比，较好地解决了在光照不均匀和人脸角度不定时检测率低的情况，获得较为满意的人脸检测的效果。不足之处在于检测率仍有待提升，而且对图片处理的时间较长，这需要进一步提高。

[1] 武勃,黄畅,艾海舟,等.基于连续Adaboost算法的多视角人脸检测[J].计算机研究与发展,2005(9):61-63.

[2] 梁路宏,艾海舟,肖习攀,等.基于模板匹配与支持向量机的人脸检测[J].计算机学报,2002(1):38-42.

[3] 刘春生,常发亮,陈振学,等.改进的高斯肤色模型及其在人力按键中的应用[J].仪器仪表学报,2012(5):87-92.

[4] 方昱春,王蕴红,谭铁牛.融合人脸轮廓和区域信息改进人脸检测[J].计算机学报,2004(4):78-85.

[5] 师一华.人体肤色信息分析与检测[D].郑州:郑州大学,2006.

[6] 杨金锋,傅周宇,谭铁牛,等.一种新型的基于内容的图像识别与过滤方法[J].通信学报,2004,25(7):93106.

[7] 李鲁宁.基于Haar-like特征和Adaboost分类器的表情识别实时系统[D].青岛:山东科技大学,2012.

[8] 阮锦新,尹俊勋.基于人脸特征和Adaboost算法的多姿态与人脸检测[J].计算机应用,2010(4):967-970.

[9] Hsu R L,Abdel-Mottaleb M,Jain A K.Face dtection in color images[J].IEEE Transactions on Images,2002(5):24-33.

[10] 武勃,黄畅,艾海舟.基于连续Adaboost 算法的多视角人脸检[J].计算机研究与发展, 2005,42(9):1612-1621.

[11] 付忠良.关于 RealAdaboost 算法的分析与改进[J].计算机工程与应用,2012,41(4):89-93.

[12] 蔡朝晖,胡丹,贺贵明.基于彩色图片的人脸检测方法[J].武汉大学学报:工学版,2004,37(5):120-124.

[13] 田巍,庄镇泉.基于 HSV 色彩空间的自适应肤色检测[J].计算机工程程与用,2004,14(l):81-85.

[14] 党治,冯晓毅.基于新的肤色模型的人脸检测方法[J].计算机应用,2006,26(3): 615-617.

[15] 陈锻生,刘政凯.肤色检测技术综述[J].计算机学报,2006,29(2):194-207.

[16] 卢春雨,张长水,闻方,等.基于区域特征的快速人脸检测法[J].清华大学学报:自然科学版,1999,39(1):101-108.

Face Detection for Images Based on IB-Adaboost Algorithm

LIU Shujuan，QI Jinpeng，BIAN Fengjie，LI Linge

(School of Information Engineering and Science Technology, Donghua University, Shanghai 201600, China)

In view of the poor face detection performance of the traditional Adaboost algorithm under the condition of uneven illumination and uncertain angle of detection, this article puts forward an improved IB-Adaboost (tiny illumination compensation and binarization) face detection methods. The method of image offers illumination compensation pretreatment to improve the image quality light; secondly, the face classifier is trained based on the Adaboost algorithm; then theYCbCrcolor space transform and image binarization processing are performed to narrow the face search area; and finally the skin area color images are obtained byR,G,Bcolor overlay to achieve face detection. Experimental results show that the proposed IB-Adaboost method in uncertain uneven illumination and face Angle can achieve more satisfactory test results.

face detection; IB-Adaboost; Adaboost; illumination compensation; color space conversion; binarization

2016- 06- 04

国家自然科学基金(61104154)；上海市自然科学基金(16ZR1401300，16ZR1401200)

刘树娟(1991-)，女，硕士研究生。研究方向：图像处理。齐金鹏(1977-)，男，博士，副教授。研究方向：数字图像处理。

10.16180/j.cnki.issn1007-7820.2017.05.009

TP391.41

A

1007-7820(2017)05-032-04