基于肤色检测和支持向量机的人脸检测系统

秦晖 华琳

摘 要：本文基于Accord.NET Framework，构建了一个基于肤色检测和支持向量机的人脸检测系统。首先提取图片中肤色区域，用已经训练好支持向量机的人脸检测模型检测图片中的肤色区域，区分出人脸部分。

关键词：支持向量机；人脸检测

中图分类号：TP312 文献标识码：A

随着科学技术的快速发展，目前大数据、人工智能、云计算越来越受到人们的重视，尤其是现在非常热门的人脸自动识别功能，在很多方面有非常深入的应用。在开展地洞人脸识别过程中，脸检测是非常重要的一道环节，也是人工智能领域非常复杂的一项工作，能够在人机交互、视频会议、监控系统等等方面进行应用。怎么才能够在人脸识别系统中自动检测给定的图像，是非常重要的一个问题。本文使用Accord.NET Framework，首先训练出SVM分类模型，将待测图像在RGB的皮肤检测的基础上导入到训练好的SVM模型中做精确检测出人脸。

一、人脸检测

现阶段，实施人脸检测的方法主要有以下三种，基于目前使用的算法，分别是基于肤色模型方法、基于几何特征方法还有基于统计理论方法。[1]其中，应用最为广泛的就是基于统计理论方法中的 Adaboost [2] 人脸检测算法，这是由剑桥大学提出，但受到技术等各方面的影响，误检率还是比较高。

本文首先采用基于RGB的膚色检测：根据RGB颜色模型找出定义好的肤色范围内的像素点，范围外的像素点设为黑色。然而简单RGB的肤色检测效果并不好，首先检测的完整性并不高，一些稍微光线不好的区域也没法检测出皮肤，这种基于RBG范围来判定皮肤的算法受光线的影响大，针对上述检测方法存在的不足，本文又在RGB的皮肤检测的基础上将RGB颜色转换为RG / BY颜色空间以及强度，计算图像上的“纹理幅度”（强度变化的速度），计算图像上的色调和饱和度，最后结合纹理幅度和色调数据来识别皮肤区域。

二、训练支持向量机

在上世纪90年代末期的时候，由Vapnik提出的基于统计学习理论、结构风险最小化理论的识别方法。主要利用非线性映射把输入向量映射到一个高维的线性空间，从而构建最优分类面。

（一）贴标签

归一化后得到的候选图片中有一些是有效的图片一些是无效的图片，有效图片的内容可以被识别，而无效图片的内容是无法被识别的。在开展SVM训练前，一定要做好样本的分类，主要分为无效图片和有效图片两种，之后再分别选择进行SVM模型训练，另外的就可以实施测试集，也可以检验最终的分类效果。

（二）特征提取

对训练的图片进行特征提取操作，目前样本的特征主要有以下三种形式：

第一种，HOG特征。在构成特征的时候，是利用图像局部区域的梯度方向直方图进行统计和计算得以实现。

第二种，LBP局部二值模式。通常情况下是用来描述图像局部纹理特征的算子。

Haar特征主要是组合性质的模板，主要涵盖了对角线特征、中心也正、线性特征以及边缘特征。

特征提取之后，就可以把特征集合带入到使用Accord.NET框架的训练算法中通过RBF核进行训练。r（gamma）和惩罚因子直接影响到模型性能。因此，为了确保实现最优的SVM性能，就一定要开展最优组合，将C和r组合在一起。参数C主要的作用就是对置信区间范围进行确定。不同的数据子空间中，C有一定的差异，核参数r发生变化，主要是变样本数据子空间分布的复杂程度发生了变化，也就是线性分类的最大VC维，从而形成最小误差。

预测测试样本的准确率是这样的：

在固定r，C作为变量，如果C超过12之后，模型的综合评估达到最佳。

固定惩罚因子C，参数r作为变量，当r取值为7到11时，SVM的模型性能最优；数值在加大性能就会逐渐降低。

三、实验结果

本文使用accord.net框架在vs2015实现训练和结果显示。运行环境为CPU 2.20GHz，内存8G。待检测图像大小为300*400，经过肤色检测后有四处区域为疑似脸部。为检测出精确的脸部结果可以将所有得到的候选图片大小归一化后抽取图像特征放入训练好的SVM模型进一步检测出人脸区域，最后送入SVM检测，只有一处为脸部区域。如图1、图2所示。

四、结语

本文实验结果表明，该算法简单，速度快。本文所提的方法，对于人脸正面定位有非常好的效果。但是，实际在对人脸图像进行待检测的时候，倾斜角度比较大，从而存在比较大的误检情况。本文下一步的研究重点，就是对上述的问题进行优化改进，希望为我国的现代化建设贡献自己的一份力量。

参考文献：

[1]钟文涛.基于颜色模型和纹理特征的肤色检测系统研究[D].江西理工大学，2012.

[2]孙文君，王海龙.基于AdaBoost算法的快速人脸检测方法.[J].电子技术，2015，44（6）：29-31.

作者简介：秦晖，女，讲师，研究方向：图像处理，计算机软件技术。