基于肤色与脸部特征提取的人脸检测

林显宁 罗家林

摘  要：人脸检测与识别技术属于生物特征验证手段的一种，可应用于视觉监测、安全访问控制与智能用户接口等多个领域。而人脸检测在人脸识别中占据重要地位。在肤色模型和小波变换有效结合的基础上，即可对人脸进行确定，特别是眼睛位置。经过小波变换处理，结合几何位置展开检测，并使用Fisher分类器即可对嘴巴的位置进行检测。在全新的技术支持下，可以在短时间内准确检测人脸，精准度较高。基于此，文章将肤色和脸部特征提取作为重要基础，重点阐述人臉检测的实现路径，希望对人脸检测与识别技术的发展有所帮助。

关键词：肤色模型;脸部特征;人脸检测

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）17-0078-03

Abstract：Face detection and recognition technology belongs to the means of biometric verification，and can be applied in many fields such as visual monitoring，secure access control and intelligent user interface. Face detection plays an important role in face recognition. Based on the effective combination of skin color model and wavelet transform，the face can be determined. Especially eye position，after wavelet transform processing，combined with geometric position detection，and using Fisher classifier can detect mouth position. With the new technology support，it can detect face accurately in a short time with high accuracy. Based on this，this paper takes skin color and face feature extraction as an important basis，focusing on the implementation path of face detection. I hope it will be helpful to the development of face detection and recognition technology.

Keywords：skin color model;facial features;face detection

0  引  言

人脸自动识别技术主要是借助计算机技术对人脸图像进行分析并提取有价值的识别信息，被当作身份判别的一种技术。此技术涵盖了生理学、图像处理、模式识别与计算机视觉等多个学科，和计算机人机感知领域联系紧密。较之于其他人体生物特征识别系统，人脸识别系统的优势更加明显，集中体现为友好性、直接性、非侵犯性和方便性等多个方面，因此未来发展前景广阔。人脸属于复杂且细节变化明显的自然结构目标，在检测中具有较大的难度。由此可见，基于对肤色与脸部特征提取的深入研究进行分析人脸检测具有一定的现实意义。

1  人脸检测中的图像预处理与肤色模型研究

1.1  图像预处理方面

色彩信息很容易受图像采集设备以及光源颜色色彩偏差影响，所以在整体角度会出现图像与本质色彩偏离的情况，进而影响后期肤色定位，因而需在人脸定位前针对输入图像实施光线补偿，将色偏情况消除。但当前在彩色图像光照补偿方面的研究成果并不多，且难以规避图像光照过亮或过暗的问题，在识别人脸方面的准确率不高[1]。其中，较常应用的是便于降低人脸器官横纹对于光照改变的敏感程度的方式。具体体现在以下几个方面：

第一，非线性变换方法。这种方法在计算机视觉方面的应用较为常见，且光敏神经元的触发程度以及对其光能量的作用对数之间存在一定的关联。以生物学角度分析，同样可以证明神经细胞在图像敏感方面的反应具有非线性特征，进而借助对数函数实现近似。通过对数变化操作，可以使低灰度级别进行扩展并实现压缩目标，使得光照的质量明显改善。而且，对数转换应用于阴影与光照不均匀的图像中效果相对突出，但不能够应用在高光图像中。而针对相对数变换的指数变化处理流程，则可以实现高灰度级的扩展，使得低灰度级压缩，图像的亮度也明显增强。

第二，直方图均衡化方法。通过对这一方法的应用，可保证图像整体灰度的分布更加均衡，在将灰度间距拉开的基础上，使图像质量得到明显改善，且其对比度也随之增强。但需要注意的是，直方图均衡化传统性特征突出，所以在应用于人脸检测与识别过程中，仅在预处理环节使用，以有效调整图像亮度。

第三，同态滤波方法。综合考虑光照-反射理论，可将图像表示为光照与反射分量的组合，等式变换如下：f（x，y）=i（x，y）r（x，y）。而同态滤波则可以充分利用对数转换的方式，实现光照复合作用的线性化，以达到光照补偿的目标[2]。值得注意的是，同态滤波是代表性较为明显的图像与信号处理技术。特别是滤波函数，会在多个层面对傅里叶变换信息的高频与低频产生影响，主要的目的就是使图像的锐化程度得到改善，也保证图像内的明暗区细节可见程度明显增强。在同态滤波的处理下，图像中不均匀光照即可改善。但是，滤波参数要结合实际的光照条件，以手动方式完成设置，适用于交互处理方面，但不应应用在自动化人脸检测方面。

第四，改进非线性变换方法。在使用对数转换对各像素进行处理的时候，并未针对目标像素和周边像素关联做出综合考虑。在这种情况下，补偿光线的基础上，很容易发生边缘信息对视的问题。为此，开展对数变换处理前，即可将高通滤波加入其中，借助高通滤波器即可将低频信息去除，并将有使用价值的高频特征保留下来。

1.2  依托YCbCr颜色空间的肤色模型构建

人脸建模，即结合人脸特征所构建的几何模型或是色彩模型，判断、绘制并控制人脸。而且，色彩模型相对简单，执行也较快，但准确度不高，仅可以应用在初步检测中[3]。一般情况下，肤色模型最常使用的方法就是三维投影模型、彩色直方图、高斯模型与查找表等方法。

对于三维投影模型而言，就是向两个二维空间转化三维空间色彩模型，凭借其快速与分类性理想的优势，备受人们认可与青睐。而在此次研究中，就是采用这一思想，在YCbCr空间所投影的图像可以实现三维空间向二维投影子空间的转换。虽然模型的构建方法较多，但通常仅划分为两类，即参数模型与非参数模型。前者选择使用的数学函数中参数不多，可以对色度平面肤色分布进行描述，而后者则是在训练数据当中对肤色分布进行估计，核心理念就是在离散颜色空间的各位置均分配概率值。但需要注意的是，非参数模型最大的优势就是能够在短时间内完成训练和分类，然而几率值要通过统计直方图才可以获得[4]。在对统计直方图存储的过程中，要求存储空间和训练肤色样本的数量较多，因而这也是其典型的缺陷。对于参数模型来讲，最突出的优势就是无需借助大量参数与存储空间就可以完成肤色模型的创建，然而需训练精准度较高的肤色模型，所以实际的计算量较大，会花费更多的时间。

2  人脸检测中的人脸特征检测

2.1  人眼定位

近年来，小波变换被广泛应用于识别生物目标方面，更多研究者将其引入到人脸检测和特征定位领域。在人脸特征检测方面，小波变换的主要应用就是多分辨率多尺度的特性与时频局部特性两方面。前者主要是针对数字人脸图像进行离散小波变化，合理分解原始图像，并形成尺度与分辨率不同的子图，在对其频域能量合理利用的基础上，结合实际需求对子图小波系数加以运用，以实现人脸检测和特征定位算法的目标[5]。后者使用小波变换系数对人脸与人脸五官进行表征，而在人脸检测以及定位期间，小波变换系数则被当作人脸不同特征点的特征系数，可在全新人脸匹配以及人脸特征定位方面得到使用。在此次研究中，选择使用了小波变换检测人眼，针对接受光线补偿的图像实施小波变换。在小波变换的作用下，分离了图像内的各种频率，借助滤波器，在变换的基础上，不断增强实际处理效果。

人眼定位是对细节的提取，要对高频部分进行保留，因而要合理设置高通滤波器。在实际处理时，要保证将数据清零，对其余部分保留，实现小波逆变换的目标。随后，针对所获得的图像进行亮度校正，并进行二值化的处理操作。一般情况下，可将人脸几何分布特征与灰度信息特征有效结合并应用在人脸中，但只能够应用在人眼的低灰度信息中，在人眼定位方面很容易出现误判的问题。在此研究中，图像经二值化以后，会将原有图像当中的高频部分保留，使得误判率明显下降。

综合考虑既有经验，眼睛在人脸的上三分之一部位，所以在定位眼睛的时候，需要对人脸可能区域的上半部分进行考虑。而眼睛一般是左右对称分布的，但也有头部偏转造成的影响，因而可将人脸区域的上半部分分成左右两方面，并且分别利用活动窗口对左右眼进行扫描。一般情况下，活动窗口尺寸由人脸区域大小决定，在多次测试的基础上，即可确定眼睛扫描窗口的长度与宽度是人脸区长宽的0.1与0.2。在这种情况下，定位结果的准确度明显提高。一旦窗口过大，就会和眉毛一起接受检测。若窗口过小，就会在眉毛灰度变化较大的图像当中将眉毛当成眼睛并进行检测。

在窗口大小确定以后，即可从被检测区域左上角开始以像素作为单位开展窗口扫描。在完成一行扫描工作后，窗口即可向下方移动像素点并继续扫描，直到将人脸区域的上半部分扫描完。正是因为在校正亮度以后的图像，细节部位的灰度偏大，所以对扫描过程进行统计的时候，窗口内的像素灰度值最大位置就是眼睛的位置。

2.2  唇部定位

通常来讲，在人脸定位与唇读识别等多个领域，对唇部定位的应用均较为广泛。现阶段，有很多选择唇部几何外形或是嘴唇颜色信息的方法，可以完成检测唇部的操作。其中，唇部检测选择RGB空间内的可能人脸区域下半部分进行肤色与唇色的区分方法，即Fisher分类器[6]。较之于小波变换所确定的可能区域，科学合理地检测唇部。而对人脸区域下半部分的选择，可以使得搜索唇部的空间缩小，而且将眉毛与眼睛等干扰因素有效排除。通过对以上两种方法的运用，最终所确定的区域相互结合，即可更准确地对唇部区域进行确定。

选择人脸的下半区域定位唇部，从本质上来讲就是对肤色与唇色的有效判别。在实际检测期间，输入数据选择图像内的像素点，探寻Fisher判别条件下的计算复杂度。利用Fisher分类器定位的实现过程包括训练和应用。在训练过程中，通过手动方式将图像人脸和唇部区域输入其中，在计算的基础上，对计算的结果和存储训练数据展开平均数值的求取，同時修正既有存储数值。对经过小波变换与二值化处理后的人脸图像进行扫描，就可以对可能的唇部区域进行寻找，如图1所示。

3  结  论

综上所述，人脸检测这一人脸信息处理的关键性技术，其在模式识别和计算机视觉中的重要性已被逐渐突显出来。但因为人脸模式复杂且变化多端，加之外界环境的影响，增加了人脸检测的难度。为此，需要以肤色和脸部特征提取作为重要基础进行人脸检测工作，以不断提高检测的精准度。

参考文献：

[1] 宁娟，朱敏，戴李君.基于AdaBoost算法和色彩信息的脸部特征定位 [J].计算机应用与软件，2016，33（5）：207-211.

[2] 刘萍，宣瑞晟，欧卫华.人脸特征点定位及其在心率检测中的应用研究 [J].贵州师范大学学报（自然科学版），2018，36（2）：74-79.

[3] 胡祖奎，余建桥，梁爽.一种基于分层模板的人脸检测方法 [J].西南师范大学学报（自然科学版），2017，42（6）：112-120.

[4] 许雪梅，黄征宇，李丽娴，等.一种基于HSV颜色分割和模糊级联分类器的人脸检测技术 [J].计算机应用与软件，2014，31（4）：197-200+238.

[5] 王浩南，沈天飞，蒋晨.基于非正面人脸检测的脖子剔除研究 [J].工业控制计算机，2018，31（3）：125-126+129.

[6] 蒋渊渊，张劭昀.基于肤色检测的人脸验证系统的研究 [J].电子世界，2015（20）：45-46.

作者简介：林显宁（1982.06-），男，汉族，广东湛江人，副教授，硕士，研究方向：计算机技术、模式识别研究;罗家林（1996.12-），男，汉族，广东连州人，本科，信息技术学院计算机科学与技术专业，研究方向：模式识别研究。