基于自適應(yīng)膚色驗(yàn)證的adaboos人臉檢測算法

基于自適應(yīng)膚色驗(yàn)證的adaboos人臉檢測算法

0人臉檢測算法的自適應(yīng)對(duì)比面部特征是計(jì)算機(jī)視覺和相關(guān)領(lǐng)域的一項(xiàng)重要技術(shù)?；贏daBoost算法的人臉檢測算法是目前最快、最有效的人臉檢測算法之一。在視頻監(jiān)控的應(yīng)用中通常將運(yùn)動(dòng)檢測和膚色檢測置于人臉檢測之前,以較少的計(jì)算代價(jià)縮減人臉檢測的搜索區(qū)域,提高整體的檢測速度。為了便于敘述按其模塊級(jí)聯(lián)順序稱之為MSF(Motiondetection,SkindetectionandFacedetection)算法。但是,在高光或低照度條件下膚色與非膚色難于區(qū)分,通常會(huì)使膚色檢測失敗,導(dǎo)致以膚色檢測為前置處理的人臉?biāo)惴ǖ氖?漏檢)。因此,一個(gè)光照自適應(yīng)的膚色檢測方案對(duì)于人臉檢測算法的光照魯棒性來說是非常必要的。如果把前置的膚色檢測改進(jìn)為根據(jù)亮度自適應(yīng)的膚色檢測,那么它就只能依據(jù)整幅圖片的平均亮度或者運(yùn)動(dòng)區(qū)域的平均亮度來作為是否信任膚色檢測的標(biāo)準(zhǔn),在人臉區(qū)域平均亮度與整幅圖片平均亮度有較大差異時(shí),這種判斷會(huì)造成較大誤差;再加上傳統(tǒng)的膚色檢測是通過投影直方圖完成的,它會(huì)受到周圍類膚色背景的影響而導(dǎo)致分割出的膚色區(qū)域過大或過小,這都可能對(duì)后續(xù)的人臉檢測帶來不良影響。針對(duì)這種情況,提出一種后置自適應(yīng)膚色驗(yàn)證的人臉檢測算法。為了便于敘述按其模塊級(jí)聯(lián)順序稱其為MFAS(Motiondetection,FacedetectionandAdaptiveSkinverification)算法,把膚色檢測的功能由減少搜索區(qū)域轉(zhuǎn)化為對(duì)人臉檢測的結(jié)果進(jìn)行膚色驗(yàn)證,以人臉候選區(qū)的亮度作為是否啟用膚色驗(yàn)證的依據(jù)。實(shí)驗(yàn)結(jié)果表明,該算法與傳統(tǒng)MSF算法相比具有更好的光照魯棒性。1細(xì)胞平均粗糙度傳統(tǒng)的人臉檢測算法通常將運(yùn)動(dòng)檢測和膚色檢測置于人臉檢測之前,用較小的計(jì)算代價(jià)減小人臉檢測搜索區(qū)域,提高整體的檢測速度。在簡單場景和正常光照下,該算法能有效地排除干擾,提高人臉檢測的性能,但在復(fù)雜場景或非正常光照下,該算法的膚色檢測環(huán)節(jié)容易出現(xiàn)兩大問題:(1)在高亮度或低亮度條件下膚色與非膚色難于區(qū)分,經(jīng)常會(huì)導(dǎo)致膚色檢測失敗,很難分割出完整的膚色區(qū)域。圖1給出了非正常亮度下膚色分割的結(jié)果。如果不采取有效措施,前置的膚色檢測失敗將丟棄人臉區(qū)域,導(dǎo)致人臉檢測失敗(漏檢人臉);(2)采用直方圖投影的方法確定膚色區(qū)域有可能過大或過小(如圖2所示,圖中紅色框?yàn)槟w色檢測出的膚色區(qū)域),這都可能影響人臉檢測的效果。針對(duì)問題(1),可以考慮引入自適應(yīng)的膚色檢測方案,當(dāng)處于低光照或高光照條件時(shí)關(guān)掉膚色檢測,直接在運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行人臉檢測,簡稱之為MASF(Motiondetection,AdaptiveSkindetectionandFacedetection)。由于它只能依據(jù)整幅圖片的平均亮度或者運(yùn)動(dòng)區(qū)域的平均亮度來作為是否信任膚色檢測的標(biāo)準(zhǔn),在人臉區(qū)域平均亮度與整幅圖片平均亮度有較大差異時(shí),這種判斷就會(huì)造成較大誤差。針對(duì)問題(2),可以通過其他算法確定膚色區(qū)域(如連通域標(biāo)記等),但這類算法都是基于形態(tài)學(xué)處理,不能保證完整分割出膚色區(qū)域。2人臉檢測算法為了提高人臉檢測算法在復(fù)雜背景和光照變化下的性能,文中提出一種后置自適應(yīng)膚色驗(yàn)證的人臉檢測算法——MFAS(MotionDetection,FaceDetectionandAdaptiveSkinverification)。首先進(jìn)行運(yùn)動(dòng)檢測提取目標(biāo)運(yùn)動(dòng)區(qū)域,然后在運(yùn)動(dòng)區(qū)域中使用AdaBoost人臉檢測算法檢測人臉,在正常亮度下,啟用膚色驗(yàn)證作為為后處理以排除紋理干擾。整個(gè)人臉檢測流程如圖3所示。各模塊具體如下。2.1幅差分圖像的分離可以采用多種方式對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測,所提MFAS算法采用對(duì)稱差分算法來實(shí)現(xiàn)運(yùn)動(dòng)檢測,其基本過程如下:首先對(duì)相同間隔的三幅圖像兩兩相減得到絕對(duì)差分圖像,然后二值化得到的兩個(gè)差分圖像,進(jìn)行“與”操作,得到對(duì)稱差分二值圖像,即運(yùn)動(dòng)目標(biāo)從背景中分離的初步結(jié)果,再對(duì)該差分圖進(jìn)行形態(tài)學(xué)處理后即可得到運(yùn)動(dòng)目標(biāo)。檢測到運(yùn)動(dòng)目標(biāo)后采用直方圖投影法來提取目標(biāo)區(qū)域。2.2encbb人像壓試基于AdaBoost算法的人臉檢測算法是目前較成功的算法之一。2001年Viola等提出的基于AdaBoost算法的級(jí)聯(lián)型(Cascade)人臉檢測器使人臉檢測的速度得到了實(shí)質(zhì)性的提高。文獻(xiàn)采用OpenCV自帶的人臉分類器,它使用GentleAdaBoost結(jié)合級(jí)聯(lián)結(jié)構(gòu)的訓(xùn)練方式得到的分類器包括22層強(qiáng)分類器,包含2135個(gè)Haar特征。為了保證人臉檢測算法的一致性,MFAS采用與文獻(xiàn)同樣的分類器。由于Haar特征值是通過計(jì)算原圖在Haar模板中白色區(qū)域和黑色區(qū)域的灰度值的差值得到的,因此它對(duì)光照具有較好的魯棒性,基于Haar特征的AdaBoost人臉檢測算法在較大范圍的光照條件下都有很高的檢測率,然而這種算法易受到紋理等干擾造成誤檢率較高(圖4(a)和圖4(b)所示為AdaBoost人臉檢測算法的部分檢測效果,圖4(c)和圖4(d)是出現(xiàn)誤檢的情況),因此需要引入其他特征來排除虛警。2.3分區(qū)總像素的比例所提算法采用Hsu等提出的膚色檢測算法來對(duì)人臉檢測出的候選區(qū)域進(jìn)行膚色確認(rèn)以排除紋理干擾,降低誤檢率。人臉候選區(qū)平均亮度在正常范圍內(nèi)時(shí),如果人臉候選區(qū)中膚色像素個(gè)數(shù)占候選區(qū)域總像素的比例低于門限值,則認(rèn)為人臉檢測發(fā)生誤檢,排除該候選人臉候選區(qū)。其中,門限值經(jīng)由大量實(shí)驗(yàn)測定,實(shí)驗(yàn)中設(shè)定為0.5。這種采用像素值比例的方式比直方圖投影更加直觀,而且只需在人臉檢測出的候選區(qū)進(jìn)行判斷,不會(huì)受到周圍類膚色背景的干擾,因此膚色確認(rèn)結(jié)果更加可信。通過大量的實(shí)驗(yàn)統(tǒng)計(jì)發(fā)現(xiàn)易發(fā)生誤檢的亮度區(qū)間是Yuf0ce和Yuf0ce,所以設(shè)定這兩個(gè)區(qū)間分別為低亮度區(qū)間和高亮度區(qū)間,其他區(qū)間為正常亮度區(qū)間。對(duì)平均亮度不在正常范圍內(nèi)的候選區(qū)域則不進(jìn)行膚色驗(yàn)證,直接將AdaBoost人臉檢測結(jié)果作為人臉輸出。3正常光度區(qū)間檢測實(shí)驗(yàn)所用測試序列來自一些常用序列和USB攝像頭拍攝,實(shí)驗(yàn)運(yùn)行環(huán)境是:OS—WindowXPSP3,CPU—Intel(R)Pentium(R)DCPU,RAM—3.39GB。程序運(yùn)行平臺(tái)是:MicrosoftVisualStudio2008/OpenCV1.0。為了驗(yàn)證所提算法對(duì)光照變化的魯棒性,在復(fù)雜環(huán)境和變化光照中拍攝的序列A(分辨率352x288),上對(duì)比了MSF算法、MASF算法和所提MFAS算法的性能。該序列共有700幀,其中1~300幀處于低亮度區(qū)間,301~500幀處于正常亮度區(qū)間,501~700幀處于高亮度區(qū)間。圖5展示了三種算法的部分檢測效果。從圖5中可以看出,當(dāng)人臉處于非正常亮度區(qū)間時(shí),膚色分割失敗,導(dǎo)致無條件信任膚色檢測的MSF算法漏檢,而MASF和所提MFAS算法此時(shí)放棄膚色檢測,大大提高了檢測率;正常光照條件下,三種算法都能檢測到人臉,無論膚色前置還是后置都能具備一定的排除干擾能力;然而當(dāng)亮度值處于臨界點(diǎn)周圍時(shí),特別是當(dāng)人臉區(qū)域與運(yùn)動(dòng)區(qū)域的平均亮度出現(xiàn)偏差時(shí),采用運(yùn)動(dòng)區(qū)域的平均亮度作為評(píng)判標(biāo)準(zhǔn)的MASF算法會(huì)出現(xiàn)誤差(如第80幀所示,此時(shí)人臉區(qū)域平均亮度值處于低亮度區(qū)間,所提MFAS算法判斷放棄膚色驗(yàn)證,而運(yùn)動(dòng)區(qū)域平均亮度值在正常區(qū)間,MASF算法仍采信于膚色檢測,這種錯(cuò)誤的信任導(dǎo)致算法漏檢;而第514幀的情況恰恰相反)。整體來看,所提算法對(duì)亮度值的判斷更加直觀準(zhǔn)確,具有更好的光照魯棒性。從檢測速度上來說,MASF算法的速度最快,但所提算法仍能保證平均12ms/frame的速度,能完全滿足實(shí)時(shí)要求。為了驗(yàn)證所提算法的抗干擾能力,在正常光照下拍攝的序列B(分辨率352x288,共800幀)上對(duì)比了MSF算法、僅用人臉檢測算法和所提MFAS算法的性能(因?yàn)樘幱谡９庹諚l件,所以此時(shí)MASF=MSF)。圖6展示了3種算法的部分檢測結(jié)果,圖6中可以看出,MSF算法和所提算法都能有效排除紋理干擾(如第387幀所示),然而在MSF算法中,通過直方圖投影得到的膚色區(qū)域有可能過大或過小,這會(huì)給人臉檢測帶來不良影響,而所提算法只需對(duì)人臉候選區(qū)進(jìn)行膚色像素比例的判斷,能更有效地排除紋理干擾(如第395幀所示,由于人臉和衣服H分量值相近,導(dǎo)致直方圖投影法確定的膚色區(qū)域過大,此時(shí)人臉檢測出現(xiàn)誤檢,而所提算法則有效地排