CN101739545A - 一种人脸检测方法 - Google Patents

Abstract

本发明主要研究了静态彩色正面图像中眉毛的检测以及最终的人脸检测，主要应用了仿生模式识别并结合模糊模式识别的检测方法，其中眉毛特征向量的提取采用了Legendre矩不变量，本发明的结果证明了眉毛可以像眼睛那样作为一种有效的生物特征用于人脸检测，这给人脸检测方法拓展了新的方向，具有较大的应用价值。

Description

一种人脸检测方法

技术领域

本发明涉及人脸检测领域，具体涉及人脸识别、表情姿态的识别、视频监控等相关领域。

背景技术

目前对人脸检测的研究已经相当深入，值得一提的是，在脸部特征的选取上，目前为止，国内外的大量研究都集于五官中的“眼、鼻、嘴”的特征，而对眉毛的研究甚少。人类的眉毛具有足够好的稳定性、抗干扰性和多样性，而不会像眼睛和嘴巴那样受表情的变化而产生大幅的形变，因而可以作为一种独立的、良好的生物特征用于人脸检测。

眉毛检测是人脸检测、识别的关键，其位置的确定可大致估计出人脸的尺度及方向。眉毛的验证可使用仿生模式识别方法，在此基础上被拒识的样本进一步采用模糊模式识别进行判别。

发明内容

本发明的目的在于克服上述方法的不足，提供一种基于眉毛检测的人脸识别方法。本发明所述的技术方案如下所述。

一种人脸检测方法，其包含如下步骤：

1)抽选识别对象的特性指标，所述特性指标向量u为眉毛图像的20阶Legendre矩组成的特征向量；

2)构造模糊模式的隶属函数： $G^{\′}(e_1^{\′},e_2^{\′},...,e_n^{\′})=(\frac{{e_1^{\′}}^2}{{r_1}^2}+\frac{{e_2^{\′}}^2}{{r_2}^2}+...+\frac{{e_n^{\′}}^2}{{r_n}^2})-1;$

3)利用隶属原则进行识别判断，若G(e′₁，e′₂，…，e′_n)≥0，其中(e′₁，e′₂，…，e′_n)为Legendre矩特征矢量，则确认该候选眉毛区域图像为眉毛，否则拒识。

其中，所述特征向量的提取方法是在确定眉毛候选区域阶段，先对彩色图像进行肤色的分割，以缩小搜索范围；接着利用眉毛的亮度、灰度投影信息及几何分布规则，进一步减少验证区域的个数，在眉毛的四个端点定位之后，先进行图像校准，再根据人脸裁减比例图和人体测量学人脸模型裁减出眉毛图像，并进行尺度归一化和灰度化，再提取矩不变量构成特征向量。

本发明主要研究了静态彩色正面图像中眉毛的检测以及最终的人脸检测，主要应用了仿生模式识别并结合模糊模式识别的检测方法，其中眉毛特征向量的提取采用了Legendre矩不变量，本发明的结果证明了眉毛可以像眼睛那样作为一种有效的生物特征用于人脸检测，这给人脸检测方法拓展了新的方向，具有较大的应用前景。

具体实施方式

现结合实施例，对本发明做进一步的描述。

首先简述本方法所涉及的部分原理：

所谓模糊模式识别，是指已知事物的各种类别(标准模式)，判断对给定的或新的对象应该属于哪一类，或是否为一个新的类别的问题。模糊模式识别问题大致可分为两种：一是模式库(所有已知模式的全体)是模糊的，而待识别对象是分明的模式识别问题；另一种是模式库和待识别对象都是模糊的模式识别问题。解决前一种模式识别问题的方法称为模糊模式识别的直接方法，而解决后者的方法称为模糊模式识别的间接方法。本发明中由于眉毛模式库是模糊的而被拒识的眉毛待识别对象是分明的，故采用模糊模式识别的直接方法来解决该问题。下面是该方法的基本原理：

设U＝{u₁，u₂，…，u_n}为待识别对象所构成的集合，U中每一个待识别对象u_i有m个特性指标u_i1，u_i2，…，u_im，记

u_i＝(u_i1，u_i2，…，u_im)，(i＝1，2，…，n)

设待识别对象集合U可分成p个类别，且每一个类别均为U上的一个模糊集，记为A₁，A₂，…，A_p，则称它们为模糊模式。

设U′为论域，则U′上的一个模糊集合A由U′上的一个实值函数

${\mathrm{\μ}}_A:\begin{array}{c}{U}^{\′}\→\left[\mathrm{0,1}\right]\\ u\→{\mathrm{\μ}}_A\left(u\right)\end{array}$

来表示。对于μ∈U′，函数值μ_A(u)称为u对于A的隶属度，而函数μ_A称为A的隶属函数。μ_A(u)的值越接近于1，表示u隶属于A的程度越高，反之则越低。特别地，若μ_A(u)＝1，则认为u完全属于A；若μ_A(u)＝0，则认为u完全不属于A。

给定一个对象u_i∈U，要识别u_i归属于A₁，A₂，…，A_p中哪一类比较合适，须求出u_i对A₁，A₂，…，A_p相应的隶属度为A₁(u_i)，A₂(u_i)，…，A_p(u_i)。显然，u_i对哪一个模糊模式的隶属程度最大，就把u_i归属于哪一类是比较合适的，这就是下面要说明的隶属原则。这里只介绍直接法中两种最常用的隶属原则。

1.最大隶属原则

设A₁，A₂，…，A_p为给定论域U上的p个模糊模式，u₀∈U为一个待识别对象，若

A_i(u₀)＝max{A₁(u₀)，A₂(u₀)，…，A_p(u₀)}，

则认为u₀优先归属于模糊模式A_i。若这样的模糊模式不止一个，则应考虑别的因素和别的标准，加以进一步判断。

2.阈值原则

设A₁，A₂，…，A_p为给定论域U上的p个模糊模式，规定一个阈值(置信水平)λ∈[0，1]，u₀∈U为一个待识别对象。

(1)如果max{A₁(u₀)，A₂(u₀)，…，A_p(u₀)}＜λ，则拒识，这时应查找原因，另作分析。

(2)如果max{A₁(u0)，A₂(u₀)，…，A_p(u₀)}≥λ，并且有k个模糊模式

大于或等于λ，则认为识别可行，并将u₀划归于

对于本发明的眉毛检测而言，论域U上的模糊模式只有1个，即眉毛模式A，故问题转化为：给定一个对象u_i∈U，判断u_i是否归属于A，那么就需要求出u_i对A隶属度为A(u_i).相应的隶属原则采用阈值原则。此时的阈值原则变为：

给定一个阈值λ∈[0，1]，u₀∈U为一个待识别对象，若A(u₀)≥λ，则认为u₀属于A类，否则拒识。

实施例

本实施例中一种人脸检测方法，其包含如下步骤：

1)抽选识别对象的特性指标，所述特性指标向量u为眉毛图像的20阶Legendre矩组成的特征向量；

2)构造模糊模式的隶属函数： $G^{\′}(e_1^{\′},e_2^{\′},...,e_n^{\′})=(\frac{{e_1^{\′}}^2}{{r_1}^2}+\frac{{e_2^{\′}}^2}{{r_2}^2}+...+\frac{{e_n^{\′}}^2}{{r_n}^2})-1;$

3)利用隶属原则进行识别判断，若G(e′₁，e′₂，…，e′_n)≥0，其中(e′₁，e′₂，…，e′_n)为Legendre矩特征矢量，则确认该候选眉毛区域图像为眉毛，否则拒识。

其中，所述特征向量的提取方法是在确定眉毛候选区域阶段，先对彩色图像进行肤色的分割，以缩小搜索范围；接着利用眉毛的亮度、灰度投影信息及几何分布规则，进一步减少验证区域的个数，在眉毛的四个端点定位之后，先进行图像校准，再根据人脸裁减比例图和人体测量学人脸模型裁减出眉毛图像，并进行尺度归一化和灰度化，再提取矩不变量构成特征向量。

下面描述第2)步中的隶属函数的构造，这一步是识别工作的关键。

所述隶属函数的推导过程如下：

(1)在二维空间中，超椭球面简化为椭圆。要确定椭圆的方程，需要知道椭圆的参数a、b、θ，其中a、b为椭圆的两个半轴，θ为旋转角。而关键就在于如何确定椭圆的两根半轴的长度。

步骤1：使用最小二乘法进行曲线拟合，这里采用一次直线拟合。现假定二维空间有m个样本，它们可用xoy平面上的m个点(x₁，y₁)、(x₂，y₂)，...，(x_m，y_m)来表示。假设y与x之间近似为一线性关系

y＝kx+d             (1)

其中，k、d为待定系数。一般来说，这m个点不可能位于同一直线上。现记

ε_i＝y_i-(kx_i+d)    i∈1，2，…，m      (2)

它反映了用直线式(1)来描述点(x_i，y_i)时，计算值y与真实值y_i之间的误差。根据最小均方误差准则，应使(3)式最小。

$E(k,d)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{{\mathrm{\ϵ}}_i}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(y_i-{\mathrm{kx}}_i-d)}^2---\left(3\right)$

由极值原理，最小值时刻应满足

即

$\frac{\∂E}{\∂k}=-2\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i(y_i-{\mathrm{kx}}_i-d)=0---\left(4\right)$

$\frac{\∂E}{\∂d}=-2\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y_i-{\mathrm{kx}}_i-d)=0---\left(5\right)$

以上两式组成联立方程组，解该方程组，得

$k=\frac{m\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i{y}_i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i}{m\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x_i}^2-{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\right)}^2}---\left(6\right)$

$d=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x_i}^2\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i{y}_i}{m\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x_i}^2-{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i\right)}^2}---\left(7\right)$

步骤2：求出了k、d，就可以确定椭圆两根轴的方向向量分别为a轴(1，k)，b轴(k，-1)，并求出两轴的所有方向余弦

此处α₁、β₁分别表示a轴在xoy坐标系中的方向角，α₂、β₂分别表示b轴对应的方向角。

接下来求出所有样本点在直线y＝kx+d上的投影∑(x′_i，y′_i)，然后找出投影点中相距最远的两个点(x′_i，y′_i)、(x′_i，y′_j)，并求出它们之间的距离d_max，则a＝d_max/2，以及椭圆的圆心坐标

再计算每个样本点到所拟合直线的最大距离，取其中最大值，即

步骤3：至此，椭圆的所有参数都已确定，椭圆方程可表示为

$\frac{x^{\′2}}{a^2}+\frac{y^{\′2}}{b^2}=1---\left(8\right)$

其中， $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]=\left[\begin{array}{cc}{\cos \mathrm{\α}}_1& {\cos \mathrm{\α}}_2\\ {\cos \mathrm{\β}}_1& {\cos \mathrm{\β}}_2\end{array}\right]*\left[\begin{array}{c}x-x_0\\ y-y_0\end{array}\right]$

相应的判别函数为

$G(x^{\′},y^{\′})=1-(\frac{x^{\′2}}{a^2}+\frac{y^{\′2}}{b^2})---\left(9\right)$

如果G(x′，y′)＞＝0，表示样本点(x′，y′)落入椭圆所覆盖的区域内，认为属于该类别。

(2)在三维空间中，要确定椭球的方程，需要知道椭球的三根半轴a、b、c的长度及其方向向量。

沿用一维直线拟合的方法，设x、y、z之间满足一平面z＝k₁x+k₂y+k₃所表示的线性关系，根据最小均方误差准则，应使(10)式最小，

$E(k_1,k_2,k_3)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{{\mathrm{\ϵ}}_i}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(z_i-k_i{x}_i-k_2{y}_i-k_3)}^2---\left(10\right)$

即有

解之可得k₁、k₂、k₃。

于是得到该平面的法向向量为L＝(k₁，k₂，-1)，L同时也是椭圆某一轴的方向向量，定为a轴。取所有样本点到该平面的距离最大值为此轴的半轴长，再将所有样本点投影到所确定的平面上，在此平面内再确定一个椭圆即可，方法与二维空间确定椭圆完全一样。如此可以确定椭球的三根轴的方向向量。假设三根轴a、b、c对应的方向余弦分别为cosα₁、cosβ₁、cosγ₁；cosα₂、cosβ₂、cosγ₂；cosα₃、cosβ₃、cosγ₃，则椭球的方程可表示为

$\frac{x^{\′2}}{a^2}+\frac{y^{\′2}}{b^2}+\frac{z^{\′2}}{c^2}=1---\left(11\right)$

其中， $\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]=\left[\begin{array}{ccc}{\cos \mathrm{\α}}_1& {\cos \mathrm{\α}}_2& \cos {\mathrm{\α}}_3\\ {\cos \mathrm{\β}}_1& {\cos \mathrm{\β}}_2& {\cos \mathrm{\β}}_3\\ \cos {\mathrm{\γ}}_1& {\cos \mathrm{\γ}}_2& {\cos \mathrm{\γ}}_3\end{array}\right]\left[\begin{array}{c}x-x_0\\ y-y_0\\ z-z_0\end{array}\right]$

相应的判别函数为

$G=(x^{\′},y^{\′},z^{\′})=1-(\frac{x^{\′2}}{a^2}+\frac{y^{\′2}}{b^2}+\frac{z^{\′2}}{c^2})---\left(12\right)$

(3)如果是n维空间，那么关键是确定一个n维超椭球的n个轴。方法同三维空间。首先根据最小均方误差准则求出n-1维超平面，其法向量即为一个轴的方向向量，再将所有样本点投影到此超平面上，则投影点可视为n-1维空间内的样本点，这样就实现了n维空间到n-1维空间的降维。重复这样的投影过程，直到将n维空间降为二维空间，可求出其n个轴的方向向量。类比式(11)可写出n维超椭球的方程如下：

$\frac{{e_1^{\′}}^2}{{r_1}^2}+\frac{{e_2^{\′}}^2}{{r_2}^2}+...+\frac{{e_n^{\′}}^2}{{r_n}^2}=1---\left(13\right)$

其中，

相应的判别函数为

$G(e_1^{\′},e_2^{\′},...,e_n^{\′})=1-(\frac{{e_1^{\′}}^2}{{r_1}^2}+\frac{{e_2^{\′}}^2}{{r_2}^2}+...+\frac{{e_n^{\′}}^2}{{r_n}^2})---\left(14\right)$

实际判别时，若G(e′₁，e′₂，e′_n)≥0，其中(e′₁，e′₂，…，e′_n)为Legendre矩特征矢量，则确认该候选眉毛区域图像为眉毛，否则拒识。

现在的待识别对象是被仿生模式识别算法拒识的、位于超椭球以外的眉毛样本，拒识的原因可能是训练样本集的不完备，也可能是矩特征参数提取时因阶数不够高而引入的随机误差等等。现在的关键问题就转化为如何在一个高维空间内建立一个合适的隶属度函数，使其函数值(隶属度)能表示超椭球外的点相对而言属于超椭球所表征的类的程度。

超椭球外但离超椭球面很近的点比离超椭球面稍远一点的点隶属于眉毛类的程度会更高。

基于仿生模式的判别式，越靠近椭圆中心的点，其G值越高，越靠近椭圆边沿的点，其G值越低，因此G值的大小可以用来表示隶属度。将这个判别式用作隶属函数，在形式上与模糊模式识别理论中经典的计算隶属函数的距离法是一致的，两者的差别仅在于此处的距离是欧氏距离的平方，而经典的距离法则是纯粹的欧氏距离。

本发明的情况稍有不同，将上述结论稍加推广，就可以得到适合于眉毛检测的隶属函数。

当样本点落在超椭球外部时，若按照原来的仿生模式判别公式计算，G值将为负。因而，我们想到将式(14)作一个较小的改动，

$G^{\′}(e_1^{\′},e_2^{\′},...,e_n^{\′})=(\frac{{e_1^{\′}}^2}{{r_1}^2}+\frac{{e_2^{\′}}^2}{{r_2}^2}+...+\frac{{e_n^{\′}}^2}{{r_n}^2})-1---\left(15\right)$

这样，越靠近超椭球面的点，其G′值越小，越远离超椭球面的点，其G′值越大，因此G′值的大小可以用来表示被拒识的眉毛的隶属度。

需要指出的是，这种做法使隶属函数的概念得到了一定的推广，它超出了传统意义上的范畴，因这里的隶属函数值域可能超出[0，1]区间，变成了[0，+∞]，但这样不影响它表征事物隶属于某一类别的程度，所以虽然形式上可能有略微差别，最终的归宿点还是一致的。

实际应用时，我们对G′值的上限规定了一个阈值λ，阈值的确定又成为一个较为困难的问题。理论上，没有很好的解决方法。本发明采用预定初始值，然后对测试样本进行判决，再根据判别的准确程度调整初始值，最终达到较为理想的效果。实验中，λ＝0.9537。

Claims (2)

1.一种人脸检测方法，其包含如下步骤：

1)抽选识别对象的特性指标，所述特性指标向量u为眉毛图像的20阶Legendre矩组成的特征向量；

2)构造模糊模式的隶属函数：

3)利用隶属原则进行识别判断，若G(e′₁，e′₂，…，e′_n)≥0，其中(e′₁，e′₂，…，e′_n)为Legendre矩特征矢量，则确认该候选眉毛区域图像为眉毛，否则拒识。

2.如权利要求1所述的方法，其特征在于，所述特征向量的提取方法是在确定眉毛候选区域阶段，先对彩色图像进行肤色的分割，以缩小搜索范围；接着利用眉毛的亮度、灰度投影信息及几何分布规则，进一步减少验证区域的个数，在眉毛的四个端点定位之后，先进行图像校准，再根据人脸裁减比例图和人体测量学人脸模型裁减出眉毛图像，并进行尺度归一化和灰度化，再提取矩不变量构成特征向量。