CN103226698A - 一种人脸检测方法 - Google Patents

Abstract

本发明涉及的是生物特征身份识别领域，特别是涉及一种人脸检测方法。本发明包括下列步骤：读取原始人脸图像；对原始人脸图像进行人脸光照预处理；采用AdaBoost检测候选人脸区域；计算相似度图确认人脸区域图像。本方法在保证检测速度的同时，大大减少了目标区域的误检率，提高了人脸检测的准确率。

Description

一种人脸检测方法

技术领域

本发明涉及的是生物特征身份识别领域，特别是涉及一种人脸检测方法。

背景技术

人脸检测方法各异，大体上可分为：基于肤色特征与人脸验证的方法、基于启发式模型的方法、基于统计模型的方法，由于人脸是非刚性的，具有高自由度的变化，显式地描述人脸特征有一定难度，为此，基于统计模型的方法更受到重视，如人工神经网络、AdaBoost、特征空间法和基于概率模型的方法等。单独地应用一种方法往往得不到准确的检测效果，将多种特征信息及方法融合来提高对目标检测的准确度越来越受到研究者的重视。

P.Viola和M.Jone通过将AdaBoost算法与基于积分图的Haar-Like特征结合起来实现的人脸检测系统，是历史上第一次使人脸检测达到了实时处理的程度。Viola的人脸检测方法是一种基于积分图、级联检测器和AdaBoost的方法。该方法可以分为三个部分：第一部分，使用基于积分图计算的Haar-like特征表示人脸；第二部分，使用AdaBoost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；第三部分，将训练得到的若干强分类器级联形成分层检测结构，这种结构能有效地提高分类器的检测速度（(1)Viola P,Jones M.Robust real time object detection[C].ICCV2001,Vancouver,British Columbia.USA:IEEE Computer Society Press,2001;(2)P.Viola,M.Jones.RobustReal-Time Face Detection.International Journal of Computer Vision.2004,57(2):137-154）。

肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转、表情等变化情况都能适用，具有相对的稳定性并且和大多数背景物体的颜色相区别。因此肤色特征在人脸检测中是最常用的一种特征（Ming H Y,David J,Kriegman,et.al.Detecting Faces in Images:ASurvey[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,2002,24(l):34-58.）。但是肤色信息容易受到光照变化等的影响从而导致人脸检测准确度严重下降。所以，基于肤色信息进行的人脸检测，需要有好的光照补偿方法进行辅助。

发明内容

本发明的目的在于提供一种检测速度更快，检测准确率更高、误检率更低的人脸检测方法。

本发明的目的是这样实现的：

本发明包括下列步骤：

（1）读取原始人脸图像；

（2）对原始人脸图像进行人脸光照预处理：

图像[0,255]的像素值区间P到[0,π]的角度值区间Ω的线性映射Φ为：

Φ:P→ΩΩ={ω|ω=Φ(x)}，

角度值区间Ω到Gamma值区间Γ的映射h为：

h:Ω→ΓΓ={γ|γ=h(x)}

$\left\{\begin{array}{c}h\left(x\right)=1+f\left(x\right)\\ f\left(x\right)=a\cos \left(\mathrm{\Φ}\left(x\right)\right)\end{array}\right.,$

其中x为区间P的像素值，x_m为区间P的中点，ω为Ω区间中的数值，γ为区间Γ中的数值，

$\mathrm{\Φ}\left(x\right)=\left\{\begin{array}{cc}\mathrm{\πx}/2x_0& x\∈[0,x_0]\\ \mathrm{\π}/2& x\∈(x_0,x_1)\\ \mathrm{\π}-\mathrm{\π}(255-x)/2(255-x_1)& x\∈[x_1,255]\end{array}\right.,$ $a=\left\{\begin{array}{cc}1-x/x_m& x\∈[0,x_0]\\ 1& x\∈(x_0,x_1)\\ x/x_m-1& x\∈[x_1,255]\end{array}\right.,$

x₀=x_m-σ²和x₁=x_m+σ²为像素区间P中的两点，其中σ²是图像像素的方差；

在区间P和区间Γ建立对应关系，使任意一个像素x与一个确定的Gamma值γ对应，令γ(x)=h(x)，Gamma校正函数为：

g(x)=255(x255)^1γ(x)

g(x)是校正后的像素值，将校正后的像素值与原像素值通过Gamma值联系起来；

（3）采用AdaBoost检测候选人脸区域；

（4）计算相似度图确认人脸区域图像：

对候选人脸区域图像，计算相似度图像的像素值：

候选人脸区域图像为RGB图像，分别按照两种方式表示其灰度值：

r=(128+112*R/255-93.8*G/255-18.2*B/255)

b=(128-37.8*R/255-74.2*G/255+112*B/255)

将灰度值r和灰度值b构成向量，即x=[rb]^T；

相似度图像为：

P(r,b)=exp[-0.5(x-M)^TC^-1(x-M)]

其中向量x的均值为M=E(x)，方差为C=E((x-M)(x-M)^T)；

对相似度图像归一化：

$P(r,b)=\frac{P(r,b)}{\max \left(P(r,b)\right)}$

对相似度图像二值化处理：

$P(r,b)\&prime;=\left\{\begin{array}{cc}255& P(r,b)\&GreaterEqual;\mathrm{\&theta;}\\ 0& P(r,b)<\mathrm{\&theta;}\end{array}\right.$

其中θ为阈值；

对二值图像P(r,b)′分别计算水平和垂直方向的灰度积分投影，获得灰度积分投影在水平方向和垂直方向的极小值，确定图像区域是否为有效的人脸区域，若为有效人脸区域，则输出人脸检测结果；若非有效人脸区域，丢弃该检测区域。

本发明有益效果在于：

本发明提供了一种有效的人脸检测方法，首先采用自适应的Gamma校正对原始人脸图像进行光照补偿预处理，有效避免了光照对于后续人脸检测准确度的影响；然后采用基于AdaBoost的人脸检测方法进行人脸区域图像的初步检测，获取候选的人脸区域，具有检测速度快，检测率高、实时性好的特点，但误检的情况也时有发生，把非人脸检测为人脸；最后针对检测到的候选人脸区域图像再基于颜色信息计算相似度图像用于人脸区域确认，丢弃非人脸图像。该方法在保证检测速度的同时，大大减少了目标区域的误检率，提高了人脸检测的准确率。

附图说明

图1为人脸检测方法流程图；

图2为不包含人脸区域的原始图像与光照补偿结果对比图；

图3为包含人脸区域的原始图像与光照补偿结果对比图；

图4为CAS-PEAL数据库中强光、弱光、侧光下的图像对比图；

图5为CAS-PEAL数据库中强光、弱光、侧光下的图像光照补偿后的结果对比图；

图6为采用AdaBoost人脸检测方法得到的检测结果对比图；

图7为最终的人脸检测结果对比图。

具体实施方式

下面结合附图对本发明作进一步描述：

本发明提供的人脸检测方法，首先需要对原始人脸图像进行自适应的Gamma校正光照预处理，然后采用基于AdaBoost的人脸检测方法对图像进行人脸区域初步检测，在检测出人脸候选区域图像后计算这些图像的相似度图像，通过相似度图像判断该区域是否为真正的人脸区域，丢弃非人脸区域图像，完成人脸区域快速有效检测。

1、读取原始人脸图像

结合图2和图3，为充分说明直接使用基于AdaBoost的人脸检测方法进行人脸检测可能出现的误检测问题，本发明分别使用了包含人脸区域的原始图像和不包含人脸区域的原始图像进行检测验证。

2、基于自适应Gamma校正的原始人脸图像光照预处理

Gamma校正最初出现在显示设备非线性响应的处理中，由于显示器中阴极、光栅和电子束之间的静电相互作用，屏幕上的发光亮度正比于输入电压的2.5次方，这个指数被称为Gamma值。

对人脸图像进行Gamma校正是通过Gamma值与灰度值之间的非线性关系，利用灰度映射达到光照补偿的效果。令P代表[0,255]的像素值区间，x代表一个像素值(x∈P)，x_m为区间P的中点，Ω代表[0,π]的角度值区间，ω为Ω区间中的数值，Γ代表Gamma值区间，γ为区间Γ中的数值。则P到Ω的线性映射定义为：

Φ:P→ΩΩ={ω|ω=Φ(x)}（1）

Φ(x)=πx2x_m

而Ω到Γ的映射定义为

h:Ω→ΓΓ={γ|γ=h(x)}

$\left\{\begin{array}{c}h\left(x\right)=1+f\left(x\right)\\ f\left(x\right)=a\cos \left(\mathrm{\&Phi;}\left(x\right)\right)\end{array}\right.---\left(2\right)$

其中a∈(0,1)是一个加权系数，通过以上两式的映射关系，区间P和区间Γ建立了一种对应关系，使任意一个像素x与一个确定的Gamma值γ对应，令γ(x)=h(x)，Gamma校正函数为：

g(x)=255(x255)^1γ(x)（3）

g(x)是校正后的像素值，从而校正后像素值与原像素值通过Gamma值联系起来。

显然Γ区间的大小与加权系数a有着密切关系，每一个a值对应一个Gamma校正曲线，而不合理的Gamma校正曲线会对图像产生校正失真，为使Gamma校正更适应光照的变化，就应该通过调整a值建立更合理的Gamma校正曲线，从而避免产生严重的校正失真。

本发明提供了一种分区间自适应的Gamma校正方法，根据不同的区间像素分布做出不同的校正，使校正避免产生严重的校正失真。令x₀=x_m-σ²和x₁=x_m+σ²为像素区间P中的两点，其中σ²是图像像素的方差，则像素值区间P被划分成三个区间，每个区间对应不同的映射关系Φ(x)和加权系数a，如式(4)、(5)所示：

$\mathrm{\&Phi;}\left(x\right)=\left\{\begin{array}{cc}\mathrm{\&pi;x}/2x_0& x\&Element;[0,x_0]\\ \mathrm{\&pi;}/2& x\&Element;(x_0,x_1)\\ \mathrm{\&pi;}-\mathrm{\&pi;}(255-x)/2(255-x_1)& x\&Element;[x_1,255]\end{array}\right.---\left(4\right)$

$a=\left\{\begin{array}{cc}1-x/x_m& x\&Element;[0,x_0]\\ 1& x\&Element;(x_0,x_1)\\ x/x_m-1& x\&Element;[x_1,255]\end{array}\right.---\left(5\right)$

将改进之后的映射关系Φ(x)和加权系数a带入到式（1）和（2）中即可得到自适应的Gamma校正值。该校正方法能够对图像中高光区域和阴影区域进行较强的Gamma值校正，而在过渡区域进行较弱的修正，既保证了Gamma校正随像素变化的自适应性，又可以减弱图像失真的程度。结合图2和图3给出了图像光照校正后的效果。

另外，为说明校正方法的有效性，本发明基于CAS-PEAL数据库中的光照不均图像进行了光照校正实验，结合图4和图5给出了实验效果图。

3、采用AdaBoost的人脸候选区域检测

3.1、AdaBoost算法

给定样本图像集(x₁,y₁)，…，(x_n,y_n)，其中x_i表示第i个训练样本图像，i=1Ln，n为样本总个数，y_i=0表示训练样本为非人脸、y_i=1表示训练样本为人脸图像。

初始化权值：w_1,i表示第1次循环时第i个训练样本的权值，令

分别表示非人脸图像和人脸图像的初始权值，其中m,l分别表示非人脸图像和人脸图像的个数。

AdaBoost训练过程具体描述如下：

(1)权值归一化， $w_{t,i}=\frac{w_{t,i}}{{\mathrm{\&Sigma;}}_{j=1}^n{w}_{t,j}}$

其中，w_t,i表示第t次循环时第i个训练样本的权值，

表示第t次循环中所有训练样本的权值求和。

对于每一个特征j，构造弱分类器h_j，其中弱分类器是指存在一定分类错误率ε_j、分类能力相对较弱的分类器，然后在每个特征值分布的极大值和极小值间穷举搜索阈值参数θ_j，使得h_j的错误率ε_j最小。定义

弱分类器用h_j(x)表示如下：

$h_j\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}{p}_j{f}_j^x<p_j{\mathrm{\&theta;}}_j\\ 0& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

其中：h_j(x)为训练样本x的分类结果，p_j是方向指示符，

是从样本x中取到的第j个特征的特征值，θ_j是第j个特征对左右的判决阈值，而 $f_j^x=f_j^x(m,n)=\underset{m^{\&prime;}\&le;m,n^{\&prime;}\&le;n}{\mathrm{\&Sigma;}}i(m^{\&prime;},n^{\&prime;}),i(m^{\&prime;},n^{\&prime;})$ 表示样本x在坐标(m′,n′)处的像素值，

表示m′<m,n′<n时特征j的特征值；

(2)选择最小错误率ε_t=argminε_j，其对应的最优弱分类器为h_t(x)；

(3)更新样本权重：

$w_{t+1,i}=w_{t,i}{\mathrm{\&beta;}}_t^{1-e_i}---\left(7\right)$

如果样本图像x_i被正确分类e_i=0，否则e_i=1，且

(4)最后输出强分类器

$h\left(x\right)=\left\{\begin{array}{cc}1& {\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}{\mathrm{\&Sigma;}}_{t=1}^T{\mathrm{\&alpha;}}_t\\ 0& \mathrm{otherwise}\end{array}\right.---\left(8\right)$

其中： ${\mathrm{\&alpha;}}_t=\log \frac{1}{{\mathrm{\&beta;}}_t};$

重复以上过程T次，t=1，…，T。

3.2、人脸区域检测

AdaBoost分类器是由多层弱分类器级联而成，由第一层分类器获得的正确结果触发第二层分类器，由第二层输出的正确结果触发第三层分类器，以此类推。相反，从任何一个层输出的被否定的结果都会导致的检测立即停止。通过设置每层的阈值，使得绝大多数人脸都能通过，非人脸不能通过，这样靠近级联分类器后端的层拒绝了大部分的非人脸。结合图6给出了人脸检测的结果。其中CAS-PEAL数据库中的弱光和侧光下的图像在未进行光照补偿前是无法检测到人脸区域的，而在光照补偿后可以检测到有效的人脸区域，这进一步说明本发明提供的自适应Gamma校正是有效的。

4、基于相似度图像的人脸候选区域确认

4.1、相似度图像的计算

假设候选区域图像为RGB颜色空间的图像，首先把三维的RGB降为二维，公式如下：

r=(128+112*R/255-93.8*G/255-18.2*B/255)（9）

b=(128-37.8*R/255-74.2*G/255+112*B/255)（10）

在由r和b构成的二维平面上，肤色区域相对集中。然后将r和b构成向量，即x=[rb]^T。则向量x的均值为M，方差为C。计算公式如下：

M=E(x)（11）

C=E((x-M)(x-M)^T)（12）

则相似度计算公式为：

P(r,b)=exp[-0.5(x-M)^TC^-1(x-M)]（13）

计算出相似度图像的像素值后，将其归一化到[0,1]之间，归一化公式如下：

$P(r,b)=\frac{P(r,b)}{\max \left(P(r,b)\right)}---\left(14\right)$

4.2、人脸区域的确认

针对计算获得的相似度图像采用阈值分割的方法进行二值化处理，输入图像为P(r,b)，输出图像为P(r,b)′，则二值化公式为：

$P(r,b)\&prime;=\left\{\begin{array}{cc}255& P(r,b)\&GreaterEqual;\mathrm{\&theta;}\\ 0& P(r,b)<\mathrm{\&theta;}\end{array}\right.---\left(15\right)$

其中θ为设定的阈值。

然后针对输出的二值图像P(r,b)′分别计算水平和垂直方向的灰度积分投影，获得灰度积分投影在水平方向和垂直方向的极小值，该极小值对应人脸区域图像在水平和垂直方向的坐标，最终确定准确的人脸区域位置。

5、输出人脸检测结果

结合图7给出了最终的人脸检测结果。

Claims (1)

1.一种人脸检测方法，其特征在于，包括以下步骤：

（1）读取原始人脸图像；

（2）对原始人脸图像进行人脸光照预处理：

图像[0,255]的像素值区间P到[0,π]的角度值区间Ω的线性映射Φ为：

Φ:P→ΩΩ={ω|ω=Φ(x)}，

角度值区间Ω到Gamma值区间Γ的映射h为：

h:Ω→ΓΓ={γ|γ=h(x)}

$\left\{\begin{array}{c}h\left(x\right)=1+f\left(x\right)\\ f\left(x\right)=a\cos \left(\mathrm{\&Phi;}\left(x\right)\right)\end{array}\right.,$

其中x为区间P的像素值，x_m为区间P的中点，ω为Ω区间中的数值，γ为区间Γ中的数值， $\mathrm{\&Phi;}\left(x\right)=\left\{\begin{array}{cc}\mathrm{\&pi;x}/2x_0& x\&Element;[0,x_0]\\ \mathrm{\&pi;}/2& x\&Element;(x_0,x_1)\\ \mathrm{\&pi;}-\mathrm{\&pi;}(255-x)/2(255-x_1)& x\&Element;[x_1,255]\end{array}\right.,$ $a=\left\{\begin{array}{cc}1-x/x_m& x\&Element;[0,x_0]\\ 1& x\&Element;(x_0,x_1)\\ x/x_m-1& x\&Element;[x_1,255]\end{array}\right.,$ x₀=x_m-σ²和x₁=x_m+σ²为像素区间P中的两点，其中σ²是图像像素的方差；

在区间P和区间Γ建立对应关系，使任意一个像素x与一个确定的Gamma值γ对应，令γ(x)=h(x)，Gamma校正函数为：

g(x)=255(x255)^1γ(x)

g(x)是校正后的像素值，将校正后的像素值与原像素值通过Gamma值联系起来；

（3）采用AdaBoost检测候选人脸区域；

（4）计算相似度图确认人脸区域图像：

对候选人脸区域图像，计算相似度图像的像素值：

候选人脸区域图像为RGB图像，分别按照两种方式表示其灰度值：

r=(128+112*R/255-93.8*G/255-18.2*B/255)

b=(128-37.8*R/255-74.2*G/255+112*B/255)

将灰度值r和灰度值b构成向量，即x=[rb]^T；

相似度图像为：

P(r,b)=exp[-0.5(x-M)^TC^-1(x-M)]

其中向量x的均值为M=E(x)，方差为C=E((x-M)(x-M)^T)；

对相似度图像归一化：

$P(r,b)=\frac{P(r,b)}{\max \left(P(r,b)\right)}$

对相似度图像二值化处理：

$P(r,b)\&prime;=\left\{\begin{array}{cc}255& P(r,b)\&GreaterEqual;\mathrm{\&theta;}\\ 0& P(r,b)<\mathrm{\&theta;}\end{array}\right.$

其中θ为阈值；

对二值图像P(r,b)′分别计算水平和垂直方向的灰度积分投影，获得灰度积分投影在水平方向和垂直方向的极小值，确定图像区域是否为有效的人脸区域，若为有效人脸区域，则输出人脸检测结果；若非有效人脸区域，丢弃该检测区域。

Images