CN103473564A - 一种基于敏感区域的正面人脸检测方法 - Google Patents

Abstract

本发明公开了一种基于敏感区域的正面人脸检测方法，该方法包括以下步骤：设置虚拟线圈，确定敏感区域的位置和大小；通过背景建模检测跟踪敏感区域内的运动前景；根据Haar-like特征的Adaboost检测算法检测出人脸的候选区域；根据人脸的颜色特征以及简化的形状特征，设置一定的限制条件来排除非正面人脸图像。本发明通过敏感区域的设置以及运动前景检测，提高了后续Adaboost检测算法的效率，并通过后期的肤色以及形状验证，提高了检测准确率。

Description

一种基于敏感区域的正面人脸检测方法

技术领域

本发明涉及模式识别技术领域，具体涉及一种基于敏感区域的正面人脸检测方法。

背景技术

人脸检测问题最初来源于人脸识别。最初人脸研究主要集中在人脸识别领域，而且早期的人脸识别算法都是在认为已经得到了一个正面人脸的前提下进行的。但是随着人脸应用范围的不断扩大和开发实际系统需求的不断提高，这种假设下的研究不再能满足需求。人脸检测开始作为独立的研究内容发展起来。

人脸检测的方法研究最初可以追溯到20世纪70年代，早期的研究主要致力于模板匹配、子空间方法、变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法、神经网络学习方法、统计知识理论和支持向量机方法，基于马尔可夫随机域的方法，以及基于肤色的人脸检测。2001年Viola和Jones提出的基于Haar特征，使用Adaboost方法得到的瀑布型分类器，采用了层级处理方法，被公认为近年来最好的正面人脸检测方法，目前在实际中应用的人脸检测方法多为基于Adaboost学习算法的方法。

随着近几年视频监控系统的普及化及庞大化，在监控视频中的人脸检测就成为了当前研究的一个热点问题。由于监控视频中人脸检测需要考虑人脸检测的实时性，也就是人脸检测的速度问题。而传统的检测流程主要策略是按比例逐层缩小待检测图像形成“图像金字塔”，检测窗口大小不变，然后用检测窗口遍历整个图像，检测包含人脸的子窗口。如果待检测图像较大，缩小图像的变换需要占用大量时间，这将会减慢检测速度。此外，传统的基于Adaboost方法的人脸检测所检测到的人脸并不一定是正面的人脸，偏左或偏右的人脸都可以被检测到，然而这些人脸并不适用于人脸比对、人脸识别等后期的应用。

发明内容

针对现有人脸检测技术在检测效果以及检测效率上所存在的问题，而提供一种基于敏感区域的正面人脸检测方法。该检测方法能有效克服传统Adaboost算法检测时间长的问题，同时能够排除不适用于人脸比对、人脸识别等后期应用的偏左或偏右45°以上的人脸。

为了达到上述目的，本发明采用如下的技术方案：

一种基于敏感区域的正面人脸检测方法，所述方法包括：

（1）设置虚拟线圈，确定敏感区域；

（2）建立混合高斯模型，检测步骤（1）中确定的敏感区域内的运动前景；

（3）利用由Adaboost算法训练好的分类器，对步骤（2）中检测到的运动前景进行人脸检测，得到待定人脸区域；

（4）根据人脸特征，进一步验证待定人脸区域是否为正面人脸图像。

在本发明的优选实例中，所述虚拟线圈是图像序列中由人工指定的一系列区域，这些区域可以覆盖整个图像，也可以局限于某个区块，并且在该区域内按照图像序列之间的关系，利用有关图像运动检测算法来提取目标对象的特征曲线，根据特征曲线判断运动对象的类型。

进一步的，所述步骤（3）中利用Adaboost检测算法得到的待定人脸区域为从发际线到下巴尖的正方形人脸截图。

进一步的，所述步骤（4）中验证待定人脸区域是否为正面人脸图像的方法具体包括：

步骤4-1、对待定人脸区域中人脸图像进行整体的肤色检测，并根据肤色分割结果将待定人脸图像二值化；

步骤4-2、局部验证，分别统计待定人脸图像的左上角的非肤色像素点个数与肤色像素点个数之比和右上角的非肤色像素点个数与肤色像素点个数之比，若左上角的非肤色像素点个数与肤色像素点个数之比和右上角的非肤色像素点个数与肤色像素点个数之比都大于阈值a，则进入步骤4-3；否则，判定该待定人脸图像为非正面人脸图像；

步骤4-3、全局验证，统计待定人脸图像整体的肤色像素个数与非肤色像素个数之比，若其大于阈值b，则判定该待定人脸图像为正面人脸图像；否则，判定该待定人脸图像为非正面人脸图像。

再进一步的，所述步骤（4-2）中所述的左上角和右上角为正方形区域，其大小是根据待定人脸区域按照一定比例缩小后得到的。

根据上述方案，本发明实时地检测视频中敏感区域的正面人脸，检测到的正面人脸可用于人脸比对、人脸识别等后续应用，且本方案的判断精度高、检测速度快，能够大大提高人脸比对、人脸识别等应用的运行速度以及识别准确度，提升了用于军事禁区、门禁等报警设备的安全性，具有极强的实用性。

附图说明

以下结合附图和具体实施方式来进一步说明本发明。

图1为本发明的流程图；

图2为Adaboost检测算法检测出来的待定人脸区域的示意图；

图3为待定人脸区域的左上角和右上角区域的示意图；

图4为感兴趣运动前景检测的实例示意图；

图5为正面人脸验证的实例示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

本发明通过提取人脸的Haar-like特征、形状特征、皮肤颜色特征以及空间特征来检测人脸，并以此来确定得到的人脸图像是否为正面人脸图像。

参见图1，其所示为本发明提出的基于敏感区域的正面人脸检测方法的流程图，由图可知该检测方法包括如下步骤：

步骤1，设置敏感区域，敏感区域设置根据视频场景的实际情况，采用人工手动的方式选取。具体的通过手动设置虚拟线圈的方式，以此确定相应的敏感区域，这样能够极大地缩短了视频自动检索的时间，有效地提高了检测精度，同时实现简单、成本低。

这里所述的虚拟线圈是图像序列中由人工指定的一系列区域，这些区域可以覆盖整个图像，也可以局限于某个区块。就像在出入口埋设检测器一样。它是在视频图像检测中用来代替物理检测线圈功能的一种方法。物理检测线圈是通过压力、磁感应等方式来检测是否有运动对象经过而产生的特征曲线，虚拟线圈则是在指定的区域内按照图像序列之间的关系，利用有关图像运动检测算法来提取目标对象的特征曲线，根据特征曲线判断运动对象的类型。

在本实例中，虚拟线圈是在视频图像检测中确定的一个矩形检测区域，根据现场实际所需要重点监控和检测的区域，确定虚拟线圈的位置和大小，确保虚拟线圈内包含该监控区域，但虚拟线圈不可过大，以免增加不必要的算法执行时间，降低了算法的执行效率。虚拟线圈的选取关系到检测算法的精度和速度，并且受到摄像头安装的高度和倾角，以及摄像头景深的影响。虚拟线圈越靠近图像底部的位置，检测对象的间距越大，便于检测；虚拟线圈越大，相对检测精度就越高，相应的算法执行时间也会越长。由于整个系统要适应各种出入口，所以虚拟线圈的位置大小选取交给了用户。故在本具体实施例中，采用VS开发了PC软件，通过串口，对各个出入口的虚拟线圈的大小和位置进行设置。

对于敏感区域的选取，根据实际需求可选取的敏感区域包括卡口、出入口、警戒线附近等需要重点监控的区域。

步骤2，检测步骤1中设置的敏感区域中的感兴趣运动前景，得到感兴趣的运动前景区域。

在通常应用中，涉及的感兴趣的运动前景主要指人。具体可通过建立监控视频背景的混合高斯模型，检测运动前景目标，再进一步通过成熟的行人检测技术，判断该运动前景目标是否为人。该步骤最终检测出来的感兴趣运动前景将作为后续Adaboost算法检测的范围，这样将大大的减少了Adaboost算法的计算量，有效的提高整个检测方法的效率。

步骤3，采用预先训练出来的Haar-like特征人脸数据库（即分类器），使用成熟的Adaboost检测算法对步骤2中得到的感兴趣的运动前景区域的重叠部分进行检测，得到从发际线到下巴尖的正方形待定人脸区域（如图2所示），并将该待定人脸区域截图以便后续操作。

参见图2，其所示为利用Adaboost检测算法检测出来的待定人脸区域的示意图。

步骤4、根据人脸的颜色、形状等特征，进一步验证步骤3中检测得到的待定人脸区域是否为正面人脸图像。其具体的验证过程如下：

步骤4-1，对待定人脸区域的截图进行肤色检测，并根据检测结果得到二值图像。肤色检测的方法可以采用基于YCbCr色彩空间的肤色检测方法，该方法的具体步骤为：

1、将待定人脸区域的截图由RGB色彩空间转换到YCbCr色彩空间，其投影公式如下：

$\left[\begin{array}{c}Y\\ \mathrm{Cb}\\ \mathrm{Cr}\end{array}\right]=\left[\begin{array}{ccc}0.2990& 0.5870& 0.1140\\ -0.1687& -0.3313& 0.5000\\ 0.5000& -0.4187& -0.0813\end{array}\right]\·\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

2、分离各像素点的亮度分量Y与色度分量Cb、Cr，判断各像素点的色度分量是否处于肤色分布区域，即是否同时满足以下三个公式：

130＜Cr＜178

77＜Cb＜127

190＜Cb+0.6Cr＜215

若是则将该像素点的RGB三个分量值均设置为255，否则将该像素点的RGB三个分量值均设置为0。

步骤4-2和步骤4-3，对于所有待定人脸区域的二值图像，根据人脸的形状、大小特征，设置相应的验证条件，依次从局部和全局进一步验证该待定人脸区域是否为真实正面人脸区域。

首先，由步骤4-2对于所有待定人脸区域的二值图进行局部验证。

其相应的验证条件如下：

正面人脸图像的左上角和右上角一般为非肤色区域，因此设置待定人脸区域的二值图像的左上角和右上角的非肤色区域与肤色区域之比，分别满足条件

和

其中n_l0和n_r0分别为左上角和右上角的非肤色像素个数，n_l1和n_r1分别为左上角和右上角的肤色像素个数，a为设置的阈值，作为举例，该阈值a取为1。

其中，待定人脸区域的左上角和右上角具体为正方形区域，其大小是根据待定人脸区域按照一定比例缩小后得到的，如图3所示，白色正方形框a和b所框出的区域分别为待定人脸区域的左上角和右上角。作为举例，左上角的边长与整体的边长之比具体比例为1:6.4，相应右上角也采用该比例。

根据上述验证条件对所有待定人脸区域的二值图像进行局部认证时，若满足上述条件，则通过步骤4-3进行全局验证；若不满足上述条件，则判定该待定人脸图像为非正面人脸图像。

接着，由步骤4-3对通过步骤4-2局部验证的待定人脸区域的二值图进行全局验证。

进行全局认证时，其相应的验证条件如下：

正面人脸图像中的肤色区域占整体正方形待定人脸区域的百分比有一定的下限，因此设定待定人脸区域中肤色像素点的个数与非肤色像素点的个数之比，满足条件其中n₁为整体待定人脸区域的肤色像素个数，n₀为整体待定人脸区域的非肤色像素个数，b为设置的阈值，作为举例，b取为1.4。

根据上述验证条件对所有待定人脸区域的二值图像进行全局认证时，统计待定人脸图像整体的肤色像素个数与非肤色像素个数之比，若其大于阈值b，则判定该待定人脸图像为正面人脸图像。否则，判定该待定人脸图像为非正面人脸图像。

下面通过一具体实施例案来进一步说明本方法：

本例实施例案将某办公室的监视录像作为输入，参见图4，由监视录像获得原始场景范围非常的大，若直接利用原始场景进行检测将会影响检测速度。

由此，本实例首先在门的附近设置虚拟线圈，作为敏感区域，缩小Adaboost检测算法需要检测的范围。

然后，通过实时地在相应的敏感区域内对感兴趣的运动前景进行检测，进一步缩小Adaboost检测算法需要检测的范围。

由图4可知，最终Adaboost检测算法需要检测的范围与原始场景相比范围大大缩小，因此检测的速度也有了一定的提升。

接着，采用预先训练出来的Haar-like特征人脸数据库（即分类器），使用Adaboost检测算法对感兴趣的运动前景区域的重叠部分进行检测，得到从发际线到下巴尖的正方形待定人脸区域，并将该待定人脸区域截图以便后续操。

最后，根据人脸的颜色、形状等特征，进一步验证检测得到的待定人脸区域截图是否为正面人脸图像。

参见图5，其所示为本实例中对待定人脸区域截图进行正面人脸验证的示意图。

由图可知，采用Adaboost检测算法所得到的一部分检测结果的截图，并非都是正面人脸。

首先，对这些截图进行肤色检测，并根据检测结果得到二值图像。

接着，进行局部验证，根据验证结果去除一部分图像。

最后，对剩下的图像进行全局认证，根据认证结果确定正面人脸图像。

由图可知，本实例对包括非正面人脸的所有截图，进行肤色检测、二值化、局部验证以及全局验证这一系列的操作步骤后，能够成功排除非正面人脸的结果，最终得到一张正面人脸的截图。

上述实例只是对本发明提供的方案的举例说明，本发明提供的方案的应用场景并不限于此，其还能够实现对军事禁区、重要卡口、重点区域等的监控以及实时人脸检测。并由于其能够快速准确地检测到正面人脸，为后续人脸识别、人脸比对等功能的实现提供了扎实的基础。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于敏感区域的正面人脸检测方法，其特征在于，所述方法包括：

（1）设置虚拟线圈，确定敏感区域；

（2）建立混合高斯模型，检测步骤（1）中确定的敏感区域内的运动前景；

（3）利用由Adaboost算法训练好的分类器，对步骤（2）中检测到的运动前景进行人脸检测，得到待定人脸区域；

（4）根据人脸特征，进一步验证待定人脸区域是否为正面人脸图像。

2.根据权利要求1所述的一种基于敏感区域的正面人脸检测方法，其特征在于，所述虚拟线圈是图像序列中由人工指定的一系列区域，该区域可以覆盖整个图像，也可以局限于某个区块，并且在该区域内按照图像序列之间的关系，利用有关图像运动检测算法来提取目标对象的特征曲线，根据特征曲线判断运动对象的类型。

3.根据权利要求1所述的一种基于敏感区域的正面人脸检测方法，其特征在于，所述步骤（3）中利用Adaboost检测算法得到的待定人脸区域为从发际线到下巴尖的正方形人脸截图。

4.根据权利要求1所述的一种基于敏感区域的正面人脸检测方法，其特征在于，所述步骤（4）中验证待定人脸区域是否为正面人脸图像的方法具体包括：

步骤4-1、对待定人脸区域中人脸图像进行整体的肤色检测，并根据肤色分割结果将待定人脸图像二值化；

步骤4-2、局部验证，分别统计待定人脸图像的左上角的非肤色像素点个数与肤色像素点个数之比和右上角的非肤色像素点个数与肤色像素点个数之比，若左上角的非肤色像素点个数与肤色像素点个数之比和右上角的非肤色像素点个数与肤色像素点个数之比都大于阈值a，则进入步骤4-3；否则，判定该待定人脸图像为非正面人脸图像；

步骤4-3、全局验证，统计待定人脸图像整体的肤色像素个数与非肤色像素个数之比，若其大于阈值b，则判定该待定人脸图像为正面人脸图像；否则，判定该待定人脸图像为非正面人脸图像。

5.根据权利要求4所述的一种基于敏感区域的正面人脸检测方法，其特征在于，所述步骤（4-2）中所述的左上角和右上角为正方形区域，其大小是根据待定人脸区域按照一定比例缩小后得到的。

Images