CN105488475B - 手机中人脸检测方法 - Google Patents

Abstract

本发明揭示了一种手机中人脸检测方法，包括：利用肤色在YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而检测出多种环境下的人脸。本发明可以在人脸发生偏转或遮挡导致双眼无法同时可见时进行人脸检测。

Description

手机中人脸检测方法

技术领域

本发明属于人脸检测技术领域，涉及一种人脸检测方法，尤其涉及一种手机中人脸检测方法。

背景技术

随着3G时代的到来和手机市场的发展，智能手机的照相功能越来越受到人们的重视，然而由于抖动、感光等因素的影响，手机照相很难达到理想的效果。

现有的基于Android系统的智能手机采用基于双眼距离的方法来检测人脸，首先获取双眼的距离，再取双眼距离的中点，利用中点坐标与双眼距离的数学运算来定位人脸。但是该算法检测不到人的全脸，同时要求图片中必须双眼同时可见，一旦人脸发生偏转或遮挡导致双眼无法同时可见，便无法检测到人脸。

有鉴于此，如今迫切需要设计一种新的人脸检测方法，以便克服现有检测方法存在的上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种手机中人脸检测方法，能够可靠地检测出多种环境下的人脸。

为解决上述技术问题，本发明采用如下技术方案：

一种手机中人脸检测方法，其特征在于，所述人脸检测方法包括：

步骤S1、肤色分割步骤；

对于原始图像img，肤色聚类分割算法首先将其由RGB颜色空间转化到YCgCr空间，并且为了简化计算，将亮度Y分量量化；将样本图像亮度分成高、中、低3类，具体的肤色分割步骤如下；

S11)初始化：将原始图像img转化为YCgCr空间，即将图像从 BGB颜色空间转化到YCgCr空间；Y∈[0,255]量化为Y′∈[1,16]；样本像素集I＝{P₁,P₂,…,P_n}，其中Pj＝(Y′,Cg,Cr)；

S12)按亮度将Y′分成高、中、低3类，I＝{I₁,I₂,I₃}，其中I₁＝ {Pi|1≤Yi′＜7}，I₂＝{Pi|7≤Yi′＜12}，I₃＝{Pi|12≤Yi′≤16}；

S13)统计I_i类中样本像素Pj在Y'CgCr空间中的频度f(Pj)，得到 3个Cg－Cr平面上的频度分布Fi；其中，i≤3，j≤n；

S14)如果Cg∈[45，165]，Cr∈[55，225]，则Pj∈O,1→Pj，即将 Pj加入输出像素集O，并赋值为1；否则0→Pj；

利用分割算法得到的0，1值构造关于亮度和色度的三维0-1查找表，检测过程中只需要考察与像素点相对应的、查找表中的值，据此来判断肤色区域和非肤色区域，得到二值化的肤色区域图像；

步骤S2、候选人脸区域确定步骤；

由于模板匹配易受图像灰度变化的影响，在匹配之前需要对候选人脸区域作以下规范化处理:按照式(2)求出候选人脸区域倾斜角度θ:

式中，

其中:(x，y)表示图像上位置为(i，j)的像素点的坐标；S表示该候选区域的面积；A表示m×n维候选人脸区域矩阵；利用此倾斜角度，将图像调整为正面端正图像；最后使用指数变换式(3)来实现图像的灰度均衡化：

g(x,y)＝b^cf(x,y)-a (6)

其中:a、b、c为直方图均衡化过程中所需的参数；f(x，y)为灰度变换前的图像；g(x，y)为灰度变换后的图像。

步骤S3、人脸检测及定位步骤；

采用加权欧氏距离来度量候选人脸区域和平均人脸模板的相似程度；对选取的训练图像集中的人脸样本图像，依据人脸模板的生成规则和方法，建立平均人脸模板；选择合适尺寸的人脸模板，并对其做相关的标准化处理；

用A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，则标准人脸模板灰度均值通过式(7)求出，候选人脸区域和标准人脸模板之间的加权欧氏距离通过式(8)求出；

A_pq、B_pq分别为候选人脸矩阵A_u×v和人脸模板灰度矩阵B_u×v的第p行q列位置上的元素值，加权系数

公式如下:

加权欧氏距离D(A，B)的值越小，表示候选人脸区域和标准人脸模板匹配程度越高；

假设候选人脸区域中有L个候选人脸窗口，当前检测窗口为第w 个，D_w(A,B)表示第w个检测窗口与人脸模板的加权欧氏距离，基于加权欧氏距离的模板匹配步骤如下:

步骤S31、数据初始化:w＝1，阈值为T；

步骤S32、使用式(7)计算人脸模板的灰度均值

步骤S33、使用式(8)计算D_w(A,B)；

步骤S34、如果D_w(A,B)<T，将该窗口加入人脸区域；否则确定为非人脸；

步骤S35、自动检测下一个候选人脸窗口。

一种手机中人脸检测方法，所述人脸检测方法包括：利用肤色在 YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而检测出多种环境下的人脸。

作为本发明的一种优选方案，所述人脸检测方法具体包括：

步骤S1、肤色分割步骤；

对于原始图像img，肤色聚类分割算法首先将其由RGB颜色空间转化到YCgCr空间，并且为了简化计算，将亮度Y分量量化；将样本图像亮度分成高、中、低3类，具体的肤色分割步骤如下；

S11)初始化：将原始图像img转化为YCgCr空间，即将图像从 BGB颜色空间转化到YCgCr空间；Y∈[0,255]量化为Y′∈[1,16]；样本像素集I＝{P₁,P₂,…,P_n}，其中Pj＝(Y′,Cg,Cr)；

S12)按亮度将Y′分成高、中、低3类，I＝{I₁,I₂,I₃}，其中I₁＝{Pi|1 ≤Yi′＜7}，I₂＝{Pi|7≤Yi′＜12}，I₃＝{Pi|12≤Yi′≤16}；

S13)统计I_i类中样本像素Pj在Y'CgCr空间中的频度f(Pj)，得到 3个Cg－Cr平面上的频度分布Fi；其中，i≤3，j≤n；

S14)如果Cg∈[45，165]，Cr∈[55，225]，则Pj∈O,1→Pj，即将 Pj加入输出像素集O，并赋值为1；否则0→Pj；

步骤S2、候选人脸区域确定步骤；

由于模板匹配易受图像灰度变化的影响，在匹配之前需要对候选人脸区域作以下规范化处理:按照式(2)求出候选人脸区域倾斜角度θ:

式中，

其中:(x，y)表示图像上位置为(i，j)的像素点的坐标；S表示该候选区域的面积；A表示m×n维候选人脸区域矩阵；利用此倾斜角度，将图像调整为正面端正图像；最后使用指数变换式(3)来实现图像的灰度均衡化：

g(x,y)＝b^cf(x,y)-a (6)

其中:a、b、c为直方图均衡化过程中所需的参数；f(x，y)为灰度变换前的图像；g(x，y)为灰度变换后的图像；

步骤S3、人脸检测及定位步骤；

采用加权欧氏距离来度量候选人脸区域和平均人脸模板的相似程度；对选取的训练图像集中的人脸样本图像，依据人脸模板的生成规则和方法，建立平均人脸模板；选择合适尺寸的人脸模板，并对其做相关的标准化处理；

用A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，则标准人脸模板灰度均值

通过式(7)求出，候选人脸区域和标准人脸模板之间的加权欧氏距离通过式(8)求出；

A_pq、B_pq分别为候选人脸矩阵A_u×v和人脸模板灰度矩阵B_u×v的第p行q列位置上的元素值，加权系数

公式如下:

加权欧氏距离D(A，B)的值越小，表示候选人脸区域和标准人脸模板匹配程度越高。

作为本发明的一种优选方案，步骤S1中，利用分割算法得到的 0，1值构造关于亮度和色度的三维0-1查找表，检测过程中只需要考察与像素点相对应的、查找表中的值，据此来判断肤色区域和非肤色区域，得到二值化的肤色区域图像。

作为本发明的一种优选方案，步骤S3中，假设候选人脸区域中有L个候选人脸窗口，当前检测窗口为第w个，D_w(A,B)表示第w个检测窗口与人脸模板的加权欧氏距离，基于加权欧氏距离的模板匹配步骤如下:

步骤S31、数据初始化:w＝1，阈值为T；

步骤S32、使用式(7)计算人脸模板的灰度均值

步骤S33、使用式(8)计算D_w(A,B)；

步骤S34、如果D_w(A,B)<T，将该窗口加入人脸区域；否则确定为非人脸；

步骤S35、自动检测下一个候选人脸窗口。

本发明的有益效果在于：本发明提出的手机中人脸检测方法，利用肤色在YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而可靠地检测出多种环境下的人脸。本发明可以在人脸发生偏转或遮挡导致双眼无法同时可见时进行人脸检测。

附图说明

图1为本发明人脸检测方法的流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

本发明揭示了一种基于肤色和模板的人脸检测方法，首先，在一种新的颜色空间--YCgCr中利用肤色的聚类分割出肤色区域；然后，构建三维查找表并据此完成二值化，通过噪声处理和几何方法确定出候选人脸区域并对其进行尺度和灰度归一化；最后，通过计算候选人脸和标准人脸模板之间的加权欧氏距离来度量二者的匹配程度，并依据阈值判断出最终的人脸。

人脸检测方法如图1所示，主要包括两大部分——粗检和精检: 在粗检部分主要完成肤色的分割和候选人脸区域的确定；精检部分主要完成人脸的检测和定位。

目前流行的颜色空间主要有RGB、YUV、HSI、YIQ、YCbCr 等，YCbCr色彩格式不仅具有与人类视觉感知过程相类似的构成原理，而且具有分离亮度分量的优点，同时在YCbCr颜色空间进行计算和色彩转变简单且易于实现，因此YCbCr颜色空间常被用来实现肤色的聚类算法。在YCbCr空间中，由于Cb分量是蓝色B与亮度Y的差，而B分量占肤色的实际比重相对较小。

对于一幅彩色图像，从RGB空间到YCgCr空间的线性变换公式为:

具体地，本发明人脸检测方法包括如下步骤：

【步骤S1】肤色分割步骤；

对于原始图像img，肤色聚类分割算法首先将其由RGB颜色空间转化到YCgCr空间，并且为了简化计算，将亮度Y分量量化。将样本图像亮度分成高、中、低3类，具体的肤色分割算法如下。

1)初始化：img转化为YCgCr空间，即将图像从BGB颜色空间转化到YCgCr空间；Y∈[0,255]量化为Y′∈[1,16]；样本像素集I＝ {P₁,P₂,…,P_n}，其中Pj＝(Y′,Cg,Cr)；

2)按亮度将Y′分成高、中、低3类，I＝{I₁,I₂,I₃}，其中I₁＝{Pi|1≤Y′i ＜7}，I₂＝{Pi|7≤Y′i＜12}，I₃＝{Pi|12≤Y′i≤16}；

For(i＝1；i≤3；i++)；

For(j＝1；j≤n；j++)；

5)统计Ii类中样本像素Pj在Y'CgCr空间中的频度f(Pj)，得到3 个Cg－Cr平面上的频度分布Fi；

6)If Cg∈[45，165]，Cr∈[55，225]；

7)Pj∈O,1→Pj，即将Pj加入输出像素集O，并赋值为1；

8)else 0→Pj。

利用分割算法得到的0，1值构造关于亮度和色度的三维0－1查找表，检测过程中只需要考察与像素点相对应的、查找表中的值，据此来判断肤色区域和非肤色区域，得到二值化的肤色区域图像。

【步骤S2】候选人脸区域确定步骤；

由于模板匹配易受图像灰度变化的影响，在匹配之前需要对候选人脸区域作以下规范化处理:按照式(2)求出候选人脸区域倾斜角度θ:

式中，

其中:(x，y)表示图像上位置为(i，j)的像素点的坐标；S表示该候选区域的面积；A表示m×n维候选人脸区域矩阵。利用此倾斜角度，将图像调整为正面端正图像；最后使用指数变换式(3)来实现图像的灰度均衡化：

g(x,y)＝b^cf(x,y)-a (6)

其中:a、b、c为直方图均衡化过程中所需的参数；f(x，y)为灰度变换前的图像；g(x，y)为灰度变换后的图像。

为了提高聚类质量，优化聚类性能，采用加权欧氏距离来度量候选人脸区域和平均人脸模板的相似程度。对选取的训练图像集中的 60个人脸样本图像，依据人脸模板的生成规则和方法，建立平均人脸模板。考虑到Android系统检测实时性的要求，选择合适尺寸的人脸模板，并对其做相关的标准化处理。

用A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，则标准人脸模板灰度均值通过式(7)求出，候选人脸区域和标准人脸模板之间的加权欧氏距离通过式(8)求出。

A_pq、B_pq分别为候选人脸矩阵A_u×v和人脸模板灰度矩阵B_u×v的第p行q列位置上的元素值，加权系数

公式如下:

加权欧氏距离D(A，B)的值越小，表示候选人脸区域和标准人脸模板匹配程度越高。

假设候选人脸区域中有L个候选人脸窗口，当前检测窗口为第w 个，D_w(A,B)表示第w个检测窗口与人脸模板的加权欧氏距离，基于加权欧氏距离的模板匹配步骤如下:

①数据初始化:w＝1，阈值为T；

②for(w＝1；w≤1；w++)；

③使用式(7)计算人脸模板的灰度均值

④使用式(8)计算D_w(A,B)；

⑤if D_w(A,B)<T；

⑥将该窗口加入人脸区域；

⑦else确定为非人脸；

⑧w++，即自动检测下一个候选人脸窗口。

实施例二

一种手机中人脸检测方法，所述人脸检测方法包括：利用肤色在 YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而检测出多种环境下的人脸。

综上所述，本发明提出的手机中人脸检测方法，利用肤色在 YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而可靠地检测出多种环境下的人脸。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (4)

1.一种手机中人脸检测方法，其特征在于，所述人脸检测方法包括：

步骤S1、肤色分割步骤；

对于原始图像img，肤色聚类分割算法首先将其由RGB颜色空间转化到YCgCr空间，并且为了简化计算，将亮度Y分量量化；将样本图像亮度分成高、中、低3类，具体的肤色分割步骤如下；

S11)初始化：将原始图像img转化为YCgCr空间，即将图像从BGB颜色空间转化到YCgCr空间；Y∈[0,255]量化为Y′∈[1,16]；样本像素集I＝{P₁,P₂,…,P_n}，其中Pj＝(Y′,Cg,Cr)；

S12)按亮度将Y′分成高、中、低3类，I＝{I₁,I₂,I₃}，其中I₁＝{Pi|1≤Yi′＜7}，I₂＝{Pi|7≤Yi′＜12}，I₃＝{Pi|12≤Yi′≤16}；

S13)统计I_i类中样本像素Pj在Y'CgCr空间中的频度f(Pj)，得到3个Cg－Cr平面上的频度分布Fi；其中，i≤3，j≤n；

S14)如果Cg∈[45，165]，Cr∈[55，225]，则Pj∈O,1→Pj，即将Pj加入输出像素集O，并赋值为1；否则0→Pj；

利用分割算法得到的0，1值构造关于亮度和色度的三维0-1查找表，检测过程中只需要考察与像素点相对应的、查找表中的值，据此来判断肤色区域和非肤色区域，得到二值化的肤色区域图像；

步骤S2、候选人脸区域确定步骤；

由于模板匹配易受图像灰度变化的影响，在匹配之前需要对候选人脸区域作以下规范化处理:按照式(2)求出候选人脸区域倾斜角度θ:

式中，

其中:(x，y)表示图像上位置为(i，j)的像素点的坐标；S表示该候选区域的面积；A表示m×n维候选人脸区域矩阵；利用此倾斜角度，将图像调整为正面端正图像；最后使用指数变换式(3)来实现图像的灰度均衡化：

g(x,y)＝b^cf(x,y)-a (6)

其中:a、b、c为直方图均衡化过程中所需的参数；f(x，y)为灰度变换前的图像；g(x，y)为灰度变换后的图像；

步骤S3、人脸检测及定位步骤；

采用加权欧氏距离来度量候选人脸区域和平均人脸模板的相似程度；对选取的训练图像集中的人脸样本图像，依据人脸模板的生成规则和方法，建立平均人脸模板；选择合适尺寸的人脸模板，并对其做相关的标准化处理；

用A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，则标准人脸模板灰度均值

通过式(7)求出，候选人脸区域和标准人脸模板之间的加权欧氏距离通过式(8)求出；

A_pq、B_pq分别为候选人脸矩阵A_u×v和人脸模板灰度矩阵B_u×v的第p行q列位置上的元素值，加权系数

公式如下:

加权欧氏距离D(A，B)的值越小，表示候选人脸区域和标准人脸模板匹配程度越高；

假设候选人脸区域中有L个候选人脸窗口，当前检测窗口为第w个，D_w(A,B)表示第w个检测窗口与人脸模板的加权欧氏距离，基于加权欧氏距离的模板匹配步骤如下:

步骤S31、数据初始化:w＝1，阈值为T；

步骤S32、使用式(7)计算人脸模板的灰度均值

步骤S33、使用式(8)计算D_w(A,B)；

步骤S34、如果D_w(A,B)<T，将该窗口加入人脸区域；否则确定为非人脸；

步骤S35、自动检测下一个候选人脸窗口。

2.一种手机中人脸检测方法，其特征在于，所述人脸检测方法包括：利用肤色在YCgCr颜色空间的聚类特性完成肤色分割，并构建三维查找表完成二值化，对经处理得到的候选人脸区域用加权欧式距离来度量与人脸模板的匹配度，从而检测出多种环境下的人脸；

所述人脸检测方法具体包括：

步骤S1、肤色分割步骤；

对于原始图像img，肤色聚类分割算法首先将其由RGB颜色空间转化到YCgCr空间，并且为了简化计算，将亮度Y分量量化；将样本图像亮度分成高、中、低3类，具体的肤色分割步骤如下；

S11)初始化：将原始图像img转化为YCgCr空间，即将图像从BGB颜色空间转化到YCgCr空间；Y∈[0,255]量化为Y′∈[1,16]；样本像素集I＝{P₁,P₂,…,P_n}，其中Pj＝(Y′,Cg,Cr)；

S12)按亮度将Y′分成高、中、低3类，I＝{I₁,I₂,I₃}，其中I₁＝{Pi|1≤Yi′＜7}，I₂＝{Pi|7≤Yi′＜12}，I₃＝{Pi|12≤Yi′≤16}；

S13)统计I_i类中样本像素Pj在Y'CgCr空间中的频度f(Pj)，得到3个Cg－Cr平面上的频度分布Fi；其中，i≤3，j≤n；

S14)如果Cg∈[45，165]，Cr∈[55，225]，则Pj∈O,1→Pj，即将Pj加入输出像素集O，并赋值为1；否则0→Pj；

步骤S2、候选人脸区域确定步骤；

由于模板匹配易受图像灰度变化的影响，在匹配之前需要对候选人脸区域作以下规范化处理:按照式(2)求出候选人脸区域倾斜角度θ:

式中，

其中:(x，y)表示图像上位置为(i，j)的像素点的坐标；S表示该候选区域的面积；A表示m×n维候选人脸区域矩阵；利用此倾斜角度，将图像调整为正面端正图像；最后使用指数变换式(3)来实现图像的灰度均衡化：

g(x,y)＝b^cf(x,y)-a (6)

其中:a、b、c为直方图均衡化过程中所需的参数；f(x，y)为灰度变换前的图像；g(x，y)为灰度变换后的图像；

步骤S3、人脸检测及定位步骤；

采用加权欧氏距离来度量候选人脸区域和平均人脸模板的相似程度；对选取的训练图像集中的人脸样本图像，依据人脸模板的生成规则和方法，建立平均人脸模板；选择合适尺寸的人脸模板，并对其做相关的标准化处理；

用A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，则标准人脸模板灰度均值

通过式(7)求出，候选人脸区域和标准人脸模板之间的加权欧氏距离通过式(8)求出；

A_pq、B_pq分别为候选人脸矩阵A_u×v和人脸模板灰度矩阵B_u×v的第p行q列位置上的元素值，加权系数

公式如下:

加权欧氏距离D(A，B)的值越小，表示候选人脸区域和标准人脸模板匹配程度越高。

3.根据权利要求2所述的手机中人脸检测方法，其特征在于：

步骤S1中，利用分割算法得到的0，1值构造关于亮度和色度的三维0-1查找表，检测过程中只需要考察与像素点相对应的、查找表中的值，据此来判断肤色区域和非肤色区域，得到二值化的肤色区域图像。

4.根据权利要求2所述的手机中人脸检测方法，其特征在于：

步骤S3中，假设候选人脸区域中有L个候选人脸窗口，当前检测窗口为第w个，D_w(A,B)表示第w个检测窗口与人脸模板的加权欧氏距离，基于加权欧氏距离的模板匹配步骤如下:

步骤S31、数据初始化:w＝1，阈值为T；

步骤S32、使用式(7)计算人脸模板的灰度均值

步骤S33、使用式(8)计算D_w(A,B)；

步骤S34、如果D_w(A,B)<T，将该窗口加入人脸区域；否则确定为非人脸；

步骤S35、自动检测下一个候选人脸窗口。

Images