CN107220624A

CN107220624A - 一种基于Adaboost算法的人脸检测方法

Info

Publication number: CN107220624A
Application number: CN201710395596.3A
Authority: CN
Inventors: 李冰; 陈琳琳; 范建云; 丁磊; 王刚; 沈克强; 赵霞; 刘勇; 董乾; 张�林; 陈帅
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2017-05-27
Filing date: 2017-05-27
Publication date: 2017-09-29

Abstract

本发明涉及一种基于Adaboost算法的人脸检测方法，其包括人脸图像预处理，在YCbCr颜色空间进行肤色分割，得到人脸候选区域再进一步进行Adaboost算法的人脸检测，并对筛选出的人脸区域与人脸模板进行匹配，人脸图像预处理包括灰度归一化、光照补偿、滤波去噪和几何归一化；肤色分割包括颜色空间的转换、利用色度模型进行肤色分割、根据肤色连通区域的面积和外界矩形的长宽比进一步筛选出人脸候选区域；Adaboost人脸检测算法训练弱分类器、弱分类器组合成强分类器、强分类器串联成级联分类器；人脸模板匹配包括对经过处理得到的候选人脸区域利用加权欧式距离来度量与人脸模板的匹配度；本发明提高了人脸检测速度和正确率，易于实施操作，稳定可靠。

Description

一种基于Adaboost算法的人脸检测方法

技术领域

本发明涉及一种基于Adaboost算法的人脸检测方法，属于人脸检测技术领域。

背景技术

随着移动互联网和智能手机市场的发展，Android系统作为当今整个世界上最流行的移动设备操作系统，在移动互联的大舞台上有着更大的发挥潜质。但是对于人脸检测技术在移动设备上的移植应用很少，基于移动设备上的人脸检测将会有更大的发展。

虽然目前的Adaboost人脸检测算法检测速度很高，但是算法本身训练比较耗时，使得整个人脸检测的时间比较长。因此有必要对传统的Adaboost算法进行优化。同时，目前现有的基于Android平台的智能手机普遍采用基于双眼距离的方法来检测人脸区域。在获取到双眼距离的前提下，取双眼距离的中点，并利用中点坐标与双眼距离的数学运算来定位人脸候选区域。而该双眼定位算法的局限性在于要求人脸图像的双眼是可见的，对于发生偏转或者双眼部位有遮挡的人脸图像，便无法检测到人脸。

因此，迫切需要设计一种基于Adaboost算法的人脸检测方法，克服现有人脸检测方法存在的上述缺陷。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于Adaboost算法的人脸检测方法，其结构紧凑，能实现不同光照强度、人脸图像发生偏转或眼睛被遮挡等多种环境下进行人脸检测，提高了人脸检测速度和正确率，易于实施操作，稳定可靠。

本发明解决其技术问题所采用的技术方案是：

一种基于Adaboost算法的人脸检测方法，包括如下步骤：

1)人脸图像预处理，包括灰度归一化、光照补偿、滤波去噪和几何归一化；

2)在YCbCr颜色空间进行肤色分割，包括颜色空间的转换、利用色度模型进行肤色分割，筛选出候选人脸区域；

3)Adaboost人脸检测算法进行人脸检测，利用Adaboost算法训练弱分类器，将不同训练集中的弱分类器组合成强分类器，强分类器再串联成级联分类器；

4)人脸模板匹配，对筛选得到的候选人脸区域利用加权欧式距离来度量其与人脸模板的匹配度。

所述的人脸图像预处理的灰度归一化采用直方图来均衡化，统计输入图像的光亮度直方图分布，并对图像灰度范围进行重新设置，使得图像的灰度分布范围尽可能的包含所有的灰度级，去除其中占绝对优势或劣势的灰度级范围，从而降低光照对于灰度图像处理过程中的影响。同时，采用中值滤波进行滤波去噪，即找出某个像素点的领域内像素点的灰度值的中值，并利用中值替代该像素点的灰度值。以此来滤出掉图像中灰度值相对孤立异常的点，这样便能有效滤除图像中的噪声点。

肤色分割是基于YCbCr颜色空间的，将RGB空间转换为YCbCr颜色空间如下式所示：

对于人体的肤色范围分布，Cb主要集中于[100，127]内，而Cr主要集中于[138，170]内。这样处理之后的图像，肤色范围内为白色，而非肤色区域和其他背景均为黑色。

肤色分割得到的人脸区域，存在的一些小噪声点和断裂的连通区域进行腐蚀、膨胀和填充等形态学处理，从而得到比较平滑的连通区域的过程，以此来消除干扰。

人脸区域经过一系列的形态学处理之后，仍然存在着一些比较明显的非人脸区域，例如与人脸肤色一致的手、胳膊和腿等部位。因此需要进一步根据肤色连通区域的面积和外界矩形的长宽比来进行筛选。最为合理的人脸的长宽比为考虑到人脸位置的倾斜和周围肤色的影响，本发明一具体实施例将人脸的长宽比值设定范围为(0.8，2.4)。同时，图像中选定的人脸区域面积不能过小。

Adaboost人脸检测算法是基于Haar特征值，经典的Haar特征模板如图2所示。Haar特征的特征值等于上述矩形特征中白色像素值之和减去黑色像素值之和，因为只涉及到像素值的加减运算，因此计算的过程是比较简单的。同时，Haar特征能较好地描述人脸灰度分布情况。

Haar特征的总数由于Haar特征模板在图像窗口内的位置和尺寸都是任意的，所以一般都比较大，需要利用积分图来降低计算的复杂度。如式(2)所示：点(a，b)的积分值等于该区域的像素点之和。其中，I(a’，b’)为(a’，b’)坐标处的像素值，S(a，b)表示行积分和。同时，积分图定义满足式(3)和式(4)所表示的迭代关系。

S(a，b)＝S(a-1，b)+I(a，b) (3)

II(a，b)＝II(a-1，b)+S(a，b) (4)

所述的Adaboost人脸检测算法将不同训练集中的弱分类器组合起来成为强分类器，再将多个强分类器级联得到检测率更高、检测速度更快的级联分类器。

所述的人脸模板匹配采用加权欧式距离来度量候选人脸区域和平均人脸模板的相似程度。同时需要找到合适尺寸的人脸模板，并对其做相关的标准化处理。最终得到的加权欧式距离值越小，表示候选人脸区域和标准人脸模板匹配程度越高。

本发明的创新点：在采用Adaboost人脸检测算法进行人脸检测之前，对人脸图像进行包括灰度归一化、光照补偿、滤波去噪和几何归一化等一系列预处理过程。在基于YCbCr颜色空间进行肤色分割，快速巧妙地过滤掉大部分的非人脸肤色的背景区域，缩小了人脸候选区域以供进一步检测，一定程度上提高了人脸检测的速度。紧接着采用Adaboost人脸检测算法，克服了只采用肤色分割检测带来的误检率高的缺陷，从而达到更高的检测率和检测速度。最后，对候选出的人脸区域进行标准人脸模板匹配，对经过处理得到的候选人脸区域利用加权欧式距离来度量与人脸模板的匹配度。本发明可以在不同光照强度下，人脸图像发生偏转或眼睛被遮挡等多种环境下进行人脸检测，提高了人脸检测速度和正确率，易于实施操作，稳定可靠。

附图说明

图1为本发明人脸检测结构框图。

图2为本发明经典Haar特征模板图。

图3为本发明Adaboost算法流程图。

图4为本发明级联分类器结构示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定。

如图1所示：人脸检测方法主要包括四部分：人脸图像预处理、肤色分割、Adaboost人脸检测和人脸模板匹配。其中人脸图像预处理主要包括灰度归一化、光照补偿、滤波去噪和几何归一化等一系列过程；肤色分割是基于YCbCr颜色空间的，缩小人脸候选区域以待进一步检测；Adaboost人脸检测算法进一步提高了人脸检测率和检测速度；最后的模板匹配完成最后的人脸区域判定，使得多种复杂环境下的人脸都能够被检测出来。

具体地，本发明人脸检测方法包括如下步骤：

步骤S1、人脸图像预处理：

1)直方图均衡化进行人脸图像灰度归一化，对人脸图像进行直方图归一化就是统计输入图像的光亮度直方图分布，对图像灰度范围进行重新设置，使得图像的灰度分布范围尽可能的包含所有的灰度级，去除其中占绝对优势或劣势的灰度级范围，从而降低光照对于灰度图像处理过程中的影响。

2)采用中值滤波方式进行滤波去噪，其具体流程如下：

(1)设定一个n*n的模板，并在图像中进行行或者列方向的滑动，同时将该模板的中心与要处理的图像的一个像素点位置相重合。

(2)依次读取该n*n模板中每个像素点的灰度值。

(3)对读取到的像素点的灰度值进行从小到大的排序，并选择出其中心位置的灰度值。

(4)选择出来的灰度值代替该模板中心位置的像素点的灰度值。

3)人脸图像几何归一化，包括图像旋转、图像剪切和图像缩放。其中图像旋转是指使人脸上双眼连线与水平夹角为零，把原始图像中的人脸图像进行平面内的旋转处理；图像剪切是指根据人脸的位置及人脸双眼距离来剪切图像，来保证人脸的位置的一致性，或是根据人脸图像尺度要求获取人脸部分，此方法可以在一定程度上克服背景对检测过程中的干扰；图像缩放是指把原始图像缩放到统一的像素大小。

在图像处理中比较常见的颜色空间包括RGB、YUV、YIQ、HSV和YCbCr等，YCbCr颜色空间是电视、高级摄像机与播放器中普遍采用的编码方式，其色彩模型与人类对色彩的感知比较类似，因此YCbCr颜色空间常被用来实现肤色的聚类算法。其中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。

对于采集到的人脸彩色图像，从RGB空间转换为YCbCr颜色空间如下式所示：

步骤S2、肤色分割步骤：

1)对于采集到的原始图像，肤色分割算法首先将其从RGB颜色空间转换到YCbCr颜色空间，同时为了简化计算，将亮度Y分量量化。同时选用简单的色度空间模型来降低计算复杂度。经过统计发现，对于人体的肤色范围分布，Cb主要集中于[100，127]内，而Cr主要集中于[138，170]内。这样处理之后的图像，肤色范围内为白色，而非肤色区域和其他背景均为黑色。

2)人脸区域筛选

人脸区域筛选指对人脸图像进行肤色分割之后，存在的一些小噪声点和断裂的连通区域进行腐蚀、膨胀和填充等形态学处理，从而得到比较平滑的连通区域的过程，以此来消除干扰。

通过上述的形态学处理之后，仍然存在着一些比较明显的非人脸区域，例如与人脸肤色一致的手、胳膊和腿等部位。因此需要进一步根据肤色连通区域的面积和外界矩形的长宽比来进行筛选。

(1)区域长宽比设定

最为合理的人脸的长宽比为考虑到人脸位置的倾斜和周围肤色的影响，本实施例将人脸的长宽比值设定范围为(0.8，2.4)。首先统计该连通区域的边界上所有的点的坐标，记录横轴和纵轴上的最大和最小值，纵轴上的最大值与最小值之差的比值就是此区域的长宽比，若长宽比ε不在式2中的范围内则认定该区域为非人脸区域。

0.8＜ε＜2.4 (2)

(2)区域面积大小设定

图像中选定的人脸区域面积不能过小，需要满足以下两个条件：一是连通区域的像素点的个数num如式3，二是连通区域面积S与外接矩形面积S_sq的比值如式4。

20×20＜mum (3)

0.55＜S/S_sq (4)

因此对于得到的连通区域只有满足式2～4三个条件才能够被候选为人脸区域。第一个条件用作去除非人脸的手、胳膊和腿部等区域的干扰，第二个条件用作去除细小噪声或背景的干扰，第三个条件用作去除不规则区域的干扰。

步骤S3、Adaboost人脸检测算法候选人脸区域步骤：

如图3所示，Adaboost算法应用于人脸检测，是通过计算人脸Haar积分图特征，再通过多层的级联分类器来进行人脸检测的，主要包括以下几个过程：

1)选择正样本和负样本，提取Haar特征，表示成积分图的形式

对于一个高度为h，宽度为w的图像，具体的迭代算法步骤如下：

(1)初始化变量，赋值(-1，0)处的积分值II(-1，0)＝0

(2)迭代运算，for i＝0，1，...，h-1

(a)中间变量s＝0

(b)for j＝0，1，...，w-1，计算第i行开始位置到位置j的行像素之和s＝s+I(j，i)，然后就可以得到(j，i)处的图像积分值II(j，i)＝II(j-1，i)+s

2)训练弱分类器，并为每个Haar特征都训练一个弱分类器

3)循环并多次判断人脸类型，更新每个弱分类器的权值，提取出误检率最小的弱分类器，并将这些弱分类器组合成强分类器

4)强分类器串联组合成级联分类器，得到最终的分类器

弱分类器的数学形式定义如式5所示：

其中，x表示矩形特征的类型，f(x)表示Haar特征值，θ表示区分正负样本的阈值，p表示不等号的方向，取值±1。得到弱分类器之后，再按照一定的原则将弱分类器组合成强分类器。对于给定一个训练图像(x_i，y_i)，i＝1，2，...，n代表训练集图像的数目，y_i＝{0，1}分别代表负训练样本和正训练样本类别，w_m，i表示第m轮训练第i个训练集图像的权值，其具体的算法如下：

(1)初始化训练样本的权值，将其赋值为训练集图像个数的倒数，k为训练集图像数目：

(2)第M轮训练时，for m＝1，2，...，M，M为训练轮数

(a)归一化样本权重：

(b)每一种矩形特征x，选择分类误差最小的分类器h_t(x)，对应的分类误差为ε_t

(c)对样本的权值进行更新

其中x_i表示第i副图像，

(3)最终的强分类器为，其中T为训练轮数：

其中α_t＝-logβ_i

然而，单一的强分类器具有比较高的误检率，因此需要将多个强分类器串联起来组成级联分类器，如图4所示。

步骤S4、人脸模板匹配步骤：

对于候选出的人脸区域，采用加权欧式距离来度量候选人脸区域和平均人脸模板的相似度。首先选取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。再选择合适尺寸的人脸模板，对其进行相关的标准化处理。

标准人脸模板灰度均值通过式6得到，候选人脸区域和标准人脸模板之间的加权欧式距离通过式7得到。加权欧式距离的值越小，表示候选人脸区域和标准人脸模板匹配程度越高。

其中，A表示候选人脸灰度矩阵，B表示标准人脸模板灰度矩阵，u和v分别为矩阵的行数和列数，Apq、Bpq分别为候选人脸灰度矩阵A和人脸模板灰度矩阵B的第p行q列位置上的元素值，加权系数的公式如式8所示。

对于候选的人脸区域，分为多个候选人脸窗口，对每个候选人脸窗口分别计算该窗口与人脸模板的加权欧式距离，如果得到的加权欧式距离小于阈值，则将该子窗口加入人脸区域，否则的话确定为非人脸区域，自动检测下一个子窗口，直到所有的子窗口都遍历一遍。

综上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims

1.基于Adaboost算法的人脸检测方法，其特征是包括如下步骤：

2.根据权利要求1所述的基于Adaboost算法的人脸检测方法，其特征是：所述灰度归一化采用直方图均衡，滤波去噪采用中值滤波的方法。

3.根据权利要求1所述的基于Adaboost算法的人脸检测方法，其特征是：所述的肤色分割基于YCbCr颜色空间，将RGB空间转换为YCbCr颜色空间如下式1所示：

4.根据权利要求1或3所述的基于Adaboost算法的人脸检测方法，其特征是：对肤色分割得到的人脸区域中存在的一些小噪声点和断裂的连通区域进行形态学处理，包括腐蚀、膨胀和填充，从而得到比较平滑的连通区域，以此来消除干扰。

5.根据权利要求4所述的基于Adaboost算法的人脸检测方法，其特征是：对经过一系列形态学处理之后的人脸区域，进一步根据肤色连通区域的面积和外界矩形的长宽比来进行人脸区域筛选。

6.根据权利要求1所述的基于Adaboost算法的人脸检测方法，其特征是：所述的Adaboost人脸检测算法基于Haar特征值。

7.根据权利要求6所述的基于Adaboost算法的人脸检测方法，其特征是：所述的Haar特征的总数比较大，利用积分图来降低计算的复杂度；如式(2)所示：点(a，b)的积分值等于该区域的像素点之和；其中，I(a’，b’)为(a’，b’)坐标处的像素值，S(a，b)表示行积分和；同时，积分图定义满足式(3)和式(4)所表示的迭代关系：

<mrow> <mi>I</mi> <mi>I</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <msup> <mi>a</mi> <mo>&prime;</mo> </msup> <mo>&le;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>&le;</mo> <msup> <mi>b</mi> <mo>&prime;</mo> </msup> </mrow> </munder> <mi>I</mi> <mrow> <mo>(</mo> <msup> <mi>a</mi> <mo>&prime;</mo> </msup> <mo>,</mo> <msup> <mi>b</mi> <mo>&prime;</mo> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

S(a，b)＝S(a-1，b)+I(a，b) (3)

II(a，b)＝II(a-1，b)+S(a，b) (4)。

8.根据权利要求1所述的基于Adaboost算法的人脸检测方法，其特征是：所述的人脸模板尺寸规范，并对其做相关的标准化处理。

9.根据权利要求1所述的基于Adaboost算法的人脸检测方法，其特征是：所述的加权欧式距离值越小，表示候选人脸区域和人脸模板匹配程度越高。