基于肤色统计矩和Adaboost算法的人脸检测研究

郝存明,陈宏彩,李 倩,邓建科

(1.河北省科学院应用数学研究所,河北石家庄 050081; 2.石家庄开发区冀科双实科技有限公司,河北石家庄 050081; 3.保定广播电视大学,河北保定 071000)

基于肤色统计矩和Adaboost算法的人脸检测研究

郝存明1,2,陈宏彩1,2,李 倩1,2,邓建科3

(1.河北省科学院应用数学研究所,河北石家庄 050081; 2.石家庄开发区冀科双实科技有限公司,河北石家庄 050081; 3.保定广播电视大学,河北保定 071000)

采用基于Adaboost的人脸检测算法检测出彩色图像中的人脸候选区域,在此基础上利用人脸肤色统计矩剔除非人脸区域,最终实现对人脸的准确检测。由于本算法检测速度快、准确率高可以应用于对实时性要求较高的智能监控领域。

Adaboost;统计矩;HSV空间;人脸检测;智能监控

随着图像处理、模式识别和机器视觉等科学技术的发展,可以利用计算机对采集到的视频序列进行实时的目标检测、识别和分析,这就为实现智能化监控提供了条件。目前对人的行为分析、跟踪、识别已经成为智能监控领域研究的主要内容之一[1,2]。因为人脸特征是区分个体的重要信息,所以实时、准确的人脸检测算法已经成为智能监控领域迫切需要的技术。

基于统计模型的方法是解决人脸检测问题的有效途径。Viola和Jones于2001年提出了基于Adaboost算法的方法[5],这种算法是从大量的Haar-like特征中挑选出最优的特征并制作成强分类器用于人脸检测,可以满足智能监控对人脸实时检测的要求。但是这些特征只包含了一些人脸灰度分布特征,缺少人脸肤色的信息,这就导致在复杂场景中把一些非人脸区域误判为人脸区域。鉴于此作者建立了肤色统计矩模型,把人脸的肤色特征融合到Adaboost人脸检测算法当中,实现了对人脸的实时、准确检测。

1 基于Adaboost方法的人脸检测算法简介

1.1 Haar-like特征

Haar-like特征最早是由Papageo rgiou等人[4]应用于人脸表示的,之后Viola等人[5]定义了(图1中a、b、h、e)4种形式的特征模板,首次提出一种基于 Haar-like特征的稳定、实时的人脸检测框架。在此基础上,Rainer等人[6]又把Haar-like特征模板扩展为15种(图1),通过实验表明扩展后的检测算法可以大大提高检测的准确率。

图1 Haar-like特征模版

利用图1所示的特征模板,用黑色部分的像素和减去白色部分的像素和来计算特征值。通过特征模板在图像子窗口中平移、伸缩可以得到大量特征值。这些由图像灰度值计算得到的特征值在边缘方面有着很好的表现,对人的脸部特征有着非常强大的提取和编码能力。

1.2 积分图

由于需要对大量的训练样本进行训练得到人脸的特征,为了降低计算成本Paul Viola等人[5]引入了积分图的概念。这样使得人脸特征值的计算只与特征模板矩形的端点的积分图有关,不管 Haar-like特征模板的尺度如何变换,计算人脸特征的时间复杂度总是常量级。

图2 积分图像

图3 积分图像计算

由图像的积分图可方便快速地计算图像中任意矩形内所有像素灰度积分:如图3,在矩形D中的像素和可以通过四点计算得到,在点1的积分图的和可以通过矩形A内的点的和得到,在点2的值就是A+B,在点3的值就是A+C,在点4的值就是A+B+C+D。在D内的点的和可以利用4+1-(2+ 3)计算得到。

1.3 Adaboost对人脸特征提取

采用积分图的表示方法,可以快速从人脸样本和非人脸样本中计算出 Haar-like特征值,每个特征对应一个弱分类器,但并不是任何一个 Haar-like特征都能较好地描述人脸。Aaboost学习算法将由Haar-like特征生成的弱分类器叠加成为强分类器,再将强分类器串联成级联分类器。将强分类器串联成级联分类器时应遵循“先重后轻”的分级分类器原则,即将由重要特征构成的结构较简单的强分类器放在前面,这样可以剔除大量的伪人脸区域,提高检测速度。A daboost检测器的结构如图4所示。

图4 Adaboost检测器的结构

2 肤色统计矩模型及实验结果

人的肤色信息作为人脸的一个重要特征,已经在实际应用中被证明是非常有效的。虽然不同的人有不同的肤色,但是一些研究已经证明这种区别多数存在于他们的强度而不是色度上[7-9]。

在图像处理中,统计矩主要是用来描述图像灰度直方图的特性,对图像的尺度变化不敏感,已经成功地应用于人脸和车型的检测[10]、图像检索[11]、隐写检测检测[12,13]、此外AdaBoost人脸检测算法检测到的人脸尺度变化较大,选用统计矩方法对肤色特征进行建模可以减小肤色特征受尺度变化的影响。灰度均值为m的n阶矩为其中L为图像的灰度级数,zi为代表灰度的随机数,p(zi)为区域灰度直方图。这些统计量的应用功能有:,用于描述数据的均值。

2)方差:μ2,用于度量数据取值分散性的。

3)三阶矩:μ3,用于刻画数据关于均值对称性。

4)四阶矩:μ4,用于描述数据的相对平坦性。

作者利用Adaboost人脸检测算法对Face Detection网站的BIo ID人脸库中的单身图片、合影图片进行人脸检测,把所有检测到的人脸区域转换为 HSV色彩空间,提取其色调 H并计算均值m和方差μ2,通过实验统计分析发现98%人脸区域的均值m分布在2

为检验本文算法的有效性,选择了一些典型的彩色图片作为测试对象。测试图片分别来自B Io ID人脸检测库中的第26和43副合影图片。当直接采用Adaboost人脸检测算法对图片进行人脸检测时均出现误检测(图5(a,c)),经过计算三幅图片误检区域均值和方差分别为252和36、121和45。误检区域均值和方差可以通过统计矩模型排除,从而可以消除这些误检(图5(b,d)),完成准确的人脸检测。

图5 算法的效果图

3 结论

采用基于Adaboost和肤色统计矩结合的方法实现了对人脸的准确检测。检测过程中利用彩色图像HSV空间中的人脸肤色统计矩的特性,对A daboost人脸检测算法检测到的区域进行进一步验证,充分发挥了A daboost人脸检测算法计算速度快的优势,又提高了人脸检测的精度和可靠性,可以满足智能监控对人脸检测实时、准确性的要求。

[1] O.Javed,K.Shafique,and M.Shah.Automated Visual Surveillancein Realistic Scenarios[J].In IEEE M ultimedia,January-March 2007,14(1):30-39.

[2] R.Collins,J.Lip ton,and T.Kanade.Introduction to the specialsection on video surveillance[J].IEEE Trans.PAM I,Aug 2000, 22(8):745-746.

[3] C.Regazzoni,V.Ramesh,and G.L.Foresti.Special issue on video communications,p rocessing,and understanding for third generation surveillance system s[J].Proceedings of the IEEE,2001,89(10):1355-1539.

[4] Lienhart R,Maydt J.An Extended Set of Haar-like Features for Rapid Object Detection[J].IEEE ICIP 2002,1:900-903.

[5] C.Papageorgiou,M.Oren,and T.Poggio.A general framework for object detection[J].International Conference on Computer Vision,Jan 1998,555-562.

[6] Viola,P.,Jones,M.,Rapid Object Detection Using a Boosted Cascade of Simp le Features[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR),December 2001,1:511-518.

[7] T.K.Leung,M.C.Burl,and P.Perona.Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching[J].Proc. Fifth IEEE Int’l Conf.Computer Vision,1995,637-644.

[8] H.P.Graf,T.Chen,E.Petajan,and E.Cosatto.Locating Faces and Facial Parts[J].Proc.First Int’l Wo rkshop Automatic Face and Gesture Recognition,1995,41-46.

[9] H.P.Graf,E.Cosatto,D.Gibbon,M.Kocheisen,and E.Petajan.Multimodal System for Locating Heads and Faces[Z].Proc. Second Int’l Conf.Automatic Face and Gesture Recognition,1996,88-93.

[10] H.Schneiderman,T.Kanade.A Statistical Method for 3D Object Detection Applied to Faces and Cars[Z].IEEE Conference on Computer Vision and Pattern Recognition(CVPR 2000),2000,1:746-751.

[11] 尚赵伟,张明新,沈钧毅,相明.基于双密度小波变换的纹理图像检索[J].西安交通大学学报,2005,39(10):1081-1084.

[12] 马懿,张政保,冯帆,王嘉祯.基于小波奇异性分析的扩频隐写检测算法[J].计算机工程,2009,35(15):159-161.

[13] S.Lyu and H.Farid.Detecting Hidden Messages using Higher Order Statistics and Support Vector Machines[J].International Wo rkshop on Info rmation Hiding,LectureNotes in Computer Science,p ringer-Verlag,2002,2578:340-354.

Face detection based on skin color moment and Adaboost Algorithm

(1.Institute of A pp lied M athmatics,Hebei Academ y of Science,Shijiazhuang Hebei,050081,China;2.SJZJ KSS Technology Co.,L td,Shijiazhuang Hebei,050081,China;3.Baoding Radio&TV University,Baoding Hebei,071000,China)

HAO Cun-ming1,2,CHEN Hong-cai1,2,LIQian1,2,DENG Jian-ke3

An face detection algorithm based on Adaboost is used to detect the face area possibly existing in the color image,then eliminate the false face area w ith skin colormoment,and in thisway accurate detection of face is achieved.the high detection rate and real-time performance of the algo rithm is suitable to intelligent surveillance.

Adaboost;Moment;HSV color space;Face detection;Intelligent surveillance

TP317

:A

1001-9383(2011)01-0006-04

2010-12-24

郝存明(1981-),男,河北宣化人,硕士,研究实习员,主要从事图像处理和机器视觉方面的研究.