0 引言

在人臉檢測領域，人臉特征的選取是基礎與核心。目前主要的人臉檢測方法可以分為基于特征的方法和基于統(tǒng)計的方法兩大類。基于特征的方法可以處理較大尺度和視角變化的人臉檢測問題，但其最大的困難在于很難找到相對穩(wěn)定的特征，因為圖像的顯示特征容易受到光照、噪聲等的影響；基于統(tǒng)計的方法可以避免特征提取和分析過程，但存在計算量大，以及非人臉樣本收集和樣本訓練難的問題。

為此，本文對基于膚色分割結合模板匹配的人臉檢測方法進行了改進，提出基于“光照預處理+膚色模型+模板匹配”的人臉檢測解決思路，即在光照預處理的前提下，利用膚色特征建立膚色模型；根據(jù)膚色模型進行膚色檢測和閾值分割；在對分割區(qū)域特征分析的基礎上，將篩選出的人臉候選區(qū)域與人臉模板相匹配；最后將匹配較好的區(qū)域在原圖像中用矩形框標示出來。

1 膚色模型

人臉的膚色不依賴于面部的其他特征，對于人臉姿態(tài)和表情的變化不敏感，具有較好的穩(wěn)定性，而且明顯區(qū)別于大多數(shù)背景物體的顏色。大量實驗證明，不同膚色的人臉對應的色調是比較一致的，其區(qū)別主要在于灰度。人臉的膚色特征主要通過膚色模型來描述。膚色模型是在一定色彩空間描述膚色分布規(guī)律的數(shù)學模型。本文選用備受青睞的高斯模型。

1．1 色彩空間

一般說來，色調和飽和度相對亮度來說，是相互獨立的。在不同的光照條件下，雖然物體顏色的亮度會產生很大的差異，但是它的色度在很大范圍內具有恒常性，基本保持不變。研究表明，人類的膚色在YCbCr色彩空間的分布相對比較集中(被稱為膚色的聚類特性)，不同種族之間膚色的差異主要是由亮度引起，而與顏色屬性無關。利用此特性，將圖像像素分為膚色和非膚色像素兩類，這樣可以大大提高人臉檢測的效率和正確性。

在YCbCr色彩空間中，Y表示亮度，Cb和Cr是顏色差別信號，代表色度。因此，本文的膚色模型只選用YCbCr色彩空間的Cb和Cr色度分量，并用這兩個分量建立色度分布圖。實驗中，需要先將普遍采用RGB色彩空間描述的圖像轉換到YCbCr色彩空間。

1．2 建立膚色樣本

建立膚色模型需要使用大量包含不同膚色、不同大小人臉的RGB圖像。本文從互聯(lián)網、人臉庫和日常的生活照中選用了100幅膚色各不相同的人臉圖像，然后從中裁剪出人臉皮膚區(qū)域的一小部分，作為膚色樣本。接著將其從RGB色彩空間轉換為YCrCb色彩空間。

經過色彩空間轉換之后，人臉圖像不可避免地會出現(xiàn)噪聲。本文采用滑動窗口為3×3的二維中值濾波器來去除椒鹽噪聲，并在速度和效果上都取得了很好的結果。

1．3 建立膚色模型

濾除噪聲后，先用二維高斯分布來描述這種Cb-Cr的色度分布，然后對膚色樣本進行訓練，以此得到一個分布中心，再根據(jù)所觀察的像素離該中心的遠近來得到一個膚色的相似度。最后利用均值和方差計算得到高斯分布模型，這就是實驗中的膚色模型。二維高斯分布的表達式為：

2 人臉檢測

2．1 光照預處理

由于受外界光照環(huán)境的影響，尤其是光源顏色，采集來的彩色圖像經常會發(fā)生彩色偏移。本文使用Gray World彩色均衡方法來消除這種彩色偏移。該方法首先通過圖像的R，G，B三個分量中各自的平均值avgR，avgG，avgB確定出圖像的平均灰度值avgGray，然后調整每個像素的R，G，B值，使得調整后圖像的R，G，B三個分量中各自的平均值都趨于平均灰度值avgGray。實驗結果表明，消除彩色偏移能有效提高算法的檢測率和準確率。

2．2 類膚色檢測

本文算法最為關鍵的一步便是人體皮膚區(qū)域的粗檢測。檢測方法是計算圖像像素與膚色模型的相似度，這個值描述了像素與膚色的相似程度。相似度計算公式為：

通過計算圖像中每個像素與膚色模型的相似度，生成一幅類膚色灰度圖像，如圖1所示。

2．3 閾值分割

由于人體皮膚區(qū)域的像素與膚色模型的相似程度較高，計算得到的相似度值就比較大，因此在類膚色灰度圖中，皮膚區(qū)域顯得比其他部分更亮。這樣一來，通過選取合適的閾值即可分割出膚色區(qū)域。

本文實驗選擇的閾值以0．1為間隔從0．65逐漸減小到0．05。通過對選擇的相鄰兩個閾值的圖像相減，可以找到分割區(qū)域數(shù)量變化最小的閾值取值點，這個閾值就是最佳闞值。根據(jù)這個閾值，就可以將類膚色灰度圖轉換為二值圖。

圖2為轉換后的二值圖。

2．4 區(qū)域特征分析

由于閾值分割得到的二值圖中包含多個類膚色區(qū)域，這就需要先對這些區(qū)域進行標記，以便逐個處理。為了不影響對人臉整體形狀的檢測，采用形態(tài)學操作對標記后的膚色區(qū)域進行特征分析，以決定該區(qū)域是否包含一個人臉。這些特征主要包括孔洞、質心坐標、方向角、面積和高寬比。

由于人臉上包含有眼睛、眉毛、鼻子和一張嘴，因此在分割出來的人臉區(qū)域中至少包含一個孔洞，而且人臉的高寬比值通常接近1，這個特征參數(shù)就可以排除掉大部分的非人臉區(qū)域。實驗中的高寬比值限定在0．6～1．2之間，當檢測區(qū)域的高寬比值落在該區(qū)間時，則認為該區(qū)域是一個人臉候選區(qū)域。

3 模板匹配

模板匹配就是將預先建立的人臉模板與篩選出來的人臉候選區(qū)域進行相關性匹配。匹配時，首先根據(jù)候選區(qū)域的大小、質心坐標和方向角度調整人臉模板的尺寸、方向和位置，然后才進行匹配。預先建立的人臉模板如圖3所示。首先用16個不同的人臉灰度圖像計算得到一張平均臉，然后從中分割出人臉的主要部分，作為實驗中使用的人臉模板。

模板匹配常用的一種測度為模板與原圖像對應區(qū)域的誤差平方和。確定這個值的一種方法便是使用歸一化互相關系數(shù)(以下簡稱相關系數(shù))。

兩個圖像矩陣的相關性匹配通過計算式(3)得到：

經過多次測試發(fā)現(xiàn)，當相關系數(shù)取值大約為0．6時，兩個矩陣匹配較好。如果人臉模板矩陣和人臉候選區(qū)域矩陣的相關系數(shù)是0．6或者更高，則認為該區(qū)域包含一個人臉。測試完所有的膚色區(qū)域后，在原圖中用矩形框標示檢測到的每個人臉。檢測結果如圖4所示。

4 結語

實驗中用包含有60個不同人臉(包括黑人、白人和黃色人種)的20幅圖像對算法進行測試，其中相關系數(shù)和高寬比值都選擇最佳值。測試結果表明，本文算法對實際生活中人臉圖像的正確檢測率達到了84％，對姿態(tài)和表情同樣具有較高的魯棒性，基本上達到了預期的目標。