几种人脸检测算法的对比分析

l|95 1 肛科 技 201 1 第 Q期 技 术 创 新 几种 人脸检测算法 的对 比研 究 赵 东 方 杨 明 邓 世 涛 ( 西 南 大 学 计 算 机 与 信 息 科 学 学 院 ) 摘 要 本文在对 比大量 的人脸检 测算法的基础上．介绍 了几种常 用的人脸检 测算法，并提 出了一种基 于人 脸肤 色模型和人脸 结 构特征相结合的人脸检测新算 法．实验证明该新算法能有效提 高人脸检测效 率，并得 出人脸 检测 算法的发展趋势是 多种特征检测算法 相结合 关键词 人脸检测 肤 色模型 结构特征 人脸 j；Ⅱ作为牛物 别领域的前沿技 术，山于其 实时、准确和非 侵扰等特性 ，与传统生物 别技术相比，更容易为人仃J所接受 ，该技 术也必将得到广泛的应用 如 l所示，完整的人脸汉别过程应包括 人脸检测、人脸I釜l像预处理 、特征提取 、匹配和结果输出五个主要组 成部分。人脸 检测作为人脸 识别的第一环 节也是 一个模式 ~qf．1题 随着人脸的模式越来越复杂，人脸检测过程显得尤为重要。目前人脸 检测技术发展较怏 ，但是在较复杂的环境下，诸如在人脸表情 、光照 等发生较大变化时，人脸检测技术还缺乏切实有效的方法 此，对 于人脸检测 算法的深 入研究有着重要的理 论意义 闺 1 人 脸识 别过 程 人脸检测是人脸1只别过程中的一项关键技术 检测结果的好坏直 接影响到人脸 别的鲁棒性。

从概念上讲，人脸检测是指假没在输入 图像中存在一个或多个人脸区域的情况下，确定图像中全部人脸的位 置 、大小和姿势的过程 从数学理沦上I井，人脸检测本质上就是对于 一幅图像的特征提取 ，如果提取了m个特征，则此模式可用一个m维 特征ru】量描述 ：X = (_ TI' 、．．⋯ ) ，表现为m维欧式空Ih】qJ 的一个点 ， 按照统汁学的观点，好的特征提取方法必须满足以下条件：特征之fuJ 相互独立，减小类内距离的I可时增大类内fHJ距离，特征 量的维数 IT]尽量小。但在实际应用中，很难达到以上要求 对于观有的人脸检 测方法，按照特征提取的一般方法可以分为两大类 第一类是基于统 计特征的人脸检测，第二类是基于结构特征的人脸检测，本文将介绍 几种不I司类型的人脸检测算法并对其进行比较和评价。 1 基于直 方图租分割和奇异值特征的人脸检测 李士进博士认为人脸检测也是一个模式识别『u】题，其模式有人脸 和非人脸 ，为适应复杂背景下的人脸检测 ，他提出了基于直方图粗分 割和奇异值特征的人脸检测方法 这种方法根据人脸这种特殊模式是 在灰度基本均 匀的平面上 ，双眼 、鼻 、口又成一定结构分布的本质特 征 先根据平滑的直方l 对 【 釜I像进行粗分割 ，再根据一定的灰度区间 对人眼进行定位 ，进而确定出人脸区域。

第一步：用高斯函数对直方 进行平滑处理 ．①构造一维高斯模 I 2 板 g( ) — exp(一 ) 。②用高斯模板对直方图进行卷 l运算 ) v ⋯ u v ， ， 、 = 厅( ) g( ) ③对卷积结果进行二次差分运算 妒 ( ) ：，】(x) ， )：h(x) 羔 ，④求峰的集合 {x) { ( )= 0， ( ) < 0；， ‘ dx ‘ 并令K =I }I ，根据 ( ) 估算 O'i ，得到图像粗分割的灰度区fuJ ， ( 一30"i，Xi+ 30"0，f_ 0，1，⋯，k 一1 像平滑后的直方幽如图2所示。 ■ ▲ 图2 图像及其高斯平滑直方图 第二步 ：跟睛的定位．．根 据每段 灰度区问 (xi一3 ，Xi+3t7~) ，i = 0—1 --，k- 1对图像进行分割，得到M个可能的眼睛块 运用眼睛块的灰 度平均值 小于眼下的相 同大小 区域 的灰度平均值 以及双H艮连线 中点处 的灰度小于眼睛的灰度等简单规则，两两组合这些眼睛块得至 可能的 人脸区域 出于用于组合的H陡睛块均是在灰度基本均匀的区域中提取 的，所以假眼块的组合很少，一定程度上提高了检测效率：，图3是对 三幅图像的人眼定位 ，其中十字的中心为检洲到的人眼位置 。

图像信号变换越快，细节越丰富，则对应高频分量越多，但能量还是主要集中在低频分量上。从频域角度看，图像的边缘或线条的细节部分与图像频谱的高频分量相对应，微分运算相当于高通滤波让高频分量顺利通过，并适当抑制中低频分量，使图像的细节变得清楚。xba-h2的声音最为抢眼的无疑是质感较为不错的低频，然后是偶尔会尖锐过头些的高频，人声部分则略有凹陷感不过还好不是很明显，中高频部分解析略微偏弱，某些歌曲下中高频甚至有一点混乱感，中低频部分的衔接也比较生硬，整体感觉就是质感和力度感都不错的低频+虚弱的中低频+略微凹陷偶尔被抹掉一部分的人声+明亮但略混的中高频+犀利尖锐的高频，这样的听感说实话有得也有失，部分歌曲在气势感与质感极棒的低频带动下听感非常爽，但部分歌曲在略微混乱的中高频与有气无力的人声下则明显的一败涂地。

这里提出的二进小波变换的人脸检测算法由两个过程组成即 学习过程和检 测过程 ， 给定 o[『7'IH】是一幅原图像，在Ao[n， 】的垂直方向上应用低通 分析滤波器 h 的分解公式 al[n] = [k]ao[n+ k】得到垂直方向的低 频分量 】：∑／7【七] oIn+ ，m】和水平方向上的高频分量，类 似可得原图像水平方ru】应用高通分析滤波器得到水平方向的低频分量 与垂直方向的高频分量，再经过一系列的变换，得到角度相似函数和 自由参 数 ，这样选 择人脸部 位的任意 一点 ( n，m ) ，学 习得到 自由 参数，应用这些不等长的参数，可以有效地获取人脸部位的特征。参 数的学爿过程算法如下：①为学习得到自由参数预备人脸部位图像 【 】；②汁算水平和垂直方ruJ的高低频分量；③取鼻子，眼睛，嘴 唇图像 [『I’r／ ／】的一点 ( 11，m ) ，从而得到自山参数 ， 有了学圳瑜段得到的自由参数后，就可以借助自由参数检测衣服 测试图像中人脸部位，令 ，】是测试图像，对4l【”，，玎】利用小波变换 得到垂直方If iJ和水平方ruJ的高频分量： f ，一『]= [ ，叫一∑ sS[ilA~[n， 卜『】 ( 】) i= - 2 卫 Et '。

【 ， ，】= In， J】一∑ [『] In—f，Ⅲ】 (2) i =- 2 这里州 州=∑h。【 【『] [n+^，m+『]，Do ,[ m】与吼"，，，，】是在学 川喻段得到的垂直方向和水平方向的高频分量。由于 [『 l'／' ／' J】， In．m】 基金项 目：国家大学生创新性 实验计划项 目 ( 10106352(1】。重庆 市自然科学 基金 ( CST C2OOgBB2(}I 万方数据技 术 创 新 l工暑斗技 201 1年第10期 鸯 和 【，I．，n】中 v 是独立的 ，可以提 阿汁算 ，l 此虽然 汁算公式 看起很 复杂，但汁算时 彳I毛短 ．为了从一幅测试 像中检测人脸部位，引进 检测标准如下 ： 上 R[n ] = ( fff’Ⅲ卜 1)： ( f仉，，J卜 1) f 3 ) 对测试图像使用送给个特征点的自由参数，出求使式 ( 3 l 最小 化的点(，‘ ，， ～)可检测人脸部位 【， ，mo】 ．为了实现快速人脸检测，首 先寻找 【『7’，”】中的鼻子，鼻子找到后 ，在鼻子位置剧幽的眼睛 、嘴 唇可 以找到 住学 爿的过程 中 ，它仃J的位置就可预 ， 4 ，图s和 n分别给 出了学 习 JIl练图像 ，测 试 像和脸音I啭 征提取 像 图4 学 习训练图像 图5 测试图像 图6 脸部特征提取 图像 由 可以看出，采片{小波变换的人脸检测方法时，学习 像和特 征提取 像的面部特征提取很相像，但该种方法仍有一定的局限性， 它本质上仍 是基十统 计特征的人脸检测 算法。

在统 计学 刊的过程 中 ， 对原始 像的要求较高，当幽像的背景相对很复杂，比如从侧面拍摄 人脸时，水下方J 和垂直方 的高低频分量彳I乏难获取，这将直接影响 到自由参数的准确性 ，从而很大程度上影响人脸检测的检准率 3 基于AdaBoost算 法的人脸检测 2010年V iola和Jones*j I入积分斟概念 ，提 出了基于Harr- like特 征、级联结构f f, J AdaBoost算法，成功应用于模式泌别领域，实现了实 时人脸检测，使人脸检测技术取得了突破性进展。为适应背景的复杂 性，研究者提出了将肤色等人脸特征~ IAdaBoost算法相结合的人脸检 测新算法 算法首先结合人脸特征，利用人脸特征确定人脸的大致方 ru】，然后用级联结构的AdaBoost算法进行验证 图7给出了该种算法 的人脸检测流程 。 靖 ^ 抖 舂 娘 墙 ^ 件 怜 瞳像 第一步：肤色区域检测 、肤色的差别主要是亮度的差别丽非我们 表面认知的色彩差别．凶此检测肤色区域时极容易受光照的影响，采 yl c^ 色彩空IhJ ，可以使肤色有较好的聚类性。为了减小光照变化 的影响，将 e 色彩空『 廿J转换成 l 色彩空『廿J 首先按式 ( I ) 进行肤色分割后的形态学处理，得到比较理想的肤色区域检测效果。

f + J j 一 ， 删 sin8q [Cb '-c~ l ’ 其中 口 25·39，6 14·03，e~x 1．60，ec：．。2．41， 2．53， 109·38， c = I52．O2 ． 在 ， e 色彩空『dJ中若满足 ( ¨ 式，认为是一个肤色 像素点，j己为1．反之i己为0，这样就得到一个肤色二值 像，经过形 态学处理，可以检测出肤色区域， ． 第二步：人脸候选区域分割．．在 y 色彩空 中， 睛与皮肤 的 和 分量有较大差异，眼睛的灰度值相对较低，Y 分量集中分布 在 ( (J，120 ) 内 ，而且 跟鲭 的 分量普遍比c 分 量的值 高 ．由此将眼 睛的色彩和亮度映射结合起来就能检测出眼睛区域的大小和位置。多 数情况下嘴巴的方I 人脸的方I 相一致，具有很强的稳定性。嘴巴 检测的情况类似眼睛的检测，此时c^分量比c，分量的值高很多，也就 是’兑，嘴巴相对眼睛更容易检测到 最后根据人体学特征，根据人脸 各部件的大体位置很容易确定人脸候选区域。 第三步 ：人脸候选区域分类．．这一步利 Adaboost算法 ，通过对 人脸 候选区域进 行积 分 计算 ，快速 汁算Harr- like~ 征 ，利用 Adaboost算法将Ha“-_ like特征生成的弱分类器叠JJu成为强分类器 ，再 将 多个强分类器级联 脸检 测分类器 ，具 体算法如下 f 1 ) 给定n个样本幽像( ，)，。

)( ，Y! )，⋯，( ，) )，⋯，( ，J ) ，Xi是输 入样本 像， 是类别标志，其中 = 0，1分别表示其为非人脸和人脸 样 本 f ：o I 2) 初始化权重 ． J={ ，其中nl和，分别是非人脸样本 J =I l 和人脸样本的数量，17= 7+ ，， f 3 ) For t=l ，2，⋯ ，T ：a)归一化权重；b)对每个特征ji)q练一 个若分类器『】，，汁算对应' 的错 率：￡，=∑ I (‘ )一 cJ选取 最小错 率 的弱分类器 d)更新权重 “ = ． ， 其中，当 被正确地分类时， = 0 ，反之，弓= I ；层= L 。 I 一 ￡ (4)最终的强分类器为： )：f q (J) q，a，：log去 LU． 口th er~r isc 4 基 于面部双眼结构特征 的人脸 检测 这种人脸检测方法紧紧抓住人脸这种模式的结构特征高对称性， 首先在原始灰度图像上计算各像素点的梯度方向对称性 ，然后以梯度 方ruJ对称性高的点为特征点，并进一步组合成特征块 ，通过一种简单 的抑制方法，滤去大部分孤立的非人脸部件的特征点，再运用一定的 规则对各个特征怏进行组合得到候选人脸区域，最后对候选人脸进行 人脸部件的验证 ，剔除假脸，得到真正的人脸区域。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-96040-1.html