一种基于模板匹配的人脸检测算法

一种基于模板匹配的人脸检测算法

面部特征的检测是面部运动跟踪和面部识别的基础。现在，它是识别和计算地壳等研究领域的热点。脸的检测有很多方法，但模型匹配法是最常用的方法。在文献中，使用第一层和多尺度分析来确定视觉成像单元的位置，并根据面部器官的几何关系确定面部特征的区域。虽然这种方法可以去除大量的搜索区域，但对于大的图像来说，消耗时间多，对环境变化和眼区大小的适应性不强。在文献中，提出了一种新的算法，该算法使用了最大熵的图像分割算法。可以更快地检测脸的人。然而，一些检测参数的选择是困难的，检测质量差的图像的效果并不理想。人们认为人的脸比周围的脸更白。在这种规则中，确定眼睛并定位你的脸是很困难的。该方法适用于简单背景和复杂环境。在复杂环境下，预测区域非常多，检测过程显著增加。在文献中，使用阈值阈值的方法是生存的。眼睛和眼睛之间的关系很难确定，当眼睛发生或消失时，也会有大量其他图像点同时出现或消失。即使使用候选人区域的预测方法需要很多的时间，在复杂环境下检测女性的效果也不好。在文献中，我们提出了一种基于masson-haramomrandoma的快速检测方法。虽然它对光和噪声有一定的适应性，但该方法要求全球模型和检测内容之间的相似性，对于许多面部特征的检测效果并不好。文中提出一种复杂环境下的灰度人脸检测快速算法,设计的模板匹配算法对照明变化、噪声干扰等具有较强的适应性,能够对复杂环境中大小不等的人脸进行快速、准确地检测.采用多种环境下的大量图片进行实验,结果显示该算法检测的准确率较高,速度也快,优于对比的其他模板匹配法.1基础定位算法为了在图像中快速、准确的检测人脸,首先确定人脸候选区域,然后再使用模板匹配法检测人脸.为此,提出了根据人脸上边沿中心确定人脸的候选区域的方法,该方法大大减少了搜索图像像素点的数量.应用该方法,使用模板匹配算法进行人脸检测的基本过程如下:(1)寻找人脸上边沿中心,确定人脸候选区域;(2)使用所设计的具有鲁棒性的模板匹配算法,进行人脸的粗检;(3)采用基于AdaBoost算法的人脸检测器进行人脸验证,即人脸细检.1.1高频滤波器检测人脸实验根据人眼视觉的特点,首先进行图像的边缘检测以确定图像中物体的边缘点.因为人脸及人眼的边界具有强边缘性,在进行模板匹配时只要将边缘点作为扫描点就可以确定人脸的位置.相对所有像素而言,边缘点已经很少,但是对于多人脸图像,使用边缘点检测速度相对较慢.所以为了加快检测速度,设计了一种方法先预测人脸上边沿中心,然后进一步确定人脸的候选区域.首先,如图1所示,将图像F(0)=(f(0)ij)m×n进行二值化得到F(b),再将F(b)作为掩膜和原图像点相乘得到F(1)=(f(1)ij)m×n.该步只是为了快速检测,对结果的影响不大,如果二值化效果不好,可以省略.其次,设计一种高频滤波器,如式(1)所示其形状是对称的.H=(hi,j)s×t=[X,Y,X](1)矩阵X中的元素全为负数值,矩阵Y中的元素全为正数值并且‖Y‖m1=2‖X‖m1,Y的宽度一般为X的1.5至2倍.元素的取值可以采用两种方式都比较有效:一个是矩阵X中的元素全为-b,矩阵Y中的元素全为+a;另外一种方式是在列方向上中心最大,然后呈高斯分布向两边能量逐渐缩小.t的大小则是根据图像中人脸大小而定,实验发现t∈(16,30)检测效果较好,适应检测大小在1.5t×1.5t至2.5t×2.5t之间的人脸,也就是人脸的维数在24×24至75×75之间.如果图像大于该范围,可以将图像缩小一定比例,使得图像中的人脸处于该范围之中,而s∈(3,7).接下来计算H和F(1)的卷积得到图像F(2),如图2所示.滤波后的人脸好似戴着面具,所以称上述过程为假面变换(MaskTransform).观察假面图2(b),可以发现人脸的一些特征.在原来的眼睛中心p1和p2处于局部低谷,以后四周数值逐渐增大,在两眼中心处p0数值达到一个峰值(p0往上几个像素就是人脸上边沿中心);在口鼻处p3也有一个低谷,如果找到这些特征点再根据一些规则就可以确定人脸.首先采用网格分解方法找到p0,将图像分解成k×l个网格;网格一般用正方形,边长必须小于人脸面部大小的1/5.然后找出每一个网格中最大值及其位置,最后以最大值为中心向左、右、下3个方向找出在一定范围的低谷像素,得到特征点p0,p1,p2,p3.人脸由眼睛、鼻子、嘴、下巴等构成,其几何关系相对固定,利用这些特征点结合下列规则,可以确定人脸上边沿中心的候选点位置.1人脸图像的th3、th3p1到p2,p0到p3的距离应在一定的范围之内,如式(2)所示;th1一般取人脸图像最大宽度的2/3,th2取人脸图像最小宽度的1/3,th3取最大人脸的3/4,th4取最小人脸的1/3.比如适应范围为30～60像素宽度的人脸,则th1=40,th2=10,th3=45,th4=10.th2＜∥p1-p2∥2＜th1th4＜∥p0-p3∥2＜th3(2)2称特点进一步缩小筛选区由于人脸具有一定的中心对称性,所以还可以利用距离和能量的对称特点进一步缩小候选区如式(3)所示.这里th5一般应小于5,th7大于0.5,th6小于2,V1=[vp0…vp1],V2=[vp0…vp2],其中,vp表示p点灰度值.3邻域大小一般在做多人脸图像时,th8一般在th8由于p0点的灰度值vp0是局部最大的而p1,p2,p3局部最小,所以它们之间有较大的能量差.如式(4)所示,th8一般应大于1,另外在原图像p0处及邻域灰度值总和Sp0也应大于其他3点处的邻域灰度值总和,邻域大小一般取3×3像素.通过以上规则,图像中人脸上边缘中心的候选点将变得很少,因此可以大大提升检测的速度和准确性.对于多人脸图像方法也是一样的,只是将规则中阈值的相对范围放宽一些.1.2图像像素分布调整对找到的人脸上边沿中心候选点位,采用模板匹配的方式对点位进行筛选,确定出候选人脸区域.首先,如式(5),(6)所示,将模板T(0)=(t(0)ij)p×q和图像子窗口W(k,0)=(w(k,0)ij)p×q分别进行+1,-1二值化得到T(b)和W(k,b),然后如式(7)所示将它们对应的位置点乘后相加再除以pq得到数值d.p和q在人脸检测中一般采用同样值,这种方法适合于精度匹配.因为当相似处越多,数值向1收敛得越快,当完全相似时,d等于1.ˆt(0),ˆw(k,0)分别是T(0),W(k,0)的中值.d=1pqp∑i=1q∑j=1t(b)i,jw(k,b)i,j(7)其次,在第一步的基础上将正值区域和负值区域按照原先灰度将范围拉大,不限于+1,-1,变成(1,+a),(-a,-1),如式(8),(9)所示.将模板T(0)和图像子窗口W(k,0)分别减去它们的中值ˆΤ(0),ˆW(k,0)得到T(1)和W(k,1),然后将正值区域和负值区域进行像素分布调整得到T(2)和W(k,2).像素分布调整分为线性和非线性,方法是将所有像素进行大小排序,按大小关系分成h份,每份中所有元素等于x(x是份数编号取值1～h);每份中元素个数y和份数编号y呈某种函数关系y=f(x),函数是线性的称为线性分布调整,非线性的称为非线性分布调整,分布调整用R表示.相似度计算如式(10)所示.可以采用对应位置点乘后相加再除以‖T(2)‖2F得到数值d,也可以采用欧式距离和街区距离来进行计算.d=1∥Τ(2)∥2Fp∑i=1q∑j=1t(2)i,jw(k,2)i,j(10)图3所示为使用f(x)=c1e-x2/c2作为分布调整函数时调整的结果,图像大小为32×32像素,x取值1～10,设计f(1)是f(10)的10倍.可以计算出其他两个参数:C2=(102-11)/ln10=42.9952;c1根据总体个数求得(在此3个图分别为96.0230,98.1483,98.5347).可以看出,通过该方法可以使人脸的亮度一致且能量总和也相等.为了验证性能,采用最简单的线性分布调整函数f(x)=c和亮度规格化相似度测量方法如式(11)所示:d=p∑i=1q∑j=1(t(0)i,j-ˉt(0))(w(k,0)i,j-ˉw(k,0))∥Τ(0)-ˉΤ(0)∥F∥W(k,0)-ˉW(k,0)∥F(11)在椒盐噪声、低解析度匹配以及对非人脸的测量几个方面进行比较,其中ˉt(0),ˉw(k,0)分别是模板T(0)和图像子窗W(k,0)的均值;ˉΤ(0),ˉW(k,0)分别是含有p×q个ˉt(0),ˉw(k,0)的矩阵.如图4所示依次是模板、正常人脸、低解析度人脸、加椒盐噪声的人脸、非人脸,图像大小为32×32像素,x取值1～10.从表1可以看出,文中方法在匹配性能上优于亮度规格化相似度测量方法(对比方法).文中方法对光照条件、噪声干扰不敏感,对模板的要求也不高,采用多副正面人脸的均值即可.另外为了检测准确,还可以采用几个角度的图像旋转收缩方法,将整个需要搜寻人脸的图像旋转几个大角度,比如-40,+40然后采用同样的方法找出人脸,这样可以防止图像中偏转较大的人脸被忽略掉;即使不旋转,该方法对±20°小偏转人脸检测效果也较好.对于单人脸检测,取d的最大值.对于多人脸检测,为了防止漏检,阈值应取足够大,但这同时会引起较高的误检率,为此需再对人脸检测结果进行验证,去除误检的非人脸区域.1.3实验数据及改进adabolst算法为减低误检率,使用基于Haar-Like型特征的AdaBoost算法训练得到的人脸检测器,对模板匹配法检测得到的候选人脸区域进行验证.文中选用3510个Haar-Like特征和6977个训练样本,其中训练样本来自MIT-CBCL人脸库和非人脸库,包含2429个人脸样本和4548个非人脸样本.为加快训练速度,对AdaBoost算法进行改进,使用基于特征空间划分的改进AdaBoost算法,最后训练得到由109个弱分类器构成的强分类器H.使用分类器H对候选人脸区域进行检测,验证是否为人脸.实验效果如图5所示.图5(a)是一张污染比较严重的800×600像素多人脸图,为了保证将所有人脸检测出来,相似度阈值设置较小(th=0.5);图5(b)中所有人脸被检测出来,但还包括一些非人脸以及人脸边缘切割不好者,经过人脸验证后得到图5(c),效果比图5(b)好.2标准图像检测对单人脸和多人脸图片进行人脸检测实验,单人脸选用NUST603原始人脸库(见图6).该库包含96个人,每人10幅256×256像素的标准图像,具有多种光源以及不同背景;多人脸选用多种复杂背景、不同光源下20幅800×600像素的图像,包含183个人脸.实验条件:处理器P42.8GHz、内存512M,Matlab7,测试结果如表2所示.单人脸检测准确率达99.27%,平均时间0.22s;多人脸检测