基于自适应肤色验证的adaboos人脸检测算法

基于自适应肤色验证的adaboos人脸检测算法

0人脸检测算法的自适应对比面部特征是计算机视觉和相关领域的一项重要技术。基于AdaBoost算法的人脸检测算法是目前最快、最有效的人脸检测算法之一。在视频监控的应用中通常将运动检测和肤色检测置于人脸检测之前,以较少的计算代价缩减人脸检测的搜索区域,提高整体的检测速度。为了便于叙述按其模块级联顺序称之为MSF(Motiondetection,SkindetectionandFacedetection)算法。但是,在高光或低照度条件下肤色与非肤色难于区分,通常会使肤色检测失败,导致以肤色检测为前置处理的人脸算法的失败(漏检)。因此,一个光照自适应的肤色检测方案对于人脸检测算法的光照鲁棒性来说是非常必要的。如果把前置的肤色检测改进为根据亮度自适应的肤色检测,那么它就只能依据整幅图片的平均亮度或者运动区域的平均亮度来作为是否信任肤色检测的标准,在人脸区域平均亮度与整幅图片平均亮度有较大差异时,这种判断会造成较大误差;再加上传统的肤色检测是通过投影直方图完成的,它会受到周围类肤色背景的影响而导致分割出的肤色区域过大或过小,这都可能对后续的人脸检测带来不良影响。针对这种情况,提出一种后置自适应肤色验证的人脸检测算法。为了便于叙述按其模块级联顺序称其为MFAS(Motiondetection,FacedetectionandAdaptiveSkinverification)算法,把肤色检测的功能由减少搜索区域转化为对人脸检测的结果进行肤色验证,以人脸候选区的亮度作为是否启用肤色验证的依据。实验结果表明,该算法与传统MSF算法相比具有更好的光照鲁棒性。1细胞平均粗糙度传统的人脸检测算法通常将运动检测和肤色检测置于人脸检测之前,用较小的计算代价减小人脸检测搜索区域,提高整体的检测速度。在简单场景和正常光照下,该算法能有效地排除干扰,提高人脸检测的性能,但在复杂场景或非正常光照下,该算法的肤色检测环节容易出现两大问题:(1)在高亮度或低亮度条件下肤色与非肤色难于区分,经常会导致肤色检测失败,很难分割出完整的肤色区域。图1给出了非正常亮度下肤色分割的结果。如果不采取有效措施,前置的肤色检测失败将丢弃人脸区域,导致人脸检测失败(漏检人脸);(2)采用直方图投影的方法确定肤色区域有可能过大或过小(如图2所示,图中红色框为肤色检测出的肤色区域),这都可能影响人脸检测的效果。针对问题(1),可以考虑引入自适应的肤色检测方案,当处于低光照或高光照条件时关掉肤色检测,直接在运动区域内进行人脸检测,简称之为MASF(Motiondetection,AdaptiveSkindetectionandFacedetection)。由于它只能依据整幅图片的平均亮度或者运动区域的平均亮度来作为是否信任肤色检测的标准,在人脸区域平均亮度与整幅图片平均亮度有较大差异时,这种判断就会造成较大误差。针对问题(2),可以通过其他算法确定肤色区域(如连通域标记等),但这类算法都是基于形态学处理,不能保证完整分割出肤色区域。2人脸检测算法为了提高人脸检测算法在复杂背景和光照变化下的性能,文中提出一种后置自适应肤色验证的人脸检测算法——MFAS(MotionDetection,FaceDetectionandAdaptiveSkinverification)。首先进行运动检测提取目标运动区域,然后在运动区域中使用AdaBoost人脸检测算法检测人脸,在正常亮度下,启用肤色验证作为为后处理以排除纹理干扰。整个人脸检测流程如图3所示。各模块具体如下。2.1幅差分图像的分离可以采用多种方式对运动目标进行检测,所提MFAS算法采用对称差分算法来实现运动检测,其基本过程如下:首先对相同间隔的三幅图像两两相减得到绝对差分图像,然后二值化得到的两个差分图像,进行“与”操作,得到对称差分二值图像,即运动目标从背景中分离的初步结果,再对该差分图进行形态学处理后即可得到运动目标。检测到运动目标后采用直方图投影法来提取目标区域。2.2encbb人像压试基于AdaBoost算法的人脸检测算法是目前较成功的算法之一。2001年Viola等提出的基于AdaBoost算法的级联型(Cascade)人脸检测器使人脸检测的速度得到了实质性的提高。文献采用OpenCV自带的人脸分类器,它使用GentleAdaBoost结合级联结构的训练方式得到的分类器包括22层强分类器,包含2135个Haar特征。为了保证人脸检测算法的一致性,MFAS采用与文献同样的分类器。由于Haar特征值是通过计算原图在Haar模板中白色区域和黑色区域的灰度值的差值得到的,因此它对光照具有较好的鲁棒性,基于Haar特征的AdaBoost人脸检测算法在较大范围的光照条件下都有很高的检测率,然而这种算法易受到纹理等干扰造成误检率较高(图4(a)和图4(b)所示为AdaBoost人脸检测算法的部分检测效果,图4(c)和图4(d)是出现误检的情况),因此需要引入其他特征来排除虚警。2.3分区总像素的比例所提算法采用Hsu等提出的肤色检测算法来对人脸检测出的候选区域进行肤色确认以排除纹理干扰,降低误检率。人脸候选区平均亮度在正常范围内时,如果人脸候选区中肤色像素个数占候选区域总像素的比例低于门限值,则认为人脸检测发生误检,排除该候选人脸候选区。其中,门限值经由大量实验测定,实验中设定为0.5。这种采用像素值比例的方式比直方图投影更加直观,而且只需在人脸检测出的候选区进行判断,不会受到周围类肤色背景的干扰,因此肤色确认结果更加可信。通过大量的实验统计发现易发生误检的亮度区间是Yuf0ce和Yuf0ce,所以设定这两个区间分别为低亮度区间和高亮度区间,其他区间为正常亮度区间。对平均亮度不在正常范围内的候选区域则不进行肤色验证,直接将AdaBoost人脸检测结果作为人脸输出。3正常光度区间检测实验所用测试序列来自一些常用序列和USB摄像头拍摄,实验运行环境是:OS—WindowXPSP3,CPU—Intel(R)Pentium(R)DCPU,RAM—3.39GB。程序运行平台是:MicrosoftVisualStudio2008/OpenCV1.0。为了验证所提算法对光照变化的鲁棒性,在复杂环境和变化光照中拍摄的序列A(分辨率352x288),上对比了MSF算法、MASF算法和所提MFAS算法的性能。该序列共有700帧,其中1~300帧处于低亮度区间,301~500帧处于正常亮度区间,501~700帧处于高亮度区间。图5展示了三种算法的部分检测效果。从图5中可以看出,当人脸处于非正常亮度区间时,肤色分割失败,导致无条件信任肤色检测的MSF算法漏检,而MASF和所提MFAS算法此时放弃肤色检测,大大提高了检测率;正常光照条件下,三种算法都能检测到人脸,无论肤色前置还是后置都能具备一定的排除干扰能力;然而当亮度值处于临界点周围时,特别是当人脸区域与运动区域的平均亮度出现偏差时,采用运动区域的平均亮度作为评判标准的MASF算法会出现误差(如第80帧所示,此时人脸区域平均亮度值处于低亮度区间,所提MFAS算法判断放弃肤色验证,而运动区域平均亮度值在正常区间,MASF算法仍采信于肤色检测,这种错误的信任导致算法漏检;而第514帧的情况恰恰相反)。整体来看,所提算法对亮度值的判断更加直观准确,具有更好的光照鲁棒性。从检测速度上来说,MASF算法的速度最快,但所提算法仍能保证平均12ms/frame的速度,能完全满足实时要求。为了验证所提算法的抗干扰能力,在正常光照下拍摄的序列B(分辨率352x288,共800帧)上对比了MSF算法、仅用人脸检测算法和所提MFAS算法的性能(因为处于正常光照条件,所以此时MASF=MSF)。图6展示了3种算法的部分检测结果,图6中可以看出,MSF算法和所提算法都能有效排除纹理干扰(如第387帧所示),然而在MSF算法中,通过直方图投影得到的肤色区域有可能过大或过小,这会给人脸检测带来不良影响,而所提算法只需对人脸候选区进行肤色像素比例的判断,能更有效地排除纹理干扰(如第395帧所示,由于人脸和衣服H分量值相近,导致直方图投影法确定的肤色区域过大,此时人脸检测出现误检,而所提算法则有效地排