摘 要:给出了一种用于固定场景的快速人脸检测方法.在背景差的情况下,利用SHEN滤波进行二值图像并提取出运动目标区域,基于肤色聚类模型对运动目标子图像进行肤色分割,结合椭圆模板检测出人脸区域,进行人脸定位.实验数据表明,该方法对固定场景中的人脸检测具有较好的鲁棒性,对姿态、表情、年龄都有较强的适应性,并具有一定的实时性.
关 键 词 :差分图像; SHEN滤波;肤色分割; 椭圆模板;人脸检测
中图分类号:TP391 文献标识码:A 文章编号:1672-7800(2012)003-0149-02
作者简介:饶彦(1980-),女,贵州人,硕士,贵州民族学院理学院讲师,研究方向为图像处理.
0 引言
随着智能化信息技术的发展,视频监控、远程教育、人机交互技术及安全等各方面都迫切希望能够进行快速、有效的身份验证.人脸检测问题最初来源于人脸识别,是指在输入图像中判断是否存在人脸区域,进一步确定人脸的位置,以及面部特征信息等.现在人脸检测的应用背景已经远远超出了人脸识别系统的范畴,并体现出越来越多的学术价值和应用价值.
笔者给出了一种用于固定场景的快速人脸检测方法.首先运用背景差方法剔除静止背景的干扰,再用SHEN滤波确定阈值进一步去掉多余背景,得到运动目标子图像.接着基于肤色聚类模型对运动目标子图像进行肤色分割,最后结合椭圆模板检测出人脸区域,进行人脸定位.最后利用Matlab7.0进行了实现,并在自建的人脸测试图像库上做了很多实验.该方法的优点是可将运动信息序列图像中与人脸肤色相似的固定区域删除,在目标跟踪和运动检测上,不仅能有效地抑制背景噪声,减少误检率,而且还能缩小人脸检测范围,加快检测速度.
1.从视频图像中提取运动目标(人)
1.1 建立背景图取出初始目标
在视频图像中为了定位人脸,应尽可能减少图像背景的干扰,这样可以更快更准确地定位人脸.由于是固定场景,所以采用背景差方法即可提取出运动目标.
1.2 法取阈值分割出运动目标
背景差分后得到的运动目标不是很清晰,还存在一些背景,观察发现,其图像的直方图是典型的分布(见图1),且左边的峰为背景,右边的峰为运动目标, 要从图像中分割出运动目标,只需找到直方图中两峰之间的谷点即可.笔者利用SHEN滤波来求解离散图像的一阶导数和二阶导数,从而找到该极小点(当某点的一阶导数等于零且二阶导数大于零时,该点即为极小值点)(见图2).以此为阈值取出运动目标,然后再运用数学形态学除去干扰后提取出运动目标.
2.1 确定Cb,Cr的阈值进行肤色分割
在YCbCr模型(Y代表亮度、Cb代表蓝色差、Cr代表红色差)中的人脸肤色有很强的聚类性,并且它们之间也具有相关性,不同人的肤色集中在Cb,Cr空间中的一个很小区域,选取适当的Cb和Cr值就能将人脸从复杂的背景中分离出来.
首先将目标图像从RGB转到YCbCr色彩空间,获取Cb、Cr分量后,观察直方图发现对于Cb,在\[73,127\]范围内存在着一些干扰,即在120~127会有一点突然增高,形成一个跳跃,对于Cr在\[133,173\] 范围内也存在着一些干扰,即在140~133会有一点突然增高,形成一个跳跃,(见图3).笔者利用二阶导数对跳跃的敏感,求出这个跳跃点(见图4),结合Cr等于\[133,173\]、Cb等于\[77,127\],即可取得肤色分割阈值,利用该阈值对图像作二值化处理即可得到肤色区域.
2.2 用数学形态学除去干扰后结合椭圆模板提取出人脸区域
经肤色分割后,所生成的肤色二值图像存在噪声和可能的类肤色区域,是用数学形态学无法除掉的,这就需要进行人脸区域验证.由于人脸的形状近似椭圆,可以通过检测图像中近似的椭圆来查脸区域.利用椭圆的中心(x0,y0),倾角θ,长轴a,短轴b,求连通区S和椭圆的相似度Similar等于4×Sπ×a×b.如果Similar大于0.7,则认为是人脸区域.
3.实验结果
笔者建立了一个彩像测试库,这些测试图像主要来源于用数码相机拍摄的照片,一共120张,其中单人照片90张,多人照片30张,室内照片85张,室外照片35张.为了更好地检验该检测系统在各种复杂背景下的检测效果,本文选取的测试照片包含了不同的年龄、不同的光照条件和不同的背景以及不同的尺寸规格,并且照片中人物姿态各异、表情变化较大,实验效果见图5.
图5 实验效果
4.结束语
实验结果表明,此算法对人脸的限制条件比较少,对戴眼镜以及非正面端正的人脸都有比较好的检测效果.通过对测试图像库的测试,证明笔者提出的人脸检测算法对于正面人脸具有较好的检测效果,且佩戴眼镜以及非正面端正的人脸检出率也较高.