一种基于肤色模型和模板匹配的人脸检测算法

顾伟，刘文杰，朱忠浩，许凯

一种基于肤色模型和模板匹配的人脸检测算法

顾伟，刘文杰，朱忠浩，许凯

近年来，随着人机识别技术的日益发展，人脸检测问题越来越受到重视，而人脸检测技术的关键在于准确率和检测速度。为了有效提高人脸检测的效率，提出了一种基于肤色分割和模板匹配算法的人脸检测方法。首先，建立颜色模型，利用颜色信息对图像进行粗检测，得到粗检测结果，然后，采用模板匹配技术确定人脸。该算法克服了单用模板匹配法的时间延迟，提高了检测精度和速度。

人脸检测；肤色模型；模板匹配

0 引言

人脸检测是人脸识别技术[1]的第一步，是模式识别领域和计算机视觉方向的重要研究课题和研究热点之一。人脸检测的要求是判断图像中是否存在类似人脸的区域，若有则进一步确定人脸的位置、方向等属性。传统的人脸检测技术多用单一方法，一般要求背景简单，人脸姿态变化幅度不大，主要的方法有：模板匹配法[2][3]，基于统计特征的方法[4]及人工神经网络[5]等。简单的模板匹配法早已证明是不能很好地解决尺度、姿态和形状变化等问题，它的改进方法—可变模板法可以较好地解决上述问题，但这种方法最大的缺点是对初始位置的敏感。基于特征的方法是比较从图像中抽取的一定特征的相似性，用匹配的方法进行检测，但是特征的提取有一定困难。利用人工神经网络方法能得到较好的检测效果，但是人工神经网络需要大量的训练样本，而且学习时间长。有研究指出同种人的皮肤颜色有一定的特性，与其他物体的颜色分布有较明显的差异，并且颜色不随物体大小、姿态而变化，因此利用肤色聚类特性建立模型对人脸图像进行粗定位，成为了目前人脸检测与跟踪领域的主流方法。当然仅仅利用肤色模型进行人脸检测是不够的，因为自然界存在着大量与人脸肤色类似的物体，因此几乎所有采用了肤色特征的方法都需要利用其他的人脸特征做进一步验证。本文采用了一种肤色模型与模板匹配技术相结合的算法[6]，首先建立合适肤色模型，根据肤色模型对图像进行分割，然后根据模板匹配方法定位人脸位置，算法流程如图1所示：

图1 算法流程

1 对肤色进行分割[7]

1.1 肤色模型的建立[8]

光在频域分布中的不同波段对应了各种颜色，光谱中可见区域段光是人可以感知到的颜色。当我们将两种不同的颜色按一定比例混合可以生成另一种颜色，通过混合3种不同的颜色我们就可以得到我们想要的颜色，这就是三基色颜色模型的基本原理。颜色模型有很多种，颜色空间的转换常用的颜色模型主要有：RGB、YCrCb、HSI、YUV等。

为了把人脸区域从整个图像中分割出来，需要建立对于不同肤色和光照条件下具有一定鲁棒性的肤色模型[9]，常用的RGB色彩空间不适合用来建立肤色模型，因为在RGB空间中三基色（r、g、b）不仅代表颜色，还表示了亮度，周围环境光照的变化会使人脸的检测变得更加复杂，因此RGB色彩空间用于肤色分割过程是不可靠的。为了建立可用于肤色分割的色彩模型，需要把颜色表达式中的色度和亮度信息分开，这样就能利用肤色的聚类特性进行肤色分割。本文选用YCrCb空间作为肤色分布统计的映射空间，在YCbCr色彩空间中肤色聚类特性比较好，受光照亮度的影响较小，并且是二维独立分布，能较好地限制肤色区域的分布。YCrCb颜色模型共有三个分量，其中Cr分量和Cb分量分别表示红色色度和蓝色色度，并且YCrCb颜色模型将亮度信息分离了出来。YCrCb颜色模型与RGB色彩空间具有线性关系，可以由RGB模型换算得到，因此YCrCb颜色模型在图像分割领域得到了广泛的应用。因此降低光照对肤色分割的影响，本文采用YCrCb颜色模型[10]。

首先对目标图像进行颜色空间转换，将目标图像由常用的RGB空间转换到亮度与色彩独立的YCrCb空间，转换公式如公式（1）：

有研究指出[11]：尽管不同人的肤色可能有很大的不同（尤其是不同的人种之间），但相对于它们在亮度上的差异而言，它们在色度上的差异要小得多，也就是说对于不同的人，他们的肤色在色度值上很接近，而在亮度值上差异较大，因此可以归纳为不同人的肤色满足2D Gaussian模型如公式（2）：

1.2 基于颜色模型的粗检测

肤色模型建立以后，首先根据肤色模型，将目标图像转换到YCrCb色彩空间，然后根据相似度计算公式判断目标图像的每一个像素与肤色的相似度，相似度计算公式如如公式（3）：

计算相似度后，通过选取合适的阀值，将相似度计算得到的灰度图像进一步转换为二值图像，二值图像中0表示属于肤色，1则表示属于非肤色区域。

由于存在噪声干扰，得到的二值图像一般存在边缘模糊的现象，并且由于人脸中存在眼睛、眉毛、嘴等非肤色部分，使得二值图像中人脸往往没有被完全填充，为了降噪、增强边缘以及眉眼等非肤色器官的影响，需要对二值图像做进一步的预处理，每一步的处理结果分别如图2所示：

图2 膨胀腐蚀处理后的图像

在自然界中，有可能存在着很多和人类皮肤颜色相似的物体，因此在复杂背景下，预处理后的二值图像中可能存在着手、胳膊等非人脸区域，为了降低后续处理的难度，根据人脸的几何特征对目标图像做进一步的处理，如剔除一些很小的区域和一些狭长型的区域，提高检测结果的精度。

2 模板匹配[12]

2.1 模板匹配算法

模板匹配是机器识别领域常用的方法。所谓模板匹配就是在目标图像中搜索与已知模式相匹配的结果。

模板匹配过程如下：设模板为T，目标图为S，以图来形容模板匹配的过程就是将模板T放在目标S上进行平移，此时，将模板T覆盖的目标图S上的区域称为子图j为子图的左上角象素点在目标图S中的坐标，称为参考点，如图3所示：

图3 模板匹配过程

将公式（4）展开如公式（5）：

对公式（6）进行归一化处理如公式（7）：

2.2 生成模板[13]

本文构造模板的方法是选取多个样本并取平均的方法，首先选取大量的人脸图像（本文使用的是芬兰奥卢大学的人脸库，该人脸库包含不同光照及不同肤色的125个人的人脸图像共两千多幅），根据经验在选择的每个人脸图像中划出人脸的区域作为人脸的样本。通过这种方法得到的人脸样本存在不一样的尺度和不同的灰度分布，因此第二步需要对样本作灰度分布标准化和尺度变换，最后将所有样本压缩到指定的尺度并取灰度平均，这样就得到了原始模板。得到原始模板之后的主要工作是尺度变换和灰度分布标准化。

图像的灰度分布有两个参量，分布是灰度平均值和方差，为了消除采集样本时光照等因素对图像的影响，我们将这两个参量设置为给定的值，这样就将灰度平均均值和方差两个关键特征一致化。我们认为这种灰度分布标准化方法比常用的直方图均衡化方法更为有效。对于尺度变换，我们采用基于线性插值的重采样方法，具体操作本文不再赘述。

图像的灰度分布方差由公式（9）：

对每个样本图像做如下变换，将每个样本图像的灰度平均值和方差变换到事先设定的灰度平均值和方差如公司（10）：

2.3 基于模板匹配的细检测[14]

在利用肤色模型粗检测之后，将检测到的肤色区域灰度标准化，然后进行相似度计算。设输入图像区域的灰度矩阵为R[M][N]，其灰度均值和均方差分别为和模板的灰度矩阵为T[M][N]，其灰度均值和均方差分别为和则两者之间的相关系数和对应象素灰度值的平均偏差可以表示为公式（11）、（12）：

其中α为权重系数，经验值为35。

3 实验结果

我们使用本文的算法进行了实验测试，实验所用的样本图像来源于相机拍摄及网上下载的各种图像，样本图像涵盖了不同环境、不同背景的各种人脸图像，实验证明该算法检测速度和准确性都较好如图4所示：

图4 多人脸图像检测结果

图4(a)、图4(b)为单人脸图片的检测结果，图4(c)为复杂背景下多人脸图片的检测结果，图中正常姿态人脸均能被准确检测，仅有少量人脸由于姿态变化较大或重要部分被遮挡没能被检测出来，根据实验结果统计，正确率达到97.3%。

对于实用的人脸检测算法，不但要有很高的准确率，对于检测速度也有很高的要求。传统的模板匹配算法中，匹配度的计算是最占用时间的。本文算法结合了肤色模型粗检测，只对肤色区域作匹配，这样大大减少了匹配区域，提高了检测速度。传统模板匹配法和本文所述算法的数据比较，所述算法在正确率和效率上都得到了较大提升，如表1所示：

表1 两种算法实验数据对比

4 结语

本文描述了一种肤色模型与模板匹配算法相结合的人脸检测算法, 这种算法利用肤色特性，缩小了模板匹配的区域，提高了检测效率，且不受光照条件和面部表情变化的影响，检测精度较高，具有很好的鲁棒性。

[1] 杨万振．人脸识别技术概述[J] ．计算机光盘软件与应用．2012(05) ．

[2] Yang G.Human Face Detection in a Complex Background.[J]Pattern Recognition.1994,27(10):53-63.

[3] Hao Li,Hai-Bin Duan,Xiang-Yin Zhang. A novel image template matching based on particle filtering optimization[J]. Pattern Recognition Letters . 2009 (13)

[4] Sung K.Poggio T.Example-based learning for view-based human face detection: [J]IEEE Trans pattern Analysis and Machine Intelligence.1998,18(1):39-51.

[5] Rowley H A, Baluja S, Kannde T.Neural network based face detection[J]:IEEE Trans on PAMI, 1998,20(1):23-28.

[6] 朱正平，孙传庆，王阳萍．基于肤色与模板匹配的人脸检测的方法研究[J]．自动化与仪器仪表，2008，2008( 6) ：91-93，105．

[7] 王红,韩宇星.肤色信息在人脸检测中的应用[J].计算技术与自动化.2008(04)

[8] 李岚，朱林杰，张云．肤色与梯度互补的人脸检测研究[J]．计算机应用与软件，2013，30(2)：280-282．

[9] 李智勇,田贞.基于肤色模型的人脸检测研究[J].现代电子技术.2011(03)

[10] 张争珍，石跃祥．YCgCr颜色空间的肤色聚类人脸检测法[J]．计算机工程与应用,2009，45(22)：163-165．

[11] Yang J, Lu W, Waibe A. Skin-color modeling and adaptation[R]. Pittsburgh:CMU-CS, 1997. 97-146.

[12] .梁路宏，艾海舟，何克忠等．基于多关联模板匹配的人脸检测[J]．软件学报，2001，12(1)：1784-1792．

[13] 由霖，修春波．基于模板匹配的目标识别算法[C]．2011年中国智能自动化学术会议论文集（第一分册）.2011.

[14] 卢绪军,赵勋杰.一种基于肤色和模板匹配的人脸检测方法[J].计算机应用与软件.2011(07)

A Face Detection Method Based on Skin-Color Model and Template Matching

Gu Wei1,2, Liu Wenjie1,2, Zhu Zhonghao2, Xu Kai2
(1.Jiangsu Engineering Center of Network Monitoring, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. School of Computer & Software, Nanjing University of Information Science & Technology, Nanjing 210044, China)

Nowadays, with the development of face identification technology, face detection has been paid more and more attention. The key of face detection technology is accuracy and detection speed. In order to effectively improve the efficiency of face detection, we proposed a method of face detection which based on skin-color model and template matching. First we set up the skin-color model and detect the image by the color information roughly, and then we can identify the face by template matching. This method improves the disadvantage of traditional template matching method and increase the accuracy and speed of the detection.

Face Detection; Skin-Color Model; Template Matching

TP391

A

1007-757X(2014)07-0013-04

2014.07.20）

国家自然科学基金青年科学基金（61103235）；南京信息工程大学教改课题（12JY041）；南京信息工程大学实验开放项目（13KF037）

顾 伟（1983-），男，南京信息工程大学计算机与软件学院，实验师，硕士研究生，研究方向：模式识别与图像处理，南京 210044刘文杰（1979-），男，南京信息工程大学计算机与软件学院，副教授，博士，研究方向：智能计算、网络计算、量子算，南京 210044朱忠浩（1990-），男，南京信息工程大学计算机与软件学院，在校大学生，研究方向：计算机科学与技术，网络工程，南京 210044许 凯（1993-），男，南京信息工程大学计算机与软件学院，在校大学生，研究方向：计算机科学与技术，网络工程，南京 210044