基于动态阈值图像分割法的人脸识别技术研究

王彦

（武汉铁路职业技术学院，湖北 武汉430205）

0 引言

人脸检测（face detection）指在输入的彩色图像中确定所包含的人脸的位置、大小、位姿的过程［1］.人脸包含丰富的信息，是一种典型的生物特征，人脸检测在个人身份鉴别、智能视频监控和人机交互中具有广阔的应用前景.随着人工智能、机器视觉和模式识别的发展，人脸检测在基于人脸特征的应用中越来越重要，其快速性和准确性已成为人脸检测算法所追求的目标［2］.由于大多数图像设备能够获得彩色图像，基于彩色图像的人脸检测也逐渐成为研究的热点.

对于彩色图像中的每个像素点，计算其相似度，可以得知该像素点属于肤色区域的可能性大小［3］.根据肤色相似度，采用阈值化技术可以对输入图像进行肤色分割.然而，采用固定的阈值可能存在这样的问题：如果阈值取得过大，许多肤色区域将无法检出，造成漏检；如果阈值取得过小，将导致许多非肤色区域被误检成肤色区域.因此给出一种动态阈值确定方法，将肤色相似度与求得的动态阈值相结合，以实现对输入图像的肤色区域进行精确分割，从而提高人脸检测的速度与性能［4］.基于人脸肤色信息在色彩空间中的聚类特性，利用Fisher准则获取动态阈值，对人脸图像进行分割，并将图像分成非肤色区域和类肤色区域，从而实现对人脸区域的定位和识别.

1 基于Fisher准则的阈值动态获取算法

对于待检测的彩色图像，经常会受到光照不均、灰度不均、噪声等因素的干扰，同时也会对利用肤色模型计算得到的肤色似然图像起到一定的干扰作用.在这种情况下，直方图阈值分割法效果不太好；最大熵阈值分割法对噪声极为敏感，同时还会使一个较为简单问题复杂化，增加了系统的计算量；模糊阈值分割法在具体的实际应用中，模板窗口的大小确定、函数的选取将对分割结果造成很大的影响［5］.相比较而言，由Ostu等人研究提出的一种基于最小二乘法原理的最大类间方差阈值图像分割法，体现出一定的优越性.

基于最小二乘法原理的最大类间方差阈值图像分割法的基本思想是：在灰度级别下，先将图像划分成两部分，再计算这两部分之间的方差，当方差值达到最大值时，所对应的参数阈值即为最佳分割阈值［6］.通过最大类间方差阈值图像分割，实现动态选取阈值的目的.肤色分割的准确度直接关系到后续人脸检测的结果，因此在肤色分割之前，要根据待检测图像自身特点选取一个最合适的阈值，引入模式识别理论中的Fisher评价准则作为实现自动选取阈值的最佳判断准则.

将Fisher评价准则用于解决人脸图像的分割问题，主要是利用了Fisher函数的类间均值最大、总类内方差最小的原则，从而可以自动获取某幅图像所对应的最佳分类阈值.

1.1 基于Fisher准则动态阈值的获取 在模式识别中，假设m维特征x在任一直线上投影，将m维特征逐渐减小到1维，形成一维空间.但如何选取投影直线，才能使类间的距离达到最大值呢？

考虑将n维空间的样本投影到一条直线上，形成一维空间.经过研究发现：即使目标样本能够在n维空间里形成多个相互独立的分散区域块，但经过投影变换以后，当这些目标样本投影到一条直线上，最后的结果仍然会使得许多目标样本相互掺和起来，难以识别.因此，如何在某一个方向上找到一条最适合进行分类的投影直线，在该直线上目标样本能够分离识别，是Fisher准则要攻克的难题.

Fisher准则函数不仅可以获得特征向量的最佳一维投影方向，也是判定类别分离程度的有效准则.图像的阈值将图像划分为目标和背景两类，阈值取得越准确，目标和背景的分离程度越好，分割效果越好，因此将Fisher准则函数应用于图像的分割，以不同的灰度值将图像划分为目标和背景两类，当Fisher准则函数取最大值时，目标和背景达到最佳分离程度，所取得灰度值为最佳阈值.

1.1.1 在n维x空间

1.1.2 在一维y空间以上分析可见，引入Fisher评价准则的目的是经过投影变换后，各类目标样本在一维y空间中尽可能变得分散，即类别之间的均值差ˉm1-ˉm2尽可能达到最大值；同时使各个类间样本的内部密集程度尽可能高，使类内离散度的取值达到最小化.

假设选取两个样本类，对应的Fisher评价函数为：

从（8）式可以得出结论：欲使JF（T）取最大值，必须使两个样本类别平均值达到最大化，同时还需两个样本类别的方差达到最小化.此时所对应的一维投影方向就是最佳投影方向.

基于Fisher评价准则的基本理论和有关参量，结合具体的实际应用，可以将在人脸检测中的肤色似然图像作为研究的目标样本类，该肤色似然图像中存在两个样本类，即肤色样本类和非肤色样本类，分别对应评价函数中的两个样本类.下面利用引入的Fisher评价函数，在一维空间中找最佳的分类阈值T.具体步骤如下：

1）在一幅待检测图像中，将其所有像素点分为目标对象和背景两类，利用前面的公式计算得到原图像的肤色似然图.

2）利用经验值，事先给定阈值区域，如［0.05，0.65］，当改变阈值时，以0.01的幅度进行赋值运算，从中选取最适合分类的阈值T.

3）当选取的阈值为最佳阈值T时，Fisher评价函数的值达到最大化，对应的两个类别的平均值间距离最大，且方差最小，同时也实现了动态阈值的获取.

1.2 肤色似然图像的二值化 用最佳阈值T将肤色似然图像中的肤色区域分离出来.选取肤色似然图像上的任一点，该点在色彩空间中的色度值向量用Ⅰ（x，y）表示.定义阈值解码器为：

其中：Ⅰ（x，y）＝［Cb（x，y），Cr（x，y）］T；P（Ⅰ（x，y））为用肤色似然度公式计算得到的图像上像素点的肤色概率.

2 仿真实验

根据阈值解码器，实现了肤色似然图的二值化，同时也实现了将肤色区域（包含类肤色区域）从背景区域中分割出来，得到了肤色分割后的二值化图像，初步检测到包含有人脸的肤色区域.肤色似然图像二值化后，基于Matlab的人脸识别仿真实验结果如图1所示.

图1 肤色分割图

通过仿真实验可以看到，利用动态阈值的选取，针对不同的待检测图像，均得到较好的肤色分割结果.同时在分割过程中也不可避免的产生了噪声，会对后续的人脸检测产生干扰，所以我们今后的工作需对二值图像进行去噪处理，消除噪声的干扰.

3 结束语

本文中提出了基于Fisher判别准则的自适应阈值的选择算法，将肤色和非肤色作为两类样本进行分类，当评价函数最优时可确定分类阈值，对肤色似然图进行二值化.实验结果表明，本文中提出的算法能够提高肤色的分割精度，对提高人脸检测的速度和精度起到关键作用，对研究基于肤色分割与其他方法结合的人脸检测具有一定的参考价值.

［1］赵丽红，刘纪红，徐心和.人脸检测方法综述［J］.计算机应用研究，2004，21（9）：1-4.

［2］郭秀梅，刘贤喜.基于肤色的人脸检测算法的研究［D］.泰安：山东农业大学，2008.

［3］于蕾蕾.双种群遗传算法的改进激起应用研究［D］.合肥：合肥工业大学，2009.

［4］郭耸，顾国昌，蔡则苏，等.肤色相似度和动态阈值相结合的肤色分割技术［J］.计算机工程与应用，2010，46（18）：1-3.

［5］梁路宏，爱海舟，肖习攀.基于模板匹配与支持矢量机的人脸检测［J］.计算机学报，2002（1）：22-29.

［6］Zitova B，Flusser J.Image registration methods：a survey［J］.Image and Vision Computing，2003（21）：977-1000.