基于运动区域Viola-Jones算法的视频人脸检测

彭明莎，刘翠响

（河北工业大学 天津 300401）

由于人的脸部可以为外界提供大量的视觉信息，所以多种计算机感知通道都选择建立在人脸处理技术的基础上，如表情识别。随着信息的快速发展，近年来，视频人脸检测已成为计算机视觉领域的研究热点，由于人脸检测的好坏直接影响人脸识别的效率，人们对检测的精度要求越来越高。

目前，检测人脸的方法大体可分为4种：基于adaboost的方法、基于神经网络的方法、基于色彩信息的方法和基于器官特征的方法，然而前两种方法均需要通过复杂而冗长的训练过程才能达到人脸检测的目的，而基于色彩信息和器官特征这两种方法相对来说更简单易行，HsuR[1]等人对基于肤色的人脸检测方面已经做了大量的研究。由于本文考虑到视频序列的特殊性，帧与帧之间存在一定的相似性，所以本文采用一种基于运动区域的人脸检测。

1 视频运动区域的提取方法

视频人脸检测主要目的是提取图像的相应特征，对提取的特征进行分类，判别是否为人脸区域。

为了使特征的提取快速、精确，进行相应有效的预处理是必要的，考虑到视频帧与帧之间的相似性，上一帧人脸的位置信息对下一帧的检测具有很高的指导价值，所以采有帧间相约束的方法，可以大大减少了人脸检测的区域。本文在运动区域采用基于Boxfilter的Viola-Jones视频人脸检测。

目前运动区域的提取方法主要有帧差法、背景相减法、光流法等。帧差法是一种特殊的背景减图法，相比较而言，帧差法不需要建模，由于帧差法的背景模型是上一帧的图，所以处理速度非常快[2]。光流是指在观察成像平面上，空间运动物体像素的瞬时速度，光流是利用视频特性找到当前帧和上一帧之间的特殊关系[3]。

虽然帧差法的处理速度快，但是对于光照变化不能很好地感知、处理；而滑动平均算法简单，且能够很好地处理光照变化，但滑动平均的阈值不好设定，并且固定阈值不能更好的区分所有特征，所以希望阈值可以根据不同的特征自行设定，所以本文采用一种帧差法和自适应的滑动平均相结合的算法。

2 帧差法和自适应的滑动平均法相结合的算法

为了提高运动区域提取的精度，本文采用帧差法和自适应的滑动平均相结合的算法。自适应的滑动平均是自适应阈值和更新率的滑动平均背景建模算法，该算法的时间复杂度较低，效果相对稳定[4]。公式如下:

其中Model new是当前背景模型，cur是当前帧去除背景后的图片，α是背景更新系数，为了适应不同的特征，本文采用自适应的α，α满足下面公式：

其中，

其中，Dn为当前帧和上一帧的差值，T为阈值。为了能够适应光照突变的情况，采用时变性的阈值，T必须满足下面公式：

Th表示最初的阈值，Tc表示光线的变化，Tc值反应了阈值对光照突变的敏感度。

帧差法和自适应的滑动平均法相结合的算法的原理图如图1所示。

图1帧差法和自适应的滑动平均法相结合算法的原理图Fig.1 Principle diagram of combining frame difference and adaptive moving average method

通过将帧差法提取的前景和自适应的滑动平均法提取的前景进行“与运算”，输出的结果为最终的前景图。在提取前景的基础上进行开运算和闭运算，然后对处理后的视频图像进行连通区域分析，并把运动目标的大体位置映射到原视频图像上。

图2第14帧的运动区域分割Fig.2 Segmentation of the fourteenth frame motion

图 2（a）、图 3（a）是本文算法提取的前景图，图 2（b）、图 3（b）表示将运动目标的位置映射在原图像上。

3 基于运动区域的视频人脸检测

图3第38帧的运动区域分割Fig.3 Segmentation of the thirty-eighth frame motion area

人脸检测主要是对人脸知识进行分析。2001年，Viola和Jones首次提出的基于AdaBoost算法的人脸检测方法，首次实现了实时人脸检测，是目前为止最好的检测方法。该方法主要包含Haar-like特征、积分图、AdaBoost迭代算法和级联分类器等内容[5]。本文将在运动区域采用基于Boxfilter算法的Viola-Jones快速人脸检测。

采用一种简单的矩形Haar-like特征来描述图像的灰度分布；

使Boxfilter算法来快速计算分类器训练所用的特征；

利用AdaBoost算法从大量Haar-like特征中挑选出很少的一部分构造成一系列的强分类器。 将训练得到的强分类器进行级联，利用级联的强分类器构成最终的分类器，形成一种瀑布型检测器结构，逐渐剔除非人脸区域。

利用肤色对分类器检测到的人脸进一步检测，排除“假人脸”。

Haar-like特征主要是一系列带有权重的矩形模板，将某一模板运用到图像某一区域时，特征提取结果为白色矩形覆盖区域的灰度值总和与灰色矩形覆盖区域的灰度值总和之差[5]。如图4所示。

图4 Haar-like特征Fig.4 Haar-like features

Boxfilter与积分图的原理类似，但复杂度却由O（4）降到O（1）。主要是以Box的高度为高，以原图像的灰度值为长矩形内每一列的像素和，通过Buff求出Box内的像素和[6]。

虽然加快了计算速率，但是该方法计算出来的Haar-like特征的数量是不会改变的，Haar-like特征的数量十分巨大，而每一个Haar-like特征就代表着需要一个弱分类器，对于每一个不同的弱分类器，运用 Adaboost方法进行训练，对全部的分类器进行排序，然后从中选取少数效果最好的弱分类器组成一个强分类器[5]。

然后采用级联方法，形成一种瀑布型检测器结构，逐渐剔除非人脸区域，这样提高分类速度。

对图像序列利用上述的本文进行运动区域检测，通过边缘检测，我们将检测得到的运动区域进行x，y的投影获得矩形区域，该矩形区域就是Viola-Jones视频人脸检测的搜索区域。

在Viola-Jones检测到的人脸内通过肤色进一步检测，从而提高检测速度并降低误检率。

根据上述模型，根据Viola-Jones检测到的人脸的矩形区域，进行肤色检测，排除误检的人脸，进一步提高Viola-Jones人脸检测的鲁棒性。

该方法改善了原算法的鲁棒性，提升了速度，通过对录制视频的40帧图片进行仿真，结果如表1所示，经过三组数据的对比，可以明显看出本文的检测时间大大缩短，检测速度提升1/3倍。

表1 检测所需时间的对比Tab.1 Com parison of detection tim e

本文通过录制的视频在MATLAB 2010b软件上对该算法进行仿真验证，效果如图5所示。

图5录制视频的检测结果Fig.5 The detection results of recording video

通过图 5（a）、（b）人脸检测放大效果图可以明显看出，本文的算法在一定范围内可以很好的排除“假人脸”，图5（c）可以看出本文算法不仅对正脸具有很好的检测效果，同时也适用于侧脸。

4 结 论

本文研究分析了基于Boxfilter的Viola-Jones算法，利用自适应的滑动平均算法对光线具有很好感应功能，将帧差法和自适应的滑动平均法相结合来提取运动区域，然后采用肤色检测来进一步提高精确度。通过实验结果表明该方法可以相对精确地检测到人脸，具有较好的鲁棒性。

[1]HusRL.Abdel-MottalabM.Jain AK.Face detection in color images[J].PAMI，2002，24（5）:606-706．

[2]黄禹馨，黄山，张洪斌.基于肤色和器官定位的实时人脸检测[J].计算机工程与科学，2014，36（5）:936-940.HUANG Yu-xin，HUANG Shan，ZHANG Hong-bin.Realtime face detection based on skin and organ positioning[J].Computer Engineering and Science，2014，36（5）:936-940.

[3]甘明刚，陈杰，刘劲等.一种基于三帧差分和边缘信息的运动目标检测方法[J].电子与信息学报，2010，32（4）:894-897.GAN Ming-gang，CHEN Jie，LIU Jin.A kind moving target detection method based on three frame difference and edge information[J].Journal of Electronics and Information Technology，2010，32（4）:894-897.

[4]余胜生，肖德贵，周敬利，等.自适应背景抽取算法[J].小型微型计算机系统，2003:24（7）:1331-1334.YU Sheng-sheng，XIAO De-gui，ZHOU Jing-li.Adaptive background extraction algorithm[J].Mini micro Systems，2003，24（7）:1331-1334.

[5]杨彦.基于人脸检测和多线索融合的实时人脸跟踪系统[J].电子器件，2013，36（3）:304-308.YANG Yan.The real-time tracking system based on face detection and multi cue fusion[J].Electronic Device，2013，36（3）:304-308.

[6]秦岳.基于光流特征的运动目标检测与跟踪算法研究[D].北京:北京工业大学，2013.