基于最小二乘法的彩色模板人脸检测算法

王丹妹，年立群，巴 一，张江梅

（承德医学院，河北承德 067000）

技术方法

基于最小二乘法的彩色模板人脸检测算法

王丹妹，年立群，巴 一，张江梅

（承德医学院，河北承德 067000）

人脸检测；彩色人脸模板；最小二乘法；阈值判断；色彩空间

人脸检测(Face detection)是人脸信息处理中一个重要的研究方向，检测方法主要包括：基于肤色，利用肤色信息分割出候选区域，再结合人脸几何特征或灰度特征验证候选区是否为人脸[1-3]；基于启发式模型，首先抽取待检测图像的几何、灰度、纹理等特征，通过判断是否符合人脸特征来检测人脸[4-7]；基于统计模型，将人脸区域看作一类模式，即模板特征，使用大量的“人脸”与“非人脸”样本训练、构造分类器，通过判断图像中所有可能区域属于哪类模板的方法实现人脸检测[8-11]。针对彩色图像中正面和侧面人脸检测问题，本研究提出一种基于最小二乘法和模板的人脸检测算法。该算法首先利用人脸图像样本库合成彩色人脸模板，然后利用最小二乘法对人脸模板和待检测图像进行操作，最后根据阈值判断原理判断待检测图像是否为人脸。现将该算法的设计和实验过程叙述如下。

1 算法设计

1.1 框架 首先，对输入的图像进行预处理，包括裁剪待检测区域、尺寸归一化；其次，在不同色彩空间中提取人脸模板和待检测图像的像素数值并进行数值归一化处理；然后，求得两者间所有对应位置像素数值差的平方和；最后，对实验样本库中得到的数据进行分析，设定最佳阈值，根据阈值判断原理，判断待检测图像是否为人脸。

1.2 彩色人脸模板合成 按照特定尺寸比例裁剪实验样本库图像中的人脸区域，并进行尺寸归一化处理到(92，112)像素，之后合成人脸模版，得到彩色人脸模板。

r和r分别为x和y方向上的尺寸变换因子，取值为：

1.4 数值归一化 ①将像素数值对称地分布在原点两侧。设数值范围[a,b]，i为其内任意值，i’为i经对称分布后对应的数值。公式：

经式(3)后，[a,b]变为[(3a-b)/2,(a+b)/2]。②将数值缩小到指定范围内，通过对归一化到原点两侧的像素数值进行加权操作实现。 分布在原点两侧的数值为[(3a-b)/2, (a+b)/2]，设j为该范围内任意值，j’是j数值缩小后的对应值，k代表缩放倍数。公式：

当k=1时，缩小到[-1,1]。

在RGB色彩空间中，提取像素的R、G、B分量值为[0,255]，根据式(5-7)和式(8)得到H、S、Cr和Cb值分别为[0,2π]，[0,1]，[0.5,255.5]，[0.5,255.5]。设定k=1，利用式(3)和式(4)，将值归一化到[-1,1]范围内。

当R、G、B值都分布在[0,1]范围内时，RGB空间到HSI的转换公式：

其中

1.3 尺寸归一化 设原图像为f(x,y)M*N，图像宽为M，高为N，尺寸归一化后图像为g(x，y)W*H。尺寸归一化完成后，原图像与归一化后的图像对应比例为：

RGB空间到YCrCb空间转换公式：

1.5 最小二乘差平方和生成 设T[W][H]和R[W][H]分别表示人脸模板和待检测图像的二维彩色矩阵，公式：

1.6 阈值决策 根据最小二乘法，当待检测图像为人脸时，其与人脸模板对应位置的像素信息相似，与人脸模板的最小二乘差平方和理论上是接近0的正数，反之理论上可以是任意大的正数。

分析可知，采用最佳阈值方法能够判断待检测图像是否为人脸。通过分析实验库处理得到的最小二乘差平方和，利用多阈值训练的方法[14]得到本算法实验的最佳阈值，当最小二乘差的平方和小于最佳阈值时，判定该图像为人脸；反之，为非人脸。

2 实验结果及分析

为验证算法的有效性，在三个测试集上进行了实验，测试集包含Internet下载和摄像机拍摄图像。测试集1为正面图像库，含300幅图像，人脸275幅(合成人脸模板的250幅，其它25幅)，非人脸25幅；测试集2为左侧面图像库、测试集3为右侧面图像库，各包含人脸图像300幅(合成人脸模板250幅，其它50幅)，图像尺寸为(92，112)像素。

实验分别在RGB、YCrCb和HSI色彩空间进行，分别利用测试集1、2、3进行，结果见表1-3。使用本研究提出的基于最小二乘法的彩色模板人脸检测方法检测正确检测率较高，并且在YCrCb彩色空间中检测效果较好，正面人脸正检率97.7%，左侧面人脸正检率96.8%，右侧面人脸正检率97.6%。见表1、2、3：

表1 正面人脸检测结果

表2 左侧面人脸检测结果

表3 右侧面人脸检测结果

3 结语

根据最小二乘法和模板匹配思想，结合人脸检测中肤色知识，提出一种基于最小二乘法的彩色模板人脸检测方法。首先利用实验样本库生成彩色人脸模板，包括图像尺寸归一化和人脸模板合成，截取图像中的人脸区域，将得到的图像尺寸归一化为(92，112)像素，之后生成样本均值，即彩色人脸模板(正面和侧面人脸模板)；其次对输入的任意图像进行预处理，裁剪待检测区域并进行尺寸归一化，使待检测图像尺寸和人脸模板一致；然后提取待检测图像和人脸模板像素数值并进行数值归一化处理，求得人脸模板和待检测图像最小二乘差平方和；最后设定人脸检测最佳阈值，根据阈值判断原理确认待检测图像是否为人脸图像。

本研究说明，该算法在本研究图像库中的正确检测率较高。但也存在一定的局限性，例如，没有考虑眼镜等遮挡物情况下的人脸检测；由于实验样本库数量有限，生成的人脸模板存在一定限制的问题等。

[1]J Cai,Goshtasby A.Detecting human faces in color images[J].Image & Vision Computing,1999,18 (1):63-75.

[2]Belaroussi R,Milgram M.A comparative study on face detection and tracking algorithms[J]. Expert Systems with Applications,2012, 39(8):7158-7164.

[3]肖红,南威治.基于肤色模型与人脸结构特征的人脸检测[J].科学技术与工程,2010,10(21):1671-1815.

[4]梁路宏,艾海舟,何克忠.基于多模板匹配的单人脸检测[J].中国图象图形学报,1999,4(10):825-830.

[5]Pan H,Zhu Y,Xia L.Ef fi cient and accurate face detection using heterogeneous feature descriptors and feature selection[J]. Computer Vision & Image Understanding,2013,17(1):12-28.

[6]王燕,蒋正午.基于半监督聚类的人脸检测方法[J].计算机工程,2012,38(12):182-184.

[7]李伟生,杨瑞娟,周丽芳,等.基于多肤色空间及AdaBoost算法的人脸检测方法[J].计算机应用研究,2012,29(6):2368-2370,2378.

[8]Huang CH.a reduced support vector machine approach for interval regression analysis[J]. Information Sciences,2012,217(24):56-64.

[9]Qi Z,Tian Y,Shi Y.Robust twin support vector machine for patternclassi fi cation[J].Pattern Recognition,2013,46(1):305-316.

[10]李睿,张九蕊,毛莉.基于EREF的PSO-AdaBoost训练算法[J].计算机应用研究,2012,29(1):127-129.

[11]Ding Z,Zhao F,Shu W,et al. Face detection system for SVGA source with hector-scale frame rate on FPGA board[J].Microprocessors & Microsystems,2011,36(4):315-323.

[12]熊兴华,钱曾波,王任享.遗传算法与最小二乘法相结合的遥感图像子像素匹配[J].测绘学报,2001,30(1):54-59.

[13]寇蓉.相关系数与最小二乘影像匹配算法的研究[J].内蒙古科技与经济,2010,219(17):60-61,63.

[14]刘欣欣,李雪,王琼.基于灰度直方图的多阈值分割法[J].计算机应用与软件,2013,30(12):28-30,63.

TP391.4

A

1004-6879（2017）05-0415-03

2017-02-10）