基于高斯肤色模型与Blob算法的人脸检测

李 岚，张 云

（兰州文理学院 数字媒体学院，甘肃兰州 730000）

人脸识别与虚拟现实技术相结合是目前非常活跃的课题，在出入安全检测、个人信息验证、人机交互、目标跟踪等领域有很好的实用价值[1]。虽然人脸识别的准确性要低于虹膜、指纹的识别，但是由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。人脸识别通常包含两部分内容：一是人脸检测，二是人脸识别。正确的人脸检测就是指对于任意一幅给定的图像，采用一定的策略对其进行搜索，确定是否存在人脸，如果有则返回人脸所在的位置、姿态、大小。

典型的人脸检测方法有模板法、基于示例的学习法、基于器官特征的方法、神经网络法等[2]。由于肤色信息对方向、位置的无关性，因此基于肤色的人脸检测和基于灰度图像的人脸检测[3]相比，可以很好地缩短检测时间，提高检测的实时性和鲁棒性。但是肤色信息也有自身的缺点，如环境光照、肤色种类、遮挡、旋转、胡须等客观因素的影响，也会加大检测的难度。

针对以上出现的问题本文进行了探讨和测试，先将人脸检测的过程划分为三步。第一步：建立颜色空间——对颜色进行光照补偿，对比肤色模型，找出对肤色具有更好的聚类的颜色空间，在一定程度上可以消除日照、光源等客观环境的影响。基于文献[4]，在RGB三基色颜色空间对受光不好的图像进行光线补偿，修复色彩偏移问题；通过空间变换，在YCgCr空间上对输入图像进行肤色分割，尽可能减少搜索区域。第二步：建立肤色模型——采用高斯肤色混合模型，将YCgCr肤色空间中的Cg、Cr通道分离，并结合Y分量建立混合高斯肤色模型，将肤色区域从背景图像中分割出来，并利用肤色相似度等知识粗选人脸区域。第三步：人脸分割——利用Blob分析人脸上的眼、嘴几何信息和彩色信息，用来检测候选人脸的特征部位，根据分割结果进行检测和定位人脸，确定人脸的位置，整个过程如图1所示。

图1 人脸检测流程图

YCgCr色彩空间的高斯检测模型，具有和人视觉感知的一致性、对肤色聚类效果好以及亮度和色度相互独立的特点，对光照、旋转、遮挡有很好的鲁棒性，所以本文采用YCgCr颜色空间进行肤色初检测。再通过Blob分析算法，找出连通区域，结合人脸的特征，确定出准确的人脸位置。实验结果表明，该算法能够快速、准确检测人脸，为人脸识别与跟踪做好准备。

1 人脸区域定位

1.1 色彩空间

肤色检测中最常用的色彩空间是三基色RGB色彩空间，在该色彩空间中，颜色被定义为由R、G、B 3种色光按照不同的比例相加混合得到，这3个分量都包含亮度信息，他们之间存在着很大的相关性，不利于肤色的检测和分割。其他肤色空间用来进行人脸检测，有归一化RGB色彩空间和YCbCr、YUV、HSI等色彩空间。YCbCr色彩空间是由YUV空间派生出来的一种，与人类对颜色的感知能力非常接近[5]。

YCbCr空间中的Cb分量反映的是RGB空间中蓝色分量与亮度分量之间的差值，而在人的肤色中蓝色分量所占比重比较小，Cb分量不利于肤色分割。后来De Dios提出了YCgCr空间[5]，其中Cg分量表示绿色分量与亮度Y的差，可以很好地分离出肤色特生。文献[6]验证了肤色在YCgCr色彩空间比在YCbCr色彩空间具有更好的聚集性，所以本文采用了YCgCr色彩空间。其中，YCgCr空间与RGB空间的转换公式如式（1）。

1.2 高斯肤色模型

高斯肤色模型是在忽略亮度的情况下，色度分量都趋于一致，利用正态分布来拟合肤色的概率密度分布，近似地呈现二位高斯模型。其核心内容是：在设定的条件下，比如光照条件一定，肤色之间的差异在于概率密度，而与颜色无关，肤色的分布是属于正态分布[7]。在YCgCr空间下，建立高斯肤色模型的具体步骤如下：

Step1收集海量的带肤色的彩色图像，采用相关方法进行光照补偿，然后再进行剪裁，得到肤色图片。

Step2将Step1的肤色图片从RGB色彩空间转换到YCgCr色彩空间，统计每个肤色图片的像素点的Cg、Cr值。通过统计出来的Cg、Cr值，确定出二维高斯模型G=(m,C)中的参数，其中m表示均值，C表示协方差矩阵，具体计算公式如下：

1.3 肤色分割

根据上述建立好的高斯肤色模型，输入待检测图像，再根据式（1）中YCgCr空间与RGB空间的转换，将输入图像从RGB空间转换到YCgCr空间，对Cg和Cr应用Mahalanobis距离，通过考察各像素点的Cg和Cr值距离其均值的远近得到图像每个像素属于肤色的相似度，其相似度计算公式为

计算完成之后，对所求得的每个P(Cg,Cr)值进行归一化处理，使得各像素点的相似度值在[0,1]之间，并且属于肤色区域的亮度值更高。其中，相似度值越大，表示属于肤色的可能性越大，反之越小。

2 人脸区域判定

2.1 Blob算法

在本文中采用Blob分析[8]算法，其思想是模仿人的视觉处理过程，在一块图像区域内，通过分割图像，得到若干互不相交的封闭区域，然后再对这些区域进行处理，区域中的像素在空间上连通并且具有相似的特征，这个连通区域称为Blob。复杂背景下，肤色分割得到的人脸待选区域中，可能会存在很多和人脸肤色相近或相同的其他区域，也有可能裸露的手臂或脖颈被误判为人脸。二值图像Blob分析方法能够计算每个连通成分的形状参数，提供连通区域的数量、位置、形状等，因而可用于剔除非人脸区域。本方法采用的具体判定依据及过程如下：

（1）空洞数(1＞h)：根据图像分割结果，应用Blob分析眼睛和唇部的颜色同人脸肤色对比度比较大，在进行肤色分割时必然产生人脸内部的空洞，故只有空洞数大于1的区域才可能是人脸区域；

（2）长短轴比(0.8＜r＜1.6)：根据大量的实验，人脸轮廓呈椭圆状，其长短轴比例在一定的范围内，而其他人体肤色区域的长宽比显然比人脸大；

（3）倾斜角(-90 °＜θ＜90°)：在一般情况下，人脸中的中轴线（脸可以对称分为两部分的线）不应该是向下倾斜的。

具体实现中，r和θ采用椭圆拟和方法计算。值得注意的是，为获得准确的拟和参数，需填补待选区域中的空洞。若记像素坐标为(xi,yi)，则区域C的最佳拟和椭圆参数重心、倾斜角 θ、短轴a和长轴b如下：

根据θ，可对候选区域进行校正得到接近竖直的人脸区域。

2.2 人脸区域判定

通过肤色高斯模型将人脸与背景区域分割，这时候会产生类肤色区域，结合Blob算法，根据人脸上的特征，最后确定出人脸区域。具体步骤如下：

（1）输入图像进行光照补偿；（2）根据肤色信息，将RGB色彩转换到YCgCr空间；（3）根据颜色空间中Cg、Cr值建立二维肤色高斯模型，求出颜色均值m和方差C；（4）应用Mahalanobis距离公式求出Cg、Cr的相似度值，进行归一化处理，其值在范围[0，1]之间的颜色即为肤色；（5）应用Blob分析，结合人嘴、眼特征确定空洞数，再根据人脸的长宽比例确定出正确人脸。

3 实验结果及分析

本文建立了一个具有光照和复杂背景的彩色人脸库（600×480），其中包含单人脸和多人脸图片，也包含旋转角度较大、姿态和表情变化较大的人脸图片。本文实验硬件环境采用Intel Pentium Dual-coreTM2.8HZ的PC机上进行的实验。将图像形成两个测试集：（1）简单测试集，包括头肩部图像、人脸面积，无背景或者较简单背景，光照有变化，人脸旋转角度任意；（2）复杂测试集，有类肤色复杂背景存在，人脸个数、大小、位置未知，光照有变化，人脸多姿态、旋转角度较大。实验分别用本文方法与文献[4]进行了比较，表1和表2是两种方法对两个测试集的实验结果数据。

测试中分别选取170张人脸图片和90张人脸图片，通过表1和表2的实验结果数据可以看出，对于简单测试集，本文提出的方法检测结果很好；对于复杂测试集，肤色检测时，应用Blob分析方法后，有5个人脸漏检，是因为遮挡严重并旋转幅度太大而漏检，同时误检人脸数极大减少。

表1 测试集（1）单独肤色YCgCr检测方法和本文方法比较

表2 测试集（2）单独肤色YCgCr检测方法和本文方法比较

图2 本文算法单人脸检测结果

图3 单独的YCgCr肤色模型多人脸检测结果

图4本文算法多人脸检测结果

图2 、图3、图4是实验结果的部分实例。图中矩形框指示了检测到的人脸的位置和大小。图2是利用本文提出的方法针对单人脸，有背景的图像进行检测的结果；图3是采用文献3进行的多人脸的简单环境检测结果，图中胡子特别多的2个人脸被漏掉了；图4是本文算法，结合了Blob分析，提高检测的准确率。可以看到，本文提出的方法很好地解决了多角度人脸检测的间题。与单独的肤色检测相比较，本文算法在复杂场景的检测具有更好的鲁棒性。

本文利用Blob分析算法获取目标图像中所有Blob的位置、周长、面积及外接矩形参数。然后再根据Blob的位置及外接矩形等先验知识，将非人脸区域滤除，最终实现目标区域的提取工作。

4 结论

针对复杂背景的彩色图像，本文提出了一种融合肤色与Blob分析的人脸检测方法。该算法首先利用了肤色信息在颜色空间YCgCr中对彩色图像进行分割，然后通过高斯肤色模型计算人脸候选区域，结合Blob分析对旋转角度人脸进行检测与定位。实验结果表明，本文改进的方法有效地解决了多角度旋转人脸的检测问题，能够对不同光照环境、不同遮挡、姿态变化的人脸有较好的检测效果，在肤色检测过程中，有可能形成人脸与背景相似而产生真正人脸丢失的现象，我们下一步的工作是在该工作基础上，解决更加复杂人脸区域准确判定的问题，提高检测的正确率。