基于视频分析的伪装人脸检测系统设计

程 鸿 芳

(芜湖职业技术学院， 安徽 芜湖 241000)

人脸识别也叫人像识别、面部识别，这是基于人的脸部特征信息进行身份识别的一种生物识别技术。它是用摄像机采集含有人脸的图像或视频流，然后借助于一系列算法和相关技术，自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别[1]。本次研究，提出了一种基于视频分析的伪装人脸检测系统。

1 检测系统的模块构成

对进行了伪装的人脸的检测，包含图像采集、传输、存储、处理和显示等环节[2]。首先通过摄像头实时采集视频，然后对实时采集到的图像帧进行检测和识别；显示终端将处理后的图像显示在屏幕上，以供监控；图像输出端存储检测到的伪装图片，以便查看和分析。该系统以Win7为操作系统，以C++作为编译语言，以OpenCV为视觉库。

伪装人脸检测系统有用户检测模块、墨镜伪装检测模块、口罩伪装检测模块和帽子伪装检测模块。用户检测模块检测当前视频中是否存在人像，如果存在人脸，则通过背景差分法[3]和连续帧间差分法[4]进行人脸定位。墨镜伪装检测模块通过训练好的墨镜筛选式级联分类器[5]，快速提取出可能存在的墨镜伪装，通过Gabor滤波剔除墨镜误报。帽子伪装检测模块利用筛选式级联分类器，提取视频中可能存在帽子伪装的区域，并通过K均值聚类，识别存在的帽子伪装并进行报警。口罩伪装检测模块通过训练好的口罩筛选式级联分类器，快速提取图像中可能存在口罩伪装的区域，利用肤色在图像中的比例，判断该区域是否为真正的口罩伪装。

2 主要技术实现方案

2.1 人脸定位方法

对人脸伪装的检测，第一步是检测视频中是否存在人像。摄像头实时采集的视频信息有动态的和静止的，故采用背景差分法和连续帧间差分法[6-7]来检测。

帧间差分对动态环境有很强的自适应性。通过连续帧间差分对人脸信息进行粗略检测，图像滤波处理帧差图像。采用背景减法将当前图像和背景图像做差分，设置合理的阈值，二值化处理图像，突出人脸图像，完成人脸定位。

Step1：从视频中提取连续的20帧图像，对序列图像进行高斯平滑预处理，去掉图像随机噪声。

Step2：在视频图像序列中选取连续的20帧图像，做绝对差值图像。设n帧图像序列，表示为{f1(x,y),…fl(x,y),…fn(x,y)，其中n=20}，分别计算连续的两帧图像的绝对差值：

d(20,19)(x,y)=|f20(x,y)-f19(x,y)|

d(19,18)(x,y)=|f19(x,y)-f18(x,y)|

………

d(2,1)(x,y)=|f2(x,y)-f1(x,y)|

20帧绝对差值图像的均值：

∑D=d(20,19)(x,y)+d(19,18)(x,y)+…+

d(2,1)(x,y)

Step3：中值滤波处理帧差图像。

Step4：根据公式进行背景差分，得到背景差分后的二值图像。

背景差分图像

Dk(x,y)=|Pk(x,y)-Pb(x,y)|

二值图像

适当选取阈值M。当被分割图像的像素小于M时，认为该点像素是背景像素；当被分割图像像素大于M时，将该点像素看作人脸像素[5]。

2.2 伪装检测方法

人脸检测包含4个关键点：将矩形图像区域的Haar特征作为方法的输入；使用积分图像技术加速Haar输入特征的计算；使用AdaBoost机器学习方法，创建两类分类器问题的弱分类器节点；将弱分类器节点组成筛选式级联组合[8]。

2.2.1 Harr特征提取

提取人脸的Haar-like特征。计算Haar特征的方法有很多种，选用Paul Viola提取积分图快速运算特征。

积分图的定义：

其中，位置(x，y)上对应的积分图中的像素，为该位置的左上角所有的像素之和。

递归计算：

s(x，y)=s(x，y-1)，ii(x，y)=(x-1，y)

其中，s(x，-1)=0，ii(-1，y)=0

2.2.2 AdaBoost分类方法

AdaBoost算法是通过N个简单的、精度比较随机的、猜测略好的弱分类器(弱学习规则h1，…，hN)来构造出一个高精度的强分类器。

以X表示样本空间，若是二值分类问题，则Y={-1,+1}。令S={(xi，yi)|i=1,2,3,…,m}为训练样本集合，其中xi∈X，yi∈Y。

Step1：初始化样本权值。给m个样本赋相同的权值，即Dt(i)=1m。Dt(i)表示第t轮迭代中赋予样本(xi，yi)的权值(t=1，2，3，…，T，T为迭代的次数)。

Step2：根据样本分布Dt，通过对训练集S进行抽样，产生子训练集St。

Step3：在训练集St上训练分类器ht。

Step4：用分类器ht对S中的所有样本分类，得到本次的分类器ht：X→Y。计算错分样本的权重和(εt)。令αt=12ln[(1-εt)εt]，则

其中，Zi为正则因子。令∑iDi+1(i)=1。

Step2、Step3、Step4循环T次。最终结果为

H(x)=1，表示人脸区域存在伪装。H(x)=-1，表示人脸区域不存在伪装。

2.3 构造筛选式级联分类器

实际应用中有一个强分类器是无法满足的，需要将所有分类器按一定的方法组合训练出强分类器。每个节点都由AdaBoost分类器组成，每个分类器对应一个Haar特征。经过最后一个节点的判别后，几乎所有的无伪装区域都被拒绝，只剩下伪装区域。筛选式级联分类器的节点个数设置，关系到系统的错误率和识别率。实践中，可将分类器的节点个数设定为20。

3 实验结果

采集的训练样本，存在伪装区域的为正样本，不属于正样本的则为负样本。样本采集过程中需要注意：(1) 保证样本背景和光照的多样性；(2) 正样本要包含适量的背景和噪声；(3) 负样本要保证有足够的多样性；(4) 正负样本的数量比例要适当。实验中，将正负样本的数量比例设置为1∶3(见表1)。

表1 训练样本

实验采用的视频为自拍视频，模拟银行ATM机的视频。视频数据如表2所示。通过基于Haar特征的筛选式级联分类器进行伪装检测，能够检测识别出视频中大部分的伪装人脸。测试结果如表3所示。其中，伪装检测率=检测识别出的伪装人数视频中存在的伪装总人数；误报率=误报的总人数测试视频出现的总人数；漏报率=1-伪装检测率。

表2 采集的视频数据

表3 实验测试结果

4 结 语

设计的基于视频分析的伪装人脸检测系统，包括用户人脸检测、墨镜伪装检测、口罩伪装检测和帽子伪装检测4个模块，综合运用了连续帧差分法和背景差分法。与单纯运用帧间差分法的做法相比，该检测系统可以在不增加计算量的基础上，获得更好的人脸定位效果，削减了环境因素和噪声的影响。该检测系统涉及的算法主要是连续图像帧差求和及求平均，算法简单，时效高，易于实现，适合银行ATM机的硬件环境。基于Haar特征的筛选式级联分类器进行伪装人脸检测，由于AdaBoost分类器的自适应性较强，不需要弱学习器的先验知识，因此更容易付诸实践。