基于肤色与Haar-like扩展集的驾驶员人脸检测算法

葛小凤

摘 要：针对疲劳驾驶预警系统中人脸检测准确率低、误检率高的问题，提出一种基于肤色与Haar-like扩展集的驾驶员人脸检测算法。首先根据驾驶员人脸肤色在YCbCr色彩空间的聚类性、脸部特征及驾驶环境，筛选人脸肤色作为候选区;然后在传统基于Haar-like特征的AdaBoost算法中，加入两组新的符合人脸特征分布的Haar-like特征进行驾驶员人脸检测。以MIT人脸库和拍摄的驾驶员人脸图像作为训练与检测样本，与传统AdaBoost算法进行对比实验。结果表明，该算法对正面人脸和侧面人脸（倾斜角度小于45°）检测准确率分别提高1.25%和5.00%，误检率降低2.81%和4.50%， 人脸检测准确率得到较大提高。

关键词：人脸检测;Haar-like特征;肤色分割;AdaBoost算法;级联分类器

DOI：10. 11907/rjdk. 201531 开放科学（资源服务）标识码（OSID）：

中图分类号：TP391文献标识码：A 文章编号：1672-7800（2020）008-0030-05

Abstract：Aiming at the problems of low accuracy and high false detection rate of face detection in fatigue driving warning system， this paper proposes a driver face detection algorithm based on skin color and Haar like extension set. Firstly， according to the clustering of drivers face skin color in YCbCr color space， facial features and driving environment， human skin color is selected as candidate region; then， based on AdaBoost algorithm of traditional Haar like feature， two new Haar like features are added to detect the drivers face. The MIT face database and the drivers face images taken as training and detection samples are compared with the traditional AdaBoost algorithm. The experimental results show that the detection accuracy of the algorithm is improved by 1.25% and 5.00% respectively for front face and side face （tilt angle is less than 45 °）， and the false detection rate is reduced by 2.81% and 4.50%， which proves the face detection accuracy is greatly improved.

Key Words： face detection; Haar-like feature; skin color segmentation; AdaBoost algorithm; cascade classifier

0 引言

驾驶员人脸准确、实时检测是疲劳驾驶预警的关键环节[1-3]，近年来各类经典及改进算法层出不穷。如文献[4]提出基于Haar-Like T特征的人脸检测算法，可有效提高正面人脸检测率和检测速度，但未对侧面人脸进行研究;文献[5]提出基于回归的人脸检测加速算法，缩短了视频人脸特征提取时间，可满足人脸检测实时性要求;文獻[6]提出两层级联卷积神经网络法，在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测，但训练样本选择复杂且要求高;文献[7]通过改进多任务级联卷积神经网络人脸检测算法，速度提高将近40%，正确率达到97%，但该算法十分依赖人脸训练样本是否全面。人脸检测算法要同时满足检测准确率高、实时性强、误检率低等多方面要求，仍存在不足。

2001年Viola等[8-9]提出基于简单Haar特征，利用Boosted进行特征分类的方法建立人脸检测的实时处理VJ框架，并在实际运用中取得较大成功，它需在大量人脸和非人脸样本训练的基础上建立人脸识别分类器。此后，研究者们致力于提升该框架检测精度和速度，主要从新特征引入、新算法和新检测器层级结构3个方面进行改进。

为提高驾驶员人脸检测系统检测效果，本文首先根据人脸肤色在YCbCr色彩空间的聚类性，采用高斯肤色分割出人脸候选区域;再根据驾驶环境下的人脸面积占有率和高宽比，进行人脸候选区域优化;最后，提出有效针对驾驶员眉眼区域和侧面人脸的Haar-like特征扩展集，使用AdaBoost算法确定图像中的人脸。人脸样本实验证明，该方法对驾驶员正面和侧面人脸检测准确率均可达 96.56%和95.50%，误检率也降至3.13%和4.50%。

1 肤色分割

驾驶员人脸图像数据采集与传输受驾驶环境、光照和噪声干扰，可对图像进行直方图均衡化和滤波处理，以提高检测图像质量。直方图均衡化目的是扩大图像灰度动态变化范围，使原图像非均匀概率密度可均匀分布;而中值滤波根据图像各点像素值大小排序，找出位置居中的值作为该点像素值，可去除或减弱图像噪声，保留较完整的边缘细节，增强图像清晰度和质量[10]。

样本检测时，首先需将强分类器按复杂程度排序，从易到难，逐级排除非人脸区域，最终排除所有非人脸。检测结束时，如果有剩余区域，则为人脸区域，否则表示未检测到人脸。

3.2 算法流程

人脸检测流程包括分类器训练与检测两部分，流程如图5所示。

（1）样本分类器训练。首先收集MIT庫与部分网络下载及拍摄的驾驶员人脸、非人脸图像建立正负训练样本库。其中正面人脸图像2 000张，侧面人脸（倾斜角度小于45°）图像800张，非人脸图像2 530张，将所有样本灰度化、归一化处理为20×20像素的灰度图;其次，提取图像Haar-like特征，构造多个弱分类器，再由AdaBoost算法循环，构造强分类器;最后按强分类器检测率从高到低进行排列，级联构成Haar分类器，可快速排除非人脸区域。

（2）人脸检测。驾驶员检测样本来自网络和笔者拍摄的驾驶环境下320 张驾驶员正脸图像和100张侧脸（倾斜角度小于45°）图像，均为单张人脸图像。首先对待检测图像作直方图均衡化与中值滤波去噪;其次在YCbCr颜色空间中，采用高斯肤色分割和区域优化得到人脸候选区，若不满足区域优化条件，则为非人脸图像;最后将其输入到级联分类器中判断是否检测到人脸图像。

4 实验结果分析

为验证本文提出的基于肤色与Haar-like特征扩展集的人脸检测算法有效性，对比利用基于单一Haar-like特征的Adaboost算法、肤色和Haar-like特征相结合的Adaboost算法进行人脸检测实验，就正面和侧面人脸（倾斜角度小于45°）图像进行检测准确率、误检率、检测时长3方面对比分析，实验数据如表1、表2所示。

由表1、表2实验数据分析可知，对于正面人脸，本文算法平均检测率可达96%，高于单一的Haar-like特征与肤色和Haar-like特征的AdaBoost人脸检测算法;而对于误检率来说，虽然本文算法也会对背景产生误检，但远低于其它两种方法，平均检测时长也最短;对于侧面人脸，本文算法平均检测准确率为95.5%，略低于正面人脸，却远高于其它两种方法对侧面人脸的检测率，误检率也远低于其它两种方法，但此时检测时长低于单一Haar-like特征检测算法，而略高于肤色与Haar-like特征检测算法。

使用本文方法的人脸检测率得到显著提高，尤其是对侧面人脸，这是因为针对驾驶环境，首先通过预处理降噪，增强图像质量，采用高斯肤色模型及驾驶过程中采集的视频图像中的人脸特征，设置合适的阈值，排除了大量与肤色相似的车内背景;其次，新加入的Haar-like特征集更加符合人脸眉眼区域特点，同时也对驾驶员侧脸特征进行了较好描述，使检测方法鲁棒性更好，从而提高检测准确率。Haar-like特征算法中引入肤色特征后与单一的Haar-like特征对比，可有效降低误检率，改善整体检测效果。图6为其中一组正侧面图像人脸检测对比，可看出基于单一的Haar-like算法虽然能正确检测人脸部分，但却出现误检，而采用肤色结合Haar-like特征与本文算法则正确检测出人脸目标区域且没有误检，进一步说明Haar-like特征算法中引入肤色特征的有效性。从平均检测时长来看，本文算法可节省较多检测时间，原因是高斯肤色模型结合驾驶员人脸区域优化进行的肤色分割筛除了大量非肤色区域，减少待检测窗口数量，提高了人脸检测效率。因此，在单一的Haar-like特征算法基础上加入肤色特征，可有效降低误检，而在此基础上引入Haar-like特征扩展集则可以明显提高人脸检测准确率。

5 结语

本文通过肤色分割，再结合基本Haar-like扩展两组新特征集，采用AdaBoost算法训练检测器，检测驾驶员人脸。经实验证明，本文算法在驾驶环境下的人脸检测准确率高、误检率低、速度快，检测效果明显好于Haar-like特征算法与肤色和Haar-like特征相结合的算法，尤其是对倾角小于45°的侧面人脸检测率显著提高，但对于倾斜角度更大或更复杂背景下的人脸检测，还不能满足工程实践要求，这是下一步研究重点。

参考文献：

[1] HAO Z K， LIU Y， QIN H W， et al. Scale-aware face detection [C].  Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition，2017：1063-6919.

[2] RANGANATHA S， GOWRAMMA Y P. An integrated robust approach for fast face tracking in noisy real world videos with visual constraints[C].  2017 International Conference on Advances in Computing， Communications and Informatics， 2017： 772-776.

[3] RANJAN R，BANSAL A，ZHENG J， et al. A fast and accurate system for face detection， identification， and verification[J].  IEEE Transactions on Biometrics，Behavior，and Identity Science， 2019， 1（2）：82-96.

[4] 王庆伟，应自炉.  一种基于Haar-Like T特征的人脸检测算法[J]. 模式识别与人工智能， 2015， 28（1）：35-41.

[5] 王丹，赵宏伟，戴毅，等. 基于回归的人脸检测加速算法[J]. 重庆邮电大学学报（自然科学版），2019，31（4）：550-555.

[6] 张海涛，李美霖，董帅含. 兩层级联卷积神经网络的人脸检测[J]. 中国图象图形学报，2019，24（2）：203-214.

[7] 吴纪芸，陈时钦. 一种改进的MTCNN人脸检测算法[J]. 软件导刊，2019，18（12）：78-81.

[8] VIOLA P， JONES M J. Rapid object detection using a boosted cascade of simple features[C].  IEEE Computer Society Conference on Computer Vision & Pattern Recognition， 2001：511-518.

[9] VIOLA P， JONES M J. Robust real-time face detection[J]. International Journal of Computer Vision， 2004， 57 （2）：137-154.

[10] 谢凤英.  数字图像处理及应用[M].  北京：电子工业出版社， 2014 .

[11] RANJAN R，PATEL V M，CHELLAPPA R. A deep pyramid deformable part model for face detection[C].  International Conference on Biometrics Theory， Applications and Systems，2015：1-8.

[12] 阳崇云，桑农，陈张一，等.  基于肤色模型与Adaboost算法的多视角人脸检测[J]. 华中科技大学学报（自然科学版），2015，43（S1）：271-275.

[13] 姚子怡，张清勇，李雪琪. 一种融合改进型AdaBoost和肤色模型的人脸检测方法[J]. 计算机与数字工程，2018，46（4）： 743-749.

[14] 崔鹏，燕天天.  融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 哈尔滨理工大学学报，2018，23（2）：91-96.

[15] 曹洁，唐瑞萍，李伟.  基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法[J]. 传感器与微系统，2019，38（11）：125-128.

[16] 魏玮，赵芳. 基于Haar-like EB特征与帧间约束的视频人脸定量检测[J]. 计算机工程，2018，44（ 9） ： 250-255，262.

[17] 张彩丽，刘广文，詹旭，等.  基于新增haar特征和改进AdaBoost的人脸检测算法[J]. 长春理工大学学报（自然科学版），2020，43（2）：89-93.

[18] 李晶惠，叶学义，夏胡云，等.  基于“大T”型区域的AdaBoost人脸检测算法[J]. 软件导刊，2017，16（10）：22-26.

[19] 沈翔，朱建鸿.  基于肤色与改进Adaboost算法的人脸检测[J]. 传感器与微系统，2019，38（4）：143-145.

（责任编辑：江 艳）