基于肤色检测和人眼定位的人脸检测方法

　　1 引言

　　人脸检测是指处理分析输入的图像，判断其中是否有人脸，如果有则找到人脸的位置，并将人脸从背景中分离出来。近年来出现了大量人脸检测方法，主要分为基于特征的和基于图像的等两种方法。前者以某种特征如肤色、脸型、鼻子和嘴巴等为最小处理单元；后者以图像中的像素为处理单元，把人脸检测看成典型的模式识别问题，使用训练算法区分人脸和非人脸区域。

　　基于肤色的人脸检测，很容易受光照异常的影响，因此本文首先对图像进行色彩平衡；实验中发现肤色提取后的图像仍然存在许多噪声点，直接影响了检测精确度，因此本文对肤色提取后的图像采用形态学滤波器进行降噪，获得很好的效果。在精确定位人眼上，比较了几种边缘提取的算子，发现Susan 算子更适合提取人眼区域特征，因此本文采用该算子定位眼角点。

　　2 肤色检测

　　肤色是人脸最重要的特征之一，不依赖于面部的细节特征，对于旋转、表情等变化情况都适应，具有相对的稳定性并且与大多数背景物体的颜色相区别。

　　Angelopolou 的研究成果证明在生物和物理上肤色分布的一致性，指出尽管人的肤色因人种的不同而不同，呈现出不同的颜色，但是排除了亮度等对肤色的影响后，皮肤的色调基本一致，这也为利用肤色信息进行皮肤检测的可能性提供了有利的证据。

　　2.1 色彩空间选择

　　色彩空间的选择直接影响着肤色检测的结果，用于肤色检测的常用色彩空间有HIS、YIQ、YUV 和YCbCr 等。徐俊等使用YCbCr 色彩空间求出每个像素点属于肤色的隶属度，在复杂背景中获得很好的人脸检测效果。但是在YCbCr 色彩空间中，肤色聚类是呈纺锤形状的，Y 值较大或较小的部分，肤色聚类区域也随之缩减，简单的排除Y 分量是不可行的，必须考虑三个分量，从而增加了工作量。

　　Zarit 等证明HSV 色彩空间检测肤色像素性能最好。Sobottka 等[4]认为：使用H 和S 就足够将肤色和背景分割开，除了不需要考虑V 外，其对光照和阴影的影响也有较高的稳定性。因此本文使用HSV 色彩空间。图1 为肤色在HSV 色彩空间的分布图。 

　　图1 肤色像素在HSV 色彩空间分布图

　　从图1 可以看出，图像投影到HSV 空间，肤色区域（红色）色调H 分布在19-240 区间中。设定肤色像素阈值，图像像素H 值在T 内的认定为肤色像素。 

　　2.2 色彩平衡

　　实验发现，有色光干扰、色温偏高等非正常光照会引起图像色彩按一定的规律变化，使得正常肤色可能检测不到，同时许多非肤色呈现肤色状态，导致肤色检测失效。所以本文使用基于"基准白色"的色彩平衡技术归一化彩色图像。具体步骤如下：

　　（1） 将图像像素P 按亮度降序排列{Pl1,Pl2 ……Pln },n 为像素个数， li 为像素对应的亮度值， 其中l1> l2 > ……>ln;

　　（2） 选取作为基准白色，即选取亮度降序集的前5%个； 

　　（3） 计算基准白色R、G、B 分量各自的均值meanR、menaG和meanB;（4） 采用Gray World 假说。计算R、G、B 分量的调整系数。 

　　其中meanI 是图像的平均灰度值；

　　（5） 调整R、G、B 分量： R’=R*aR,G‘=G*aG ,B’=B*aB;（6） 将R‘ 、G’ 、B‘ 分量值大于255 的调整为255. 

　　图2 色彩平衡前后肤色检测结果。

　　3 眼睛定位

　　3.1 形态学图像处理

　　色彩平衡后，图像中仍然存在一些噪声点（主要在背景中）。噪声的存在显然会使后续的操作更复杂。为了既能把图像中的噪声点去掉又能保留有用的信息，本文使用形态学滤波器对人脸候选区域进行除噪。通过形态学处理不但可以过滤掉由于噪声或者其它原因导致的一些较小的非人脸区域，减少候选区域和提高检测速度，而且可以填补肤色区域内的较小空洞，防止这些空洞被误认为人脸器官。 

　　图3 人脸粗检测。

　　图3（b）为经过色彩平衡后肤色提取的图像，图3（c）为形态学滤波后的图像，可以很明显的看出，形态学滤波可以有效去除误检为肤色的区域，提高人脸粗检测的准确度。