基于信息融合的新的人脸检测算法

摘要：本文基于色度与亮度信道提出了一种新的人脸检测模型，色度信道采用肤色分割、区域增长、椭圆估计技术检测人脸；亮度信道采用简化的SVM分类算法检测人脸。并且在AR人脸数据库与UCS颜色空间基础上分析了该算法的性能，结果表明该算法在UCS空间下的性能优于YCbCr与HSV空间。

关键词： KL变换；UCS；SVM；AR人脸数据库

1、整体算法流程与颜色空间转换

算法流程如图1所示，利用KL变换把RGB颜色空间变换到三维不相关颜色空间UCS,用以提高颜色模式识别的性能[1][2]。

；、、表示红色、绿色、蓝色对应的像素，t表示矩阵转置。

KLT变换矩阵 ；协方差矩阵的特征向量 、 ；；通过等式 将RGB颜色空间变换到3D UCS。

2、基于色度的检测和对色度检测的交叉验证

第一步：肤色分割，彩色图像的像素是否属于肤色是由肤色分类算法决定的，好的肤色分类算法应该能够适用于白色、黑色、黄色、棕色等不同的肤色类型。

1）UCS(C1C2C3)空间的肤色检测规则由下列不等式给出

； ；

三个不等式中的门限参数由UCS的直方图计算得出

2）YCbCr空间的肤色检测规则由下列不等式给出

；

俩个不等式中的门限参数由CbCr直方图计算得出

3）YCbCr空间的肤色检测规则由下列不等式给出

;;

第二步：区域增长，为了抗噪声，并且适应不同的亮度条件，进行区域增长算法。

第三步：椭圆判决，人脸的形状可以用一个椭圆来近似，这里采用Sobottka和Pitas的算法[3]。

利用另一种不同人脸检测算法（SVM）对色度分支中检测出的人脸候选区域进行验证，此时SVM的检测水平低于SVM被用于第一次检测时候的水平。

3、基于亮度的检测和对亮度检测的交叉验证

对于亮度分支的人脸候选区域的检测，我们采用性能优良的SVM分类器算法。然而SVM算法与其他方法相比占用更多的运行时间，本文简化了SVM算法的复杂度，支持向量集合被更小的、被称为简化的综合输入空间点[4][5]。实验结果表明，在人脸检测中该算法的速度比未加限制算法的速度快三分之二。这一过程的输出提供脸部矩形候选区域的参数。SVM用19*19像素的灰度的等级来训练和测试。

对亮度检测的结果进行交叉验证确保脸部候选区域包含一些重要的类肤素。

4 、判决融合

判决的目标是要避免重复判决，也就是相同的区域避免多次判决。判决规则如下：

1）被亮度验证的色度信道检测结果优先级高，其次是被色度验证的亮度信道检测结果

2）比较大的脸部候选区域优先级高

5 、实验结果

为了估计此检测模型的性能，我们从众所周知的AR人脸数据库中选取了218幅图片进行验证。

图2、图3、图4中a表示输入图像； b表示肤色分割图像；c表示有联系的部分；d表示亮度信道检测结果；e表示输出图像。图2人脸检测中，亮度信道检测结果被色度信道验证，色度信道在人脸检测中失败，因为在背景中存在类肤素，但最终结果输出正确。图3人脸检测中，色度与亮度信道检测结果均正确，利用判决融合规则，得出最终输出结果e。在图4中色度检测结果正确，亮度检测结果失败，最终判决得出结果e。

TP表示正确检测的人脸个数，FN表示错误检测的人脸个数，FP表示非人脸区域列为人脸的个数，T表示正确与错误检测的人脸总数，CTP表示色度信道检测正确并被亮度信道验证的人脸个数，LTP表示被亮度信道检测正确并被色度信道验证的人脸个数，TP=CTP+LTP。

；；； NO. Color space TP CTP LTP FP FN CDR FPR

CCDR LCDR

1 UCS 182 130 52 34 36 83.49 15.60

71.43 28.57

2 CbCr 170 81 89 40 48 77.98 18.35

47.65 52.35

3 HSV 150 114 36 40 68 68.81 18.35

76.00 24.00

参考文献

[1]V.E. Neagoe, “An optimum 2D color space for pattern recognition”, Proc. of the 2006 International Conference on Image Processing, Computer Vision&Pattern Recognition (ICPV'08), WORLDCOMP'06, Las Vegas, Vol. 2, 2006, pp. 526-532.

[2]V.E. Neagoe, “Decorrelation of the color space, feature/decision fusion, and concurrent neural classifiers for color pattern recognition”, Proc. of the 2008 International Conference on Image Processing, Computer Vision & Pattern Recognition (ICPV'08), WORLDCOMP'08, LasVeas, 2008, pp. 28-34.

[3]K.Sobottka and I. Pitas, Face localization and facial feature extraction based on shape and color information”, Proc. International Conference on Image Processing, Vol.3, 1996, pp. 483-486.

[4]W.Kienzle, G.Bakır, M. Franz, and B.Schoelkopf, “Face detection efficient and rank deficient”, Proc. of the Eighteenth Annual Conferen on Neural Information Processing Systems. Vancouver, 2004.

[5]E. Osuna and F. Girosi, “Reducing the run-time complexity in support vector machines”, Advances in Kernel MethodsSupport Vector Learning. MIT Press, Cambridge, 1999, pp. 271284.