提出了一種基于膚色檢測和人眼定位的人臉檢測方法。使用基于“基準白色”的色彩平衡方法歸一化彩色圖像，將圖像在HSV 空間進行膚色分割，確定候選人臉，采用形態(tài)學濾波器對其降噪。在獲得虹膜位置的基礎上，使用Susan 算子定位兩個眼角點，從而實現(xiàn)眼睛的精確定位。實驗證明提出的方法能夠很好的檢測人臉、定位人眼，尤其對存在人臉旋轉和光照異常的人臉圖像有很高的精確度和魯棒性。

1 引言

人臉檢測是指處理分析輸入的圖像，判斷其中是否有人臉，如果有則找到人臉的位置，并將人臉從背景中分離出來。近年來出現(xiàn)了大量人臉檢測方法，主要分為基于特征的和基于圖像的等兩種方法。前者以某種特征如膚色、臉型、鼻子和嘴巴等為最小處理單元;后者以圖像中的像素為處理單元，把人臉檢測看成典型的模式識別問題，使用訓練算法區(qū)分人臉和非人臉區(qū)域。

基于膚色的人臉檢測，很容易受光照異常的影響，因此本文首先對圖像進行色彩平衡;實驗中發(fā)現(xiàn)膚色提取后的圖像仍然存在許多噪聲點，直接影響了檢測精確度，因此本文對膚色提取后的圖像采用形態(tài)學濾波器進行降噪，獲得很好的效果。在精確定位人眼上，比較了幾種邊緣提取的算子，發(fā)現(xiàn)Susan 算子更適合提取人眼區(qū)域特征，因此本文采用該算子定位眼角點。

2 膚色檢測

膚色是人臉最重要的特征之一，不依賴于面部的細節(jié)特征，對于旋轉、表情等變化情況都適應，具有相對的穩(wěn)定性并且與大多數(shù)背景物體的顏色相區(qū)別。

Angelopolou 的研究成果證明在生物和物理上膚色分布的一致性，指出盡管人的膚色因人種的不同而不同，呈現(xiàn)出不同的顏色，但是排除了亮度等對膚色的影響后，皮膚的色調基本一致，這也為利用膚色信息進行皮膚檢測的可能性提供了有利的證據(jù)。

2.1 色彩空間選擇

色彩空間的選擇直接影響著膚色檢測的結果，用于膚色檢測的常用色彩空間有HIS、YIQ、YUV 和YCbCr 等。徐俊等使用YCbCr 色彩空間求出每個像素點屬于膚色的隸屬度，在復雜背景中獲得很好的人臉檢測效果。但是在YCbCr 色彩空間中，膚色聚類是呈紡錘形狀的，Y 值較大或較小的部分，膚色聚類區(qū)域也隨之縮減，簡單的排除Y 分量是不可行的，必須考慮三個分量，從而增加了工作量。

Zarit 等證明HSV 色彩空間檢測膚色像素性能最好。Sobottka 等[4]認為：使用H 和S 就足夠將膚色和背景分割開，除了不需要考慮V 外，其對光照和陰影的影響也有較高的穩(wěn)定性。因此本文使用HSV 色彩空間。圖1 為膚色在HSV 色彩空間的分布圖。

圖1 膚色像素在HSV 色彩空間分布圖

從圖1 可以看出，圖像投影到HSV 空間，膚色區(qū)域(紅色)色調H 分布在19-240 區(qū)間中。設定膚色像素閾值，圖像像素H 值在T 內(nèi)的認定為膚色像素。

2.2 色彩平衡

實驗發(fā)現(xiàn)，有色光干擾、色溫偏高等非正常光照會引起圖像色彩按一定的規(guī)律變化，使得正常膚色可能檢測不到，同時許多非膚色呈現(xiàn)膚色狀態(tài)，導致膚色檢測失效。所以本文使用基于“基準白色”的色彩平衡技術歸一化彩色圖像。具體步驟如下：

(1) 將圖像像素P 按亮度降序排列{Pl1，Pl2 ……Pln }，n 為像素個數(shù)， li 為像素對應的亮度值， 其中l(wèi)1》 l2 》 ……》ln;

(2) 選取

作為基準白色，即選取亮度降序集的前5%個;

(3) 計算基準白色R、G、B 分量各自的均值meanR、menaG和meanB;(4) 采用Gray World 假說。計算R、G、B 分量的調整系數(shù)。

其中meanI 是圖像的平均灰度值;

(5) 調整R、G、B 分量： R’=R*aR，G‘=G*aG ，B’=B*aB;(6) 將R‘ 、G’ 、B‘ 分量值大于255 的調整為255.

圖2 色彩平衡前后膚色檢測結果。

3 眼睛定位

3.1 形態(tài)學圖像處理

色彩平衡后，圖像中仍然存在一些噪聲點(主要在背景中)。噪聲的存在顯然會使后續(xù)的操作更復雜。為了既能把圖像中的噪聲點去掉又能保留有用的信息，本文使用形態(tài)學濾波器對人臉候選區(qū)域進行除噪。通過形態(tài)學處理不但可以過濾掉由于噪聲或者其它原因導致的一些較小的非人臉區(qū)域，減少候選區(qū)域和提高檢測速度，而且可以填補膚色區(qū)域內(nèi)的較小空洞，防止這些空洞被誤認為人臉器官。

圖3 人臉粗檢測。

圖3(b)為經(jīng)過色彩平衡后膚色提取的圖像，圖3(c)為形態(tài)學濾波后的圖像，可以很明顯的看出，形態(tài)學濾波可以有效去除誤檢為膚色的區(qū)域，提高人臉粗檢測的準確度。

3.2 人眼精確定位

經(jīng)過以上步驟，可以在很短的時間內(nèi)初步確定人臉的位置。在給定范圍內(nèi)搜索眼睛等器官的位置，大大降低了定位的錯誤率。

首先在人臉區(qū)域內(nèi)尋找虹膜的位置。虹膜輪廓與圓類似，因此可以使用Hough 變換對其進行檢測。在獲得兩瞳孔位置的基礎上，以兩眼瞳孔為中心劃定眼部區(qū)域，然后對眼部區(qū)域進行處理，定位內(nèi)外眼角點。

本文采用自適應二值化方法確定門限閾值，獲得眼部區(qū)域的自動二值化圖像，在此基礎上對眼部區(qū)域圖像使用Susan 算子得到眼睛的邊緣圖像。

Susan 算子的原理是：以像素半徑為r(本文實驗中取r=5)的圓形區(qū)域(面積覆蓋π*r 2像素位置)為掩模，考察圖像中的每個點在該區(qū)域范圍內(nèi)的所有點的像素值與當前點的值的一致程度，如式(1)所示。

其中t 為像素間差異閾值，一般可設為27;代表掩模面積值，面積越小邊緣強度越大;g 為幾何門限，設定為

經(jīng)過上述算法獲得的眼部區(qū)域邊緣圖像如圖4(b)，在此基礎上對圖像中的黑色邊緣曲線進行角點提取即可獲得準確的兩眼內(nèi)外眼角點位置，如圖4(c)所示。根據(jù)Susan 算子的特性，它既可以用來檢測邊緣，又能夠提取角點。因此與Sobel、Canny 等邊緣檢測算子相比較，Susan 算子更適合進行眼部的特征提取，尤其對兩個眼角點的自動定位。并且通過適當?shù)恼{整Susan 算子的參數(shù)r 或者閾值t 和g 的大小，對不同質量的人臉圖像都可以取得很好的效果。

圖4 人眼區(qū)域處理圖。

5 結論

本文針對人臉檢測中的膚色檢測和人眼精確定位問題，給出了一種快速準確的方法，有助于提高人臉識別算法的識別率。膚色分割前先對圖像進行色彩平衡，采用形態(tài)學濾波器對候選人臉進行降噪，這些步驟都大大提高了人臉檢測的精確度，而且并沒有花費很多時間。在人眼精確定位上，采用更適合提取眼部特征的Susan 算子精確定位眼角點。實驗證明該方法可以很好的應用于人臉檢測。

4 實驗結果

本文使用本實驗室建立的人臉庫，包括每個人10張(不同表情、光照、旋轉角度等)共200 張人臉圖像，大小為180?200.

在正面人臉的圖像上測試，人眼的內(nèi)外角點定位準確率達到98.4%，在側臉小角度(左右旋轉以內(nèi))人臉圖像上測試，準確率達到90.2%.人臉檢測平均時間為2s，定位虹膜和內(nèi)外角點平均時間為10.4s.

圖5 人臉、瞳孔及眼角點定位。

圖5(a)圖為人臉檢測結果，圖5(b)為瞳孔及眼角頂定位結果，其中紅色為瞳孔位置，黃色為右側眼角點，粉紅色為左側眼角點。實驗結果證明本文提出的方法可以很好的檢測定位人臉。