基于肤色模型的人脸检测研究

　　本文对基于肤色分割结合模板匹配的人脸检测方法进行了改进，提出基于"光照预处理+肤色模型+模板匹配"的人脸检测解决思路，即在光照预处理的前提下，利用肤色特征建立肤色模型;根据肤色模型进行肤色检测和阈值分割;在对分割区域特征分析的基础上，将筛选出的人脸候选区域与人脸模板相匹配;最后将匹配较好的区域在原图像中用矩形框标示出来。

　　1 肤色模型

　　人脸的肤色不依赖于面部的其他特征，对于人脸姿态和表情的变化不敏感，具有较好的稳定性，而且明显区别于大多数背景物体的颜色。大量实验证明，不同肤色的人脸对应的色调是比较一致的，其区别主要在于灰度。人脸的肤色特征主要通过肤色模型来描述。肤色模型是在一定色彩空间描述肤色分布规律的数学模型。本文选用备受青睐的高斯模型。

　　1.1 色彩空间

　　一般说来，色调和饱和度相对亮度来说，是相互独立的。在不同的光照条件下，虽然物体颜色的亮度会产生很大的差异，但是它的色度在很大范围内具有恒常性，基本保持不变。研究表明，人类的肤色在YCbCr色彩空间的分布相对比较集中(被称为肤色的聚类特性)，不同种族之间肤色的差异主要是由亮度引起，而与颜色属性无关。利用此特性，将图像像素分为肤色和非肤色像素两类，这样可以大大提高人脸检测的效率和正确性。

　　在YCbCr色彩空间中，Y表示亮度，Cb和Cr是颜色差别信号，代表色度。因此，本文的肤色模型只选用YCbCr色彩空间的Cb和Cr色度分量，并用这两个分量建立色度分布图。实验中，需要先将普遍采用RGB色彩空间描述的图像转换到YCbCr色彩空间。

　　1.2 建立肤色样本

　　建立肤色模型需要使用大量包含不同肤色、不同大小人脸的RGB图像。本文从互联网、人脸库和日常的生活照中选用了100幅肤色各不相同的人脸图像，然后从中裁剪出人脸皮肤区域的一小部分，作为肤色样本。接着将其从RGB色彩空间转换为YCrCb色彩空间。

　　经过色彩空间转换之后，人脸图像不可避免地会出现噪声。本文采用滑动窗口为3&TImes;3的二维中值滤波器来去除椒盐噪声，并在速度和效果上都取得了很好的结果。

　　1.3 建立肤色模型

　　滤除噪声后，先用二维高斯分布来描述这种Cb-Cr的色度分布，然后对肤色样本进行训练，以此得到一个分布中心，再根据所观察的像素离该中心的远近来得到一个肤色的相似度。最后利用均值和方差计算得到高斯分布模型，这就是实验中的肤色模型。二维高斯分布的表达式为：

　　2 人脸检测

　　2.1 光照预处理

　　由于受外界光照环境的影响，尤其是光源颜色，采集来的彩色图像经常会发生彩色偏移。本文使用Gray World彩色均衡方法来消除这种彩色偏移。该方法首先通过图像的R，G，B三个分量中各自的平均值avgR，avgG，avgB确定出图像的平均灰度值avgGray，然后调整每个像素的R，G，B值，使得调整后图像的R，G，B三个分量中各自的平均值都趋于平均灰度值avgGray。实验结果表明，消除彩色偏移能有效提高算

　　法的检测率和准确率。

　　2.2 类肤色检测

　　本文算法最为关键的一步便是人体皮肤区域的粗检测。检测方法是计算图像像素与肤色模型的相似度，这个值描述了像素与肤色的相似程度。相似度计算公式为：

　　通过计算图像中每个像素与肤色模型的相似度，生成一幅类肤色灰度图像，如图1所示。

　　2.3 阈值分割

　　由于人体皮肤区域的像素与肤色模型的相似程度较高，计算得到的相似度值就比较大，因此在类肤色灰度图中，皮肤区域显得比其他部分更亮。这样一来，通过选取合适的阈值即可分割出肤色区域。

　　本文实验选择的阈值以0.1为间隔从0.65逐渐减小到0.05。通过对选择的相邻两个阈值的图像相减，可以找到分割区域数量变化最小的阈值取值点，这个阈值就是最佳阚值。根据这个阈值，就可以将类肤色灰度图转换为二值图。

　　图2为转换后的二值图。

　　 2.4 区域特征分析

　　由于阈值分割得到的二值图中包含多个类肤色区域，这就需要先对这些区域进行标记，以便逐个处理。为了不影响对人脸整体形状的检测，采用形态学操作对标记后的肤色区域进行特征分析，以决定该区域是否包含一个人脸。这些特征主要包括孔洞、质心坐标、方向角、面积和高宽比。

　　由于人脸上包含有眼睛、眉毛、鼻子和一张嘴，因此在分割出来的人脸区域中至少包含一个孔洞，而且人脸的高宽比值通常接近1，这个特征参数就可以排除掉大部分的非人脸区域。实验中的高宽比值限定在0.6～1.2之间，当检测区域的高宽比值落在该区间时，则认为该区域是一个人脸候选区域。

　　3 模板匹配

模板匹