一種基于模板匹配的人臉檢測算法

一種基于模板匹配的人臉檢測算法

面部特征的檢測是面部運動跟蹤和面部識別的基礎?，F(xiàn)在，它是識別和計算地殼等研究領域的熱點。臉的檢測有很多方法，但模型匹配法是最常用的方法。在文獻中，使用第一層和多尺度分析來確定視覺成像單元的位置，并根據(jù)面部器官的幾何關系確定面部特征的區(qū)域。雖然這種方法可以去除大量的搜索區(qū)域，但對于大的圖像來說，消耗時間多，對環(huán)境變化和眼區(qū)大小的適應性不強。在文獻中，提出了一種新的算法，該算法使用了最大熵的圖像分割算法?？梢愿斓貦z測臉的人。然而，一些檢測參數(shù)的選擇是困難的，檢測質量差的圖像的效果并不理想。人們認為人的臉比周圍的臉更白。在這種規(guī)則中，確定眼睛并定位你的臉是很困難的。該方法適用于簡單背景和復雜環(huán)境。在復雜環(huán)境下，預測區(qū)域非常多，檢測過程顯著增加。在文獻中，使用閾值閾值的方法是生存的。眼睛和眼睛之間的關系很難確定，當眼睛發(fā)生或消失時，也會有大量其他圖像點同時出現(xiàn)或消失。即使使用候選人區(qū)域的預測方法需要很多的時間，在復雜環(huán)境下檢測女性的效果也不好。在文獻中，我們提出了一種基于masson-haramomrandoma的快速檢測方法。雖然它對光和噪聲有一定的適應性，但該方法要求全球模型和檢測內容之間的相似性，對于許多面部特征的檢測效果并不好。文中提出一種復雜環(huán)境下的灰度人臉檢測快速算法,設計的模板匹配算法對照明變化、噪聲干擾等具有較強的適應性,能夠對復雜環(huán)境中大小不等的人臉進行快速、準確地檢測.采用多種環(huán)境下的大量圖片進行實驗,結果顯示該算法檢測的準確率較高,速度也快,優(yōu)于對比的其他模板匹配法.1基礎定位算法為了在圖像中快速、準確的檢測人臉,首先確定人臉候選區(qū)域,然后再使用模板匹配法檢測人臉.為此,提出了根據(jù)人臉上邊沿中心確定人臉的候選區(qū)域的方法,該方法大大減少了搜索圖像像素點的數(shù)量.應用該方法,使用模板匹配算法進行人臉檢測的基本過程如下:(1)尋找人臉上邊沿中心,確定人臉候選區(qū)域;(2)使用所設計的具有魯棒性的模板匹配算法,進行人臉的粗檢;(3)采用基于AdaBoost算法的人臉檢測器進行人臉驗證,即人臉細檢.1.1高頻濾波器檢測人臉實驗根據(jù)人眼視覺的特點,首先進行圖像的邊緣檢測以確定圖像中物體的邊緣點.因為人臉及人眼的邊界具有強邊緣性,在進行模板匹配時只要將邊緣點作為掃描點就可以確定人臉的位置.相對所有像素而言,邊緣點已經(jīng)很少,但是對于多人臉圖像,使用邊緣點檢測速度相對較慢.所以為了加快檢測速度,設計了一種方法先預測人臉上邊沿中心,然后進一步確定人臉的候選區(qū)域.首先,如圖1所示,將圖像F(0)=(f(0)ij)m×n進行二值化得到F(b),再將F(b)作為掩膜和原圖像點相乘得到F(1)=(f(1)ij)m×n.該步只是為了快速檢測,對結果的影響不大,如果二值化效果不好,可以省略.其次,設計一種高頻濾波器,如式(1)所示其形狀是對稱的.H=(hi,j)s×t=[X,Y,X](1)矩陣X中的元素全為負數(shù)值,矩陣Y中的元素全為正數(shù)值并且‖Y‖m1=2‖X‖m1,Y的寬度一般為X的1.5至2倍.元素的取值可以采用兩種方式都比較有效:一個是矩陣X中的元素全為-b,矩陣Y中的元素全為+a;另外一種方式是在列方向上中心最大,然后呈高斯分布向兩邊能量逐漸縮小.t的大小則是根據(jù)圖像中人臉大小而定,實驗發(fā)現(xiàn)t∈(16,30)檢測效果較好,適應檢測大小在1.5t×1.5t至2.5t×2.5t之間的人臉,也就是人臉的維數(shù)在24×24至75×75之間.如果圖像大于該范圍,可以將圖像縮小一定比例,使得圖像中的人臉處于該范圍之中,而s∈(3,7).接下來計算H和F(1)的卷積得到圖像F(2),如圖2所示.濾波后的人臉好似戴著面具,所以稱上述過程為假面變換(MaskTransform).觀察假面圖2(b),可以發(fā)現(xiàn)人臉的一些特征.在原來的眼睛中心p1和p2處于局部低谷,以后四周數(shù)值逐漸增大,在兩眼中心處p0數(shù)值達到一個峰值(p0往上幾個像素就是人臉上邊沿中心);在口鼻處p3也有一個低谷,如果找到這些特征點再根據(jù)一些規(guī)則就可以確定人臉.首先采用網(wǎng)格分解方法找到p0,將圖像分解成k×l個網(wǎng)格;網(wǎng)格一般用正方形,邊長必須小于人臉面部大小的1/5.然后找出每一個網(wǎng)格中最大值及其位置,最后以最大值為中心向左、右、下3個方向找出在一定范圍的低谷像素,得到特征點p0,p1,p2,p3.人臉由眼睛、鼻子、嘴、下巴等構成,其幾何關系相對固定,利用這些特征點結合下列規(guī)則,可以確定人臉上邊沿中心的候選點位置.1人臉圖像的th3、th3p1到p2,p0到p3的距離應在一定的范圍之內,如式(2)所示;th1一般取人臉圖像最大寬度的2/3,th2取人臉圖像最小寬度的1/3,th3取最大人臉的3/4,th4取最小人臉的1/3.比如適應范圍為30～60像素寬度的人臉,則th1=40,th2=10,th3=45,th4=10.th2＜∥p1-p2∥2＜th1th4＜∥p0-p3∥2＜th3(2)2稱特點進一步縮小篩選區(qū)由于人臉具有一定的中心對稱性,所以還可以利用距離和能量的對稱特點進一步縮小候選區(qū)如式(3)所示.這里th5一般應小于5,th7大于0.5,th6小于2,V1=[vp0…vp1],V2=[vp0…vp2],其中,vp表示p點灰度值.3鄰域大小一般在做多人臉圖像時,th8一般在th8由于p0點的灰度值vp0是局部最大的而p1,p2,p3局部最小,所以它們之間有較大的能量差.如式(4)所示,th8一般應大于1,另外在原圖像p0處及鄰域灰度值總和Sp0也應大于其他3點處的鄰域灰度值總和,鄰域大小一般取3×3像素.通過以上規(guī)則,圖像中人臉上邊緣中心的候選點將變得很少,因此可以大大提升檢測的速度和準確性.對于多人臉圖像方法也是一樣的,只是將規(guī)則中閾值的相對范圍放寬一些.1.2圖像像素分布調整對找到的人臉上邊沿中心候選點位,采用模板匹配的方式對點位進行篩選,確定出候選人臉區(qū)域.首先,如式(5),(6)所示,將模板T(0)=(t(0)ij)p×q和圖像子窗口W(k,0)=(w(k,0)ij)p×q分別進行+1,-1二值化得到T(b)和W(k,b),然后如式(7)所示將它們對應的位置點乘后相加再除以pq得到數(shù)值d.p和q在人臉檢測中一般采用同樣值,這種方法適合于精度匹配.因為當相似處越多,數(shù)值向1收斂得越快,當完全相似時,d等于1.?t(0),?w(k,0)分別是T(0),W(k,0)的中值.d=1pqp∑i=1q∑j=1t(b)i,jw(k,b)i,j(7)其次,在第一步的基礎上將正值區(qū)域和負值區(qū)域按照原先灰度將范圍拉大,不限于+1,-1,變成(1,+a),(-a,-1),如式(8),(9)所示.將模板T(0)和圖像子窗口W(k,0)分別減去它們的中值?Τ(0),?W(k,0)得到T(1)和W(k,1),然后將正值區(qū)域和負值區(qū)域進行像素分布調整得到T(2)和W(k,2).像素分布調整分為線性和非線性,方法是將所有像素進行大小排序,按大小關系分成h份,每份中所有元素等于x(x是份數(shù)編號取值1～h);每份中元素個數(shù)y和份數(shù)編號y呈某種函數(shù)關系y=f(x),函數(shù)是線性的稱為線性分布調整,非線性的稱為非線性分布調整,分布調整用R表示.相似度計算如式(10)所示.可以采用對應位置點乘后相加再除以‖T(2)‖2F得到數(shù)值d,也可以采用歐式距離和街區(qū)距離來進行計算.d=1∥Τ(2)∥2Fp∑i=1q∑j=1t(2)i,jw(k,2)i,j(10)圖3所示為使用f(x)=c1e-x2/c2作為分布調整函數(shù)時調整的結果,圖像大小為32×32像素,x取值1～10,設計f(1)是f(10)的10倍.可以計算出其他兩個參數(shù):C2=(102-11)/ln10=42.9952;c1根據(jù)總體個數(shù)求得(在此3個圖分別為96.0230,98.1483,98.5347).可以看出,通過該方法可以使人臉的亮度一致且能量總和也相等.為了驗證性能,采用最簡單的線性分布調整函數(shù)f(x)=c和亮度規(guī)格化相似度測量方法如式(11)所示:d=p∑i=1q∑j=1(t(0)i,j-ˉt(0))(w(k,0)i,j-ˉw(k,0))∥Τ(0)-ˉΤ(0)∥F∥W(k,0)-ˉW(k,0)∥F(11)在椒鹽噪聲、低解析度匹配以及對非人臉的測量幾個方面進行比較,其中ˉt(0),ˉw(k,0)分別是模板T(0)和圖像子窗W(k,0)的均值;ˉΤ(0),ˉW(k,0)分別是含有p×q個ˉt(0),ˉw(k,0)的矩陣.如圖4所示依次是模板、正常人臉、低解析度人臉、加椒鹽噪聲的人臉、非人臉,圖像大小為32×32像素,x取值1～10.從表1可以看出,文中方法在匹配性能上優(yōu)于亮度規(guī)格化相似度測量方法(對比方法).文中方法對光照條件、噪聲干擾不敏感,對模板的要求也不高,采用多副正面人臉的均值即可.另外為了檢測準確,還可以采用幾個角度的圖像旋轉收縮方法,將整個需要搜尋人臉的圖像旋轉幾個大角度,比如-40,+40然后采用同樣的方法找出人臉,這樣可以防止圖像中偏轉較大的人臉被忽略掉;即使不旋轉,該方法對±20°小偏轉人臉檢測效果也較好.對于單人臉檢測,取d的最大值.對于多人臉檢測,為了防止漏檢,閾值應取足夠大,但這同時會引起較高的誤檢率,為此需再對人臉檢測結果進行驗證,去除誤檢的非人臉區(qū)域.1.3實驗數(shù)據(jù)及改進adabolst算法為減低誤檢率,使用基于Haar-Like型特征的AdaBoost算法訓練得到的人臉檢測器,對模板匹配法檢測得到的候選人臉區(qū)域進行驗證.文中選用3510個Haar-Like特征和6977個訓練樣本,其中訓練樣本來自MIT-CBCL人臉庫和非人臉庫,包含2429個人臉樣本和4548個非人臉樣本.為加快訓練速度,對AdaBoost算法進行改進,使用基于特征空間劃分的改進AdaBoost算法,最后訓練得到由109個弱分類器構成的強分類器H.使用分類器H對候選人臉區(qū)域進行檢測,驗證是否為人臉.實驗效果如圖5所示.圖5(a)是一張污染比較嚴重的800×600像素多人臉圖,為了保證將所有人臉檢測出來,相似度閾值設置較小(th=0.5);圖5(b)中所有人臉被檢測出來,但還包括一些非人臉以及人臉邊緣切割不好者,經(jīng)過人臉驗證后得到圖5(c),效果比圖5(b)好.2標準圖像檢測對單人臉和多人臉圖片進行人臉檢測實驗,單人臉選用NUST603原始人臉庫(見圖6).該庫包含96個人,每人10幅256×256像素的標準圖像,具有多種光源以及不同背景;多人臉選用多種復雜背景、不同光源下20幅800×600像素的圖像,包含183個人臉.實驗條件:處理器P42.8GHz、內存512M,Matlab7,測試結果如表2所示.單人臉檢測準確率達99.27%,平均時間0.22s;多人臉檢測