智能技术
0引言
人脸检测技术不仅是人脸识别、表情识别、数字视频处理、视频检测等技术的重要前提条件，同时在模式识别、人机交互、智能监控、视频检索等领域引起了广泛的重视[1]。对于人脸检测，国内外研究者们提出了许多有效的人脸检测算法[2]
，大体上可以分为4类：基于知识的方法，不变特征量法，模版匹配方法，基于统计理论的方法。基于知识的方法检测速度较快，如Yang和Huang提出了基于镶嵌图的人脸检测方法[3]，对于正面人脸的检测精度较高，但不适用于多姿态的人脸检测；基于模板的方法稳定性高且鲁棒性好，如梁路宏等提出的基于仿射模板匹配的方法来检测多姿态人脸，但使用各种倾斜角的模板与输入图像中的每一个可能窗口进行匹配[4]，冗余匹配次数太多、检测速度难以提高。为了解决人脸尺寸的不
收稿日期：2009-07-20；修订日期：2009-10-28。
确定性，许多检测算法往往需在图像的多个分辨率上重复搜索[5]，计算开销大。Pau1Viola和MichaelJones在2001年提出了一种基于Haar-Like型特征的Adaboost人脸检测算法[6]，并使用Cascade结构将第一个真正实时的人脸检测系统成功建立，因该算法具有检测率高，实时性好的优点，成为学术界普遍采用的方法，但该方法需要大量时间进行训练，导致检测系统的灵活性不强。对于复杂背景和人脸姿态未知情况下的人脸检测，很难在检测速度和精度上达到两全的效果。
梁路宏等在人脸检测研究综述中指出[7]：人脸检测研究的趋势是利用多种线索(头发、肤色、器官、轮廓、模板等)综合多种分类方法，启发式信息与统计学习方法相结合。本文算法就利用了基于人脸肤色区域象素分布的统计信息、人脸模板以及人脸特征等线索和分类方法，取得了很快的检测速度和较高的检测率。算法主要包括预处理、人脸粗检和人脸细检
艾学轶，吴彦文，汪亭亭：复杂背景下基于肤色分割的人脸检测算法研究
2010,31(14)3269
3个部分。
(1)对于彩色图像，肤色是人脸表面最为显著的特征之一，对于输入的人脸图像，肤色具有较强的聚类特征，且分布稳定，利用肤色特征进行检测具有计算量小，计算速度快的优点，且对于表情、大小、姿势等人脸自身因素的影响有很强的鲁棒性。但是，自然界有许多近似肤色的物体，只使用肤色特征进行人脸检测是很不可靠的，因此本文将基于肤色特征的方法用于Adaboost人脸检测的预处理，其处理过程包括利用肤色的高斯模型分离出肤色像素，对分割出的区域进行后处理，并初步剔除似肤色区域和裸露在外的身体其它部分，为后续算法作好准备。
(2)人脸粗检是利用改进的Adaboost级联分类器确定候选人脸区域，Adaboost是一种构建准确分类器的算法，它将一族弱学习算法按照一定规则结合提升为一个强学习算法，通过样本的训练得到识别准确率理想的分类器。针对Adaboost算法在训练过程中的过配现象和检测过程中的耗时问题，本文作出了改进，提高了分类器的性能。
(3)人脸细检是在粗检测的基础上，利用人脸模板匹配对候选人脸区域进行验证，即在限定的范围内进行匹配，充分利用了已有的检测结果，在一定程度上克服了传统方法需要在图像中逐点进行搜索匹配，运算量大的缺点，完成了人脸区域的最后确定。
1
基于肤色的人脸图像预处理
1.1
肤色分割
为了把人脸区域从非人脸区域分割出来，需要使用适合
不同肤色和不同光照条件的可靠的肤色模型。颜色空间的转换常用的模型主要有：YCbCr，HSV，YIQ，HSI等。仿真结果显示，YCbCr空间具有将色度与亮度分离的特点，并且肤色在YCbCr空间中的聚类特性明显[8]，因此选择在YCbCr空间进行肤色区域分割。
对输入的彩色图像进行颜色空间转换，将其从相关性较高的RGB空间转换到颜色分量互不相关的YCbCr颜色空间，其转换公式如下所示
0
0.3313
0.5
0.08130.51
0
1
1
m)(x
0.5
1
(4)
式中：x=(Cb，Cr)T，m是均值，C是协方差，通过选择的样本计算得到m、C的值如下
１１２．１９８７１５１．３９９３８９．３２５５３２．２８６７
３２．２８６７２５２．９２３６
32702010,31(14)计算机工程与设计ComputerEngineeringandDesign
值的方法，将灰度图像进一步转变为二值图像，分离肤色与非肤色区域。肤色分割过程如图2所示。
(a)原始人脸
(b)转换为YCbCr
图像
空间图像
(c)似然图(d)二值图
图2肤色分割
1.2肤色区域的预处理
肤色分割后，先采用中值滤波来去除人脸图像中的噪声，
并通过对人脸肤色区域的特征进行分析，对分割出来的肤色区域作以下处理彩色图像中的非肤色区域。
(1)区域的面积。区域面积即为该区域中白色像素点的个数表示，算法如下
，
Ｈ。E
为连通区域的欧拉数；C为连通区域的数目，这里为1；H为连通区域内部的空洞数目。根据计算显示，若欧拉数大于0或小于-10，排除该区域为人脸候选区域。
(3)质心。正确的人脸候选区域是一个凸多边形，其质心在区域内。根据如下质心坐标公式计算人脸候选区域的质心坐标。
，
，
＝
和
=
｛1
(8)
生成弱分类器后，采用Adaboost挑选最优弱分类器，并赋予其权重，并将多个弱分类器组合生成一个强分类器，具体学习算法如下：
步骤1标记n个训练样本，其中m个人脸样本标记为yi=+1，N
1。
步骤2
初始化权值。每个人脸样本的初始权值为：W0'+1=
1/(2*m)，非人脸样本为
W0'-1=1/(2*(N
(10)
并从中选出迭代误差和最小的弱分类器ht(x)。计算出
ｔ
／
（１ｔ
）。令
ｔ
）。则
t
更新全体权值
＝
（１１）
若第i个样本被正确分类，ei=0，
否则ei=1；令t=t+1。将权值归一化
＝
／（１２）
步骤4将若干个弱分类器线性组合在一起，可以得到一
个强分类器
０．５
（１３）
式中：
ｔ
）。
2.2级联分类器
由于单个弱分类器的分类能力很弱，需要将多个分类器
级联起来组成若干个强分类器，使这些强分类器能够较好地排除负样本，检测到尽可能多的正样本。因此就构成了级联分类器[11]，其结构如图3所示。
待检测图像
通过
通过
通过
1
2
3进一步检测
不
不不过
过
过
排除该图像
图3级联分类器
从图3可以看出，级联分类器将许多个强分类器分级串联起来，检测不通过的图像被一级一级丢弃，检测的标准随着级数的增加而更加严格和复杂，只有人脸图像依次通过级联分类器各个级别的检测。
训练算法如下[6]：
艾学轶，吴彦文，汪亭亭：复杂背景下基于肤色分割的人脸检测算法研究
(1)设定每层最大错误率f，每层最小通过率d和整个分类器的错误率
2010,31(14)3271
行匹配，将满足一定条件并达到匹配度阈值的图像窗口作为候选人脸。
人脸模板灰度矩阵为T[M][N]，灰度均值
max
使用训练样本训练第i层，设定阈值b使
得误报率
；
(15)
(4)若
max
，停止。
随着级联分类器级数的逐步增加，系统对非人脸的排除能力就越强，直至所有错误样本都无法通过，在整个过程中，级联分类器都要保证有尽可能多的正确样本的通过。
2.3算法分析和改进
Adaboost学习算法的权值更新规则能够专注于处理比
较困难的训练样本，但是，当丰富的训练样本集中包含噪声或者稀有的独特样本时，该算法也会分配很高的权值，导致过配现象的发生，最终使算法性能降低。同时，人脸检测系统在对大量的、丰富的人脸样本进行训练时，需要计算大量的特征值和建立大量的弱分类器，且由于人脸样本特征值的数量非常多，训练需要很长时间[12]。在每轮循环中，运算的开销都特别大。
针对以上问题，本文对Adaboost人脸检测系统进行改进，首先，提出一种基于Adaboost权值更新方法；其次，减少特征的数量。
在每轮训练中，设置一个阈值，结合样本是否被错误分类以及当前权值是否大于
，对样本进行权值更新，即
（１６）
＞
式中：
(17)
这样，即使困难样本在每轮都被错误分类。它们的权值也不会被过分增大，从而在一定程度上避免了分类器发生过配现象。
本文中，笔者通过以下两种途径来减少特征数量：一是在特征生成时将某些分辨率不高的特征人为剔除，比如，宽度像素的矩形特征或者边缘像素的矩形特征；二是在训练的过程中，动态地减少那些对人脸和非人脸区分能力很低的矩形特征，经过上述减少矩形特征的处理后，运算速度可以得到30%以上的提升。
3基于模板匹配的人脸验证
对于经过人脸粗检得到的候选人脸，需要进一步验证才
能确定更精确的人脸位置信息。显然，此时的细检问题已经简化为在候选区域内、己知大致人脸情况下，利用模板匹配进行人脸区域的进一步验证。
人脸匹配算法的基本思想：首先根据得到的粗检测图像依次将待匹配的人脸区域提取出来，将其转换为灰度图像，进行灰度分布标准化和旋转变换。然后选择合适的人脸模板进
式中：
*
*
2
*
,
(20)
32722010,31(14)计算机工程与设计ComputerEngineeringandDesign
测试图像集的具体情况如表1所示。测试集1是正面人脸图像，测试集2是侧面人脸图像，且均只包含1个人脸，背景的选取是随机的；测试集3中每幅图像通常包含一个或多个人脸，人脸姿态包含正面、侧面、倾斜、旋转等，许多图像有复杂的背景。
表1
测试图像集
测试集图像和人脸数量人脸姿态背景1356幅，356个人脸正面简单2226幅，226个人脸侧面简单3
308幅，1130个人脸
正面
复杂
笔者将本文论述的方法与其它方法在同样的软硬件环境下实施了对比试验，表2至表4分别给出了系统检测各个测试集的实验结果。
从表2至表4可以看出，单纯基于Adaboost方法和模板匹配人脸的定位不够精确，同时误检的区域也较多，使用改进的Adaboost和模板匹配对人脸区域的验证不但减少了Ada-boost检测中的误检区域，且检测率也有了很大提高，对人脸的定位更加精确。但误检和错误报警的图像也是不可避免的。更多的实验结果如图5所示。
5结束语
为提高复杂背景下的多姿态彩色人脸图像的检测速度和
准确率，本文提出了一种融入肤色特征并将改进后的Adaboost级联分类器和模板匹配相结合的人脸检测方法。该方法的主要特点如下：
(1)为减少复杂背景，光照条件和人脸表情等的影响，利用肤色信息对人脸图像进行预处理，减少了级联分类器得搜索区域，改善了Adaboost对多姿态，多人脸图像的检测效果；
(2)在提高算法性能方面，本文针对人脸检测训练可能出现权重过适应现象和训练时间太长的问题，利用一种改进的Adaboost权值更新方法；
(3)本文提出了Adaboost级联分类器和模板匹配相结合的方法，本算法不但减少了Adaboost检测的误检区域，大大加快了检测速度。仿真试验表明，本文所提出的算法可以运用于多姿态、多人脸和复杂背景的情况，是一种有效的人脸检测方法，具有一定实用价值。
参考文献:
[1]
HjelmasE,LowBK.Facedetection:Asurvey[J].ComputerVi-sionandImageUnderstanding,2001,83(3):236-274.
[2]
YangMH,KriegmanD,AhujaN.Detectingfacesinimages:Asurvey[J].IEEETransonPAMI,2002,24(1):34-58.[3]YangG,HuangTS.Humanfacedetectioninacomplexback-ground[J].PatternRecognition,1994,27(1):53-63.
[4]梁路宏,艾海舟,何克忠,等.基于多关联模板匹配的人脸检测[J].软件学报,2001,12(1):94-102.
[5]方昱春,王蕴红,谭铁牛.融合人脸轮廓和区域信息改进人脸检测[J].计算机学报,2004,27(4):482-491.
[6]
ViolaP,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C].Kauai,Hawaii,USA:ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition,2001:511-518.
艾学轶，吴彦文，汪亭亭：复杂背景下基于肤色分割的人脸检测算法研究
2010,31(14)3273
[7]梁路宏,艾海舟,徐光祐,等.人脸检测研究综述[J].计算机学报,2002,25(5):449-458.
[8]
GongY,SakauchiM.Detectionofregionsmatchingspecifiedchromaticfeatures[J].ComputerVisionandImageUnderstan-ding,1995,61(2):263-269.[9]
YangJ,LuW,WaibeA.Skin-colormodelingandadaptation[R].Pittsburgh:CMU-CS,1997.97-146.
[10]WuBo,AiHaizhou,HuangChang,etal.Fastrotationinvariant
multi-viewfacedetectionbasedonrealAdaboost[C].SixthIEEE
假设图10为需要确定身份的人脸，则首先计算他的图片与库中对应身份的人脸的欧式距离L1，如果满足阈值要求则认为身份正确，否则拒绝这个身份请求。
下面通过两组计算证明，采集的人脸与对应身份的人脸库中的图片的欧式距离L1小于它与数据库中其它人脸的欧式距离L2，所以可以用阈值法进行人脸确认。本文算法的正确率和拒识率比较如表1所示。
2.6系统操作界面
系统仅允许管理员输入密码进行登录，管理员可对系统
各项参数进行设置和更改。管理员可通过网络中任意一个终端进行登录，包括局域网和广域网。
在首次运行时，需要对设备进行设置，使各个门禁设备能够与中心控制机进行通信。当管理员登录以后，可设置网络地址及系统参数等。管理员可设置图像编码质量、尺寸、帧频等。
根据实际需要，系统可监控单一入口或多个入口，同时多路图像可单独显示或同时显示。在主界面中显示中心控制计算机工作状况、各个入口设备工作情况等信息。
在系统操作界面中，可实时监测到各个入口的人员出入
InternationalConference,AutomaticFaceandGestureRecogni-tion,2004:79-85.
[11]ZhangZhenQiu,LiMingJing,LiSZ,etal.Multi-viewfacedetec-tionwithfloatboost[C].WACV2002SixthIEEEWorkshop,Ap-plicationsofComputerVision,2002:184-188.
[12]OuZongying,TangXusheng,SuTieming,etal.CascadeAdaBoost
classifierswithstageoptimizationforfacedetection[C].Interna-tionalConferenceonBiometrics,Springer-VerlagBerlinHeidel-berg,2005:121-128.
情况，并可通过对讲机与考勤人员进行交流。
系统可生成系统日志，使管理员能够了解系统工作状态。在每个月末或年末，管理人员都可根据数据库中所记录的系统日志了解到各个设备的工作情况及故障报告等信息。
本系统的另一个功能是在进行门禁管理的同时，还可作为考勤设备使用。系统不仅可记录员工的迟到、早退、请假等信息，还可使管理人员了解到员工外出时间长短等情况，防止员工擅自外出情况的发生。
系统可将所有职工按照部门进行分类管理，每个员工都具有详尽的考勤表，能够灵活的查看员工的考勤情况。
3结束语
本文设计了联网式非接触性智能卡多通道门禁考勤系
统，指出了系统的设计难点，技术指标，功能和结构，最后给出系统的工作流程，具有采集、检测、确认和报警等多项功能，包
括摄像机、液晶屏、智能卡读卡机、数据转换模块、网络接口模块、中央控制计算机、报警系统、报表打印设备等多个组成成分，可实现采用非接触性智能卡验证持卡人身份。为相关系统的设计提供了参考。
参考文献:
[1]戴永,王求真,张欣.联网门禁锁位机的多锁具兼容机制[J].计算机工程,2009,35(8):253-255.
[2]
YangMH,KriegmanD,AhujaN.Detectingfacesinimages:Asurvey[J].IEEETransPatternAnalysisandMachineIntelli-gence,2002,24(1):34-580.[3]
徐挺.大容量人脸识别门禁系统的研究[J].计算机仿真,2008,25(6):217-219.[4]郑明恩,管业鹏.基于肤色与肤色矩实时视频人脸检测与跟踪[J].计算机工程与设计,2008,29(4):879-881.
[5]张会森,王映辉.人脸识别技术[J].计算机工程与设计,2006,27(11):1923-1928.
[6]童晓阳,王培林.基于复合生物识别的出入门禁系统设计与实现[J].微电子学与计算机,2007,24(2):117-119.
[7]李丹,郭小华,刘正熙.基于DSP的自动人脸识别门禁系统设计与实现[J].四川大学学报:自然科学版,2004(z1):609-612.[8]
魏强.基于非接触式IC卡技术的校园门禁管理系统设计[J].计算机工程与设计,2008,29(14):3771-3772.
因篇幅问题不能全部显示，请点此查看更多更全内容