人脸区域检测保护算法研究

张雷 1 ，徐庆伟 2 ，郭振铎 2

摘 要:文中提出了基于肤色椭圆模型和面部特征相结合的人脸区域检测算法，适当扩大肤色椭圆模型的长轴和短轴，以增加人脸检测区域，避免漏掉有效信息；再结合人脸面部主要几何特征，以便区分类人脸区域，进一步确定人脸区域；最后对人脸主要区域矩形框标记，采用相邻点像素均值处理使标记区域模糊化，达到保护个人隐私目的。该人脸检测算法相较于传统检测算法效果较好，检测率较高，如拍照角度不同，仍可正确检测出人脸，具有一定实用价值。

关键词:肤色椭圆模型；人脸区域；矩形框标记；像素均值

中图分类号：TP391.9 文献标志码： A DOI：

Algorithm Research of Face Detection and Protection

ZHANG Lei¹, XU Qing-wei², GUO Zhen-duo²

(1 State Administration of radio, film and television 554, Xingyang, Henan Province 450100, China; 2 Zhongyuan University of Technology School of Electronic and

Information, Zhengzhou 450007, China)

Abstract:This paper presents a face region detection algorithm based on skin color ellipse model and facial features. Appropriately expand the long axis and short axis of the ellipse model to increase the face detection area and avoid missing effective information; The main face geometric features are used to classify the face area and further determine the face area; finally, the main areas of the face are marked with a rectangular frame, the adjacent pixel average processing is used to blur the marked areas to achieve the purpose of protecting personal privacy. Compared with traditional detection algorithms, the face detection algorithm has a better effect and a higher detection rate. If the camera angle is different, the face can still be detected correctly, which has certain practical value.

Key words: skin color ellipse model; face region; marked with rectangular frame; pixel average

人脸区域检测技术基于人脸特征信息，由于其免触摸和易于获取的功能，如眨眼付费，智能门禁，考勤管理，增强现实，行为预测和可疑跟踪等而存在于人们生活的各个方面，随着物联网的快速崛起，将为脸部识别技术提供更为广阔的发展空间^[1,2]。在人脸检测识别技术上，Samaria第一次将一维的隐马尔可夫模型应用在人脸检测研究，并获得了很好的成效；Nefian借助于隐马尔可夫模型进行人脸面部识别¹，使得检测速度得到了较大提高；国内彭辉和张长水提出运用类间散布矩阵进一步减少矩阵维数的方法，在保证人脸识别率的情形之下，大大减少了检测运算量；张慧、周红翔利用对称主成分分析神经网络,采用去除冗余和加权正交性的方法提取和检测人脸^[3,4]。然而，由于现实场景中的各种因素的干扰（例如拍照角度不同，光线影响，物体遮挡等），人脸识别在单视图学习和多视图学习中一直面临着越来越多的挑战和困难。

文中提出了一种基于肤色模型和面部几何特征的人脸区域检测算法，首先提取肤色，区分人脸区域和非人脸区域，该过程适当扩大肤色椭圆模型的长轴和短轴，以增加人脸检测区域；再结合人脸面部主要几何特征，如人脸长宽比、面积、嘴和眼睛定位以便区分类人脸区域，进一步确定人脸区域；最后对检测的人脸区域模糊处理，达到保护个人隐私目的。该人脸检测算法相较于传统检测算法效果较好，检测率较高，如拍照角度不同，仍可正确检测出人脸，具有一定实用价值。

1 基于肤色模型人脸区域检测法

人面部最特殊的信息就是肤色，肤色建模是在各种颜色模型中选择所使用的颜色的过程，颜色模型包括RGB、归一化RGB、HSV模型和 模型。 和HSV空间在进行人脸分割识别时不易受光照其他物体干扰^[5,6]，若背景中有与人脸肤色接近且近距离的物体，这样较容易产生干扰，后续影响人脸区域的准确定位，这是该模型的不足之处。由于RGB到 空间转换较为容易实现，且 颜色模型将亮度元素与色度元素区分开来，在肤色模型建模时带来很大的便利，所以借助 空间进行人脸区域检测。

1.1 肤色高斯模型原理

该模型采用了统计学原理知识，经实验研究可知人类肤色模型在一定程度上是满足高斯分布的，高斯分布表达式形式具有简单、直观的特点。二维高斯型函数如下：

(1)

为样本在 空间的值， ； 为肤色在 空间的均值， ；C为肤色相似度的协方差矩阵， 。

为确定上面式子中的参数，需采集大量的肤色样本数据并计算其统计特征，代入高斯函数模型求得各 值，最后对该结果进行归一化处理。编程思想是：将 结果值作为该点的相似度值，为了查看肤色似然图，可将 [0，1]转化为[0，255]，就是将比值结果再乘以255即可^[6,7]。基于高斯模型的肤色建模方法，仿真运行后得到人脸图像和相应二值化图像如图1所示。

部分源代码如下：

P(u,v) = exp(-0.5*((cbcr-M)')*(inv(Sigma))*(cbcr-M)); %计算似然度

if P(u,v) < 0.20

BinImg(u,v) = 1; %生成二值图像

end

for j = 1:n

MAX = max(max(P));

Q(i,j) = (P(i,j)/MAX)*255; %归一化

end

图1 肤色高斯模型

1.2 肤色椭圆模型原理

经过大量实验研究可知，若将人体皮肤信息映射到 空间，在 二维空间中进行相应的非线性K-L变换，则这些皮肤像素点会形成近似一个椭圆分布。当给定一个像素坐标 ，便可判断该点是在椭圆内部还是在椭圆外部，如果在内部，则为皮肤像素点，可初步划分为类人脸区域^[7,8]。统计的椭圆模型如下^[7,8]：

(2)

(3)

基于椭圆肤色模型的方法，仿真运行后得到人脸图像和相应二值化图像如图2所示。

部分源代码如下：

Y = YCbCr(i,j,1);

Cb = YCbCr(i,j,2);

Cr = YCbCr(i,j,3);

xishu1 = [cos(sita) sin(sita);-sin(sita) cos(sita)];

value = (temp(1) - ecx)^2/a^2 + (temp(2) - ecy)^2/b^2;

se1=strel('arbitrary',eye(5));

gray = imopen(gray,se1);

图2 肤色椭圆模型

由上述两种肤色模型的实验仿真结果图可知，肤色模型法用于人脸区域检测时，类似人脸部区域肤色的脖子、肩膀在做图像二值化处理时被误认为人脸区域，被白色填充，会影响后续人脸区域的准确定位，降低人脸的识别率，须结合其它算法对人脸区域的进一步定位；椭圆模型中亮度变化对色度产生非线性影响，因而在人脸检测时较高斯模型定位更准确，人脸面部信息特征显示更完善，便于进行后续的人脸识别。

2 基于肤色模型和面部几何特征人脸区域检测法

在人脸肤色建模和人脸区域检测过程中，文中采用了椭圆肤色模型法，由于色度细微差别，需要将部分被误认为非人脸区域划分为人脸区域，采用适当扩大椭圆长轴和短轴的方法，增加人脸区域检测面积。

部分源代码如下：

% 如果亮度大于220，则将长短轴同时扩大为原来的1.2倍

if(Y > 220)

a = 1.2*a;

b = 1.2*b;

end

通过数学形态学得到的二值型图像进行后续处理，一般情况下显露出来的颈部、肩膀、四肢或者像这样类似的肤色区域，非常可能被包含在获取的候选区域，在分割时会造成严重的影响，所以根据人脸面部几何特性对候选区域的皮肤筛选是很重要的，用来除去颈部、手臂等皮肤区域的影响。通常采用检测人脸区域的矩形长宽比来确定，通过对人脸正面区域的比对得出，经实验验证其比值常常取为1.1左右，但一般情况下检测到的人脸区域并不是规范姿态情况，如其他区域的皮肤误入候选区、或者出现侧面人脸，出于这样情况的考虑，常考虑确定的矩形区域长宽比的取值范围为（0.5, 1.8），若不满足该取值范围内的情况可判断是非类人脸区域；还需满足人脸区域矩形长宽应都大于18，且矩形面积大于420 ；另外需判断二值图像中是否含有可能是眼睛的矩形块，以便人脸区域的准确定位。仿真运行后得到人脸图像和相应二值化图像如图3所示。

部分源代码如下：

[L,num] = bwlabel(gray,8);

STATS = regionprops(L,'BoundingBox');

ratio = h/w;

% 人脸区域矩形应满足以下条件：

% 1、高度和宽度必须都大于18，且矩形面积大于420

% 2、矩形区域长度和宽度比值（0.5,1.8）

% 3、函数eyerectangle返回值为1

if w < 18 || h < 18 || w*h < 420

continue

elseif ratio < 1.8 && ratio > 0.5 && eyerectangle(gray,ux,uy,w,h) == 1

图3 肤色模型结合面部特征

3 人脸区域定位保护

文中人脸区域检测方法得到人脸区域二值化图3，结合人脸面部主要特征，如眼睛、耳朵和嘴巴等，可以准确矩形框标记，本方法对比于传统的形状模型法^[8,9]，仿真结果如图4所示，增加了形状统计的相关约束条件，定位更准确，仿真结果如图5所示。为使人脸信息得以保护，常用算法有残差系数同步编码与加密、稀疏保护等^[10]，本文采用相邻点像素求平均值的方法可使矩形框区域中人脸信息模糊，使有效信息得以保护，仿真结果如图6所示。

图4 传统形状模型法

图5 面部特征法

图6 人脸信息模糊

4 结 语

文中给出一种肤色椭圆模型和面部几何特征结合的人脸区域识别算法，依据肤色椭圆模型的几何特点和人脸面部主要几何特征，较准确地确定了人脸检测区域；最后对检测到的人脸区域进行矩形标定和模糊化处理，达到了保护个人隐私目的。该人脸检测算法相较于传统算法仿真效果较好，目标检测率较高，具有一定实际应用价值。

参考文献:

[1]祝梦霞. 基于matlab的人脸识别考勤[J]. 计算机学报,2016，29(2)：194-207．

[2]王国栋. 基于MATLAB的人脸识别算法的研究[D]. 内蒙古大学,2014.1-2.

[3]乔志敏,杨慧刚. 基于图像处理的人脸识别系统[J]. 山西电子技术,2017(6):50-52.

[4] Xu Y, Li X, Yang J, Zhang D. Integrate the original face image and its mirror image for face recognition[J].Neurocomputing 2014; 131: 191-199.

[5]刘淑琴. 图像提取方法及其应用研究[D]. 西北大学,2016.

[6] 宋凌怡. 基于肤色模型的人脸检测与人眼定位[J]. 吉林大学学报,2015,(6):1246-1250

[7]杨恒,张再军,杨东,等. 融合YCbCr肤色模型与区域标记的人脸检测算法研究[J]. 软件导刊，2016，(15)02：41-43.

[8]文常保,孙文正. 基于综合肤色检测和二值形态学的人脸定位研究[D]. 微电子学与计算机，2014,41-45．

[9]秦琴. 基于肤色和几何特征的人脸检测与识别方法[J]. 计算机学报，2018，01：232．

[10] Deng W, Hu J, Guo J. In defense of sparsity based face recognition[C]. In: IEEE 2013 Conference on Computer Visionand Pattern Recognition; 23–28 June 2013; Portland, OR, USA. New York, NY, USA: IEEE. pp. 399-406.

作者简介：

张雷，国家广播电视总局五五四台，高级工程师。

徐庆伟(1980-)，男，河南焦作，中原工学院电子信息学院，讲师，硕士，研究方向为信号与信息处理、模式识别。电子邮箱: [e-mail]；

1

基金项目: 河南省高等学校重点科研项目(19A510027)；河南省基础与技术研究计划基金项目(142300410042)