推荐阅读：摘要：介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法。该方法首先利用肤色在YcbCr空间中的聚类特性，对图像进行预检测，得到候选人脸区域，进而采用改进的Adaboost方法对弱分类器进行级联，得到最终的人脸分类器。在特征选择上，使用基于像
摘要：介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法。该方法首先利用肤色在YcbCr空间中的聚类特性，对图像进行预检测，得到候选人脸区域，进而采用改进的Adaboost方法对弱分类器进行级联，得到最终的人脸分类器。在特征选择上，使用基于像素的多层特征（PixelBased HierarchicalFeature，PBHF），以解决传统Adaboost方法检测时间过长的问题。实验结果表明，该人脸检测方法比单纯采用Haarlike 特征的人脸检测方法更加有效。
关键词：Adaboost；肤色模型；人脸检测；多层特征
中图分类号：TP317.4
0 引言
本文所提出的人脸检测方法，能显著减少训练时间和检测时间，进一步提高特定环境下人脸检测的可行性。在肤色模型中通过肤色分割，可以筛选出大多数非人脸，准确地保留脸候选人脸。并利用改进的Adaboost算法，采用PBHF特征得到的强分类器进行人脸检测。
1 肤色分割
将RGB图像转换到亮度-色度空间，通常称之为YCbCr色彩空间，这样做是因为在YCbCr色彩空间中肤色的聚类性比较好。
由于生活中存在大量与人类皮肤颜色相似甚至相同的物体，因此肤色检测结果中，可能包含大量的非肤色区域。为了降低对后续检测所造成的影响，根据文献[7]中所提方法作进一步的区域分割，最终得到候选人脸区域。
4 实验结果
以CMU人脸集[9]为测试集，采用VC++6.0进行软件模拟。这些人脸集包含很多种人脸，比如旋转角度、不同光照情况、不同服装、不同肤色的人脸等。检测结果比较如表1所示。
人脸检测系统的性能指标主要有以下4部分：训练时间、检测时间、检测率、误检率。尽管本文所提方法相较于Haarlike特征而言，其检测率和误检率要差一些，但是在训练时间上要强很多。如果使用传统的Haarlike特征，训练时间较长，往往需要要1天以上，但如果使用PBH特征，只需要10分钟即可。训练时间会产生这么大的差异，其原因在于传统Haarlike特征多于150 000个，而PBH特征少于600个。尽管特征差距在数量上比较小，但在实际检测时，训练时间相差较大。这是因为对于传统Haarlike特征训练，数量较大造成了频繁的数据换入和换出，而PBH特征可以很容易地全部放入内存中，这就造成了训练时间的巨大差距。部分检测结果如图4所示。
5 结语
本文提出了一种基于肤色模型和改进Adaboost算法的人脸检测方法，首先采用肤色的聚类性进行预检测，然后使用基于像素的多层特征（PBHF）进行改进的Adaboost算法提升，最终得到强分类器作为人脸划分依据。实验结果表明，与传统Adaboost方法相比，训练时间大幅减少，而检测率相当。总体而言，本文所提出的方法是有效的。
参考文献：
[6]张宁，李娜.基于Adaboost算法的人脸检测技术的研究与实现[J].现代电子技术，2011，34（14）：46.
[9]CMU front face images[EB/OL].http：//vasc.ri.cmu.edu//idb/html/face/frontal_images/ index.html.
