基于A(yíng)daBoost+膚色模型的多人臉檢測考勤系統

　　正反樣本vec文件生成后需要通過(guò)_Opencv提供的opencv_haartraining可執行程序進(jìn)行樣本訓練。訓練完成后將生成一個(gè)xml文件，即通過(guò)AdaBoost算法生成的用于人臉檢測的分類(lèi)器文件。此處主要利用了AdaBoost的OpenCV實(shí)現。

　　使用生成的分類(lèi)器進(jìn)行人臉檢測時(shí)主要使用了OpenCV提供的兩個(gè)方法：

　　(1)load()方法，其主要功能為載入生成的分類(lèi)器。

　　(2)detectMultiScale()方法。此方法通過(guò)使用之前載入的分類(lèi)器，在輸入的圖像中查找人臉區域并返回人臉區域的位置。

　　在A(yíng)daBoost初步確定人臉區域后，采用膚色模型校驗。膚色檢測需要設置膚色范圍，通過(guò)將圖像中的像素點(diǎn)與“標準膚色”相比較，從而區分圖像中的膚色區域與非膚色區域。

　　在設置“標準膚色”范圍時(shí)，實(shí)驗中采用了三種廣泛使用的顏色空間：RGB色彩空間、HSV色彩空間、YCbCr色彩空間。

　　實(shí)驗中，共設置兩個(gè)RGB標準膚色模型^[10]。RGB膚色模型一的閾值范圍應滿(mǎn)足：G>40、B>20 、R>G、R>B、MAX(R,GB)-MIN(R,G,B)>15。RGB膚色模型二的閾值范圍應滿(mǎn)足：R>220、|R-G|<15、R>G、R>B。

　　采用(1)(2)(3)(4)：

(1)

(2)

(3)

(4)

　　將RGB顏色轉換為HSV顏色^[11]，然后設置HSV標準膚色閾值范圍^[12]應滿(mǎn)足：0

　　采用公式(5):

(5)

　　將RGB顏色轉換為YCbCr顏色^[12]，然后設置YCbCr標準膚色閾值范圍^[13]為：

　　通過(guò)與標準膚色數據對比，圖像某區域像素同時(shí)符合三種標準膚色閾值范圍時(shí)即認為是膚色區域。結合AdaBoost檢測結果綜合判定人臉區域。最后通過(guò)rectangle方法在圖像上使用矩形框標注人臉位置。

　　使用時(shí)，首先由教師通過(guò)手機拍攝課堂照像(如圖1所示)并登錄系統上傳考勤圖像。后臺服務(wù)器監測到有圖像上傳即對圖像進(jìn)行人臉檢測，并對不同人臉逐一標注序號。被考勤人員分別登錄系統，選擇圖像與自身相對應的序號。當系統發(fā)生漏檢時(shí)，系統還向用戶(hù)提供手工框選接口，以修正系統對人臉的漏檢。系統會(huì )實(shí)時(shí)將每次考勤結果存入數據庫系統，同時(shí)生成考勤圖像、考勤表等方便考勤查看。系統流程圖如圖2所示。

4 實(shí)驗結果

　　為驗證該考勤系統的實(shí)際效果，作者將該考勤系統應用于課堂的學(xué)生點(diǎn)名中。實(shí)驗發(fā)現，僅在A(yíng)daBoost算法檢測下，會(huì )出現較為嚴重的誤檢現象。在加入了膚色校驗之后，誤檢率明顯下降。結合兩種方法后，基于A(yíng)daBoost算法結合膚色模型進(jìn)行人臉檢測具有很好的可用性以及魯棒性，可顯著(zhù)降低誤檢率。

　　基于人臉檢測結果，通過(guò)學(xué)生分別登錄選擇注冊，獲得了實(shí)際上課學(xué)生的考勤結果。

5 結束語(yǔ)

　　本文基于A(yíng)daBoost算法和膚色模型校驗，結合用戶(hù)選擇注冊，實(shí)現了多人場(chǎng)景下的考勤。實(shí)驗證明，該方法具有良好的可用性及魯棒性，目前，考勤系統已經(jīng)作為課堂考勤工具正在使用，能夠獲得準確的學(xué)生到課結果。然而，該系統還存在較多問(wèn)題，當存在如遮擋、側臉、低頭等姿態(tài)時(shí)，檢測精度下降，尚不魯棒。系統可使用人臉識別方法取代人工注冊，減少用戶(hù)操作。在人臉檢測過(guò)程中，通過(guò)將采集到的人臉入庫，供后續人臉識別使用。由于傳統人臉識別方法如：PCA、LBP等，在多人大尺度場(chǎng)景中識別率較低，尚不滿(mǎn)足統計需求，因此探索多人場(chǎng)景下高精度人臉識別算法將是未來(lái)研究工作的重點(diǎn)。

參考文獻:

[1]Majumder A, Behera L, Subramanian VK. Automatic and Robust Detection of Facial Features in Frontal Face Images:  Computer Modelling and Simulation (UKSim), 2011 UkSim 13th International Conference[C]. Cambridge: IEEE, 2011:331-336

　　[2]Verma A, Raj S A, Midya A, et al. Face detection using skin color modeling and geometric feature //International Conference on Informatics, Electronics and Vision[C]. Dhaka: IEEE, 2014:1-6

　　[3]Ban Y, Kim S, Kim S, et al. Face detection based on skin color likelihood[J]. Pattern Recognition, 2014, 47(4):1573–1585

　　[4]Ghimire D, Lee J. A Robust Face Detection Method Based on Skin Color and Edges[J]. Journal of Information Processing Systems, 2013, 9(1):141-156

　　[5]Mohamood N, Hashim N M Z, Aziz K A A. Sliding Window for Radial Basis Function Neural Network Face Detection[J]. International Journal of Science & Engineering Applications, 2014, 3(4):94-97

　　[6]Quraishi M I, Das G, Das A, et al. A novel approach for face detection using artificial neural network// International Conference on Intelligent Systems and Signal Processing[C]. Gujarat: IEEE, 2013:179 - 184

　　[7]Viola P, Jones MJ. Robust Real-Time Face Detection[J]. International Journal of Computer Vision, 2004, 7(2):137-154

　　[8]Li R, Li C. Adaboost Face Detection Based on Improved Covariance Feature[J]. Journal of Computers, 2014, 9(5): 1077-1082

　　[9]Freund Y, Schapire R E. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139

　　[10]Kovac J, Peer P, Solina F. Human skin color clustering for face detection: The IEEE Region 8 EUROCON 2003: Computer as a Tool[C]. Ljubljana: IEEE, 2003: 144-148

　　[11]Prema C, Manimegalai D. Survey on skin tone detection using color spaces[J]. International Journal of Applied Information Systems, 2012, 2(2): 18-26

　　[12]Sobottka K, Pitas I. A novel method for automatic face segmentation, facial feature extraction and tracking[J]. Signal Processing: Image Communication, 1998, 12(3):263-281

　　[13]Kukharev G, Nowosielski A. Visitor Identification–elaborating Real Time Face Recognition System[J]. Winter School on Computer Graphics (WSCG), 2004, 2:157-164