摘要：

基于膚色與人臉運動相結合的自動表情，對其識別算法進行研究。通過RGB將圖像轉為YIQ顏色空間，在YIQ中第I維中進行圖像數據的提取，在二值圖像中將背景和膚色分割出來。采用Pareto優化算法進行人臉表情特征的選取，算法計算量少，構結簡單，運行速度快，能對小角度人臉膚色、人臉面部表情變化、人臉旋轉、人臉面部存在遮擋物等情況準確檢測和跟蹤。實驗表明，對于人臉小角度轉動，該算法能較好適應；對于人眼的狀態，該算法不受影響；對于豐富的面部表情變化和不同的膚色均能更好地適應，具有一定的穩定性。

0 引言

近年來，隨著計算機技術的日益提高，人臉實時識別系統發展很快，一般被廣泛運用在監管、檢索等相關領域[1]。但在現階段，人臉識別技術依舊存在缺陷，在實際應用方面受到一定的限制。在人臉識別系統中，人臉檢測屬于重要的組成部分，因此檢測部分具有非常關鍵的作用，人臉檢測系統的檢測算法非常多，可以歸納為兩大類：第一類檢測算法是基于像素特征，而像素特征包括輪廓、膚色等；第二類檢測算法是基于生物特征，生物特征包括圖像中像素間的微觀特征，包括像素的特征矩陣、均值等，相應算法包括神經網絡、Ada Boost等[2]。

人臉膚色與運動識別指的是在圖像序列中，對某個人臉的膚色信息、大小變化、運動軌跡的過程進行確定[3]。基于運動信息、膚色信息的方法具有較快的實現速度，但膚色信息要求的背景顏色分布較嚴格，誤識現象較多，識別率較低，人臉運動信息在跟蹤精度上還需要進一步提高[4]。因此將基于運動信息和基于膚色信息的檢測識別方法結合起來，提高人臉膚色與運動識別相結合的自動表情識別算法的準確性，可滿足實際應用中的實時監控要求[5]。本文主要基于膚色與人臉運動相結合的自動表情，對其識別算法進行了研究。

1 人臉膚色的提取

膚色是構成人臉信息的要素，實際上，不同人的膚色表面上看起來都有一定的差別，但如果排除亮度等影響因素以后，膚色顯示出極高的聚類性，其色調基本一致[6]。在RGB顏色空間當中，由于不存在特定亮度位數信息，因此膚色不具備良好的類聚性，在進行膚色區域分割時具有較大難度。在YIQ顏色空間里，膚色具有較高的類聚性，但也只在該顏色空間的第I維空間中進行類聚。這個現象說明，膚色分割的算法計算量非常少，并且非常簡單，能夠滿足實時監測系統的速度要求。基于RGB顏色空間將圖像轉換到YIQ顏色空間，轉換公式為：

膚色的提取過程分為3步：利用式(1)把圖像從RGB顏色空間轉換到YIQ顏色空間；在YIQ中的第I維空間中提取圖像數據信息；設定合適的閾值分割出二值圖像中的背景、膚色。

2 人臉表情特征選取

2.1 基于GA算法的人臉表情特征選取

遺傳算法的主要思想是達爾文生物進化論，通過對自然中生物進化過程的模擬，進行最優值的迭代搜索，目前常用的GA算法就是簡單遺傳算法，即SGA。遺傳算法是指通過迭代方法，對一個目標問題，搜索得到能夠解決該問題的最優解。在對目標問題進行種群初始化過程中，可以基于該種群的基因編碼得到其個體。總的來說，種群個體實際上屬于實體，而這部分實體都帶有染色體特征。染色體承載著遺傳物質，是由很多基因共同組成的，因此也是通過某種基因組合表現出來的，個體的外部表現則由該基因組合所決定。在染色體中，頭發顏色由某種基因組合決定。因而，對基因進行編碼，即基因型通過外部映射表現出來。

2.2 基于改進的Pareto優化算法人臉表情特征選取

通過改進的GA算法，經過優化得到解，采用Pareto優化算法，對每個種群F(Sk)(k=1，2，…，n)的多目標進行優化，得到最優max F(Sk)，并通過式(2)得到解Sk：

式中，不同種類表情個數用l表示；Mi是通過GA從一類表情中得到的解，且Nw是解的個數；Mj是通過GA從不同類別中得到的解，且Nb是其對應解的個數。

通過目標函數(3)可看出，F2(Sk)對應擴大類間差距，F1(Sk)對應縮小類間差距。圖1為基于GA和Pareto優化算法的人臉的表情特征的選取。

2.3 基于隨機森林方法的人臉表情特征分類

在選出最優特征后，將其進行表情分類，表情包括恐懼、生氣、驚訝、高興等。根據隨機森林分類器方法，可將人臉表情分類的精度有效提高。隨機森林屬于一種組合分類器，實質上是一個樹形分類器的集合。其中，基分類器為通過分類回歸樹算法構建的無剪枝分類的決策樹，通過多數投票的簡單法進行其輸出結果的確定。Gini系數指標在隨機森林算法中是分類回歸樹的分裂標準，其計算過程見式(4)：

式中，mtry表示每個節點的特征維數；Pi表示在樣本集S中出現的概率。

3 人臉表情識別方法

3.1 三維人臉形變模型

圖2為人臉顏色PCA模型，顏色系數的標準偏差設置為2。在第一個顏色模型中，模型主要是進行全局膚色模型的改變，從黑色到白色。在第二個模型中，模型主要是進行人臉性別特征的改變。第三個模型是進行性別、膚色兩種的混合特征的改變。

3.2 基于雙眼的三維人臉姿態的預處理

人臉中的67個對齊點采用對齊算法SDM對齊。SDM中人臉的鼻子、眼睛、嘴角位置均可作為定位標記點。SDM對一個目標函數進行了定義，對此目標函數通過算法進行最小化，用一個線性方法對這個問題進行求解是SDM的核心，見式(6)：

通過獲取的角度，采用仿射變換對臉的姿態進行調整。仿射變換通過變換坐標進行，通過圖像變換，在圖片輸入后，將其坐標映射到輸出圖片坐標上。圖3為基于雙眼的人臉姿態預處理。

4 支持向量機算法在目標跟蹤中的應用

4.1 SVM核函數

在展開函數計算之前，要進行事先確定變換環節，當高維特征空間被輸入映射時，那么這個高維特征空間就需要構造最優分類面。現階段，在核函數和參數的選取環節當中，依舊采取人為選取的方式進行，隨意性較大，穩定性難以滿足。核函數指的是：設歐氏空間X為d維，該空間的一個點用x表示，x的模表示為||x||2=xTx，實數集用R表示。若一個函數K:x→R，存在一個函數k:[0，∞]→R，即K(x)=k(||x||2)，且k為非負值；當k為非增的、分段連續時，滿足條件則核函數就是K(x)。

4.2 訓練過程

應用支持向量機跟蹤驗證運動目標，通常包括圖像分類和訓練過程。在訓練時，將已知分類結果的樣本圖像輸入，進行圖像預處理，對于預處理后的圖像特征通過特征提取法進行提取，并將其作為SVM學習器的輸入數據。對核函數及參數值進行調整，優化設置向量機中可能存在的維度和偏差等問題，優化分類器的選擇模式，最終實現輸入訓練樣本的分類環節，分類器的精度顯著提高。

4.3 動態人臉跟蹤的實現

針對k幀進行研究時，所選擇的膚色模型主要為混合式，通過分割的方式將圖像的膚色進行輸入，以模型規定為基礎，查看膚色閾值從而得到人臉候選區域；采取優化過的Sobel算子邊緣檢測法檢測候選區域，并用SNOW分類器處理前面得到的結果，檢測人臉信息，最終得到人臉矩形區域；把第k-1幀的矩形區域與人臉矩形區域進行比較，對于當前幀人臉矩形區域的運動狀態，采用線性預測獲得；應用FWT算法和Haar小波變換進行該矩形區域圖像的增強處理，同時采用SVM分類器驗證人臉信息。如果能夠檢測到相應人臉信息，那么就可以將其作為人臉區域進行標注；如果檢測不到相應的人臉信息，那就可以認為目標丟失，在允許的丟失時間范圍內，跟蹤和檢測k+1幀。如果超過允許的丟失時間范圍，即可結束本次跟蹤，同時開始新一輪的人臉識別、跟蹤、檢測。

5 實驗結果分析

以前文給出的算法流程為基礎，實現對人臉識別跟蹤的準確定位和檢測，實現人臉膚色和人臉運動相結合的自動表情定位。以QC288型攝像頭為圖像識別工具進行采集，圖像均為640×480分辨率的真彩圖像，圖4為部分人臉跟蹤結果圖，其中圓形所標注的內容為圖像中的人臉目標。通過本文的人臉膚色與人臉運行相結合的自動表情的檢測和跟蹤算法，對小角度人臉膚色、人臉面部表情變化、人臉旋轉、人臉面部存在遮擋物等情況準確地進行檢測和跟蹤。

6 結論

本文主要基于膚色與人臉運動相結合的自動表情，對其識別算法進行了研究。通過RGB將圖像轉為YIQ顏色空間，在YIQ中第I維中進行圖像數據的提取，在二值圖像中將背景和膚色分割出來。采用Pareto優化算法進行人臉表情特征的選取，本算法計算量少，構結簡單，運行速度快，能對小角度人臉膚色、人臉面部表情變化、人臉旋轉、人臉面部存在遮擋物等情況準確檢測和跟蹤。實驗表明，對于人臉小角度轉動，本文算法能較好適應：對于人眼的狀態，本算法不受影響；對于豐富的面部表情變化和不同的膚色均能更好地適應，具有一定的穩定性。