3.4 基于肤色检测的人脸定位算法实验结果

在实验中测试集选有100幅图像，这些图像背景比较复杂，部分图像是用数码相机拍摄的，还有从Internet上下载的，也有少数是通过照片扫描过来的。这些图像中既有单人脸图像，也有多人脸图像，包括不同的人脸姿态和表情以及不同的光照等情况。

系统中定义了三个评价参数来检测该算法。

① 正确检测率：正确检测出来的人脸数与集合中总人脸数之比。

② 漏检率：未检测到的人脸数与集合中总人脸数之比。

③ 误检率：检测到的假脸数与集合中总人脸数之比。

基于肤色检测的人脸定位算法的实验结果见表3.1。通过上述算法进行人脸检测的实验结果表明：算法具有良好的检测性能，对人脸的限制条件比较少，对各种环境下、不同背景、不同尺寸的人脸图像都有比较好的检测结果，正确检测率达到了94.5%，误检率很低。对实验中292 × 219像素的图像，耗时在7 s左右，相对于其他的一些人脸检测算法速度要快一些。该系统的限制表现在输入人脸的左右倾斜角度不宜过大，且双眼等主要器官可见，这对于一般的人脸图像基本都能满足要求。在该算法中，误检率很低，且误检的大多是与人脸相类似的且尺寸较小的模式，这是因为算法中对人脸的检测步骤很多，基本在正常的范围下不会有误检的可能。但在实验结果中可以看到漏检率相对于误检率比较高，这点源于算法中肤色模型的缺陷，任何肤色模型都会受到光照的影响，相对于特定人、特定光线下的肤色分布，在不同的光照条件下，利用不同的成像设备获取不同人的图像中的肤色分布还是处在一个较大的范围内。如果系统用通用的肤色分布模型，虽然对光照有一定的适应，但没有用针对特定用户的肤色模型检测效果好。

表3.1 实验结果

在整个检测过程中，对肤色的预处理使候选人脸区域大大减少，因而检测速度得到了很大的提高。部分肤色提取的实验结果如图3.23所示，其中的图像分别为原图像和肤色提取后的图像。部分人脸检测定位的最后结果如图3.24所示。

图3.23 肤色提取前后图像比较

图3.24 部分图像人脸检测定位结果