颜色信息技术在人脸识别技术上的应用分析

摘要：人脸识别技术是目前各大智能设备厂商抢占市场的主要技术之一。作为比指纹识别交互性更简易的识别技术，人脸识别技术的成功率，识别速度以及准确率是其目前主要需要突破的三大难点。假如在识别人脸图像时仅凭轮廓曲线来进行计算，其成功率和准确度都可能达不到市场应用的标准。假如在图像处理时引入每个像素点的颜色信息并加以利用，就可以让鲁棒性得到很大的提升，选取合适的颜色空间对于利用肤色提取人脸具有关键的意义。在后期识别算法相对成熟的时候，图像前期的颜色处理是决定这项技术“天花板”的关键技术。而如何形成完整的颜色人脸鉴别体系，也是目前在完善的另一个方向。总体来看，颜色信息技术在人脸识别领域有着不可或缺的重要地位。关键字：人脸识别，颜色信息技术，交互，鲁棒性1.

人脸识别中应用的颜色空间目前人脸图像采集方式大多为彩色图像，假如放弃其中的颜色信息，则图像中包含的信息就会减少很多。当光线不同时，采集到的人脸图像可能有很大的差别，光线较亮或者较暗的情形都可能使采集到的RGB信息发生改变，从而导致识别不准确。同时，由于RGB是设备相关的颜色空间，所以当设备有多个或者设备发生变化时，也会发生识别失败的情况。所以在使用人脸图像中的颜色信息前，必须在这些信息中找到较为稳定的分量。目前主流的基于颜色空间的人脸识别方法都有一个目标，即肤色的分离。在大多情况下认为肤色是人脸识别中首要提取的量，也是颜色信息中较为稳定的参量。将肤色分离后再基于提取的轮廓和其他信息，可以更高效地与库中的人脸数据进行对比。目前有实际应用的人脸识别颜色处理方法主要有以下几种：1.1.

基于HSV空间的肤色分离方法在1996年提出使用HSV颜色空间来提取肤色[。HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(HexconeModel)。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。在将图像的RGB信息转换到HSV颜色空间之后，舍弃V的信息，并设定符合肤色范围的S和H的阈值。实验中设置为Smin=0.23，Smax=0.68，Hmin=0°，Hmax=50°并对一张图像进行了肤色提取，得到了以下的图案，可以看到能够成功提取出人的脸部特征。图1基于HSV颜色空间提取人脸1.2.

基于LAB颜色空间的人脸提取LAB颜色空间在人脸识别中较少应用，但是历史上有一定的尝试。Lab颜色模型由三个要素组成，一个要素是亮度（L），a和b是两个颜色通道。a包括的颜色是从深绿色（低亮度值）到灰色（中亮度值）再到亮粉红色（高亮度值）；b是从亮蓝色（低亮度值）到灰色（中亮度值）再到黄色（高亮度值）。由于分离的结果对比度不高，所以实际产品中几乎没有使用。以下是基于LAB颜色空间的人脸提取尝试：图2基于Lab颜色空间提取人脸1.3.

基于RIQ颜色空间的肤色提取方法提出了将图像变换到RIQ空间，并提取其中的肤色部分。RIQ颜色空间由透明度和色调组成。其中，R代表透明度或亮度，表示图片的灰度值。I和Q代表图片的色调，I代表从橙色到青色的颜色变化，Q代表从紫色到黄绿色的颜色变换。分别提取图片的R,I,Q颜色参数，将一幅图片分解为三张子图。分别对三张子图作主分量分析，提取特征向量。图3将人脸图案分成RIQ子图1.4.

基于YCbCr颜色空间的肤色提取方法YCbCr颜色空间是目前在人脸识别中使用最广泛的颜色空间，这种颜色空间相比于其他的颜色空间有非常多的优点：该空间具有与人类视觉感知过程相类似的构成原理。YCbCr颜色模型被广泛地应用在电视显示等领域中，也是许多视频压缩编码，如MPEG、JPEG等标准中普遍采用的颜色表示格式。

YCbCr的颜色空间具有与HSV等其它一些色彩格式相类似的将色彩中的亮度分量分离出来的优点；YCbCr的计算过程和空间坐标表示形式比较简单，与RGB之间的换算关系简单，避免了非线性空间的奇异性。YCbCr的颜色空间是离散的，采用YCbCr空间易于实现聚类算法；肤色在YCbCr色彩空间的聚类性较好。以下是一次基于YCbCr颜色空间的图像处理实例，主要用于构建人脸的眼睛位置模型：图4将彩色人脸图分离到YCbCr颜色空间1.5.

基于混合颜色空间的人脸构建在实际产品的应用中，只应用某种颜色空间的识别速度和精度往往不能达到客户想要的使用体验。目前常也采用混合颜色空间来进行人脸构建，主要思想是对原图像的RGB值变换到不同的颜色空间中。比如HSV，YCbCr颜色空间中，并提取其中对肤色识别比较敏感的分量进行计算，加权归化得到人脸构建的识别结果。图5颜色空间归化基本思路权重的设置需要通过机器学习来进行。如图将一张原始图像分解到不同的颜色空间，设置每个颜色空间每个分量的权重，并进行计算归化，再与期望得到的人脸区域进行对比，当训练的数目足够大时，每个分量的权重趋于稳定。图6将一幅图分解到多个颜色空间中混合颜色空间的人脸构建相比其他使用单一颜色空间精确度更高，但是需要设置很多的参数，也要大量的人脸样本进行学习，在每次使用时的计算复杂度也多于使用单一颜色空间。2.

在人脸识别中应用颜色信息技术的难点2.1.

环境光引起的肤色偏移不同环境光照射在人脸上会让肤色发生变化，光源的光谱不同，则反射光的光谱不可能超出光源的光谱范围。在这种情况下，颜色技术的引入可能会对识别结果引起反作用，在轮廓识别精确度的基础上，如果照明光源和实际应用中的光源差别过大时，最后的精度反而低于轮廓识别。在光照条件较为极端时，人脸的肤色超出机器的设定阈值，就会发生完全不能识别的情况。

图7不同光照条件下的人脸肤色[5]2.2.

光照强度超出传感器的阈值大多数人脸识别中，颜色信息技术应用的第一步是去掉颜色信息中的亮度信息。当光照强度过高或者过低时，去掉亮度信息后剩下的颜色信息就不够准确。当亮度过高过低引起传感器过曝或者欠曝时，就会完全识别不出画面中的颜色信息。2.3.

面部变化引起的识别困难目前很多人有改变自己肤色的习惯，如化妆，在改变肤色的情况下要仍然能够准确识别，就需要对肤色的阈值有自动学习的能力。2.4.

人脸识别训练样本不够把肤色作为提取人脸的标志需要大量的肤色样本来确定肤色的范围，按照目前情况下，由于成本的限制，因实际的样本数相对有限，所以肤色的库需要通过持续的学习才能扩展。但是这种做法可能涉及窃取用户隐私。2.5.

误识别率较高跟识别困难相反，当机器把肤色的阈值范围加大的时候，可能造成不同人脸都能被同一个样本人脸识别。这就造成了人脸识别的准确性下降。按实际应用来说，这个问题可能比识别成功率低更加严重，容易导致个人信息安全问题。3.

彩色人脸识别的研究方向3.1.

建立基于彩色图像的统一鉴别模式目前彩色人脸的一个重要方向是基于彩色图像的统一鉴别模式建立，J.Yang以RGB颜色空间提出了一种特征鉴别思路：将一幅彩色图像分为红、绿和蓝三个颜色通道的图像，虽然三幅图像显示的颜色和色彩深度有差异，但是都是表示同一个人脸样本，他们的轮廓是相像的，所以也许能够找到三个颜色通道在人脸识别技术中的相关性。图8RGB通道的人脸轮廓定义D为三个通道经过加权之后的融合图像：

并定义三个色彩通道分量之间的平均相关系数为：

对于同样样本和不同样样本进行计算，发现彩色图像的三个颜色成分之间的相关性是非常大的。同类的样本相关系数是0.8766，不同类型的样本相关系数仅为0.8740。平均相关系数虽然差距不大，但是足以分离一些较为相似的样本。图9相同和不同样本的相关系数3.2.

利用颜色信息和插值算法提高图像分辨率[8]在一些特殊情况下，当图像的采集速度要求较高时，实际应用会采集一些分辨率较低的图像。在这个时候，较低的分辨率可能达不到人脸识别的需求，这个时候需要对采集的图像做出处理。与黑白图像不同，彩色图像的插值，尤其是包含人脸信息的插值算法，通常需要对肤色做出特定的调整。插值时选取的颜色空间分量应当与肤色有紧密的联系。4.

个人对人脸识别中颜色信息技术应用的见解人脸识别技术的鲁棒性受到很多因素的限制，算法或是机器学习的精度非常重要，但是其能达到的最高水平却取决于最初获得的图像数据。图像的颜色信息处理就是用来获取这些初始数据的手段。假设能够从图像中提取对人脸识别影响最大的颜色分量，才能够突破现有的技术限制，将这个领域的天花板提升到新的高度。在实际的人脸识别应用中，应用颜色信息技术通常是所有步骤中的第一步，这就要求不同的图像采集设备有更高的颜色采集一致性。但是几乎所有的设备都仍然没有摆脱初始采集颜色空间的设备依赖，通常都是RGB颜色空间，这会导致在后期的计算