1.引言 随着社会的不断进步，人们的活动范围 越来越大，因此突发事件也越来越多，利用 智能视频监控对其进行监控已经成为很多国 家关注的问题。但是，目前大多数智能视频 监控只是单纯的对行为进行监控，对于监控 对象的外形、衣帽、身高等特征，可以在模 糊的图像中获取，需要比较清晰的图像才能 进行人脸识别。 对人脸进行监控和识别，然后记录出视 频内所有出现的人脸信息就能获取被监控对 象的人脸信息。因此，将传统的视频监控技 术和人脸定位技术结合在一起便成为了当前 视频监控中人脸识别定位方法的关键。对于 监控结果，人脸识别定位算法的好坏将直接 影响其结果。 常用人脸定位的方法有三种：基于模 板匹配的算法、基于神经网络的算法、基于 肤色的算法。上述三种算法在某种意义上实 现了人脸定位功能，但是却存在一些问题， 比如运算量太大、实现较为复杂和错误率较 高，由于视频监控具有实时性的特点，因此 上述方法不适合应用在视频监控系统中。本 文根据人脸定位方法的不足以及视频监控人 脸识别定位的特点，提出了一种新型算法， 该算法能够将视频图像运动的时序性和肤色 特征相结合，通过相结合后的算法能够有效 减少误差，通过运动检测缩小检测范围，并 将神经网络的分类特征用于检测肤色区域。 该方法检测速度快，降低检测错误率。 2.算法步骤 优化改进后的算法结合区域提取和肤色 检测，并使用从粗到细的检测模式。此算法 由三部分构成。首先，利用图像的运动信息 提取人脸范围，删除掉非人脸的活动区域， 通过此步骤，可以很大程度上缩小搜索区 域，因此充分提高了运算速度。其次，将BP 神经网络的肤色分割算法利用在提取的人脸 搜索区域，由此可以提取出肤色区域，然后 对肤色区域进行合并和分割，该步骤使用区 域增长算法进行实现，便得到人脸识别候选 区域。最后，利用人脸的基本信息对人脸候 选区域进行验证，得到人脸定位的信息。该 算法如图1所示。
(1)
3.2 肤色分割 对视频流中的连续两帧图像进行对比， 根据分析可知，每帧图像是由背景图像和前 景图像组成的，背景图像即静态图像，前景 图像即动态图像。背景图像区域的像素点灰 度值变化较小，前景图像区域的像素点灰度 值变化较大，运动目标当前和原来所在的区 域都包括在内。 肤色是人脸特征中一个非常重要的特 征，目前广泛利用的人脸识别定位方法就是 利用肤色对人脸进行识别定位，利用肤色检 测方法不仅效率高，而且稳定性好，实现起 来较为容易，运算速度也快，有利于实时性 的特性。但是对于背景图像非常复杂的环 境，肤色检测方法较为不适用，因为负责的 背景图像会对该方法产生强烈的干扰，该干 扰会降低检测结果的准确性。为了改善干扰 造成的问题，本文结合帧间差分算法将背景 图像和前景图像进行分离，使用肤色检测方 法直接对前景图像进行检测，从而避免了复 杂的背景环境产生的干扰。改进的算法不仅 能很大程度上提高检测的准确性，而且还提 高算法的运算效率，保证了在视频监控中人 脸识别的及时性。色彩空间和肤色分割算法 是进行人脸检测的关键问题，为了提高肤色 分割对光照条件改变的鲁棒性，本文将像 素点的RGB颜色空间变换到YCrCb空间中，不 使用RGB三种颜色信息进行判断，而是用色 度和饱和度进行判断。其中，Y表示亮度信 息，Cr表示红色分量的信息，Cb表示蓝色分 量的信息。该像素点的空间转换举证如公式 (2)所示。
3.算法描述 3.1 运动区域提取 本算法将采用帧间差分算法进行视频图 像运动区域的提取。帧间差分算法可以将图 像中运动的目标提取出来，即将动态图像和 静态图像(背景图像)进行分割，该算法不仅 简单，而且效率高。通过计算连续两帧图像 汇总没一点的灰度差值并设定一个阀值来判 定哪些点是运动的，哪些点是静止的。 如公式(1)所示，△t是处理连续两帧 图像的时间间隔，f(x,y,t)表示一帧图像， f(x,y,△t)表示下一帧图像，这两帧图像是 连续的，Td是设定的阀值。假若这两帧图像 的差值绝对值要大于阀值，那么说明该像素 点是运动的(前景区域)，否则该像素点则为 静止的(背景区域)。
》》 探索与观察
视频监控中人脸识别定位方法研究
东莞理工学院保卫处 杨国典
【摘要】现有的人脸识别定位方法由于其局限先不能适用于视频监控中的人脸定位，针对智能视频监控中的运动目标的检测的特点，结合视频图像的连续性和人 脸肤色的特征，提出了一种快速视频监控人脸定位的有效方法。该方法首先通过差分算法提取前景区域，然后通过BP(误差反传)神经网络的肤色分割算法，对运动 区域进行检测，最后对人脸候选区域进行验证并定位。实验证明，该方法不仅能够减小检测误差，而且提高系统运行速度，实现复杂环境下的视频监控中的人脸 定位。 【关键词】视频监控；人脸识别；人脸定位；神经网络；差算法
检测的可靠性，本文提出一种基于BP神经网 络的肤色分割算法，该分割算法使用不同颜 色分量作为神经网络的分类特征，从而获取 高灵敏度的分类结果，降低检测的错误率。
3.2.1 用于肤色检测的BP神经网络结构 本算法所采用的神经BP网络结构为全连 接前馈网络，该网络结构为三层，如图2所 示。
图2 BP网络结构
3.2.2 网络训练样本集的选择和学习 网络训练样本集是非常重要的。在理论 上，用什么样的样本集进行网络训练，则该 网络就具有了识别该样本的能力。本文所创 新的算法采用肤色区域的像素点样本集进行 训练，并且包括了各种不同光照条件、不同 背景、不同肤色的人脸图像进行训练，增加 本算法的通用性和有效性。 本文训练样本集采用了L=800个不同类 型的样本，分别为X1，X2，…，XL，由于BP 神经网络的学习算法是一种有教师的学习算 法，因此对应的教师分别为d1，d2，…，dL， 则可以得到BP神经网络的每一层权值的迭代 公式(3)，其中n0为迭代次数。 该算法的学习过程如下： (1)确定神经网络各层的权值和阀值； (2)输入样本到神经网络中，根据式(2) 计算神经元输出值和误差； (3)根据式(3)修改各层的权值和阀值； (4)重复(2)(3)(4)步骤直到样本总的输 出神经元的误差小于给定的数值，则停止学 习。