loading
基于人脸检测与肤色统计的坐姿行为监测
张宇
【摘 要】[摘要] 基于笔记本自带的摄像头，对几种常见坐姿行为进行判别，分析了其坐姿的行为特征，提出了一种通过人脸检测和肤色统计的6种坐姿行为识别方法。通过AdaBoost算法进行人脸检测，确定正确坐姿的人脸检测框并在周围建立3个固定的肤色统计区域，利用在YCbCr空间中肤色的Cr和Cb分量近似一个椭圆的特性，标识出类似肤色的像素点，分别统计3个区域的肤色面积作为判断依据。通过对人脸框中肤色面积和左中右固定统计区域的肤色面积的比较，可以准确地识别坐姿行为，并且整个系统对光照变化具有良好的鲁棒性。
【期刊名称】计算机与网络 【年(卷),期】2017(043)007 【总页数】4
【关键词】[关键词] 坐姿检测；人脸检测；基准模型；肤色统计
1 引言
早在2015年就有报道[1]显示，我国青少年近视发病率已高居世界第一位，而坐姿不正确是引起青少年近视的原因之一。为了检测出不良坐姿，需要对坐姿进行识别与分类，目前国内外有不少学者也做了不少的相关研究。比如，Cucchiara等人[2]利用贝叶斯分类器对站立、坐、蜷缩和躺4种差别明显的姿势进行分类；Guo等人[3]利用运动目标的投影信息结合PCA对9种不同姿势进行了识别；武松林等人[4]在分析常有坐姿的基础上，通过PCA对8种不同姿势进行分类识别。韩晓明等[5]利用背景差分法、高斯滤波和形态学处理等方
法，通过比较监测状态与正常状态的姿态设计了学生坐姿检测与纠正系统。这里，将人脸检测和肤色统计相结合，通过比较监测状态与基准状态，提出了一种坐姿监测策略方法。
2 肤色模型
YCbCr色彩空间是为电视系统开发的亮度分离的色彩空间，并且广泛应用于MPEG和JPEG等图像视频压缩。其中，和分别表示亮度分量、蓝色色度分量和红色色度分量。对于肤色而言，不同种族人的区别主要在于亮度的不同，而其色度差别不大[6]。Hsu等人[7]研究发现，肤色在YCbCr空间都聚集在一片固定的区域，且在和分量平面上的投影近似于一个椭圆区域，表现出良好的聚类特性。
3 系统设计
系统主要针对坐姿的靠前、靠后、左倾、右倾和离开5个异常行为以及一个正确坐姿共6种模式进行搭建，整个系统可分为人脸检测、肤色统计模板建立、人脸肤色统计判别、左右肤色统计判别和目标消失判别5个模块，如图1所示。 3.1 人脸检测
阮锦新等人[8]基于人脸特征和AdaBoost算法提出一种改进的多姿态人脸检测算法，利用肤色特征快速排除绝大部分背景区域，然后在肤色区域中搜索眼睛和嘴巴区域，分割出大致正向的人脸候选区域，最后利用AdaBoost算法对候选区域进行分类。与其不同的是，本文将肤色作为提高人脸检测的精度要素，即在灰度图像下，提取图像的Haar特征，通过AdaBoost级联分类器来检测出人脸，然后对检测出来的人脸进一步地做出筛选，将彩色图像转换到YCbCr空间，计算出人脸检测框中的人脸肤色面积，如果肤色面积大于阈值，则可视
为该检测框为人脸检测框，如果不是，则认定为误检人脸框而丢弃，阈值为： 其式中和分别为人脸检测框的高和宽，首先根据肤色特性，将肤色的像素点标记出来，然后统计检测框内肤色的像素个数 3.2 肤色统计模板建立
根据系统语音提示“请调整好坐姿”，此时需要被监测者调整好坐姿，并且在3 s内肤色人脸框的中垂线和框中肤色面积的变化都不大的情况下说明已经坐正，此时记录下A、B和C区域的位置，如图2所示。
图2（高亮区域为肤色）中区域B由正确坐姿下的人脸检测框所决定分别表示人脸框监测区域的宽和高，肤色统计模板建立完成后（固定监测区域）开始进入监测状态。
3.3 人脸肤色统计判别
这个步骤主要是获取实时人脸的肤色面积并与基准人脸肤色面积进行比较，最终判断出靠前还是靠后。实现框图如图3所示。
在检测的过程中，通过计算人脸框中人脸肤色面积（FSC-Area）与基准人脸肤色面积比较，若面积明显大于基准人脸肤色面积则视为靠得过近，若面积明显小于基准肤色面积则视为离得太远。在保持座位不变的前提下，若记基准肤色面积为（在正确坐姿下，抽取10张图的FSC-Area作平均得到），监测过程中的人脸肤色面积为，这里设当前坐姿与基准（正常）坐姿面积为，即
当靠得过近时一定大于1，同理当靠得过远时1/也一定大于1，那么分别设置过前和过后，2个阈值，构造出判别式如下：其式中和越大对应敏感程度就越小。
3.4 左右肤色统计判别