TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.4, April 201 4, pp. 2743 ~ 2 7 5 2   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i4.4368          2743     Re cei v ed Au g 19, 2013; Revi sed O c t 23 , 2013; Accep t ed No v 16, 2 013   An Ada p tive Detection Method of Multiple Faces      Wei Li  Chin a W e st No rmal Univ ersit y , No. 1 Shida R oad, Com puter  School, Na nch ong, Ch in a   *Corres p o ndi n g  author, e-ma i l : nos03 6@1 6 3 . com       A b st r a ct   T he ap pe ara n c e  of  mu ltipl e  fa ces is i n flu enc ed  by  ab nor ma l exp o sur e , int e rferin g b a ckgr oun ds or   fake objects gr eatly in the c o lor face image.  A m u lt iple-face detection  m e t hod  bas ed on the adaptive dual  skin mode l an d  impr oved fu zzy C-me an clust e rin g  w a s  presented i n  this study. F i rst an adaptiv e skin-co lor   mo de l an d a n   ada ptive ski n- prob abi lity  mo del w e re  bui lt  to acq u ire t he  skin lik eli h o od  for clusteri ng, th e   ada ptive  in itial   clusteri ng c ent ers,  an d th e  ad aptive  clust e rin g  w e ig hts. T h e n  the  ski n-lik eli hoo d i m ag e w a s   seg m e n ted dy na mic a lly by i m pr ove d  fu zz y  C-me an cl usterin g . F i nally t he  multi p le-fac e targets w e r e   distin guis h e d   and  extracted  by jo intly  usi ng the  effe cti v e are a s, circ umfer enc es a nd circ ular ities  of   conn ected targ ets. Experi m e n t  show ed that the al gor ith m  h ad g ood r e su lt s and h i gh s p e ed, accur a cy, an d   ada ptab ility of face detecti on.      Ke y w ords : ski n mo de l, face detectio n , fu zzy clusterin g , connecte d co mp one nt lab e ll ing         Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  The fa ce recognition i s  a n  active  subj ect in the fiel ds of  com put er visio n  an d  pattern   recognitio n , whi c h ha s a  wide  rang e o f  potential ap plicatio ns. Th e face recog n ition is an  a c tive   subj ect i n  th e field s  of  compute r  visi on a nd  patte rn  re cog n itio n, whi c h  ha s a  wide  ra ng e of  potential ap pl ication s  [1]. On the matte r of sin g le-fa c e dete c tion  unde r the co ndition s of si mple  backg rou nd  and  unifo rm  exposure,  th e face  dete c tion m e thod  b a se d o n   skin  col o r mo del  can   achi eve g ood  re sult s b e ca use  of the  co mpactn ess of  skin  col o r cl usteri ng  dist ri bution [2 -5].  For   fast multiple-face dete c tio n  unde r co m p lex bac kg ro und s, the sta b ility, accura cy, adaptabili ty,  anti-interference, and applicable   conditions of the existed de tection  method still had some  limitations.  Ruiz-del -Solar  and Q u inte ro s  [6] ma de a  study of p r ep roce ssing  app roa c he s, Zh a n g   et al. [2] reali z ed th e  singl e-face d e tecti on in  com p le x backg rou n d ,  Shih et al. [ 3 ] reali z e d  th e   multiple-fa c e  detectio n , but  the method  wa s greatly  a ffected by illu mination, ima g ing devi c e,  and   the interferin g backg rou n d s or fa ke o b ject s. Wan g  and Li [4] combine d  the Gau ssi an mi xture   model  and t e mplate  mat c hin g , but t he pa ram e te r e s timation  of mod e l a nd the te mp late   matchin g  co st too much time of calcula t ion. Hsu  et al . [5] used the ellipse skin m odel to se gm ent  the skin  regi o n s, but the  m e thod n eed li ghting  co mp e n satio n , and t o  ce nsus l o ts  of ski n sampl e s  for calculatin g the fixed m odel p a ra met e rs that  may be not  suitabl e for the  ce rt ain inp u t ima ge.  Its anti-interfe r en ce an d the  sco pe of app lication a r e li mited.   Some pe ople  [7-10] p r ovi ded the  met hod b a s ed o n  AdaBoo st  or n eural net work, b u t  their meth od s requi red t r aining  sam p l e s, the a c cu racy  of dete c tion  wa s g r eatly affecte d  b y   training  sam p les a nd te st image s, an d the traini n g  or le arni ng  wa s time-co n sumi ng. Fa cing   these  proble m s, for fa ce  image s  with  abno rmal   e x posu r e a n d  interferi ng b a ckgroun ds,  this  study p r o p o s ed a  fa st ad aptive multipl e -face  det e c tion m e thod.  To e n sure  th e fast  spee d ,   adapta b ility,  and high er d e tection a c cu racy, this  met hod nee d not  preprocess, train cla s sifie r s,  and ado pt fixed statisti cal para m et ers that depen d o n  sampl e  set s . It is realize d  base d  on a self- establi s h ed d ual skin m o d e l, whi c h  con t ains  a  self-d efined YIC  skin mo del a n d a self-defin ed  YIQ skin - pro bability mode l. Based on the YIC ski n  model, it acq u ired the ski n  likeliho od a n d   adaptive initi a l cl uste ring   cente r s. B a sed o n   the YI Q skin -p rob a b ility model,  it acq u ire d  t h e   adaptive  clu s terin g   weig hts. Th en th e fuzzy  C-m ean s  (FCM) clu s te ring   wa s im prove d  to   segm ent the  skin  regi o n s fa st and  dynamica lly. After skin  segm entati on, the are a s,  circumfe ren c es, and  circu l arities of the  conn ecte d target s we re  use d  jointly for finishi ng the  multiple-fa c e detectio n   fina lly.    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2743 – 2 752   2744 2. The Algori t hm Flo w   The multiple -face d e tectio n  flow is depi ct ed in Figu re 1 ,  as the following stag es:                              (a) Input imag e ( T w o- perso n),  (b) Skin-lik eli h ood im age,           (c) Histogram  of skin  likel ih ood,   (d) Skin-pr oba bilit y  imag e,        (e) Skin-segmented  imag e,  (f) Connecte d regi on  imag e,      (g) F a ce-segm ented  imag e,  (h) Face-ex t rac t ed image.   Figure 1. The  Flow of Dete ction Algo rith m and Involved Image in  Every Stage      Stage 1 :  Mult iple-fa c e ima ge acqui sition .  Stage 2 :   Est ablish the ad aptive YIC skin-colo r  mod e l for multipl e -face input i m age, ba sed  on   whi c h calcula t e the skin - co lor likeli hoo d and a c qui re the skin-li k eli h ood imag e.  Stage 3:  Ba sed on th e ski n -likeliho od i m age, a u tom a ti cally search its smoot h e d gray histo g ram,  and acqui re the initial fuzzy clustering centers.  Stage 4 :  Est ablish the ad aptive YIQ skin-p rob abilit y model for mu ltiple-face inp u t image, based  on whi c h  cal c ulate the skin  proba bility and acquire the ski n-p r o bab ility image.  Stage  5:   Regard the ski n  probability  as the adaptive fuzzy  clus teri ng  weights. Usi n g the   adaptive initi a l clu s te ring  cente r s an d fuzzy clu s te ri n g  wei ghts,  se gment the  ski n  targ ets of t he  ski n-li kelih oo d image  fast  and dyn a mically by impro v ed FCM  clu s terin g , and   acq u ire th e  skin- segm ented i m age.   Stage 6:   La bel the  co nn ected  targ ets (the fa ce  candid a tes) in  the skin -se g mented  ima ge.  Cal c ulate the  geometri c feature s   (the e ffective area s, circu m fer e n c e s , and ci rcularitie s) of the  con n e c ted targets.   Stage 7 :  By jointly usin g a nd limiting th e geom etri c feature s , rem o ve the noi ses a nd the  n on- face re gion s to disting u ish and a c qui re the real fa ce region s.   Stage 8 :  Out put the extracted face targe t s.      3. Skin Region Segmentation   3.1. The Dua l  Skin Model  for Multiple -face Input Im age   Variety of color  spa c e s  applie d to  probl em s o f  skin - colo r  detectio n  [1 1, 12] or   segm entation  method [13], such a s  normalize d   RGB, YCbCr, YIQ ,  HSV, and TSL. The YCb C r  colo r spa c e u s ed wid e ly  in   kind s of  existing  skin -colo r  mo dels,  su ch as Ga ussia n  mod e l [3, 4 ,   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Adaptive  Dete ction Me thod of Multiple Face s (Wei  Li)  2745 12], and elli pse m odel [ 2 , 5]. To se gment the  multiple-fa c e  targets effe ctively unde r th e   con d ition s  of compl e x ba ckgrou nd s, fake  obje c ts , or  a bnormal expo sure, a reliabl e skin mo del i s   need ed. Co n s ide r ing n o t only the model  can refle c t t he cha r a c teri st ic of distrib u tion of ski n col o r,  but also it has good  stabili ty, ant i-interference and  adaptability, th is study planed to establi s h  an  adaptive d ual  ski n-col o r m odel. Th e e s tablished m o d e l fuse d feat ure s  of m u ltiple comp one nts  and  com b ine d  the imp r ov ed fuzzy  clu s terin g , which incre a sed  the sp eed  a nd a c curacy  of  clu s terin g  to realize the skin segm entati on. Con c e r ni ng the dual skin-col or mo d e l, the first model  wa s u s e d  to  cal c ul ate th e skin  likelih ood  and  a c quire  the  ski n -likeliho od  gray im age   for   clu s terin g , an alyzing, and  obtainin g  the initial cl uste ri ng cente r s. The se con d  model wa s u s e d  to   acq u ire the n e ce ssary info rmation  su ch  as the  clu s t e ring  weig hts that can en han ce the effect   and a b ility of clu s terin g . By analysi s , I compon ent  in  YIQ colo r  sp ace  cove re d the rang e of ski n   colo r, and  re pre s ent s the  tone ra nge from bisque  to  blue-gre en.  The Cb, Cg,  and  Cr a r e th ree   chromin a n c e  comp onent s indepe nde n t  from Y luminan ce  co mpone nt. If  the influen ce  o f   luminan ce  (Y )  coul d b e  d epre s s, b e sid e s I  compo n ent an d diffe ren c e s   of three  ch romin a n ce   comp one nts  coul d be  co mbined  in a n  adaptive  ski n   mod e l, it is very ben eficial for im prov ing   anti-inte rfere n ce an d ada ptability of segmentati on.  Based o n  this idea, an ad aptive YIC model  fused multipl e  comp one nts of Y, I, Cb, Cg, and  Cr was built (Eq u a t ion (2)).       (a)   (b)   (c )  (d)     (a) Origin al im age 1,    (b) likel ih ood i m age 1,    (c) histogram o f   (b)(burrs),   (d) smoothe d h i stogram  of (c)(t w o  peak s),   (e)  (f)   (g)  (h)     (e) Origin al im age 2,    (f) likelih oo d im age 2,    (g) histogr am o f   (f)(burrs),   (h) smoothe d h i stogram  of (g)(three pe aks),    (i)     (j)  (k )     (i) skin-lik eli h o od  distrib u tion of ( a ),   (j) skin-probabilit y   distrib u tion of ( a ),   (k) Comparis on of  distrib u tion of (i ) and (j),    (l)     (m)  (n)   (l) skin-lik eli h o od  distrib u tion of ( e ),   (m) skin-probabilit y   distrib u tion of ( e ),  (n) Comparison of  distrib u tion of (l ) and  (m).    Figure 2. The  Analysis of the Adaptiv e Skin Likeliho od and Ski n  Proba bility      As Figu re 2 showed, the Fi gure  2(a )  is a   multiple-fa c e  colo r image  with und erex posure,   the Figure 2(e) is a m u lti-f a ce  colo r ima ge  with  comp licated b a ckg r oun ds  and u neven expo sure.   Based  o n  th e built  YIC  model, th e a c qui red  n o rm alize d  a dapti v e likeli hoo d  gray ima ge,  the  likeliho od  gray histog ram ,  and the  smoothed  hi stogra m  a r e  showed in   Fi gure  2(b)-(d) and   Figure 2(f ) -(h ) , the skin -likelihoo d dist ri bution im a ge  are  sho w n i n   Figure 2(i )  a n d  2(l ) . From t h e   distrib u tion, t he no rmali z e d  skin -likeli h ood valu es  based o n  th e YIC mo del  can  refle c t  the   comp actn ess and  sta b ility of re al  ski n  distri bution   well. Mo re over the  smoot hed  histo g ra m   approximatel y showed the  double - pe ak  curve o r  three-p e a k  cu rv e. Th is indi ca ted that most  o f   the pixel values of no rmali z ed li kelih oo d image  co n c entrated  on two to thre e main gray levels,   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2743 – 2 752   2746 as  sh owed  in  Figu re  2(d)  and  (h ).   Note  that the r e  are two  p e a k s (F 0  and F 2 ) in   Figure 2 ( d ) , a nd  there a r e th re e pea ks  (F 0,  F 1,  and F 2 ) in F i gure  2(h ) . Th e sha r p - poi nted maximum  pea k F 0 , which  rep r e s ente d  the num ber  of pixels in ba ckgroun d re gi ons, i s  nea r to 0 gray level or in the ran g e   of low gray levels. The possible s harp-p o inted  se con d  maximum  p eak F 1 , w h ic h r e pr es en te d   th e  numbe r of pixels in no n-skin or fake-ski n  region s,  is lo cated in the  range of lo w g r ay levels. Th e  flat pea k F 2 ,  whi c h  rep r e s ented th e n u m ber of pixel s  in  skin  re gi ons, i s  l o cate d in th e rang e of  middle o r  hig h  gray levels.   Con s id erin g  that the F C M clu s te ring  algo rith m i s  se nsitive to  the initial  clusteri ng   cente r s an d t he  spe ed a n d  effect  of th e cl uste ring   maybe u n sta b le b e cau s e  of the differe nce  of  initial clu s teri ng cente r s, t h is  study im proved   the F C M  clu s terin g  to re alize the dynami c   ski n   regio n   segm entation. Th e  main id ea  o f  improved  F C M al gorith m  is a s  follo ws: ba sed  on  the   traditional  F C M algo rithm, t he g r ay level s  of  pea ks in   ski n-li kelih oo d hi stogram  wa s rega rd ed  as  the initial fu zzy cl uste ring  ce nters to  decrea s e   the  invalid  com putation  of cl usteri ng, a n d  to   greatly im pro v e the  sp eed , effect a nd  adapta b ility  o f  clu s teri ng. I n  ad dition, a nother a dapti v e   YIQ skin-pro bability mod e l  (Equ ation  (5 ))  wa s  esta bli s he d. The  a c quire d  ski n p r obability valu es   based o n  th e YIQ model  reflecte d th e deg ree  of ski n proba bili ty. The skin  prob ability was  rega rd ed as  the adaptive weig hts of fuzzy cl uste ri n g  to update the clu s teri ng  centers, and  to   achi eve the  purp o ses  of improvin g  the sp eed  of clu s teri ng an d a c q u iring th e b e tter  segm entation .   The  built a d a p tive YIQ ski n -p rob ability  model  co mbi ned th e diffe rences bet we en I, Q,  and Y compo nents, a nd th e differen c e  betwe en I co mpone nt and  its expectati on ( ) , as  sho w n   in Equatio n  (5). Th e di stri bution  of the  ski n p r ob abilit y based  on th e YIQ mo del i s  a pproximat ely  clo s e to th e d i stributio n of t he n o rmali z e d  skin  li keli ho od b a se d o n   the YIC m o d e l, as  sh own  in  Figure 2. To  the skin ta rgets in  Figu re 2(a)  a nd  (e), the Fi gure 2(i )  an d (l ) sho w  th e skin- likeliho od di stribution b a sed on YIC m odel, the Fi g u re 2 ( j) a nd  (m)  sho w  the  skin - p r ob abil i ty  distrib u tion b a se d on YI Q mod e l, the Figu re  2 ( k) and  (n )  show th e fitness of the t w o  distrib u tion s.  As mention e d  before, for  the sub s e que nt clus te ring  segm entation ,  the initial clusteri ng   cente r s  wa s acq u ire d  by sea r ching th e ski n- li kelih ood histo g ra m of the YIC  model, the ski n  prob ability of  the YIQ model was rega rd ed as the cl u s terin g  wei g h t s in this stud y. This method   actually  comb ined the t w o  kind s of a dap tive model s,  whi c h h ad th e goo d ability of descri p tio n  to  the clu s teri ng  distrib u tion o f  skin targets.  As t he distri butional p a ttern an d gray l e vels range  of  the skin li keli hood an d the  skin proba bi lity were cl o s e to each other ap proxim ately, the initial  clu s terin g  ce nters  (came f r om skin li keli hood ) an d the pro babili stic weight s (ski n  prob ability)  wa s   use d  for fu zzy cluste ring n o t only avoid ed the di verg ence and  un controlla bility of clust e rin g , but  also  de cre a sed the m a ssi v e cal c ulatio n  for invalid  cl usteri ng. By this  way, the  sea r ching fo r the   ski n target s b y  the adaptive clu s terin g  q u ickly and a c curately can  be reali z e d .    3.2. The Improv ed Fuzz y   C-me ans Clu s ter us ed fo r  Skin Segmenta tion   Based o n  the adaptive dual skin m odel,  the ski n segm entati on can b e  realized  according to the followi ng steps:   Step 1:  A c qui re the Y, I, Q, Cb, Cr, an d Cg compo n e n ts of input image by Equ a tion (1 ).        (1)     Step 2:  E s ta blish th e a d a p tive YIC ski n  mod e l u s in g Y, I, Cb, Cr, and  Cg  com pone nts,  based on  whi c h calculate the  ada ptive skin likelihoo d (P i,j ) by Equation (2 ).    (2)     Whe r e, i and  j are the ho rizontal and vert ical  coordinat es of every pi xel in input image.   I R G B Cr Cg Cb Q I Y   500 . 0 4187 . 0 0813 . 0 316 . 0 500 . 0 184 . 0 1687 . 0 3313 . 0 500 . 0 212 . 0 523 . 0 311 . 0 0.596 0.274 0.322 299 . 0 0.578 114 . 0 128 128 128 0 0 128      ) 2 / ) (( ) ( ) ( 3 2 3 2 3 2 , Y I Cr Cg Cb Y I Cr Cg Y I Cr Cb P j i Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Adaptive  Dete ction Me thod of Multiple Face s (Wei  Li)  2747 Step 3:  Acqu ire the likeli h ood gray ima ge (T p ) u s ing  the ski n likeli hood (P i, j ) by  Eq. (3),  norm a lize th e gray levels to the  rang e  of [0 25 5], a nd a c qui re th e no rmali z ed  likelih ood  gray  image (T p ' )  b y  Eq. (4), as sho w n in Fig u re 2 ( b), 2 ( f)  and Figu re 3 ( d).         (3)   0 ) ' ' (   if     ) ' ' ( ) ' ' ( 255 else                                         0 ' ' m m m m m in ax in ax in P P P P P P P     (4)     Whe r e, i a nd  j are th e ho ri zontal  and ve rtical  coo r di n a tes of eve r y  pixel, P' and  P'' are t he g r a y   values of no n - no rmali z ed a nd normali ze d likelih ood i m age (T p  and  T p ').  Step 4:  Acq u ire the  one -dimen sion al  histog ram  of norm a lized l i kelih ood  gra y  image  (T p '),  as sho w n i n  Fi gure  2(c) an d  2(g), ave r ag e t he th ree  nei ghbo rho o d s   of gray level s  to  smooth  the  h i stogram  burr, and  acqui re  the  smo o th e d  hi stog ram,  as  sh own in   Figure 2 ( d )  a nd  2(h ) . In the range of [50 2 50], sea r ch  the po sition s of gray levels (T 1  and T 2 ),  whi c h the pe aks  (F 1  an d F 2 ) in his t ogram  were located in. If the T 1  i s   not foun d, th ere  are o n ly the two p e a k s F 0   and F 2 , s o  T 1 =0. Re gard the T 1  and T 2  as the gray levels of initial FCM clu s te ring  centers.   Step 5:  Calculate I and Q para m eters a nd their  expe ctation s  (  and ) requi re d by YIQ   ski n-p r o babili ty model. Usi ng I and Q co mpone nts an d their expe ctations, a c qui re the differen c e  (W' )  between  I an d its dyn a mic expe cta t ion ( )   (i ndi ca ting the  skin   prob ability, a s  the  a daptiv e   weig hts  of fuzzy cl uste ri ng). T hat m ean s, calc ula t e the a dapti v e clu s teri ng  wei ghts W'  by  Equation (5) t o  acq u ire th e weig hts gray image T w , normalize the  we ights to the ra nge of [0 255 ]  by Eq. (6) to  acq u ire th e n o rmali z e d   ad aptive clu s teri ng wei ghts  gray image T w ' (Figu r e 3 ( e ))  for   updatin g the FCM cl uste ri ng ce nters.        (5)     0 ) ' ' (   if    ) ' ' ( ) ' ' ( 255 else                                           0 ' ' m m m m m in ax in ax in W W W W W W W     (6)     Whe r e,  W'  a nd  W''  are th e no n-normal i zed  an d  normalize d   adap tive clu s teri n g  weight s. T w  and   T w ' are the clusteri ng weig hts gray ima g e s.   Step 6:  Seg m ent the no rmalize d  likeli hood im age  (T p ') a nd a c q u ire the  bina ry ski n- segm ented i m age T b  by improve d  FCM clust e rin g .    3.3. The Improv ed Fuzz y   C-me ans Clu s ter us ed fo r  Skin Segmenta tion   Use normalized adaptive li kelih ood ima ge (T p '), initial  cluste ring  ce nters  (T 1  and  T 2 ), and  adaptive cl ustering  weig ht (W' ') to imp r o v e traditi onal fuzzy C-m e a n s cluste r.  Th e  pro c e dures  of  improve d  FCM clust e rin g  algorith m  are  descri bed a s   follows:  Step 1:  T he  numbe r  of sa mples (n) i n  t he initial  sa m p le  set ({x i (i=1,2,…,n)}) is   the total  numbe r of pi xels in the n o rmali z e d  ad aptive likeliho od image T p ',  that is, n=h×w (h an d w a r e  height a nd wi dth of T p '). S e t the numb e r  of clu s te rin g  ce nters (c=2) an d the  weighe d expon ent  (b=3) that ca n control the fuzzy degree  of cluste ring.   Step 2:  Initi a lize the  sample  set {x i (i=1,2,…,n )}  containe d n  sample s. Initialize th e  clu s t e rin g  ce nt ers  (C j (j=1,2,…,c)) and t he memb ership functio n  ( μ ij (i=1,2,…,n;  j=1,2,…,c)),  and  the  μ ij  represents the probability of the fi rst i sam p le (x i ) belong s to  the class j.  Step 3:  A c co rding  to the  i m prove d  me mbershi p  fun c tion  (Equ ation (11 ))  of F C M, u s e   the curre n t cl usteri ng cent ers  (C j ) to cal c ulate the val ue ( μ ij ') of me mbershi p  deg ree. Accordin g   to the com p utational formula of cl ustering  c ente r  (Equatio n (10)), use th e ne w value  of  membe r ship degree ( μ ij ') t o  upd ate the  clu s teri ng  ce nters (C j ). A c cording  to th e Equatio n (10)  and  (11 ) , ma ke th e  clu s tering  cente r s a pproxim ate th e target p o siti on from the  i n itial po sition   by  contin uou s iteration.   For tradition al FCM  clu s t e ring  algo rith m,  the com p utational formula of me mbershi p   degree is d e scrib ed by Eq. (9), and the  comp utati ona l formula of cl usteri ng cent ers i s  de scrib e d   by Equation  (10 ) . The Eq uation (9) a n d  (10 )  a r e a c qui red  by limiting the to tal membe r ship     255 ' j i, P P I Q I ) ( ' Y I Q I I I W Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2743 – 2 752   2748 degree  (Equ ation (7)) of  sampl e s to e v ery cla s s in   data  set a nd  finding th e m i nimum  of value   function (E qu ation (8 )).           (7)         (8)      c 1,2,..., j , n  1,2,..., i        1 1 1 2 2 c k b k i b j i ij C x C x       (9)       c 1,2,..., j   ,    1 1 n i b ij n i i b ij j x C     (10 )   Based o n  tra d itional FCM,  this study introdu ce d the gray value of pixels in normalize d   clu s terin g  we ights im age  T w ' (Figure  3 ( e)) into  com putational  fo rmula of me m bership  deg ree.  That mean s t he ada ptive ski n probabili ty was re gar ded a s  ada ptive cluste ring  weight (W'' )  to  improve the f o rmul a of membershi p   deg ree, as  sho w n in Equation  (11 ) .     c 1,2,..., j , n  1,2,..., i        ,    1 1 ' 1 ' ' 2 ' ' 2 c k b k i b j i ij i i W C x W C x     (11 )   Step 4:  Afte r ea ch of up dating the cl usteri ng c ent ers i n  the proce s s of interactio n,  cal c ulate d  th e value  fun c tion by E quatio n (8),  a nd det ermin ed wh ether  the ch ang e  of  the  curre n t  value relative  to the last va lue of value func tio n  wa s less than the thre shol d valu e (K=1 ×10 -9 ).  If  the cha nge  wa s less tha n  threshold,  whi c h  re presented the al gorithm   wa s convergent,  so   stopp ed the clu s terin g , or else retu rn ed to cy clica lly execute the E quation  (11) an d (1 0),  contin ued  the  execution  an d sto ppe d th e cl uste rin g  u n til the  ch ang e of val ue fu nction  was le ss  than the thre shold value.   The  ski n-seg m ented im ag e (T b ) segme n ted by the  improve d  F C M is  sho w n  i n  Figu re   3(f). Compari ng the segmented re sults  based on the  Ga ussi an and Ellipse mo del in Figure 3(b)   and (c), the e rro r se gme n tation wa s ob viously red u ced in Figu re  3(f). Accordin g to the stan dard   targets, th e  averag e seg m entation a c curacy of  th e improved  FCM  clu s teri ng to the ta rgets  rea c he d more than 95%.      4. Multiple Faces  Detec t ion   As sho w n in  Figure 3(f), in  the skin - se g m ented imag e segm ented  by the improved FCM   clu s terin g , th ere  still were  some  po ssibl e  noi se s  a nd non-skin or  fa lse-skin non -face   targ ets. To  extract the  re al face ta rg ets, this  study  comb i ned  used an d limite d  the ge omet ric fe ature s   (the   effective  a r e a s, circumfe rences, and   circul aritie s) of  co nne cted  target s to  re move noi se s and   non-fa ce ta rg ets. By the statistics a nd  analysi s  of  th e face o b je cts (with ba ckg r oun ds  or fa ke   targets,  non -simple  face ) i n  the multipl e -face  set,  it is foun d that,  the multiple -face ta rg et often   wa s sm aller i n  si ze than t he sin g le -face targe t, but  wa s larger th an the noi se.  After norm a lize d   zoomi ng th e  multiple-fa c e  image to  the  size of  1 5 0 × 150 pixel s , th e mo st of eff e ctive a r ea s  of  multiple-fa c e  targets  we re in the rang e of 0.5% ~90%  of the total  area s (Eq uati on (12 )). If the   effective area  ratio of a conne cted targ et was  big g e r  than 90%, the target maybe a singl e face.   If the effective are a  ratio ( )  of a co nne ct ed ta rg et wa s smalle r tha n   0.5%, the target mayb e   the noise or  non-fa ce  sma ll regio n . Vital few targ ets  were the tiny face s, whi c h  can b e  seen  as  the noi se  be cause it  did  no t have  enou g h  info rmat ion   to  fini sh su b s eq uent processing, su ch  as  the facial fea t ures  extracti on. The mo st  of circ umferences (Equat ion  (1 3))  of the re al multiple- face targ ets were in th e rang e of 10~225 00 pi xels (The b ound ary len g th of the  whol e   norm a lized  zoomed i m ag e  wa s 22 500  pixels. Th e m o st of  circumf e ren c e s  of th e noi se o r  n o n - face small re gion s wa s  smaller tha n  1 0  pixels). Th us, this  study  removed th e  noise s a nd  no n -   c j n i ij 11 1    c j n i j i b ij C x J 11 2 i   S S K Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Adaptive  Dete ction Me thod of Multiple Face s (Wei  Li)  2749 face  small t a rget s by joi n tly limiting the e ffective  area  (Equ ation (1 2)) and  circumfe ren c e  (Equatio n (13 )). Besid e s,  according to the facial  ge ometri c cha r acteri stic s of oval, it used the  value inte rval (Equatio n (1 5))  of the  circula r ity  factor (Equatio n (1 4))  of conn e c ted ta rget s to  disting u ish th e face  and  n on-fa ce la rg e r  targ ets.  Accordingly the  non-fa ce l a rger  regi on s that  wa s clo s e in  size but different in sha pe to the non-fa ce regio n s  can  be remove d.        (12 )     (13 )     (14 )   (15 )   Whe r e, S is t o tal are a  of the wh ole ima ge,  K is se ria l  numbe r of the co nne cted  target, S k  ,  F k ,  and C k  a r e th e effective area, circumfe rence, ci rcula r ity of  the first K conne cted t a rget.   The ste p s of  multiple-fa c e  detectio n  are  descri bed a s   follows:   Step 1:  Fast   label   the co nne cted regi ons  of the  skin-segm ented  image  (T b ), cal c ulate   effective area  (S k ) and ci rcumfere nce (F k ) of the conn ected ta rgets.   Step 2:   Rem o ve the n o ises  or  som e  n on-fa ce  small  regi on s by  combine d  limit ing the   effective area s and the  circumfere nces.   Step 3:   Cal c ulate circul ari t y factors (C k ). By limitin g the ran ge  of circula r ity factors,  remove the n on-fa ce la rge r  target s and  acq u ire the  re al face targ ets.  By limiting the ge ometri c feature s , th e  a c qui red multiple-fa c e   se gmente d  image  i s   sho w n in Fig u re 3 ( g). Con t rasting Fi gure 3(f), it  is easy to find that, the non-fa ce skin  regio n s   (e.g. the pal ms, arm s , an d legs), the p o ssible  ski n-similar regio n s, and the noi se s in the fa ce   can d idate s  were removed.       5. Results a nd Discu ssi on  5.1. Experimental Results and An aly s is   The platform  of experime n ts is: P4 2. 10G Hz  CPU,  2G memo ry, WinXP, VC6.0. The  prop osed  me thod  wa s a p p lied in  the  experim ents on   two  multiple -face te st  set s . The  built te st  set 1  co ntain s  20 0 ima g e s , whi c h  con s iste d of  1 0 0  two-perso n,  50 thr ee-pe rson, and  50  4 - or- more -pe r son   image s. Ta bl e 1  sum m ari z es th e fa ce  e x traction  re su lts ba se d o n  t e st  set 1,  whi c h   contai n 662 f a ce s with va ri ations. Th e Detection  Rate  (DR) is  de fi n ed as the  rati o of the num ber   of corre c tly detected fa ce s to the total numbe r of faces in all im ag es. The  (FP R ) is d e fi ned a s   the ratio of the numb e r o f  detected false po siti ves  to the total n u mbe r  of faces. The Fal s e  Pos i tive Rate (FNR) is  de fi ned as the ra tio of the number of  false  negatives to the total number  of face s. The  built test set  2 co ntain s  30 0 image s, whi c h  con s i s ted  of 150 ima g e s  with a bno rmal  exposure  an d 150 ima g e s  with inte rfering  ba ckg round s o r  fake obje c ts. T able 2 list s   the   perfo rman ce  comp ari s on  of propo se d method a nd othe r me thods b a sed  on test set 2.   Comp ari ng wi th the other  method s, there is n o  ne ed t o  pre p rocess,  train cl assifie r s, an d an alyze   lots of statist i cal sampl e s for acquiri n g  fixed  para m eters of m odel o r  interval threshold  in  prop osed m e thod. It acq u ired skin li kelih ood a nd initia l clu s terin g  ce nters by the b u ilt YIC mode l,  and a c qui red  adaptive fuzzy clu s terin g  weight s by  the built YIQ model. Fro m  Table 2, the   detectio n  rat e  of prop ose d  method i s  highe r than  t hat of other  method s, but  the false po sitive   rate of pro p o s ed meth od i s  lower than t hat of other  method s.      Table 1. Perf orma nce Co mpari s o n  of 2- pe rson, 3-p e r so n, and 4 - o r-mo r e - pe rso n     No. of Images No. of Faces N o. of CD No. of FP No. of FN DR FPR F NR 2-person  100  200  197  9  3  98.5 4 .5  1.5  3-person  50  150  146  11  5  97.3 7 .5  3.3  4-or- m ore - perso n 50  312  304  26  15  97.4 8 .3  4.8  Total 200  662  647  46  23  97.7 6 .9  3.5  )    90% S    5% ( S S k 2500) 2    0 1 ( F K S F C k k k / 2 )    20    5    ( C k Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2743 – 2 752   2750 Table 2. Perf orma nce Co mpari s o n s of  Propo se d Me thod and oth e r  Method s  Detection Metho d s   Test Set / Faces   Abnormal Exp o sure/457   Interfering Backg rounds/472   DR  FPR   DR   FPR   Detection using Gaussian Model [3]  84.6  14.5  85.5  15.8  Detection using Ellipse Model [2  5]   84.7  13.9  86.2  14.3  Detection using Adaboost [7 9]    85.6  15.6  85.7  16.2  Detection using Neural Net w ork   [8 9]   84.3  6.9  86.3  7.6  Detection using Template Matchi ng [4]   94.3  7.3  95.8  8.1  Detection using Proposed Metho d   98.2  6.5  97.5  7.2  CD: Corre c t Dete ction, FP: Fals e Positi ve, FN: False  Negative,   DR(%): Detec t ion Rate, FPR(%): Fals e Pos i tive Rate, FNR(%): Fa ls e Negative  Rate.                          (a)   (b)  (c )  (d)   (e)   (f)   (g)     Figure 3. The  Results of Skin Segm enta t ion  and Fa ce  Detectio n wit h  Propo se d Algorithm   (a) Multipl e -fac e inp u t imag es, (b) Skin-segm ented im ag es of (a) based  on  CbCr Gaussi a n  mode l, (c)  Skin-se g mente d  imag es of (a) based o n  Cb C r  e llips e  mod e l,  (d) Skin-like l i h ood im ages  ba sed on  prop osed YIC  mode l, (e) Skin -prob abi lit y   ima ges  bas ed o n  prop osed YIQ mode l, (f) Skin-segme n ted  imag es base d   on pro pos ed m ode l (YIC and  YIQ dual  skin  mode l), (g) F a ce-detecte d ima ges bas ed o n   prop osed m e th od.       The exp e rim ental exam pl es  with  different  con d itio ns (Lo w  exposure, co m p licate d   backg rou n d s  and gla s ses, compli cate d backg rou n d s  and  fa ke   obj ect,  hig h   exp o su re and   fa ke   obje c t) are  sh own in Fig u re  3 and Figure  4. Figur e 3 shows the re sults of  skin  se gmentation a nd  face d e tectio n with p r op o s ed  algo rith m. Figure  4  sho w s re sult s of  mult iple - f ace ex t r a c t i o n .  In  pro c e s s of  de tection, the  scalin g  strateg y  is u s e d  to i m age  no rmali z ation  for han dling ve ry la rge   image, which is up to 4 milli on pixels.  Ho wever,  the m e mory  con s u m ing of dete c tion wa s only  8- 12M, and th e  averag e tim e  co nsuming  wa s 70 ~8 0m s (1 2.5~14fp s ). Th rou gh e x perime n ts, it is  clea r that, for poo r-qual ity color fa ce imag e with abn orm a l exposure  and interfe r ing   backg rou n d s , the p r o pose d  alg o rithm   had  sati sf act o ry  spee d, a c cura cy  and  ada ptability of  detectio n .    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     An Adaptive  Dete ction Me thod of Multiple Face s (Wei  Li)  2751   (a)     (b)     (c )     (d)     (e)     (f)     (g)     (h)     Figure 4. The  Examples of Multiple-fa c e  Extraction   (a) T w o- pers o n  image ( w it h lo w   e x pos ure), (b) T h ree-perso n imag e ( w ith c o mplic ated b a c k grou nds  and g l ass e s), (c)  T h ree-pers o n imag e ( w ith c o mplic ated b a c k grou nds a nd fake ob ject), (d)  T h ree- perso n imag e (w it h hi gh e x po sure an d fake  obj ect), (e )F ace-e x tracted im age of (a ), (f) Face-e xtracte d   image of (b), (g) Face-ex t ract ed image of  (c),  (h) Face-ex t ra c t ed imag e of (d ).      5.2. Discussi on of Propo sed Algori t h m   The main feat ure s  of this al gorithm a r e a s  follows:   1. There  wa s no ne ed to prep ro ce ss and train the cla s sifier.  By combini ng the   luminan ce  (Y ), the differe nce s  of the  chromin a n c e  (Cb,  Cg, an d Cr) an d I comp one nt, this  algorith m  est ablished the  adaptive mul t iple-com p o n ent YIC skin  model. The  calculated skin  likeliho o d  ba sed o n  YIC mo del  can  reflect the  clu s terin g  cha r a c teri stics of  skin  col o r, a nd  help  to   resi stant to lu minan ce vari ations a nd ba ckgro und s int e rferi ng.   2.  Usi ng  th e distrib u tion chara c te risti c  of  norm a lized  ski n li keliho o d , the ad apti v e initia l  clu s terin g  ce nters of F C M  was a c qui re d by t he automatic hi stog ram an alysis and sea r chi ng.  This d e crea sed the invali d cal c ulatio n  and the  cl u s terin g  in stab ility cause d  b y  the unsuita ble  initial cluste ri ng cente r s, which hel ped t o  improv e th e spee d, accura cy and ad aptability of fuzz y  clu s terin g  se gmentation.   3. Combini n g  I, Q compo nents a nd th eir expe ctatio ns, this alg o rithm establi s hed the   adaptive YIQ skin - proba bil i ty model. The skin p r ob ab ility based on  YIQ model was re garded  as  the dynami c   clu s terin g   we ights to  red u c e the  inva lid  cal c ulatio n o f  cluste rin g  a nd p r omote  the  clu s terin g   co nverge nce a s  so on a s   po ssible.  Usi ng t he initial  clu s t e ring  centers  and th e dyna mic  clu s terin g  we ights, the im proved  co mp utational  formula of me m bership  deg ree was  pro p o se d.  The imp r ove d  FCM  clu s te ring  segm ent ation wa s b e nefit for improving t he spe ed, accu ra cy and  adapta b ility of segmentatio n.  4. Jointly u s ing an d limit ing three fa ctor s  (the ef fective area,  circumfe re n c e, an d   circula r ity) of  con n e c ted  targets i n  skin-s e g me nte d  image, th e non -face region s in fa ce  can d idate s  were removed  fast, which in cre a sed the correct dete c ti on rate.       6. Conclusio n   This stu d y p r ovided  an  ad aptive an d fa st dete c ti on  a l gorithm  of m u ltiple-fa c e t a rgets.  It  establi s h ed two ada ptive ski n model s, based on wh i c h it acqui red  the skin - likelihood ima ge for  clu s terin g , the adaptive ini t ial clust e rin g  cente r s and fuzzy clu s teri ng  weights. Then  it  ad opt ed  the improve d  FCM cl uste ri ng to segm en t and to acqui re the skin ta rgets. Fin a lly it distingui she d   the face ta rg ets by j o intly  limiting the  areas,  ci rcumfe ren c e s , an d  circula r itie s o f  the conn ect ed  targets.  The  experi m enta l  re sults sho w  that, fo r t he multipl e -f ace  imag es  with inte rferi ng  backg rou n d s , fake  obj ect s , an d a bno rmal expo su re, this algo ri thm ha s  sati sfacto ry  spe ed,  accuracy, an d adapta b ility of face detection.      Ackn o w l e dg ements   This  wo rk  wa s supp orted  i n  pa rt by the  Si chua n Prov incial  De part m ent of Scie nce  and   Tech nolo g y Suppo rting P r oje c t (No. 2 012GZ 002 0),  the Natu ral  Scien c e Ke y Found ation  of  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2743 – 2 752   2752 Sichua n’s Province Edu c ation De part m ent (No.  11ZA041 ), the Key Project of Educat ion   Dep a rtme nt of Sichuan P r ovince (No.   13ZA00 15), the Scientific  Re sea r ch Fo undatio n of the  Educatio n De partme n t of Sichu an Provin ce of Chi na (No. 13ZB0 01 2).       Referen ces   [1]    Abate AF , Nap p i M, Riccio D,  Sabatin o G. 2D and 3 D  F a ce Reco gniti on: A Surve y .  Patt. Recog. Lett .  200 7; 28: 188 5 - 190 6.  [2]    Z hang DZ , W u  BY, Sun JB, Liao QL.  A Face Detection Metho d  b a sed o n  Skin  Color Mod e l .  Procee din g s of  the 11th Joi n t Confer ence  on  Info rmation Sc ienc es. Shenz hen, Ch in a. 20 08; pp: 1-5.   [3]    Shih FY, Ch e ng S X , C hua n g  CF, Wang  PSP. Ex tr actin g  Faces a nd  Facial Fe ature s  from Col o r   Images . Int. J.  Pattern Re cognit. Artif.  Intell . 200 8; 22: 515- 534.    [4]    W ang Z ,  Li S.  F a ce Reco gniti on usi ng Skin  Co lor Se gme n tation a nd T e mplate Match i ng  Algorithms .   Inf. T e chnol. J.  2011; 1 0 : 230 8-23 14.   [5]    Hsu RL, Abdel-Mottaleb M, Jain  AK. Face Detectio n in C o lor Imag es.  T r ans. Pattern Anal. Mach.   Intell.  200 2; 24 : 696-70 6.   [6]   Ruiz-d el-S olar   J,  Quinteros  J. Illuminati o n  Compe n sati o n  an d Norm ali z ation i n  Ei ge nspac e-bas e d   F a ce Rec ogn iti on: A Comp ar ative Stud y  of Different Pre- p r ocessi ng Ap pr oach e s .  Pattern Recognit.   Lett.  2008; 29:  196 6-19 79.    [7]    Yang M, Cr e n sha w   J, Agu s tine B, Mare ache n R, W u  Y. AdaBoost - base d  F a ce  Detectio n for   Embed de d S y s t ems.  Comp ut. Visio n  Ima ge U ndersta ndi ng .  201 0; 114: 11 1 6 -11 25.   [8]    Yang J, Liu C,  Z hang L. Col o r space n o rmalizat i on: Enh a n cin g  the Disc r iminati ng Po wer of Color   Spaces for F a c e  Reco gniti on.  Pattern Recognit.  2010; 4 3 : 1454- 146 6.   [9]    W ang Z ,  L i  T .   A F a ce  Detecti on Syste m  b a s ed Sk in  Co lor  an d N eur al  N e tw ork . Procee din g s of t h e   Internatio na l  C onfere n ce on  Comp uter  Sci e nce and   Soft w a re E ngi ne erin g. W uha n, Ch i na. 2 008;  pp:   961- 964.   [10]    Guo JM, L i n  C C , W u  MF , Ch ang  CH,  Le e  H. Co mp l e xi ty   R e du ce d Fa ce D e te ctio n u s ing  Prob ab i l i t y - based Face M a sk Pre fi lter ing  and P i xe l-bas ed H i erarc h ica l -feature Ad ab o o sting.  IEEE Signal Proces s   Lett.  2011; 18:  447- 450.    [11]    Chav es-Gonza l ez JM, V ega- Rodri g u e z MA,  Gomez- Pu lid o  JA, Sanc hez- perez  JM.  D e tecting  Skin  i n   F a ce Reco gniti on S y stems: A Colo ur Spac es  Stud y .   Di gital Sign al  Process i ng.  20 10; 20:  806- 823.   [12]    C Lin, Qin  X, Z hu GL, W e i JH, Lin C. F a ce  Detectio n Al gorithm Bas e d  on Multi-or ien t ation Gab o r   F ilters and F e ature F u sio n .   T E LKOMNIKA Indon esia n  Journ a l  of Ele c trical Eng i ne erin g.  201 3;   11(1 0 ):   59 86- 599 4.   [13]    W ang YT , Li W B , Pang S,  Kan JM. Se gm entatio n  Meth o d  of L i ng w u   Lo ng Ju ju bes B a sed o n  L * a * b *   Color S pace.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2013; 1 1 (9): 5 344~ 5 3 5 1 .         Evaluation Warning : The document was created with Spire.PDF for Python.