劉曉芳，夏哲雷，王孝衛(wèi)

(中國計(jì)量學(xué)院信息工程學(xué)院，浙江杭州310018)

人臉檢測是人臉識(shí)別的第一步，在嵌入式監(jiān)控系統(tǒng)和其他安全系統(tǒng)中有著重要作用。人臉檢測的目的是為了確定這幅圖片中是否存在人臉，如果存在則返回人臉的尺寸大小以及人臉?biāo)谖恢茫?］。在靜態(tài)和視頻模式下，大多數(shù)學(xué)者使用機(jī)器作為人臉檢測的工具［2］。由于數(shù)據(jù)采集過程受到年齡、姿態(tài)、表情、光照等因素影響，且存在“一人千面”的特點(diǎn)。正是因?yàn)榇嬖谶@些固有的挑戰(zhàn)性，國內(nèi)外眾多研究人員都投身其中。在眾多的人臉檢測方法中，AdaBoost人臉檢測算法是迄今最為成功的算法之一。Viola等［3］等采用 AdaBoost(Adaptive－Boosting)算法構(gòu)建的層疊式的人臉檢測器是人臉檢測算法上的重大突破，其基本思想是通過反復(fù)訓(xùn)練給定的訓(xùn)練集，挑選出關(guān)鍵的分類特征建立弱分類器，最后由弱分類器級(jí)聯(lián)組合成強(qiáng)分類器。

在大多數(shù)圖像處理應(yīng)用中，對(duì)圖像處理速度有較高要求，如面向人臉的實(shí)時(shí)控制、基于圖片內(nèi)容的圖片檢測活視頻搜索等。張平等人提出了基于膚色空間預(yù)處理的AdaBoost算法，提高了人臉檢測速度［4］。鄭峰等提出了一種新的自適應(yīng)樣本權(quán)重更新算法，并將遺傳算法與AdaBoost算法結(jié)合構(gòu)建人臉檢測器，使得人臉檢測更加快速和精確［5］。Du等采用部分人臉遮擋樣本訓(xùn)練分類器以實(shí)現(xiàn)被遮擋人臉圖片的檢測，且提高了訓(xùn)練速度［6］。

研究者采用不同的方法來減少檢測所需時(shí)間，但是在實(shí)際檢測過程中，分類器對(duì)各個(gè)縮放下的圖片進(jìn)行幾乎所有像素點(diǎn)的遍歷的這個(gè)過程存在著很大的冗余?；诖?，本文主要從提升檢測速度入手，討論了AdaBoost人臉檢測算法中影響速度的主要因素，通過人臉尺寸模型以及人臉圖片權(quán)重模型，并在基礎(chǔ)上，改進(jìn)了人臉檢測方法，提高了人臉檢測速度。

1 AdaBoost算法及其影響因素分析

1.1 AdaBoost算法

AdaBoost算法是一種自適應(yīng)增強(qiáng)算法，其核心思想是將大量的分類能力一般的弱分類器通過一定的方法疊加起來，構(gòu)成一個(gè)更強(qiáng)大的強(qiáng)分類器。Viola最先提出將該算法用于人臉檢測，后來Ranier Lienhart對(duì)該方法進(jìn)行了改善［7］。

AdaBoost人臉檢測是一種基于積分圖、級(jí)聯(lián)檢測器和AdaBoost算法的方法，根據(jù)人臉圖像中灰度值差異這一特性，主要利用人臉灰度圖像計(jì)算積分值獲取Haar特征值。

首先，利用人臉和非人臉樣本的Haar特征對(duì)分類器進(jìn)行訓(xùn)練，得到AdaBoost分類器。然后，在圖像中移動(dòng)分類器窗口，檢測每個(gè)子窗口是否為人臉。最后，將每個(gè)縮放下的檢測結(jié)果進(jìn)行總和，如果在一定尺寸范圍內(nèi)能夠檢測到人臉的子窗口數(shù)大于規(guī)定值，則判定檢測都是人臉。為了檢測較大的目標(biāo)，通常需要放大子窗口尺寸或者對(duì)輸入圖像進(jìn)行縮放處理，直至完成所有檢測。在硬件實(shí)現(xiàn)中圖像縮放的方法更有優(yōu)勢，首先，一旦完成圖像的縮放后，后續(xù)的處理完全相同，不需要對(duì)不同縮放進(jìn)行特殊的處理。再次，采用流水設(shè)計(jì)可以將圖像縮放處理和檢測同時(shí)進(jìn)行，從而不會(huì)增加額外的計(jì)算時(shí)間。所以本文采用圖像縮放處理的方法。

1.2 檢測速度影響因素分析

雖然AdaBoost人臉檢測的訓(xùn)練過程非常耗時(shí)(需以小時(shí)計(jì)算)，但其檢測效果較理想。然而在測試過程中發(fā)現(xiàn)，對(duì)于尺寸較大的圖片，在PC機(jī)上的測試時(shí)間通常達(dá)到分鐘這一數(shù)量級(jí)。故而對(duì)于大尺寸圖片，如何快速檢測到目標(biāo)對(duì)于減少復(fù)雜度至關(guān)重要。設(shè)n表示圖片的縮放次數(shù)，則圖片的縮放倍數(shù)sf表示為

sf=1．1n(1)

對(duì)圖片進(jìn)行檢測，發(fā)現(xiàn)只有當(dāng)圖片中人臉尺寸縮放至分類器尺寸左右時(shí)，才能夠正確檢測到人臉，如圖1所示。

圖1 不同縮放系數(shù)下的檢測結(jié)果(原圖為彩色)

圖1中提取了幾種縮放下對(duì)圖片的檢測結(jié)果，紅色矩形框表示此時(shí)能夠完全通過分類器的子窗口。原圖片的分辨率為836×592，人臉尺寸在350×350左右，從圖1可以看出，當(dāng)縮放倍數(shù)較小時(shí)，并不能正確檢測到人臉，反而會(huì)造成一些誤檢。在檢測過程中，每個(gè)縮放下的檢測子窗口總數(shù)隨著sf的增大而減小，即檢測時(shí)間也會(huì)隨著sf的增大而減小。所以對(duì)于較大尺寸的單幅人臉圖片，如果能夠快速確定出被檢測圖片的人臉尺寸范圍，就能針對(duì)該尺寸設(shè)置圖片的縮放倍數(shù)，快速檢測到人臉?biāo)谖恢煤头秶?/p>

2 基于高斯分布的人臉分布模型及單幅人臉權(quán)重模型

對(duì)于單幅人臉圖片，若能夠快速定位出人臉的可能性尺寸，就可以有目的地對(duì)原始圖片進(jìn)行放縮放，而無需進(jìn)行所有的縮放檢測。如果首次縮放后仍未確定出人臉，那么如何確定出下一步縮放方向也很重要。所以本文主要針對(duì)640×480這一分辨率的人臉圖片，從人臉尺寸的分布以及縮放方式兩個(gè)方面進(jìn)行研究。

2.1 人臉分布模型

對(duì)于同一分辨率下的人臉圖片，人臉?biāo)嫉某叽绶秶哂须S機(jī)性?；诖耍S機(jī)從網(wǎng)上下載1 000幅存在人臉且分辨率為640×480的圖片。統(tǒng)計(jì)圖片中所有人臉，按照人臉尺寸進(jìn)行分類，統(tǒng)計(jì)不同尺寸范圍內(nèi)檢測到人臉的總個(gè)數(shù)，得到如圖的星點(diǎn)圖分布。圖2中，每點(diǎn)對(duì)應(yīng)的人臉尺寸范圍為［5x，5x+5)。

圖2 人臉按尺寸分布圖

對(duì)得到的人臉分布數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)其符合高斯分布(圖中曲線)，如式(2)所示

式中:a0=62．34，b0=18．76，c0=2．143，a1=79．05，b1=13．88，c1=3．179，a2=67．6，b2=9．072，c2=2．407，a3=111．6，b3=30．54，c3=12．69，a4=－75．67，b4=32．51，c4=8．78。

從圖2可以清楚地看出，對(duì)于640×480這一分辨率的圖片，不同尺寸的人臉出現(xiàn)的概率。通過該概率模型，對(duì)于任何一幅該分辨率下的未知圖片，可以確定出縮放系數(shù)sf的大致走向。例如從圖中發(fā)現(xiàn)，人臉尺寸在［90，95)這一范圍內(nèi)的可能性最大，本文實(shí)驗(yàn)所用分類器尺寸為18×18，所以第一次的縮放系數(shù)sf應(yīng)該設(shè)置為5．0。

2.2 單幅人臉權(quán)重模型

通過上面的人臉分布的高斯模型可以看出，對(duì)于分辨率為640×480的單個(gè)人臉圖片，首先要將原圖縮小到原來的1/5進(jìn)行檢測。此時(shí)若未發(fā)現(xiàn)人臉，縮放系數(shù)是增大還是減小(即sf的走向)對(duì)減少檢測的冗余也很重要。

AdaBoost是許多弱分類器級(jí)聯(lián)而成的強(qiáng)分類器。檢測時(shí)，按照一定的尺度參數(shù)(即每次移動(dòng)的像素個(gè)數(shù)，向左然后向下)進(jìn)行移動(dòng)，遍歷整個(gè)圖像，只有完全通過分類器時(shí)，表示該子窗口可能存在人臉。設(shè)分類器共有n級(jí)，只有當(dāng)子窗口每一級(jí)的Harr特征值Ti都大于分類器該級(jí)的閾值θi時(shí)，才能夠完全通過分類器，如果在某一級(jí)時(shí)不能通過分類器，就不需要后續(xù)的檢測。所以子窗口的Ti越大，它通過分類器的可能性越大。當(dāng)縮放系數(shù)sf=i時(shí)，此時(shí)若人臉尺寸在i×S(S表示分類器尺寸)左右，其Haar特征值就與分類器符合的程度最大，被成功檢測的可能性也最大。當(dāng)人臉尺寸接近分類器大小，遍歷到人臉周圍的子窗口時(shí)，其通過分類器的可能性越大，也就意味著子窗口通過分類器的級(jí)數(shù)越多。當(dāng)縮放次數(shù)n=i時(shí)，設(shè)此時(shí)圖片的閾值Wi為

式中:j分別表示分類器的級(jí)數(shù);x表示完全通過分類器的子窗口的個(gè)數(shù)。

對(duì)于分辨率為640×480的單幅人臉圖片，統(tǒng)計(jì)其人臉尺寸，按照大小對(duì)圖片進(jìn)行排序。結(jié)果如圖3所示。

圖3 按照人臉尺寸排序后的640×480圖片

本文采用OpenCV提供的函數(shù)進(jìn)行人臉檢測，由于所用分類器共20級(jí)，所以m1=19。當(dāng)sf=5．0時(shí)，若m0=17，分別計(jì)算上面的300幅單人臉圖片的權(quán)重W。結(jié)果如圖4所示。

通過對(duì)權(quán)重W進(jìn)行數(shù)據(jù)分析，發(fā)現(xiàn)其擬合高斯分布g(x)為

圖4 640×480的單人臉圖片權(quán)重分布

式中:θ=5．268，α =134．8 ，λ =42．91。根據(jù)該高斯分布模型，當(dāng)在sf=5．0時(shí)未檢測到人臉，可以進(jìn)一步判斷人臉尺寸范圍，從而判斷下一個(gè)縮放系數(shù)sf的走向。

2.3 思路與算法

通過以上兩個(gè)模型，發(fā)現(xiàn)在進(jìn)行檢測時(shí)，縮放系數(shù)的走向是有規(guī)律可循的。首先，通過人臉尺寸模型，可以判斷出圖片中人臉尺寸的可能性，依此來設(shè)置縮放系數(shù)。然后，如果首次縮放下未檢測到人臉，則可根據(jù)單幅圖片人臉權(quán)重模型，了解到人臉尺寸所在范圍，此時(shí)結(jié)合人臉尺寸模型，不斷地設(shè)置縮放系數(shù)，直至檢測到人臉。具體的檢測思路如下:

1)輸入原始圖像。

2)對(duì)照人臉尺寸分布模型，以人臉最可能出現(xiàn)的尺寸為基準(zhǔn)，設(shè)置縮放系數(shù)并進(jìn)行檢測。檢測到人臉，轉(zhuǎn)到步驟5)，否則繼續(xù)下一步。

3)根據(jù)單幅人臉權(quán)重模型判斷人臉尺寸范圍，結(jié)合人臉尺寸模型設(shè)置縮放系數(shù)。

4)直至檢測出所有人臉或完成所有縮放。5)標(biāo)記出人臉。

3 實(shí)驗(yàn)結(jié)果和分析

本實(shí)驗(yàn)使用的是在VC6．0下使用OpenCV1．0版本，在PC機(jī)上分別使用原始程序模塊以及基于本文方法改進(jìn)后的程序?qū)ν瑯拥膱D片樣本進(jìn)行測試，實(shí)驗(yàn)結(jié)果見表1。

表1 IDCT修剪算法的比特率和編碼時(shí)間測試結(jié)果

常規(guī)人臉檢測方法遍歷了所有縮放下的每個(gè)像素點(diǎn)，本文方法依照上述人臉尺寸模型以及單幅人臉權(quán)重模型設(shè)置縮放，這會(huì)造成誤判下提前終止檢測。從表1可以看出，雖然最終的檢測率略有下降(下降了1．7%)，但是檢測時(shí)間卻大幅降低(降低了29．7%)。

4 小結(jié)

本文基于AdaBoost人臉檢測算法，針對(duì)較大尺寸圖片，提出了一種基于人臉尺寸模型和單幅圖片人臉權(quán)重模型的人臉檢測方法。該方案針對(duì)單幅人臉圖片，從檢測時(shí)縮放系數(shù)的走向出發(fā)，使得圖片中的人臉尺寸能夠快速縮放至與分類器相匹配，從而達(dá)到快速檢測到人臉、提高檢測速度的目的。實(shí)驗(yàn)結(jié)果也證明了在檢測率略有下降的情況下，大幅度降低了檢測時(shí)間。

:

［1］ YANG M H，KRIEGMAN O J，AHUJA N．Detecting faces in images:a survey［J］．IEEE Trans．Pattern Analysis and Machine Intelligence，2002，24(1):34－58．

［2］ ZULHADI Z，SHAHREL A S．Face detection using combination of neural network and Adaboost［C］//Proc．Tencon 2011－2011 IEEE Region 10 Conference．Bail:IEEE Press，2011:335－338．

［3］ VOILA P．Rapid object detection using a boosted cascade of simple features［C］//Proc．the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition．Kauai:IEEE Press，2001:511－518．

［4］張平，王貴成，汪勇．Adaboost人臉檢測算法的速度影響因素分析及其改進(jìn)方法［EB/OL］．［2013－09－20］．http://cpfd．cnki．com．cn/Article/CPFDTOTAL－XNCJ200905002069．htm．

［5］張君昌，張譯．基于改進(jìn)AdaBoost算法的人臉檢測［J］．計(jì)算機(jī)仿真，2011，28(7):167－169．

［6］ DU Xingjing，ZHU Dongmei，ZHAO Hongyun．Study of fast Adaboost face detection algorithm［C］//Proc．2010 International Conference on Computer Application and System Modeling．Taiyuan:IEEE Press，2010:136－139．

［7］鄒志煌，孫鑫，程武山．人臉識(shí)別技術(shù)產(chǎn)品的發(fā)展概況［J］．電視技術(shù)，2008，32(1):91－93．