孫文君　王海龍曲阜師范大學物理工程學院

?

基于AdaBoost算法的快速人臉檢測方法

孫文君王海龍
曲阜師范大學物理工程學院

文章基于當今最為流行的AdaBoost算法，訓練出自己的人臉檢測級聯(lián)分類器，通過對人臉圖像方差特點的統(tǒng)計分析，確定了人臉方差的閾值，增加了方差預(yù)處理。增加方差預(yù)處理后訓練出的級聯(lián)分類器在人臉檢出率相對較高的前提實現(xiàn)了檢測速度的提升，增強了人臉檢測的實時應(yīng)用性。

人臉檢測 AdaBoost算法 Haar-like特征 方差預(yù)處理

人臉檢測技術(shù)是板頂所給的圖像中是否存在人臉并給出定位的過程。在司法、金融、軍事、海關(guān)以及人們的日常生活等各個領(lǐng)域都占有舉足輕重的位置。依據(jù)不同的人臉相關(guān)知識就有不同的檢測方法，目前常用的有基于人臉知識分析、基于人臉外觀，基于人臉特征以及模版匹配等幾類方法。目前在人臉檢測方面的難點之一就是怎樣應(yīng)用簡單快速的算法使其保證檢測率的情況下進一步的提升檢測速度，增強其實時應(yīng)用性。本文基于當今最為流行的AdaBoost算法，對待檢圖像增加了方差預(yù)處理的環(huán)節(jié)，訓練出的級聯(lián)分類器在人臉檢出率相對較高的前提實現(xiàn)了檢測速度的提升，增強了人臉檢測技術(shù)的時應(yīng)用性。

1　基于AdaBoost的人臉檢測算法介紹

基于AdaBoost的人臉檢測算法是一種基于統(tǒng)計理論的一種方法，它是在2001年由Volia與Jones共同提出來的。在眾多的實驗驗證下證明，這種人臉檢測算法可以在保證準確度的前提下極大的提高檢測速度，目前大部分用于人臉實時檢測的系統(tǒng)基本上都是基于此算法。

算法主要分為兩大部分：分類器訓練與模式識別?？梢院唵蚊枋鰹椋涸诜诸惼饔柧毑糠滞ㄟ^訓練使其對可以在很大的特征集中選取占有量很小的關(guān)鍵特征，從而級聯(lián)成一個有效性極高的分類器：在模式識別部分就利用這些訓練好的級聯(lián)分類器將人區(qū)分人臉與非人臉背景，從而判斷出人臉所在位置與人臉大小。

2　人臉方差特征分析及閾值確定

分析人臉的方差值發(fā)現(xiàn)其方差的變化有一定的區(qū)間性，不同方差的圖像看起來有很大差別，我們可以發(fā)現(xiàn)，方差大的人臉圖像，它的棱角更加分明一些，而前兩副圖說明當方差過小的 幾乎看不出人臉。由此我們推斷，人臉圖像的方差是否存在一個閾值，可以應(yīng)用在人臉檢測過程中，快速排除方差不在閾值內(nèi)的非人臉窗口，加快其檢測速度。

為了驗證猜想，了解人臉的確切分布規(guī)律，將用于訓練的MIT人臉庫作為測試集，對其中的2592 個人臉進行人臉方差統(tǒng)計。人臉的方差值大部分集中在 300～4000之間。為了更加直觀的分析數(shù)據(jù)，將人臉方差統(tǒng)計圖按照直方圖的形式進一步歸類統(tǒng)計，以200方差值為一段。更加直觀的顯示了測試數(shù)據(jù)的整體分布情況，可以看出了人臉方差的集中分布規(guī)律。預(yù)處理來排除方差值不在人臉方差的合理范圍內(nèi)的大部分的圖像背景區(qū)域便可大大加快其檢測速度，這比起簡單Haar-1ike特征的弱分類器的特征計算更加迅速，并且在需要考慮光照影響的圖像中對方差的計算是必須的，所以該預(yù)處理幾乎沒有再占據(jù)其他額外時間。

這里必須注意的是雖然在預(yù)處理時人臉方差的范圍越小設(shè)置的越小排除的非人臉區(qū)域越多，其檢測速度提升越快，但是，由此也會提升漏檢率導致人臉檢出的下降，權(quán)衡上述兩點，確定方差的門限閾值為：THH=4 5 00，THL=200。

3　增加方差預(yù)處理后的人臉檢測算法實現(xiàn)

3.1實驗環(huán)境介紹

由于Mat l lab在圖像處理，復雜的分析計算中極高的編程效率，本文以Mat lab R2014a作為操作平臺，在Intel（R）Core（TM）i5.2520M CPU @2.50GHz，內(nèi)存為4G的PC機上實現(xiàn)。

3.2采用的人臉數(shù)據(jù)庫

本文在訓練過程中主要應(yīng)用了MIT人臉數(shù)據(jù)庫，應(yīng)用20x20的正面人臉樣本與非人臉樣本進行訓練，得到了22個階段共2135個Haar-1ike特征組成的級聯(lián)分類器。在檢測驗證時主要應(yīng)用了Bao數(shù)據(jù)庫與 Bio ID數(shù)據(jù)庫。

3.3實驗流程

（1）應(yīng)用主要來源于MIT人臉數(shù)據(jù)庫的20x20的正面人臉樣本與非人臉樣本訓練臉險測級聯(lián)分類器。

（2）將訓練出來的級聯(lián)分類器應(yīng)用于Bao數(shù)據(jù)庫與BiolD數(shù)據(jù)庫檢測人臉，從檢測率，漏檢率，虛驚率以及檢測時間方面分析其性能，并作相關(guān)統(tǒng)計。

（3）分析方差與人臉的關(guān)系，對數(shù)據(jù)庫中的人臉方差統(tǒng)計，合理確定第一級分類器的人臉方差閾值。 俐｜練增加方差預(yù)處理后的人臉檢測級聯(lián)分類器。

（5）將增加方差預(yù)處理后的級聯(lián)分類器應(yīng)用于 Bao數(shù)據(jù)庫與BiolD數(shù)據(jù)庫檢測人臉，從人臉檢出率，漏檢率，虛警率以及檢測時間方面分析其性能，并作相關(guān)統(tǒng)計。增加預(yù)處理。

（6）整合實驗結(jié)果，并作相關(guān)分析。

3.4實驗結(jié)果與分析

可以看出，本文訓練的級聯(lián)分類器效果較好，檢測率較高。對比增加方差預(yù)處理前后的檢測效果圖可得，增加方差預(yù)處理后漏檢率略有上升，虛警率有所下降。

Bao數(shù)據(jù)庫與BiolD數(shù)據(jù)庫都是屬于有著較復雜背景和光線變化的人臉數(shù)據(jù)庫，人臉面積在圖像中的面積也不盡相同，增加方差預(yù)處理對它們的影響大致相同。閾值為200至1J4500方差預(yù)處理使虛警率有所下降，但是與此同時也略微引起了人臉檢出率的下降與漏檢率的上升。除此之外，增加方差預(yù)處理的影響也體現(xiàn)在檢測速度上，增加方差預(yù)處理后會減少需要進行級聯(lián)的窗口數(shù)，從而提高檢測速度。以處理前的檢測時間與窗口數(shù)均為單位一計算。

綜合上述實驗結(jié)果與分析可知本文基于AdaBoost算法訓練出的級聯(lián)分類器效果較好，人臉 檢測性能較優(yōu)。方差預(yù)處理可以快速排除非人臉背景，提升人臉檢測的速度，降低虛警率，但是對人臉檢出率與漏檢率有一定的負面影響。

4　結(jié)語

本文基于經(jīng)典的AdaBoost算法，在對其進行詳細分析與研究的基礎(chǔ)上，訓練出了比較良好的人臉檢測級聯(lián)分類器，另外，本文引入人臉方差特征做預(yù)處理，在保證良好檢測率的前提下增加方差閾值，進一步的提升了檢測速度，對人臉檢測在實時應(yīng)用發(fā)面的研究有重要價值。

［1］Hj elmas，E.，F(xiàn)ace detection：Asurvey，computer vision and image understanding.2001：236—274

［2］Viola E Rapid object detection using a Boosted cascade of simple features.In：Proc IEEE Conference on Computer Vision and Pat tern Recogni tion，pp：511-518. 2001.

［3］DQ Feng，K Ding.Face detection in video based on color model.Computer Applicat ions and Sof tware， 27（2）（2010），PP.28—30

［4］J Wei，Y Yang，XM Lu.Face detection based on multi—f eature ex t raction.Compute r Engineering andApplicat ions，48（1）（2012），PP.183—188

［5］Schneiderman H.A statistical method for 3D object detection applied to faces and cars.In International Conference on Computer Vision，2000

［6］周薇娜，人臉檢測算法及其芯片實現(xiàn)關(guān)鍵技術(shù)研 究.復旦大學，2012.4.