焦蓬斐　秦品樂(lè)

摘 要：人臉檢測(cè)作為機(jī)器視覺(jué)研究的重要內(nèi)容，在視頻監(jiān)控、安防等鄰域具有廣泛的用途，是人臉識(shí)別的前提條件。本文采用支持向量機(jī)（support vector machine， SVM）理論對(duì)輸入的訓(xùn)練樣本進(jìn)行分類，得到人臉?lè)诸惼?。將輸入的待檢測(cè)圖片利用金字塔圖像算法遍歷每個(gè)檢測(cè)窗口可檢測(cè)在該圖像中是否存在人臉。

關(guān)鍵詞：機(jī)器視覺(jué)；人臉檢測(cè)；SVM

DOI：10.16640/j.cnki.37-1222/t.2016.08.202

1 引言

隨著機(jī)器視覺(jué)的快速發(fā)展使得生物識(shí)別技術(shù)不斷推進(jìn)。其中應(yīng)用最廣的要數(shù)人臉識(shí)別技術(shù)，該技術(shù)主要利用不同人之間固有的生理特征區(qū)別進(jìn)行個(gè)人身份的認(rèn)定。其中人臉檢測(cè)技術(shù)是人臉識(shí)別的前提。

人臉檢測(cè)（Face Detection）是自動(dòng)人臉識(shí)別系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)，是一種在任意圖像中找到人臉的位置和大小的技術(shù)，是人臉識(shí)別的基礎(chǔ)部分?，F(xiàn)有的人臉檢測(cè)方法可以大致分為兩大類：特征模板匹配與基于人臉灰度統(tǒng)計(jì)特征。由于人臉是具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然非剛性結(jié)構(gòu)目標(biāo)，這類目標(biāo)的檢測(cè)問(wèn)題的難點(diǎn)在于：（1）人臉由于表情、外貌、膚色等特性的不同，存在模式的可變性；（2）臉上的不同裝飾物，如眼鏡、胡須、刀疤等附屬物；（3）作為三維物體不可避免的會(huì)受到光照而產(chǎn)生陰影的影響。因此，想要解決這些問(wèn)題，就需要構(gòu)造一個(gè)成功的人臉檢測(cè)系統(tǒng)，同時(shí)也將會(huì)為類似的復(fù)雜模型提供解決方案。人臉檢測(cè)是一個(gè)綜合的問(wèn)題，是一個(gè)多角度的分類問(wèn)題。因此這些分類特征中有用信息有哪些，并且如何將有用信息運(yùn)用起來(lái)，是人臉檢測(cè)問(wèn)題研究中的關(guān)鍵性問(wèn)題。本文采用多種模式特征綜合的方法，構(gòu)造出快速人臉檢測(cè)模型。

2 人臉檢測(cè)流程

人臉檢測(cè)過(guò)程的通常步驟：預(yù)處理、特征提取、特征向量轉(zhuǎn)化到待檢測(cè)區(qū)待定，對(duì)待檢測(cè)區(qū)的特征向量進(jìn)行分類檢測(cè)，最后得到檢測(cè)結(jié)果，具體描述如下：

2.1 輸入圖像預(yù)處理

圖像的預(yù)處理主要包括圖像增強(qiáng)、銳化、平滑濾波、梯度照度修正等方面的處理。因?yàn)樵趯?shí)際生活中所獲取的原始圖像挺長(zhǎng)受光照、噪聲等影響，需要進(jìn)行預(yù)處理以消除干擾，后續(xù)的處理就用消除干擾的圖像。

2.2 圖像特征提取

圖像特征提取指的是使用圖像處理算法提取圖像中具有代表性的信息，決定每個(gè)位置的像素點(diǎn)是否屬于一個(gè)圖像特征。特征提取的結(jié)果是把圖像上的所有點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。圖像分析通常是檢測(cè)目標(biāo)的某些特征來(lái)進(jìn)行處理，如：顏色特征、形狀特征、紋理特征、空間關(guān)系特征。

2.3 分類器

分類器的訓(xùn)練和檢測(cè)是人臉檢測(cè)這類特征模板匹配問(wèn)題中最關(guān)鍵的步驟。訓(xùn)練樣本分為正樣本和負(fù)樣本，其中正樣本是指有待檢測(cè)目標(biāo)（本設(shè)計(jì)為人臉），負(fù)樣本是其它的任意圖像，最后需要將所有的樣本都?xì)w一化為同樣尺寸大小的圖片。應(yīng)用之前提取到的特征值，需要將特征向量用決策面劃分不同區(qū)域，這樣可以提高分類的準(zhǔn)確性。

3 基于SVM的人臉檢測(cè)算法實(shí)現(xiàn)

采用監(jiān)督式學(xué)習(xí)方法將采集到的負(fù)樣本（非人臉）與正樣本（人臉）一起用HOG算法訓(xùn)練SVM 分類器。在實(shí)驗(yàn)測(cè)試中，算法可以實(shí)現(xiàn)在圖像中單個(gè)人臉以及多個(gè)人臉的檢測(cè)。

4 結(jié)束語(yǔ)

本文提出使用基于線性和非線性SVM 級(jí)聯(lián)分類器構(gòu)造人臉檢測(cè)系統(tǒng)。將采集得到正負(fù)樣本數(shù)據(jù)歸一化，得到相同尺寸大小的樣本集，這樣做的好處是減少了運(yùn)算量，同時(shí)了加快了運(yùn)算速度。其次采用SVM分類器對(duì)樣本進(jìn)行分類，得到最后結(jié)果，即人臉?lè)诸惼鳌Ｖ缶涂梢暂斎氪龣z測(cè)的圖片，利用金字塔圖像算法遍歷每個(gè)檢測(cè)窗口中的圖像，當(dāng)遍歷結(jié)束，就可以得到在這幀圖像是否是人臉圖像。

參考文獻(xiàn)：

[1]Osuna E，F(xiàn)reund R， Girosi F. Training support vecrot machines：An application to face detection. In Proc of the CVPR.1997.

[2]Chih-Chung Chang，Chih-Jen Lin. LIBSVM[J]. ACM Transactions on Intelligent Systems and Technology （TIST）， 2011（3）：10-47.

[3]陳亞雄.基于Gabor小波和SVM 的人臉表情識(shí)別算法[J].現(xiàn)代電子技術(shù)，2011（20）：24-57.

作者簡(jiǎn)介： 焦蓬斐（1991-），男，山西忻州人，碩士在讀，研究方向：計(jì)算機(jī)視覺(jué)及圖像處理。