李晶惠++葉學(xué)義++夏胡云++葉楓

摘要：針對(duì)AdaBoost人臉檢測(cè)算法分類器訓(xùn)練時(shí)Haar特征數(shù)目過多，導(dǎo)致訓(xùn)練過程過于耗時(shí)的問題，提出了一種基于“大T”型區(qū)域的AdaBoost人臉檢測(cè)算法。通過提取500張人臉樣本中的主要特征區(qū)域，投影到20×20的模板中，對(duì)重疊區(qū)域取其并集求得“大T”型特征篩選區(qū)域，以此模板優(yōu)化Haar特征，使用于分類器訓(xùn)練的Haar特征集中于人臉面部的關(guān)鍵區(qū)域。實(shí)驗(yàn)結(jié)果表明，在LFW、PKU數(shù)據(jù)庫(kù)中進(jìn)行人臉檢測(cè)，在不降低原始AdaBoost算法檢測(cè)率的同時(shí)，對(duì)PKU數(shù)據(jù)庫(kù)中的多人臉檢測(cè)算法的漏檢率有所改善，同時(shí)優(yōu)化了算法訓(xùn)練時(shí)間。

關(guān)鍵詞：人臉檢測(cè)；AdaBoost算法；Haar特征；“大T”型特征篩選模板

DOIDOI：10.11907/rjdk.171551

中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：16727800（2017）010002205

0引言

AdaBoost算法最初由Freund等[1]提出，其關(guān)鍵思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練多個(gè)弱分類器，最后將這些弱分類器集成起來構(gòu)成最終的強(qiáng)分類器。人臉檢測(cè)是自動(dòng)人臉識(shí)別系統(tǒng)中一個(gè)關(guān)鍵環(huán)節(jié)[2]，它是指采用一定的策略對(duì)任意給定的圖片或視頻進(jìn)行搜索，從而判斷其中是否存在人臉，如果存在則定位出每個(gè)人臉的位置、大小以及姿態(tài)的過程。Viola 等[3]提出的AdaBoost人臉檢測(cè)算法，在提高人臉識(shí)別準(zhǔn)確率的同時(shí)，極大加快了檢測(cè)速度。人臉的特征選取對(duì)于人臉檢測(cè)精度起著重要作用[4]，基于AdaBoost的人臉檢測(cè)算法通常采用Haar特征來表示人臉的灰度變化，由于訓(xùn)練時(shí)Haar特征數(shù)目巨大導(dǎo)致訓(xùn)練過程過于耗時(shí)，而實(shí)際構(gòu)成人臉檢測(cè)分類器的Haar特征僅有幾千個(gè)。因此，有必要對(duì)Haar矩形特征進(jìn)行優(yōu)化篩選以提升算法的整體訓(xùn)練速率。

針對(duì)Haar特征數(shù)目過多問題，文獻(xiàn)[5]介紹了兩種常用的優(yōu)化Haar特征數(shù)目方法：①采用限制最小Haar特征尺寸大小并調(diào)整Haar特征的偏移量方式，優(yōu)化訓(xùn)練時(shí)Haar矩形特征個(gè)數(shù)。該方法雖然可以有效減少Haar矩形特征數(shù)量，但同時(shí)也會(huì)漏掉一些分類效果較好的矩形特征，因此會(huì)影響訓(xùn)練生成的分類器檢測(cè)率；②通過限制Haar矩形特征在檢測(cè)窗口中的遍歷范圍優(yōu)化Haar特征的數(shù)目，但采用這種方式會(huì)漏掉部分有效的人臉邊緣特征，同時(shí)矩形區(qū)域內(nèi)也包含了部分臉狹部位等分類特征不太明顯的區(qū)域。介于此，本文提出基于“大T”型區(qū)域的AdaBoost人臉檢測(cè)算法，通過采用“大T”型區(qū)域?qū)λ蠬aar特征進(jìn)行篩選，使得用于訓(xùn)練的Haar特征集中于人臉面部的關(guān)鍵區(qū)域，降低了訓(xùn)練時(shí)Haar特征數(shù)目，加快了分類器的訓(xùn)練速度。實(shí)驗(yàn)結(jié)果表明，采用 “大T”型區(qū)域篩選后的Haar矩形特征訓(xùn)練生成的分類器，在LFW、PKU數(shù)據(jù)庫(kù)中進(jìn)行人臉檢測(cè)時(shí)，在不降低原始AdaBoost算法檢測(cè)率的同時(shí)，能改善PKU數(shù)據(jù)庫(kù)中的多人臉檢測(cè)算法漏檢率，同時(shí)優(yōu)化了算法的訓(xùn)練時(shí)間。

1AdaBoost人臉檢測(cè)算法

1.1AdaBoost算法概述

基于AdaBoost算法的人臉檢測(cè)由Paul Viola和Michael Jones于2001年提出，通過從正負(fù)樣本中提取大量不同的Haar特征，并采用“積分圖”的計(jì)算方式求得對(duì)應(yīng)的特征值，對(duì)特征值遍歷找出分類錯(cuò)誤率最低的特征值即對(duì)應(yīng)的最優(yōu)弱分類器，然后將訓(xùn)練樣本進(jìn)行多次學(xué)習(xí)，求出一系列最優(yōu)弱分類器線性組合成強(qiáng)分類器，最后將強(qiáng)分類器按照一定的規(guī)則組合成一個(gè)更加復(fù)雜的級(jí)聯(lián)分類器，并采用該級(jí)聯(lián)分類器進(jìn)行人臉檢測(cè)。訓(xùn)練時(shí)若某個(gè)樣本被正確分類，則在下一次訓(xùn)練中該樣本的權(quán)重就會(huì)降低，相反分類錯(cuò)誤的樣本在下一次訓(xùn)練中樣本權(quán)重就會(huì)增加。在不斷的循環(huán)中，弱分類器將其注意力集中至權(quán)重較大的分類器，根據(jù)檢測(cè)率和誤檢率要求，將簡(jiǎn)單的弱分類器按照權(quán)重疊加成強(qiáng)分類器，并將強(qiáng)分類器級(jí)聯(lián)起來生成最需要的分類器[6]，AdaBoost算法正是通過這種動(dòng)態(tài)調(diào)整方式使訓(xùn)練生成的分類器更加關(guān)注于那些錯(cuò)分的樣本。在進(jìn)行人臉檢測(cè)時(shí)采用級(jí)聯(lián)分類器可快速排除圖像中明顯不是人臉的背景區(qū)域，進(jìn)而在有可能存在人臉的區(qū)域更精細(xì)地檢測(cè)。

1.2Haar矩形特征

Viola構(gòu)建的人臉檢測(cè)分類器采用Haar矩形特征訓(xùn)練弱分類器，該特征是計(jì)算機(jī)視覺領(lǐng)域一種常用的特征描述算子，能較好地體現(xiàn)人臉的局部特征的灰度變化[7]。Haar矩形特征是由兩個(gè)或多個(gè)形狀大小相同的矩形組合而成，并采用黑白矩形塊反映人臉灰度變化差異。Haar矩形特征結(jié)構(gòu)簡(jiǎn)單，計(jì)算方便。利用該特征訓(xùn)練生成的分類器，分類性能往往僅比隨機(jī)猜想的正確率略高，在實(shí)際應(yīng)用中難以起到較好的分類效果，屬于典型的弱分類器。本文選擇Viola提出的5種常用矩形特征原型進(jìn)行實(shí)驗(yàn)，具體的Haar特征原型如圖1所示。

Haar矩形特征可以在檢測(cè)窗口中以“任意”尺寸放置，每一種形態(tài)表示不同的特征，準(zhǔn)確計(jì)算檢測(cè)窗口中矩形特征的個(gè)數(shù)是弱分類器訓(xùn)練的基礎(chǔ)，以大小為W*H像素的檢測(cè)窗口為例：令X=W/w」，Y=H/h」，其中.」表示取整操作，W和H分別表示檢測(cè)窗口的寬度和高度，w和h分別表示Haar矩形特征的寬度和高度，t和ht（x）分別表示檢測(cè)窗口橫向和縱向可放大的倍數(shù)。因此一個(gè)大小為w×h的矩形特征在檢測(cè)窗口為W×H中的特征個(gè)數(shù)由公式（1）計(jì)算求得：

X×Y×W+1-wX+12×H+1-hY+12（1）

采用公式（1）計(jì)算出每個(gè)Haar特征原型在檢測(cè)窗口中的特征個(gè)數(shù)，本文選用5種Haar特征原型在檢測(cè)窗口大小為20×20的情況下，矩形特征總數(shù)超過7萬(wàn)個(gè)，而AdaBoost人臉檢測(cè)級(jí)聯(lián)分類器所用的Haar矩形特征數(shù)目遠(yuǎn)少于訓(xùn)練特征個(gè)數(shù)。因此有必要對(duì)大量的Haar特征進(jìn)行篩選，選出關(guān)鍵區(qū)域的Haar特征進(jìn)行分類器訓(xùn)練，提升算法的訓(xùn)練速率。

2訓(xùn)練特征優(yōu)化endprint

2.1分類器構(gòu)成分析

由于Haar矩形特征結(jié)構(gòu)簡(jiǎn)單，應(yīng)用于人臉檢測(cè)時(shí)，可以根據(jù)人臉面部的灰度分布特點(diǎn)選擇不同的矩形特征原型，理論上影響訓(xùn)練時(shí)間的主要是訓(xùn)練樣本數(shù)目和參與訓(xùn)練的特征數(shù)目，為了使訓(xùn)練出的分類器具有很好的泛化能力，訓(xùn)練樣本數(shù)目不能太少，因此只能通過減少訓(xùn)練特征的數(shù)量來達(dá)到減少訓(xùn)練時(shí)間的目的[5]。AdaBoost算法是一種有效的特征選擇算法，通過從大量的特征中提取出對(duì)人臉檢測(cè)真正有用的特征，并從眾多特征中選擇最有效的弱分類器形成強(qiáng)分類器[8]。人臉的主要特征集中于面部中央位置，因此僅選擇該區(qū)域內(nèi)的Haar特征訓(xùn)練分類器以減少特征訓(xùn)練的數(shù)目，進(jìn)而起到優(yōu)化訓(xùn)練時(shí)間的目的。

根據(jù)人臉檢測(cè)的先驗(yàn)知識(shí)，人臉圖像有一些明顯的基本特征，如臉部區(qū)域通常包括雙眼、鼻子和嘴巴等臉部特征和這些部位的結(jié)構(gòu)關(guān)系[9]，是生物特征識(shí)別的重要依據(jù)。對(duì)于人臉的檢測(cè)即對(duì)圖像中包含人臉面部的這些關(guān)鍵部位的檢測(cè)。AdaBoost人臉檢測(cè)算法通常采用Haar矩形特征訓(xùn)練弱分類器，本文通過實(shí)驗(yàn)對(duì)訓(xùn)練生成的分類器進(jìn)行分析發(fā)現(xiàn)，矩形特征集中分布于人臉面部的關(guān)鍵位置，圖2給出部分弱分類器對(duì)應(yīng)的Haar矩形特征與人臉樣本的匹配關(guān)系，由此提出采用包含人臉面部關(guān)鍵部位的Haar矩形特征來訓(xùn)練AdaBoost人臉檢測(cè)分類器。

2.2“大T”型Haar特征篩選方法

由人臉檢測(cè)的先驗(yàn)知識(shí)可知，正面人臉的面部器官分布結(jié)構(gòu)是相對(duì)固定的，且人臉樣本中的雙眼、鼻子和嘴巴的幾何分布近似位于一個(gè)“大T”型區(qū)域內(nèi)。該區(qū)域涵蓋了人臉面部特征的主要區(qū)域，根據(jù)圖2分類器構(gòu)造分析可知，弱分類器對(duì)應(yīng)的Haar矩形特征幾乎全部涵蓋了該區(qū)域，因此本文提出采用“大T”型區(qū)域來篩選Haar矩形特征，并選擇篩選后的矩形特征來訓(xùn)練AdaBoost級(jí)聯(lián)分類器。

本文主要針對(duì)正面人臉進(jìn)行檢測(cè)，因此訓(xùn)練樣本集中人臉樣本的選擇主要包括正面人臉和旋轉(zhuǎn)角度小于45°的人臉圖片。圖3是在人臉樣本中標(biāo)記出對(duì)應(yīng)的“大T”型區(qū)域示意圖，由于部分樣本中人臉的旋轉(zhuǎn)角度問題，例如圖3（c）和圖3（d）中的“大T”型區(qū)域略靠近圖像的邊緣部分，因此有必要對(duì) “大T”型區(qū)域進(jìn)行規(guī)范，使采用該區(qū)域構(gòu)建的特征篩選模板可以有效地對(duì)Haar特征進(jìn)行篩選。本文通過從訓(xùn)練樣本中抽取500張人臉圖片來構(gòu)建特征篩選模板，具體模板構(gòu)建方法為：首先標(biāo)記出每個(gè)人臉樣本中 “大T”型區(qū)域，然后分別將樣本中的標(biāo)記區(qū)域投影到一個(gè)20×20的模板，最后對(duì)投影區(qū)域的重疊部分求取并集，得到最終的“大T”型區(qū)域篩選模板。圖4為本文采用上述方法構(gòu)建的20×20大小的“大T”型Haar特征篩選模板，且經(jīng)過多次實(shí)驗(yàn)驗(yàn)證當(dāng)“大T”型模板與檢測(cè)窗口邊緣的間隔像素值為圖中所示的數(shù)字時(shí)，檢測(cè)效果最好。將得到的“大T”型特征篩選模板用于訓(xùn)練特征篩選，篩選過程如下：①求出5種矩形特征原型在20×20大小的檢測(cè)窗口中所有Haar矩形特征；②利用上述方法構(gòu)建一個(gè)“大T”型特征篩選模板，并設(shè)定模板中表示人臉面部特征的關(guān)鍵區(qū)域值為1，其它區(qū)域值為0 ；③分別將上述Haar矩形特征平鋪于“大T”型特征篩選模板，若Haar特征的最外層矩形區(qū)域內(nèi)所有像素值的和大于或等于該矩形區(qū)域面積的一半，則保留該特征用于分類器訓(xùn)練，反之則拋棄該特征；④將上述篩選后剩余的Haar特征作為AdaBoost人臉檢測(cè)的訓(xùn)練特征。

通過 “大T”型區(qū)域?qū)λ械腍aar矩形特征進(jìn)行篩選，使用于分類器訓(xùn)練的Haar矩形特征集中于人臉面部的關(guān)鍵區(qū)域，通過濾去非關(guān)鍵區(qū)域的Haar特征，有效降低訓(xùn)練特征的數(shù)量。表1給出了在20×20的檢測(cè)窗口中，對(duì)5種Haar特征原型采用“大T”型區(qū)域篩選后對(duì)應(yīng)的Haar矩形特征數(shù)量。

由表1可知，經(jīng)過“大T”型區(qū)域樣本篩選后，剩下的Haar特征數(shù)量為57 120個(gè)，相對(duì)于優(yōu)化之前的矩形特征數(shù)量減少了近2萬(wàn)個(gè)，優(yōu)化后的Haar矩形特征更集中于人臉面部的關(guān)鍵區(qū)域，對(duì)于人臉面部的灰度分布特征表征能力更好。根據(jù)以往的分類器訓(xùn)練經(jīng)驗(yàn)[10]，對(duì)于Haar矩形特征中寬度或高度等于1的矩形特征用于人臉檢測(cè)時(shí)，隨機(jī)性太大，不適合用作人臉檢測(cè)分類器，因此再排除掉矩形特征中寬度或高度等于1個(gè)像素的Haar矩形特征，剩余的特征總數(shù)為45 768個(gè)。由于“大T”型篩選模板可以有效提取人臉面部主要區(qū)域的Haar特征，因此對(duì)不同的訓(xùn)練樣本庫(kù)，“大T”型特征篩選模板同樣有效，且只針對(duì)于AdaBoost人臉檢測(cè)算法的分類器訓(xùn)練過程。綜上所述，本文選擇上述篩選方法得到的矩形特征訓(xùn)練人臉檢測(cè)分類器。

3實(shí)驗(yàn)結(jié)果與分析

選取5500張來自CASPEAL數(shù)據(jù)庫(kù)[11]和1 500張來自LFW數(shù)據(jù)庫(kù)[12]的人臉圖，根據(jù)數(shù)據(jù)庫(kù)中人臉坐標(biāo)信息截出圖像中的人臉區(qū)域，歸一化為20×20大小的圖片，構(gòu)成訓(xùn)練人臉樣本集。LFW數(shù)據(jù)庫(kù)中的圖像為自然環(huán)境下拍攝的人臉圖，因此圖像中包含的人臉具有一定的旋轉(zhuǎn)角度，且各人臉圖像之間的面部變化不一；CASPEAL人臉庫(kù)涵蓋了姿態(tài)、表情、裝飾、光照、背景、距離和時(shí)間等特征變化，本文從中挑選出全部正面人臉，佩戴眼鏡、帽子等飾物，以及人臉圖像在水平或垂直方向旋轉(zhuǎn)角度小于45°的人臉圖像，用于增強(qiáng)分類器對(duì)正面人臉、多表情姿態(tài)以及佩戴飾物的人臉檢測(cè)性能。負(fù)樣本的選擇來自于網(wǎng)絡(luò)中不包含人臉的20 000張圖像，訓(xùn)練時(shí)通過“自舉”方式生成與正樣本同樣大小尺寸，實(shí)驗(yàn)所選的部分訓(xùn)練樣本如圖5所示。

3.1單人臉檢測(cè)

通過采用“大T”型模板來篩選Haar特征，從而使得用于訓(xùn)練的Haar特征集中于人臉面部的關(guān)鍵區(qū)域，同時(shí)降低了訓(xùn)練特征數(shù)目，提升了算法的訓(xùn)練速率。為了驗(yàn)證由本文方法訓(xùn)練求得的分類器對(duì)人臉檢測(cè)分類器性能的影響，設(shè)計(jì)了如下實(shí)驗(yàn)內(nèi)容。

首先驗(yàn)證采用“大T”型區(qū)域優(yōu)化后的Haar特征對(duì)于訓(xùn)練樣本的分類效果。歸一化的樣本集中隨機(jī)選取5 500張人臉圖片和18 500張背景圖片構(gòu)成AdaBoost算法訓(xùn)練集，剩余的1 500張人臉圖片和1 500張背景圖片構(gòu)成測(cè)試集。分別采用原Haar矩形特征以及本文Haar矩形特征訓(xùn)練一個(gè)AdaBoost人臉檢測(cè)分類器。圖6是采用每次迭代生成的強(qiáng)分類器分別對(duì)測(cè)試集中的樣本進(jìn)行分類時(shí)的誤檢率對(duì)比試驗(yàn)結(jié)果。endprint

由實(shí)驗(yàn)結(jié)果可知，對(duì)上述測(cè)試集中的人臉樣本進(jìn)行分類，由本文Haar矩形特征訓(xùn)練生成的人臉檢測(cè)分類器的誤檢率基本接近于原Haar矩形特征訓(xùn)練生成的分類器，只是由前幾輪迭代求出的強(qiáng)分類器誤檢率曲線波動(dòng)較大，但經(jīng)過對(duì)訓(xùn)練樣本近20次的學(xué)習(xí)后，誤檢率曲線基本與原Haar矩形特征相吻合。因此，本文的改進(jìn)方法對(duì)AdaBoost算法[2]的誤檢率影響較小。

3.2視頻人臉檢測(cè)

在歸一化后的樣本集中選擇全部的人臉樣本和非人臉樣本構(gòu)成訓(xùn)練樣本集，然后采用原Haar矩形特征、文獻(xiàn)[5]限制檢測(cè)窗口的方法求得訓(xùn)練特征，以及本文“大T”型模板篩選得到的Haar特征，分別訓(xùn)練生成15層級(jí)聯(lián)分類器用于人臉檢測(cè)。實(shí)驗(yàn)選擇了LFW數(shù)據(jù)庫(kù)中和PKUSVDB數(shù)據(jù)庫(kù)[13]的視頻圖像作為本文人臉檢測(cè)測(cè)試集，用來驗(yàn)證本文方法檢測(cè)效果。

選擇LFW數(shù)據(jù)庫(kù)中剩余的1000張大小為250×250視頻圖像進(jìn)行單人臉圖像檢測(cè)性能驗(yàn)證，表2是對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果，圖7為部分實(shí)驗(yàn)檢測(cè)結(jié)果。

由表2可知，對(duì)LFW數(shù)據(jù)庫(kù)中的單個(gè)人臉圖像進(jìn)行檢測(cè)時(shí)，本文的改進(jìn)方法在檢測(cè)率方面要略高于文獻(xiàn)[5]中的方法，基本接近原矩形特征的檢測(cè)效果。

多人臉的視頻檢測(cè)采用PKUSVDB數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)是北京大學(xué)視頻編解碼技術(shù)國(guó)家工程實(shí)驗(yàn)室聯(lián)合北京大學(xué)保衛(wèi)部提供的，通過對(duì)連續(xù)400幀大小為1 920*1 080視頻圖像共879個(gè)正面人臉進(jìn)行檢測(cè)，得出表3的實(shí)驗(yàn)結(jié)果，部分實(shí)驗(yàn)結(jié)果如圖8所示。

在進(jìn)行多人臉視頻檢測(cè)時(shí)，由于人臉表情復(fù)雜、姿態(tài)各異，以及背景圖像中近似人臉區(qū)域的干擾，導(dǎo)致AdaBoost人臉檢測(cè)的檢測(cè)率有所降低。由表3實(shí)驗(yàn)對(duì)比結(jié)果可知，本文方法不管是在檢測(cè)率還是漏檢率方面均優(yōu)于文獻(xiàn)[5]中的改進(jìn)方法，而且基本與原矩形特征分類器的檢測(cè)效果接近，同時(shí)降低了人臉檢測(cè)的漏檢率。上述實(shí)驗(yàn)結(jié)果中本文改進(jìn)方法誤檢率略高的原因是，由于訓(xùn)練特征集中于人臉面部的關(guān)鍵區(qū)域即“大T”型區(qū)域內(nèi)，因此訓(xùn)練求得的分類器對(duì)于近似于人臉區(qū)域的識(shí)別率較高，可能會(huì)把一些近似人臉的背景區(qū)域誤檢為人臉。

本文的改進(jìn)算法使用于訓(xùn)練的Haar特征更集中于人臉面部的關(guān)鍵區(qū)域，從而降低了訓(xùn)練特征的數(shù)目，使得AdaBoost人臉檢測(cè)分類器的訓(xùn)練速度明顯提升，表4是在同等條件下分類器訓(xùn)練時(shí)間對(duì)比結(jié)果。

由表4數(shù)據(jù)可知，本文的改進(jìn)方法可以較好地優(yōu)化AdaBoost人臉檢測(cè)分類器的訓(xùn)練時(shí)間。對(duì)于訓(xùn)練一個(gè)識(shí)別率為0.995的強(qiáng)分類器時(shí)，本文方法所需平均時(shí)間為1 182.72s，而采用原矩形特征所需訓(xùn)練時(shí)間為1 759.24s，限制檢測(cè)窗口[5]的方法為1 395.26s，同時(shí)對(duì)于訓(xùn)練15級(jí)的人臉檢測(cè)分類器時(shí)，采用“大T”型區(qū)域優(yōu)化后的Haar特征所需的訓(xùn)練時(shí)長(zhǎng)約為19.2小時(shí)，比原始的AdaBoost算法縮短了近11個(gè)小時(shí)。由此可知，基于“大T”型區(qū)域的Haar特征篩選方法在不降低AdaBoost算法檢測(cè)效率的同時(shí)優(yōu)化了訓(xùn)練時(shí)間，因此本文方法對(duì)于AdaBoost算法人臉檢測(cè)分類器訓(xùn)練性能的提高具有一定效果。

4結(jié)語(yǔ)

針對(duì)AdaBoost人臉檢測(cè)算法在分類器訓(xùn)練時(shí)Haar特征數(shù)目過多，導(dǎo)致訓(xùn)練過程極其耗時(shí)的問題，本文提出了基于“大T”型區(qū)域的AdaBoost人臉檢測(cè)算法。通過對(duì)AdaBoost人臉檢測(cè)分類器的構(gòu)成進(jìn)行分析，弱分類器對(duì)應(yīng)的Haar特征主要集中于人臉面部的關(guān)鍵區(qū)域，將該區(qū)域作為人臉檢測(cè)識(shí)別的依據(jù)。通過選取500個(gè)人臉樣本，提取其面部關(guān)鍵區(qū)域投影到20×20大小的模板中，對(duì)重疊區(qū)域取其并集求得“大T”型特征篩選模板，以此模板優(yōu)化Haar特征，使得用于分類器訓(xùn)練的Haar特征集中于人臉面部的關(guān)鍵區(qū)域，最后采用篩選后剩余的Haar特征來訓(xùn)練人臉檢測(cè)分類器?！按骉”型篩選模板只限于AdaBoost算法訓(xùn)練時(shí)訓(xùn)練特征的優(yōu)化，與不同的訓(xùn)練樣本庫(kù)無關(guān)。實(shí)驗(yàn)結(jié)果表明，采用“大T”型區(qū)域?qū)aar特征進(jìn)行篩選，不僅降低了訓(xùn)練特征的數(shù)目，還起到了優(yōu)化訓(xùn)練時(shí)間的目的。在LFW、PKUSVDB數(shù)據(jù)庫(kù)中的檢測(cè)結(jié)果表明，本文的改進(jìn)方法在不降低AdaBoost算法檢測(cè)率的同時(shí)，對(duì)PKU數(shù)據(jù)庫(kù)中的多人臉檢測(cè)算法的漏檢率有所改善，對(duì)AdaBoost人臉檢測(cè)分類器的訓(xùn)練性能提高有一定的作用。

致謝

感謝北京大學(xué)視頻編解碼技術(shù)國(guó)家工程實(shí)驗(yàn)室提供的PKUSVDB數(shù)據(jù)庫(kù)和中科院計(jì)算技術(shù)研究所提供的CASPEAL人臉數(shù)據(jù)庫(kù)。

參考文獻(xiàn)：

[1]許劍，張洪偉.AdaBoost算法分類器設(shè)計(jì)及其應(yīng)用[J].四川理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2014（1）：2831.

[2]劉王勝，馮瑞.一種基于AdaBoost的人臉檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用，2016（11）：209214.

[3]曹瑩，苗啟廣，劉家辰，等.AdaBoost算法研究進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2013（6）：745758.

[4]張君昌，張譯.基于改進(jìn)AdaBoost算法的人臉檢測(cè)[J].計(jì)算機(jī)仿真，2011，28（7）：240244.

[5]徐信.基于Adaboost人臉檢測(cè)算法的研究及實(shí)現(xiàn)[D].太原：太原理工大學(xué)，2015.

[6]甘玲，朱江，苗東.擴(kuò)展Haar特征檢測(cè)人眼的方法[J].電子科技大學(xué)學(xué)報(bào)，2010，39（2）：247250.

[7]鐘銳，吳懷宇，吳若鴻.基于強(qiáng)跟蹤Kalman濾波的魯棒人臉跟蹤算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016，37（2）：475480.

[8]王慶偉，應(yīng)自爐.一種基于HaarLike T特征的人臉檢測(cè)算法[J].模式識(shí)別與人工智能，2015，28（1）：3541.

[9]韓玉峰，施銅興，王小林.臉部特征點(diǎn)定位方法綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012（1）：180218.

[10]劉俠，李蘇，李廷軍.一種改進(jìn)的Adaboost算法的人臉檢測(cè)分類器[J].空軍工程大學(xué)學(xué)報(bào)：自然科學(xué)版， 2009， 10（2）：7680.

[11]GAO W， CAO B， et al. The CASPEAL largescale Chinese face database and baseline evaluations[J]. IEEE Transactions on Systems， Man and Cybernetics， Part A： Systems and Humans， 2008，38（1）：149161.

[12]HUANG G B， RAMESH M， BERG T， et al. Labeled faces in the wild： a database for studying face recognition in unconstrained environments[D]. Massachusetts， USA： Amherst College， 2007：949.

[13]PKU SVD B. Database [EB/OL].http：//www.smartcitycompetition.com

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint