人臉檢測adaboost算法研究

任小芹　段昭霞

摘要：針對目前人臉檢測速度較慢，近年來一種基于adaboost的人臉檢測算法受到很大關注，其主要特點是能夠快速檢測。為了更深入的了解adaboost算法，本文詳細闡述了該算法的組成原理，并對存在的不足提出了一定的改進方案。

關鍵詞：人臉檢測；adaboost算法

第一章 國內外研究現狀

AdaBoost是最具有典型性的集成機器學習方法，其核心思想是針對同一個訓練集訓練不同的弱分類器——識別率僅好于隨機的猜測的學習算法，然后把這些弱分類器集合起來，構成一個最終的強分類器——通過一組樣本的學習后，能夠達到理想的識別率的學習算法。

第二章 算法詳述

2.1 算法原理

2.1.1弱學習與強學習

如何根據觀測數據來學習并得到精確的假設是機器學習領域中人們非常關注的一個問題，機器學習的一個重要目標就是對新的樣本盡可能給出精確的估計。

生成只比隨機猜測好一點的弱學習算法很容易，但是構造一個強學習算法卻是一件相當困難的事情。Kearns提出了弱學習算法與強學習算法間的等價問題——是否能把弱學習算法轉化為強學習算法。如果兩者等價，則只需要找到一個弱學習算法就可以直接將其提升為強學習算法。Kearns 和Valiant 證明：只要有足夠的數據，弱學習算法就能通過集成的方式生成任意高精度的假設（強學習方法）。

2.1.2類haar特征（矩形特征）

使用簡單矩形組合作為特征模板。這類特征模板都是由兩個或多全等的矩形相鄰組合而成，特征模板內有白色和黑色兩種矩形（定義左上角的為白色，然后依次交錯），并將此特征模板的特征值定義為白色矩形像素和的減去黑色矩形像素和。

2.1.3積分圖

對于圖像內一點 A（ x， y），定義其積分圖ii（ x， y）為：

其中i（x′，y′）為點（x′，y′）處的“原始圖”，是此點的顏色值；對于灰度圖像，其值為0～255。對于彩色圖像，可以先按照人臉色彩空間將其轉化為灰度取值。

2.1.4圖像預處理

灰度規范化的目的是改善圖像質量，并將其灰度統一到給定的標準，它一般包括灰度變換、直方圖均衡化。

1、灰度變換：對原始圖像進行彩色圖像到灰度圖像的變換。一般有三種方式：

其中，R，G，B分別代表彩色圖像中的紅色、綠色和藍色分量

2、直方圖均衡化是通過灰度變換將一幅圖象轉換為另一幅具有均衡化的直方圖，即在每個灰度級上都具有相同的象素點數的過程。

2.2 adaboost訓練算法

2.2.1強分類器的訓練

2.2.1.1流程描述

1. 給定訓練樣本集S，共N個樣本，其中X和Y分別對應于正樣本和負樣本； T為訓練的最大循環次數；

2. 初始化樣本權重為1/N ，即為訓練樣本的初始概率分布；

3. 第一次迭代訓練N個樣本，得到第一個最優弱分類器；

4. 提高上一輪中被誤判的樣本的權重；

5. 將新的樣本和上次本分錯的樣本放在一起進行新一輪的訓練。

6. 循環執行4-5步驟，T輪后得到T個最優弱分類器。

7.組合T個最優弱分類器得到強分類器，組合方式如下：

2.2.2級聯強分類器

2.2.2.1流程描述

2.3 算法優劣分析

2.3.1優點：

（1） Adaboost 是一個高檢測率低拒絕率的多層級聯分類器；

（2） 采用Haar特征比單個像素點更具有代表性；

（3） 它的積分圖像技術加速了矩形圖像區域的值的計算；

（4） 它使用統計 boosting 來創建類問題（人臉與非人臉的）的分類器節點，該節點應具備高通過率，低拒絕率。

2.3.2缺點：

（1） 基本類Haar特征不能表示側面人臉，即不能實現側臉識別（要實現側臉檢測，可以提出新的矩形特征）；

（2）在訓練分類器時計算量較大；

（3）將不同類別同等對待，即沒有考慮錯誤分類不同類別樣本的代價的不同，將導致檢測效果不是很好。

第三章 改進方向分析

3.1改進方向簡述

（1） 由于將此類adaboost算法在設置初始權重時對于不同類別同等對待，即沒有考慮錯誤分類不同類別樣本的代價的不同，那么通過調整權重的更新的方法，以達到提升分類器性能，提高分類效果；

（2） 由于此adaboost算法中所使用的矩形特征相對簡單，對圖像特征的表達并不完整，通過改進adaboost的訓練方法，使其能更有效的提高adaboost算法的檢測能力；

（3） 由于此adaboost算法所使用的矩形特征只能識別正面人臉，因此通過結合其它功能算法，實現側臉的檢測。

[參考文獻]

[1]王映輝.《人臉識別：原理、方法與技術》.科學出版社.2010.

[2]王志良，孟秀艷.《人臉工程學》.機械工業出版社.2008.

[3]程正東.《基于子空間的人臉識別》.清華大學出版社.2009.endprint