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

?

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分類器，通過對人臉圖像方差特點的統計分析，確定了人臉方差的閾值，增加了方差預處理。增加方差預處理后訓練出的級聯分類器在人臉檢出率相對較高的前提實現了檢測速度的提升，增強了人臉檢測的實時應用性。

人臉檢測 AdaBoost算法 Haar-like特征 方差預處理

人臉檢測技術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、海關以及人們的日常生活等各個領域都占有舉足輕重的位置。依據不同的人臉相關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處理的環節，訓練出的級聯分類器在人臉檢出率相對較高的前提實現了檢測速度的提升，增強了人臉檢測技術的時應用性。

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。可以簡單描述為：在分類器訓練部分通過訓練使其對可以在很大的特征集中選取占有量很小的關鍵特征，從而級聯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分類器將人區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現其方差的變化有一定的區間性，不同方差的圖像看起來有很大差別，我們可以發現，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，可以應用在人臉檢測過程中，快速排除方差不在閾值內的非人臉窗口，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據，將人臉方差統計圖按照直方圖的形式進一步歸類統計，以200方差值為一段。更加直觀的顯示了測試數據的整體分布情況，可以看出了人臉方差的集中分布規律。預處理來排除方差值不在人臉方差的合理范圍內的大部分的圖像背景區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，所以該預處理幾乎沒有再占據其他額外時間。

這里必須注意的是雖然在預處理時人臉方差的范圍越小設置的越小排除的非人臉區域越多，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　增加方差預處理后的人臉檢測算法實現

3.1實驗環境介紹

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，內存為4G的PC機上實現。

3.2采用的人臉數據庫

本文在訓練過程中主要應用了MIT人臉數據庫，應用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特征組成的級聯分類器。在檢測驗證時主要應用了Bao數據庫與 Bio ID數據庫。

3.3實驗流程

（1）應用主要來源于MIT人臉數據庫的20x20的正面人臉樣本與非人臉樣本訓練臉險測級聯分類器。

（2）將訓練出來的級聯分類器應用于Bao數據庫與BiolD數據庫檢測人臉，從檢測率，漏檢率，虛驚率以及檢測時間方面分析其性能，并作相關統計。

（3）分析方差與人臉的關系，對數據庫中的人臉方差統計，合理確定第一級分類器的人臉方差閾值。 俐｜練增加方差預處理后的人臉檢測級聯分類器。

（5）將增加方差預處理后的級聯分類器應用于 Bao數據庫與BiolD數據庫檢測人臉，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，并作相關統計。增加預處理。

（6）整合實驗結果，并作相關分析。

3.4實驗結果與分析

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

Bao數據庫與BiolD數據庫都是屬于有著較復雜背景和光線變化的人臉數據庫，人臉面積在圖像中的面積也不盡相同，增加方差預處理對它們的影響大致相同。閾值為200至1J4500方差預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，增加方差預處理的影響也體現在檢測速度上，增加方差預處理后會減少需要進行級聯的窗口數，從而提高檢測速度。以處理前的檢測時間與窗口數均為單位一計算。

綜合上述實驗結果與分析可知本文基于AdaBoost算法訓練出的級聯分類器效果較好，人臉 檢測性能較優。方差預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　結語

本文基于經典的AdaBoost算法，在對其進行詳細分析與研究的基礎上，訓練出了比較良好的人臉檢測級聯分類器，另外，本文引入人臉方差特征做預處理，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用發面的研究有重要價值。

［1］Hj elmas，E.，Face 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關鍵技術研 究.復旦大學，2012.4.