淺析人臉檢測技術(shù)的探究

尚弘

摘 要：通過對支持向量機、人工神經(jīng)網(wǎng)絡(luò)及AdaBoost算法的對比分析，發(fā)現(xiàn)支持向量機、人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)造的分類器復(fù)雜度高，效率低。而AdaBoost則從弱分類器中逐步推選出強分類器并組成級聯(lián)分類器，快速將大量的非人臉圖像排除掉，從而提高檢測速度，滿足人臉實時檢測應(yīng)用領(lǐng)域的需求。

關(guān)鍵詞：支持向量機；神經(jīng)網(wǎng)絡(luò)；AdaBoost；級聯(lián)分類器

中圖分類號：TP17.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2016）08-0-02

0 引 言

隨著計算機技術(shù)的高速發(fā)展，計算機的應(yīng)用已滲入到人們生活的各個方面。尤其是近年來人工智能的發(fā)展，其可利用計算機取代人的工作，利用智能設(shè)備完成信息交互和控制，極大地推動了智能技術(shù)和智能設(shè)備的研究應(yīng)用。其中，人臉識別技術(shù)是人工智能領(lǐng)域的關(guān)鍵技術(shù)[1]，包括人臉檢測、識別和跟蹤等，廣泛應(yīng)用于智能視頻監(jiān)控系統(tǒng)、門禁控制系統(tǒng)中。人臉檢測是從輸入的圖像中檢測出是否有人臉圖像的存在，并將其從背景中分離出來的過程，是人臉識別技術(shù)的基礎(chǔ)，也是人臉識別的第一步。人臉檢測的算法非常多，目前常用的方法有支持向量機、神經(jīng)網(wǎng)絡(luò)、AdaBoosting等。

1 支持向量機

支持向量機（Support Vector Machine， SVM）建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上[2]，用于對線性可分的模型進(jìn)行分類的算法。對于訓(xùn)練樣本而言，就是尋找最優(yōu)的分類面來完成樣本的分類。支持向量機工作原理圖如圖1所示。

其本質(zhì)是一個二分類問題，實心圓和空心圓分別代表兩類不同的訓(xùn)練樣本。尋找最優(yōu)的分類線L，這條分類線不僅能正確地將樣本分開，還能夠使得與它平行的直線L1和L2之間的距離最小。

最初該算法用于線性可分的問題模型，經(jīng)過發(fā)展后也可用于線性不可分的模型問題。采用非線性映射將低維空間的非線性問題轉(zhuǎn)化為高維空間的線性問題，從而在高維空間利用線性算法對樣本的非線性問題進(jìn)行分析，求出最優(yōu)分類面，達(dá)到對樣本進(jìn)行分類的目的。但獲取的分類器是在高維空間得到的，維度很高，訓(xùn)練過程比較復(fù)雜，實現(xiàn)實時檢測非常困難。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）從信息處理的角度模擬人腦神經(jīng)元網(wǎng)絡(luò)。利用大量節(jié)點即神經(jīng)元組成一個網(wǎng)絡(luò)，然后將大量的人臉圖像樣本和非人臉圖像樣本數(shù)據(jù)輸入進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)逐漸具有對樣本正確分類的能力。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，該網(wǎng)絡(luò)結(jié)構(gòu)是前饋型網(wǎng)絡(luò)[3]，分為輸入神經(jīng)元、隱含神經(jīng)元和輸出神經(jīng)元，其中隱含神經(jīng)元可以有多層。將提取的特征值輸入至輸入層，并傳到后方的隱含層，最后通過連接權(quán)輸出到輸出層。在訓(xùn)練的過程中不斷調(diào)整連接權(quán)值，直到網(wǎng)絡(luò)輸出的誤差減小到可以接受的程度。因此，在非線性分類中可以充分逼近理想結(jié)果。但是分類器的獲取太復(fù)雜，對多姿態(tài)的容忍度很低，不太適合實時的人臉檢測。

3 AdaBoost

AdaBoost算法是利用分類能力一般的弱分類器通過推選構(gòu)成的具有很強分類能力的強分類器，采用分類能力遞增的方式將多個強分類器組成級聯(lián)分類器[4]。對于這樣的級聯(lián)系統(tǒng)，正確檢測率（Correct Detection Rate，CDR）越大越好，而虛假正確率（False Positive Rate，F(xiàn)PR）越小越好[5]。

對輸入圖像進(jìn)行檢測時，提取的特征值絕大多數(shù)都是非人臉圖像，只有極少的是存在人臉的圖像，所以人臉檢測是一個小概率事件的檢測過程。在構(gòu)造訓(xùn)練樣本時，非人臉訓(xùn)練樣本的數(shù)量應(yīng)多于人臉訓(xùn)練樣本的數(shù)量。

為方便表述，將訓(xùn)練樣本總數(shù)記為 M，每個樣本提取的特征數(shù)記為N。大致的訓(xùn)練過程如下：

（1）將M個訓(xùn)練樣本以及與之對應(yīng)的N個特征值構(gòu)造為二維矩陣F[i][j]，其中1≤i≤N，1≤j≤M，每個F[i][j]表示第j個樣本的第i個特征值，而F[i][]則表示所有訓(xùn)練樣本的第i個特征值的集合。

（2）對所有樣本的第i個特征值進(jìn)行排序，并設(shè)置初始權(quán)重為wj=1/M，其中wj為第j個樣本的權(quán)重。

最終將均方差值最小的θ值作為弱分類器的閾值。此時得到的弱分類器是經(jīng)過訓(xùn)練的最優(yōu)弱分類器。

（3）對所有的特征值進(jìn)行計算，從得到所有的均方差值最小的最優(yōu)弱分類器中挑選出本輪誤差值最小的最優(yōu)弱分類器作為第一個強分類器，若用t表示當(dāng)前強分類中包含的弱分類器的數(shù)量，那么此時t=1。

然后根據(jù)最優(yōu)弱分類器的分類結(jié)果，分別調(diào)整樣本的權(quán)重。增大被錯誤分類的樣本的權(quán)重，減小被正確分類的樣本的權(quán)重，以利于提高非人臉樣本被檢測出的概率。

（4）為了提高檢測的效率，采用遞進(jìn)復(fù)雜度的級聯(lián)分類器，具體如圖3所示。

前面的幾個最優(yōu)強分類器由于包含的弱分類器數(shù)量較少，結(jié)構(gòu)也比較簡單，可以快速過濾掉大量比較容易排除的非人臉圖像。但隨著后面最優(yōu)強分類器包含的弱分類器的增多，過濾非人臉的能力越來越強，能夠進(jìn)一步對難以排除的非人臉圖像進(jìn)行過濾，但檢測速率也隨之下降。

強分類器對非人臉圖像的判別準(zhǔn)確度非常高，一旦發(fā)現(xiàn)為非人臉圖像，就將它過濾掉，后面的分類器將不再對它進(jìn)行處理。而且在采集到的圖像中，絕大多數(shù)都是非人臉圖像，人臉圖像只占很少一部分，所以采用級聯(lián)的方法提高人臉檢測的速度，滿足實時檢測的需求。

4 結(jié) 語

人臉檢測與識別技術(shù)是人工智能領(lǐng)域的熱點研究課題，在視頻監(jiān)控、門禁系統(tǒng)等領(lǐng)域都有廣泛的應(yīng)用。本文從構(gòu)造人臉檢測的分類器出發(fā)，分析了支持向量機、人工神經(jīng)網(wǎng)絡(luò)以及AdaBoost算法。相比較而言，AdaBoost算法通過尋找弱分類器，利用訓(xùn)練過程將弱分類器構(gòu)造為強分類器，并將多個強分類器按由簡單到復(fù)雜的次序進(jìn)行級聯(lián)，從而將大量的非人臉圖像過濾掉，極大地降低了處理時間，提高了檢測效率，在實時人臉檢測與識別領(lǐng)域得到了廣泛的應(yīng)用。

參考文獻(xiàn)

[1]劉平.自動識別技術(shù)基礎(chǔ)[M].北京：清華大學(xué)出版社，2013：194-196.

[2]舒雙寶，羅家融，徐從東，等.一種基于支持向量機的人臉識別新方法[J].計算機仿真，2011，28（2）：280-283.

[3]王士同.人工智能教程[M].北京：電子工業(yè)出版社，2011：261-262.

[4]龐建華，姚鵬.基于AdaBoost算法的虹膜合格檢測[J].計算機工程與應(yīng)用，2015，51（14）：191-197.

[5]段錦.人臉自動機器識別[M].北京：科學(xué)出版社，2008.