一種新的AdaBoost人臉檢測方法

閆 河，王 鵬， 楊曉龍，董鶯艷，羅 成，李 煥

(1.重慶理工大學 計算機科學與工程學院， 重慶 400054；2.重慶理工大學 兩江人工智能學院， 重慶 401147)

1 人臉特征提取方法

1.1 Haar-like特征提取

因多個全等矩形組成的Haar-like特征具有計算復雜度低的優點，Papageorgiou[11]將該方法運用到人臉檢測中，之后Viola[10]對這種特征作了擴展。Haar-like 4種特征如圖1所示。

Haar-like計算方法根據人臉器官不同區域存在著一定的差別的情況，用白色像素區域的特征減去黑色像素區域的特征來描述人臉的灰度分布。

Haar-like特征的4種基本模式可以較好地描述人的正臉，但這里存在一個嚴重的問題：當人臉形態發生變化時，或人臉傾斜、遮擋、發生表情變化時，這4種基本特征就無法有效地對人臉進行表達。通過對以上問題的分析，LIENHART等[13]在4種基本特征的基礎上進行了一系列的擴展，并提出了擴展方法，即通過對旋轉45°的特征進行分析的快速計算方法。通過擴展后的特征分析可以有效解決人臉姿態變化所引起的各種問題，如圖2所示，擴展后的特征模型可分為3類。

如圖2所示，Haar-like特征共有14種，故Haar-like特征的總數非常龐大，因此在運用此算法的同時也會存在訓練時間較長等問題。為了解決此問題，需要選取最能描述人臉特征的模型，同時去除掉多余的特征描述模型，且在訓練過程中，要自動分辨具有更好辨別性能的特征，從而縮短整個過程的訓練時間。基于上述分析，本研究提出了一種新Haar-like特征，可有效降低訓練時間，并通過實驗驗證了其有效性。

圖2 新的Haar-like特征

1.2 積分運算

通過上述分析可知：在一幅圖像中，Haar-like特征的總量非常巨大，這必然會增加計算的復雜度。為了提高計算的速度和檢測的準確率，同時降低特征的計算復雜性，Viola等[10]提出了一種基于積分圖的計算特征的方法。如圖3所示，積分值I(x,y)就是點(x,y)對應的黑色區域的像素之和。

圖3 特征積分示意圖 圖4 積分圖值描述

在求一幅圖像在任意區域的像素和時，通過積分運算的方法，只需要知道該區域每個端點的積分值，并通過對這些積分值的運算，就可得到各端點的積分圖的值。此方法[13]在很大程度上降低了計算的復雜度，節約了計算的時間。

首先,以微電網購電成本與聯絡線功率波動為主要優化目標,得到最佳的優化結果。分別記作xC和xP,并計算每種優化方式對應的購電成本f1和波動系數f2;然后,引入兩個虛擬參與者,將其策略分別設為f1和f2及xC和xP,形成二人零和博弈模型。其支付矩陣如表2所示。

下面討論具體的算法：對于是正常角度的模型。如圖3所示，點(x,y)左上方所有的像素值之和為該積分圖I(x,y)，有

(1)

式中A(x′,y′)表示點(x′,y′)在圖像中的灰度表示。

如圖4所示，點1、2、3、4的積分圖分別用I1、I2、I3、I4來表示，通過計算可得D區域的像素總和為：

Sum(D)=(I4+I1)-(I2+I3)

(2)

同樣的方法，計算得到圖4中A區域和B區域的像素和分別為：

Sum(A)=(I4+I1)-(I2+I3)

(3)

Sum(B)=(I6+I3)-(I4+I5)

(4)

則該類型的Haar-like特征值為：

Sum(A)-Sum(B)=(I4-I3)-(I2-I1)+

(I4-I3)-(I6-I5)

(5)

通過以上的計算分析，對于正常角度的特征模型，只需要知道相應端點的積分圖，并通過簡單的積分加減運算，就可得到相應的結果。對有旋轉的特征模型，LIENHART等[13]通過對積分圖的重新計算和定義，發現點(x,y)的積分圖I′(x,y)為點向正上方拉伸且角度為45°的矩形區域內所有像素的灰度總和。

圖5 帶旋轉角特征值計算示意圖

I′(x,y)計算公式如式(6)所示。

(6)

其中A(x′,y′)代表點(x′,y′)對應的灰度值，為I′(x,y)的值，一般通過遞歸的計算方法得到積分圖的表達式：

I′(x,y)=I′(x-1,y-1)+I′(x+1,y-1)-

I′(x,y-2)+A(x,y)+A(x,y-1)

I′(-1,y)=I′(x,-1)=I′(x,-2)=

I′(-2,y)=0

(7)

通過這種方法，可以快速求出所在矩形區域的像素和。圖5的像素和為

Sum(I)=I′(x+w,y+w)+I′(x-h,y+h)-

I′(x,y)-I′(x+w-h,y+w+h)

(8)

通過以上分析可知：新的Haar-like特征只需進行相應的加減運算即可得到，極大地提升了特征的提取速度。

2 算法概述

2.1 弱分類器

AdaBoost算法從眾多的特征中選取符合人臉Haar-like的特征,利用這些特征構造弱分類器,并通過迭代的方法從眾多弱分類器中選取分類效果較好的值進行組合，并通過加權分配不同的權重，形成最后的強分類器。

弱分類器hj為：

(9)

其中：pj表示不等式的方向；x表示檢測子窗口；j為樣本中的第j個特征；這里共有±1兩種不同的情況。第j個矩形所對應的特征值為gj(x)，弱分類的閾值為θj。當hj=1時，樣本x為人臉；當hj=0時，樣本x為非人臉。

2.2 級聯分類器

大量Haar-like特征的弱分類器通過AdaBoost算法訓練成強分類器。采取Cascade的策略，運用此強分類器用于最后的人臉檢測，可改善檢測速度慢等實際情況。這種策略采用的是逐層驗證方式，每一層都會排除大量的非人臉樣本，同時隨著層數的增加，對應的各種強分類器的數量也在增加，每個強分類器中包含的弱分類器也在增加，結構會變得越來越復雜。在整個層級中，需要對閾值合理調整才能準確識別出人臉和非人臉樣本。此方法并不會因為弱分類器的不斷增加而降低檢測速度。

3 實驗結果分析

通過上述分析，文獻[14]提出了基于Haar-like特征的人臉檢測，可以滿足實時檢測要求。本文提出了基于改進的新Haar-like特征的人臉檢測方法。為了驗證所提出的人臉檢測方法的有效性，采用實驗對基于膚色模型的人臉檢測結果進行對比(圖8～10)。

膚色模型[15-16]的人臉檢測首先是檢測膚色的區域(如圖6所示)，然后篩選出人臉的區域(如圖7所示)。通過測量，檢測的時間為2.43 s。圖10為本文的人臉檢測方法檢測結果，通過測量，檢測的時間為1.41 s。通過對比發現：本文算法的檢測時間明顯低于基于膚色模型的檢測時間，充分證明了本文所提算法在人臉檢測時效性上的優勢。

圖6 測試圖片

圖7 膚色區域

圖8 人臉膚色區域

圖9 膚色模型的人臉檢測結果

圖10 本文算法的人臉檢測結果

為了進一步驗證本文算法的有效性，選取更為經典的Lena圖像。此圖像暴露了大量的與人臉膚色相近的皮膚和背景顏色，使用膚色模型會造成較大的誤差，如圖12所示。圖13為本文算法人臉檢測結果。通過對比發現：本文算法的檢測準確率明顯高于基于膚色模型的人臉檢測率。

圖11 Lena圖像

圖13 本文算法人臉檢測結果

為了進一步驗證本文算法的有效性，測試數據選取CMU人臉數據集的部分圖像，共200張圖像，并帶有300張人臉。200張圖像中包含150張單人臉圖像和50多張人臉圖像，數據集包含了不同光照和不同膚色等復雜場景的人臉圖片。采用本文算法得出檢測率，檢測結果如表1所示。

通過表1可知：在人臉檢測準確率和平均檢測時長兩方面進行比較，本文算法均優于膚色檢測模型和常規AdaBoost人臉檢測算法，并進一步證明了本文算法的有效性和魯棒性。

表1 檢測結果

4 結束語

本文對Haar-like特征進行擴展,給出了此特征檢測方法的計算過程和分析過程,同時通過弱分類器訓練級聯強分類器，用于最后的人臉檢測。通過在人臉庫上的驗證實驗，證明了本文算法具有檢測速度快、檢測準確率高的特點。但也有待改進之處：一是本文所用的級聯分類器雖然構造簡單，但會損失一定的精度和準確率；二是對于多角度人臉，如傾斜角超過45°的人臉目前還無法有效地準確檢測。因而，下一步的主要工作將針對多角度的人臉檢測做進一步的方法改進。本研究有著廣泛的應用領域，能為我國的智能化建設提供技術支持。