基于BP神經網絡的人臉檢測AdaBoost算法

李紀鑫，任高明，赫 磊,孫 瑜

(陜西國防工業職業技術學院 計算機與軟件學院，西安 710300)

0 引言

人臉檢測的核心在于人臉識別。關于人臉識別的起源，最早可以追溯到20世紀60、70年代，經過幾十年的發展，目前已經比較成熟。人臉檢測是人臉識別系統的關鍵部分[1]。但早期的人臉識別研究主要集中在具有較強約束條件的人臉圖像上。它假設人臉位置已知或容易獲得，因此忽略了人臉檢測。隨著電子商務等應用的發展，人臉識別成為最有潛力的生物認證手段[2-3]。它要求人臉識別系統能夠從視頻流或一般的圖像中，對人臉進行找尋并且識別。因此，一系列的問題使得人臉檢測成為一個獨立的研究課題。目前，人臉檢測在數字視頻處理、視頻檢測等領域具有重要的應用價值[4-5]。

人臉檢測的目的是發現任意給定圖像中的所有的人臉。如果包含面，則返回面的位置、大小和姿態。目前，人臉檢測算法主要分為基于知識的方法、基于模板匹配的方法、基于特征的方法和基于統計模型的方法[6]。

從人臉檢測算法的發展來看，人臉檢測算法主要分為3個階段：早期算法階段、AdaBoost幀階段和深度學習階段。在早期算法階段，人臉檢測算法采用模板匹配技術等，例如Rowley等人使用神經網絡進行人臉檢測，并訓練了一個包含20×20張人臉和非人臉圖像的多層感知器模型[7]。在AdaBoost幀階段，人臉檢測得到了突破性的發展。維奧拉等人2001年提出了一種基于類Haar特征和AdaBoost算法的人臉檢測方法。之后，許多學者提出了基于AdaBoost算法的相應改進方法。例如：為了提高檢測的速度和準確性，他們開始使用融合算法，包括基于支持向量機和AdaBoost算法的人臉檢測方法，基于膚色模型的人臉檢測方法和AdaBoost算法。在深度學習階段，卷積神經網絡(CNN)在圖像分類成功后被用于人臉檢測。目前，已有一些高效、高精度的算法，包括級聯CNN、Faceness-Net、MTCNN、TCNN等[8]。

由于人臉在圖像和視頻流中與其他部分有明顯的顏色特征區別，因此，利用該特點，在此提出了一種基于BP神經網絡的膚色檢測模型，該模型靈感主要是來源于YCbCr顏色空間及相應的高斯模型。實驗結果表明，該模型在膚色檢測方面優于YCbCr-高斯模型。同時，為了提高傳統AdaBoost的人臉檢測算法的性能，提出了一種改進的AdaBoost權值更新方法。最后，采用新的膚色模型提取膚色，然后采用改進的AdaBoost算法對人臉進行準確檢測。

1 理論原理

1.1 YCbCr顏色空間的理論和原理

人類膚色像素分類器的目的是確定一個膚色像素是膚色還是非膚色。好的膚色像素分類器應該覆蓋所有膚色類型的色調(棕色、黃色、黑色、白色等)，并盡可能滿足不同的照明條件。顏色用于識別圖像上的物體。為了進行數字圖像處理，人們投射了大量的色彩空間。在目標檢測中，為了獲得準確的檢測結果，需要選擇合適的顏色空間。

YCbCr是一個感知色彩空間，有兩個元素：

亮度(Y)表示亮度和色度(Cb和Cr)，表示藍色和紅色的色度成分。YCbCr顏色空間是由RGB顏色空間的數學變換坐標設計的。如果底層RGB顏色空間是絕對的，則YCbCr顏色空間是絕對的顏色空間。

YCbCr顏色空間是根據YUV顏色空間的縮放比例和偏移量得出的[9]。圖像的RGB值由R，G和B變量表示。將RGB顏色空間轉換為YCbCr顏色空間的公式如下：

(1)

與其他色彩空間相比，YCbCr色彩空間的計算非常簡單。圖1顯示膚色在YCbCr顏色空間中具有良好的聚類特性。

1.2 YCbCr-高斯模型

YCbCr-高斯模型通過計算像素顏色和膚色之間的相似度來確定膚色。對于每個像素，Cb和Cr的值為x。膚色的平均值為m，膚色的方差為S，像素顏色與膚色之間的相似度為P(Cb,Cr)。P(Cb,Cr)可以通過公式(2)～(5)進行計算：

(2)

(3)

(4)

x=(Cr,Cb)T

(5)

在YCbCr-高斯模型中，選取多個樣本分析膚色分布。如圖2所示，0.5可用作區分膚色和非膚色的閾值。

1.3 基于BP神經網絡的膚色模型

盡管YCbCr-高斯膚色模型可以區分膚色和非膚色。然而，靠近皮膚的部分顏色也符合YCbCr-高斯模型，該模型被誤認為是皮膚顏色。為了提高膚色檢測的準確性，提出了基于BP神經網絡的膚色模型。

如圖3所示，BP神經網絡分為輸入層、隱藏層和輸出層。輸入層的神經元數目為5個，表示LX，LY，Y，Cb和Cr，(LX，LY)表示像素的位置坐標。(Y，Cb，Cr)是像素的顏色值。(LX，LY)使BP神經網絡考慮膚色的連通性。那么隱藏層中的神經元數量是10個。最后一層是輸出層，神經元數量為1。每個神經元之間的重量為w，神經元的值為v。激活函數f(x)如公式(6)所示。最后用公式(7)計算神經元的輸出值：

(6)

y=f(w1v1+w2v2+…+wivi)

(7)

在BP神經網絡模型訓練完成后，用訓練后的模型代替YCbCr高斯模型進行膚色檢測。圖4(a)為原始圖像，圖4(b)為YCbCr高斯模型的檢測圖像，圖4(c)為BP神經網絡的檢測圖像。結果表明，基于BP神經網絡的膚色模型優于YCbCr高斯模型。

圖4 不同檢測結果與原始圖像對比

2 基于Haar特征和AdaBoost的人臉檢測

基于AdaBoost，Viola利用Haar特征和積分圖進行人臉檢測。它主要使用積分圖來幫助計算Haar特征。然后利用Haar特征對一系列分類能力較弱的弱分類器進行訓練，使弱分類器的分類精度達到50%以上。然后將這些弱分類器結合起來，形成具有較強分類能力的強分類器。最后，將這些強分類器組合成級聯分類器，達到人臉檢測的目的[10]。

2.1 Haar特征與積分圖

如圖5所示，Viola提出了5種常見的矩形特征原型[11]。這些特征和人臉之間的匹配如圖6所示。

圖5常見矩形特征

圖6 Haar特征與人臉的匹配

Haar特征的值是通過減去黑色矩形像素和白色矩形像素來計算的[10]。為了便于計算，采用積分圖的方法提高了計算速度。其主要思想是計算ii(x,y)，即從點(0，0)到點(x，y)的所有像素顏色之和。如下式所示，是原始圖像的值。

ii(x,y)=∑x’≤x,y’≤yi(x’,y’)

(8)

弱分類器和強分類器：每個不同的Haar特征代表一個不同的弱分類器。閾值為θ，f為特征值。x表示檢測窗口，p表示不等式的方向。弱分類器可計算為：

(9)

強分類器由幾個分類能力最強的弱分類器組成。整個訓練過程如下：

1)訓練集s={(x1,y1),(x2,y2),…,(xn,yn)}，樣本圖像為xn，陽性樣本數為m，陰性樣本數為l.yn∈(-1,1)，陽性樣本數為1，陰性樣本數為-1。

2)初始化權重，其中w(t,i)表示第t次迭代中第i個樣本的權重。重量可用公式(10)計算：

(10)

3)如公式(10)所示，迭代次數為T。在每次迭代中需要對權重進行規范化。需要計算弱分類器的錯誤率，具體公式如(11)、(12)所示：

(11)

(12)

4)計算弱分類器權重αt并更新樣本權重。zt是所有樣本權重的總和。計算過程如式(13)～(15)所示：

(13)

(14)

(15)

5)最后利用公式(16)獲得強分類器H(x)：

(16)

2.2 級聯分級器

級聯分類器由決策樹算法導出。級聯分類器由幾個強分類器串聯而成。對于一個檢測窗口，只有在上層的強分類器對其進行正確分類后，強分類器才能對其進行檢測。級聯分類器的結構如圖7所示。

圖7 級聯分類器示意圖

3 改進AdaBoost算法

3.1 AdaBoost算法原理

Adaboost算法是一種迭代算法，其主要思想是用一個訓練集訓練不同的分類器(弱分類器)，然后用一些方法將它們結合起來構造一個更強的分類器，如圖8所示。

圖8 Adaboost算法框架

算法本身是通過改變數據分布來實現的，即根據訓練集樣本的分類修正，以及最后的整體分類精度來確定每個樣本的權重。然后將修改后的新數據的權值發送給下層分類器進行訓練，最后將每個訓練分類器融合在一起，作為最終的決策分類器。

整個AdaBoost算法的要點如下：

1)每次迭代的變化是樣本的分布，而不是重采樣；

2)樣本分布的變化取決于樣本的分類是否正確，而分類正確的樣本權重低，分類錯誤的樣本權重高(通常是靠近邊界的樣本)，這將使下一個分類器關注當前的分類錯誤樣本；

3)將所有的弱分類器合并得到結果。

但是傳統的AdaBoost算法因為權值分配不均，會導致噪聲權值無限大，從而造成結果的不準確。因此在此，提出了一種改進型AdaBoost算法。

3.2 改進AdaBoost算法原理

在傳統的AdaBoost算法中，在訓練過程中，誤檢樣本的權重會越來越大。分類器將更加注意錯誤檢查的樣本。同時，逐漸忽略正確分類的樣本。這是目前AdaBoost算法的不足。其中f(xi)是特征值的函數，θ是特征的閾值。如果f(x1)

將閾值和樣本之間的距離添加到權重更新中。

(17)

(18)

防止誤分類樣品重量的無限增加。在權值更新中加入閾值與樣本之間的距離，增加閾值限制。新的權重更新計算如公式(19)所示：

(19)

整個具體算法如下：

Algorithm1改進AdaBoost算法：

Input：The training setS= { (xi,yi) },i=1…nandyi∈(-1,1);Tis the number of iteration，Iis weak classifier，the weight iswt,i,the number of positive samples is m and the number of negative samples is l.

1. Fori=1:n

4. end

5. fort=1:T

6.ht=I(S,wt)

13. end

4 人臉檢測結果和性能分析

將改進的AdaBoost算法用于人臉檢測。雖然大多數人臉都可以檢測，但對于復雜的背景圖像，仍然存在一些錯誤檢測。為了提高人臉檢測的精度，提出了一種基于BP神經網絡和AdaBoost算法的人臉檢測方法。利用BP神經網絡提取膚色候選區域，然后利用改進的AdaBoost算法對人臉進行精確定位。工作流程如圖9所示。

圖9 人臉檢測流程

實驗表明，新的人臉檢測方法具有較好的性能。圖10(a)是原始圖像。圖10(b)是BP神經網絡的檢測圖像。圖10(c)是改進的AdaBoost的檢測圖像。

圖10 改進后檢測結果與其他圖像對比

驗證實驗從MIT、Yale和FDDB人臉數據庫中選取6 000個人臉樣本。選取2萬個非人臉樣本。這些樣本用于訓練改進的AdaBoost人臉檢測器。訓練時，圖像大小為20*20。在硬件為酷睿i7處理器，DDR3 16GB內存，MAC OS操作系統的MACBOOK PRO筆記本電腦和軟件為matlab 2016b上進行編程，圖11顯示了算法在不同的人臉數據庫中的檢測效果，包括Yale、FDDB、MIT和混合數據。結果表明，該方法在不同數據集上的檢測率均在90%以上。

圖11 不同數據集上結果顯示圖

為了進一步比較提出的人臉檢測方法的準確性。表1比較了傳統的AdaBoost算法、基于YCbCr高斯模型和AdaBoost的人臉檢測算法以及提出的人臉檢測算法。

表1 算法對比結果

結果表明，與傳統的AdaBoost算法相比，該方法的檢測率提高了5.5%。與基于YCbCr高斯模型和AdaBoost的人臉檢測方法相比，該方法的檢測率提高了2.25%。在錯誤率方面，提出的方法比AdaBoost算法低7.65%，比基于YCbCr高斯模型和AdaBoost的方法低4.2%。

表2顯示了在統一尺寸的視頻流中，不同算法對人臉識別的精確度以及視頻處理速度。從表中可以看出，相對于其他兩種方法，該方法每秒能夠讀取12幀圖片，處理視頻的速度較快，尤其是相對于MTCNN算法，是其速度的4倍。同時在精確度方面，該算法的精確度較高，能達到94%左右，相對于DSST算法，精確度提高了將近10%。具有較好的精確度，能夠滿足日常的實際需求。

表2 算法時間對比結果

為了檢驗該算法的在復雜情況下(如光照不足或人臉較為模糊等情況)，在此將該算法與其他類似的人臉檢測算法進行對比，如Faceness-Net、SSH、ACF、Face R-CNN、DenseBox。整個實驗對比結果如圖12所示。

圖12 復雜情況下人臉檢測算法結果對比

從圖12中可知，在此利用計算人臉框的位置與真實人臉之間的偏差距離，來表示人檢測算法的效果。在這6種人臉檢測算法中，在此提出的算法精確度較高，尤其是相對與ACF算法來說，精確度提高了70%。同時，還可以知道，歐氏距離在0～6時，精確度提高較大。相對于距離為0～6時，距離為6～20時，精確度增長緩慢。并且距離在2～4時，精確度增長最快。

5 結束語

提出了一種基于BP神經網絡和改進的AdaBoost算法的人臉檢測方法。首先，采用BP神經網絡模型提取膚色。然后，采用改進的AdaBoost算法對提取的膚色區域進行準確的人臉檢測。實驗結果表明，與其它方法相比，該方法具有較高的精度和較低的誤差率。今后的工作重點是保證高檢測率，提高人臉檢測效率。