基于特征臉的Adaboost 檢測算法與識別應用研究

張 飛

（安徽廣播電視大學阜陽分校，安徽阜陽 236000）

隨著計算機技術的發展，機器視覺技術研究吸引了眾多的目光，與此同時，人工智能技術的發展使其研究取得了長足的進步。目前機器視覺主要包括檢測、識別和跟蹤等研究方向，這些技術廣泛應用于國防建設、醫藥衛生、社會網絡安全監控等領域〔1〕。而人臉檢測與識別正是機器視覺中一個重要的分支〔2〕。其中，人臉檢測是通過人臉的位置、大小等數據，確認圖像是否為人臉；而人臉識別則在人臉檢測的基礎上進行人臉特征的提取，包括大小、紋理、外貌等〔3〕。由于圖像的背景復雜性、人臉姿態多樣性，人臉檢測需要考慮很多方面的問題，既要保證較高的檢出率，又要保證較低的誤檢率〔4〕。基于Adaboost 的人臉檢測算法通過Haar-like 特征和積分圖函數實現特殊特征識別人臉〔5〕。但是，Adaboost的人臉檢測算法存在誤檢率高的問題〔6〕。本文在Adaboost 的人臉檢測算法的基礎上，引入基于梯度方向金字塔（GDP）特征和支持向量機（SVM）學習算法的分類器作為最后一級分類器，彌補誤檢率高的缺陷，形成基于特征臉的Adaboost 人臉檢測算法。

1 Adaboost 人臉檢測算法及其改進

1.1 Adaboost 人臉檢測算法基于Adaboost 的學習算法的基本思想是：選定一個很大的訓練集，從中定義大量的Haar-like 特征。每個訓練樣本都賦予一個權重，進行T 次迭代，每次迭代后，對分類錯誤的樣本加大權重，使得下輪分類時更加關注這些樣本。最后根據每個特征分辨人臉的能力，選擇很小一部分作為關鍵特征，從而產生一個強分類器。Adaboost 訓練強分類器的算法描述如下〔7〕：輸入：樣本集｛（x1，y1），（x2，y2），…，（xn，yn）｝，其中yi=0，1 分別表示負樣本和正樣本。算法步驟：

（1）初始化的權值：當yi=0 時，；當yi=1 時，。其中m 和l 分別是負樣本和正樣本的數量；

（2）令t=1 to T

①歸一化權值，使Wt符合概率分布，

②對于每個特征j，訓練一個分類器hj，這個弱分類器的分類結果只取決于j，此時分類誤差和Wt有關，

③選出分類誤差εt最小的弱分類器ht。

④更新權值：

其中如果Xi被分類正確，ei=0，反之ei=1，且βt=

輸出：訓練得到強分類器：

1.2 人臉檢測算法的改進Viola 等〔8〕文章的發表被視作是人臉檢測速度提高的一個轉折點，綜合Adaboost 方法和Cascade 算法構建了實時的人臉檢測系統。主要內容包括：1）提出了積分圖（integrated image），提高了計算Haar-like 特征的速度。2）采用級聯結構進行訓練。Adaboost 算法采用多個強分類器級聯的方式進行快速的人臉檢測，每級分類器使用特征均為Haar-like 特征，用同一種方法來組合若干個弱分類器，形成一個強分類器。這種級聯結構對效率有很大的提高，但在準確率方面，由于特征和訓練方法均為同一種方法，對檢測帶來一定限制。本文將人臉的檢測看作一個兩層的分類問題，首先利用Viola 等〔8〕提出的Adaboost 人臉檢測算法進行人臉的初檢測，由于該方法利用了多個分類器的級聯結構，利用這一檢測流程的特征。同時，引入基于GDP 特征和SVM 學習算法的分類器，作為檢測流程的最后一級分類器。

首先對檢測圖像進行一定的預處理，并用迭代窗口獲取待檢測區域；然后利用Adaboost 自身訓練得到的多級分類器進行人臉區域的檢測；最后對初次分類結果提取GDP 特征，GDP 特征具有一定的優勢，對光照并不敏感，利用SVM 學習算法訓練好的分類器進行最后一級研判，實現人臉的檢測。檢測算法框架見圖1。

圖1 檢測算法框架

算法步驟如下：

（1）GDP 特征定義：給定輸入圖像I（p），其中p=（x，y）表示圖像中像素p 的位置。

①首先定義圖像I 的金字塔為：

其中Φ（p）為高斯核參數（實驗中使用0.5），↓2表示每層金字塔為其下層大小的一半，s 是金字塔的層數。

②歸一化：金字塔每層σ 上的梯度方向定義為每個像素點歸一化后的梯度向量：

③輸出：圖像I 的GDP 特征定義為：

（2）SVM 算法分類：對于樣本集｛（x1，y1），（x2，y2），…，（xn，yn）｝（xi∈Rd，y∈｛1，-1｝），采用徑向基函數（RBF）進行計算：

當滿足

2 結果與分析

2.1 數據來源實驗數據主要包括3 個部分：1）人臉檢測分類器的訓練集用的是Feret 人臉庫（包含443 張人臉圖片），對人臉圖片進行一些預處理，包括歸一化、灰度化等，將圖片統一格式，這些人臉圖片作為正樣本，負樣本是手工截取的一些非人臉圖片，然后對這些樣本進行尋訓練，最后生成分類器，保存在XML 文件中。2）靜態圖片的測試集主要由第二代身份證照片（共500 張）和網絡圖片資源（40張圖片，共包括625 個人臉）組成，視頻中人臉檢測的測試集主要是攝像頭拍攝的視頻，也包括一些網絡視頻資源。

2.2 測試結果分析對Feret 人臉數據庫進行人臉檢測實驗，含人臉的圖片共443 張，其中漏檢測3張，將非人臉區域誤檢測為人臉的出現10 處，檢出率為99.3%，漏檢率為0.7%，誤檢率為2.3%。Feret人臉庫的人臉姿態與第二代身份證的相似，但存在一些輕微的傾斜和旋轉情況。

在第二代身份證圖片檢測識別實驗中，其中漏檢1 張，將非人臉區域誤檢測為人臉出現14 處，檢出率為99.8%，漏檢率為0.2%，誤檢率為2.8%。主要是因為第二代身份證拍攝條件要求比較嚴格，人臉的姿態是正面的，很少帶有旋轉和傾斜，且拍攝現場光照條件良好，背景單一，對檢測的影響較小，故檢出率較高。漏檢測的主要原因是照片中人物年齡較大，臉部皺紋明顯，且五官較小，其Haar-like特征不明顯。圖2 給出了部分檢測正確、誤檢和漏檢的例子。

圖2 第二代身份證人臉檢測結果

同時本文從互聯網下載一些多人臉圖片進行實驗，其中人臉帶有較明顯的旋轉和傾斜，圖片背景復雜，且光照條件多變，圖片本身清晰度也有較大差異，此外，包括很多遠景人臉。實驗共檢測了40張圖片，共包括625 個人臉，其中檢測正確的有544個，漏檢測81 個，誤檢測40 個，檢出率為87.0%，漏檢率為13.0%，誤檢率為6.4%?；ヂ摼W圖片資源清晰度不一致，而且圖片中人臉姿態往往是傾斜和旋轉的，圖片背景和光照條件復雜多變，對人臉的檢測帶來較明顯的影響。見圖3。

圖3 網絡圖片人臉檢測的部分結果

最后對Adaboost 算法檢測到的結果（包括正確和誤檢測的結果），利用GDP 特征進行重分類，分類過程將大部分誤檢測為人臉的非人臉區域去除，但有少量的人臉區域被誤標注為非人臉，本文將這類情況歸結為漏檢測。人臉檢測實驗的結果見表1~2。

表1 Adaboost 算法人臉檢測實驗結果

實驗結果顯示，Adaboost + GDP 的算法與單一的Adaboost 算法相比，正確率有小幅度的下降，即漏檢率略增加，但誤檢率下降較明顯，原因如下：基于SVM 的學習算法本身對訓練樣本有一定的依賴，且對人臉提取的特征不同，實際結果也會有差別，分類效果并不能達到100%的正確率，故會將部分人臉誤分類為非人臉。所以，通過在Adaboost 檢測結果后再級聯一層分類器，將人臉特征由原先的Haar-like 特征換成GDP，在提取人臉和非人臉樣本的特征后，利用SVM 對正樣本和負樣本進行訓練，得到分類器能夠去除一些誤檢測的結果。

人臉檢測與識別作為人臉信息處理的關鍵技術，近年來成為模式識別和計算機視覺領域內一項受到普遍重視的課題。本文通過Adaboost 人臉檢測算法，對靜態圖片進行了人臉檢測，同時利用GDP和SVM，對檢測結果進一步分類，達到了實時的檢測效果。

表2 Adaboost + GDP 算法人臉檢測實驗結果