摘 要:人臉識別是模式識別與圖像處理研究中的重要課題之一。在戴眼鏡的情況下，近紅外光人眼定位效果不夠理想，于是提出用人鼻定位方法。該方法首先采用Adaboost分類器對人臉進行定位，再在人臉圖像中運用積分投影方法對人鼻進行定位，二值化后把人鼻孔的坐標作為參數(shù)傳給識別部分。初步實驗表明，在近紅外光條件下，不論是否戴眼鏡，正面圖像的人鼻定位較為準確，而側(cè)面人臉定位精確度有所下降。

關(guān)鍵詞:人臉檢測;人鼻定位;Adaboost分類器;積分投影

中圖分類號:TP393文獻標識碼:A

文章編號:1004-373X(2010)04-035-03

Nose Detection in Near-infrared Based on Adaboost and Integral Projection

OUYANG Ruofei，GUO Fei

(East China Normal University，Shanghai，200241，China)

Abstract:Face recognition is an important topic in pattern recognition and image processing.The effect of eye detection in near-infrared is not satisfying when people wear glasses.A method using nose detection is proposed.Using Adaboost classi-fier to find the rough face position，then manage to find the exact position of nose by using integral projection.After binarizing the image，recording the position of the nose to perform the latter recognition.The preliminary experiments show that the effect of nose detection in frontal image is satisfying in near-infrared，while in side image the performance is not so well.

Keywords:face detection;nose detection;Adaboost classifier;integral projection

0 引 言

人臉識別是模式識別與圖像處理研究中的重要課題之一。當前人臉識別主要方法有四大類[1]:基于知識，基于模板，基于外觀，基于特征。Rowley等人在1998年提出基于神經(jīng)網(wǎng)絡的方法進行人臉檢測[2]，提供了一個新的思路，F(xiàn)reund 和Schapire 于1998 年提出了Adaboost[3]算法，2001 年P(guān)aul Viola 和Michael Jones 提出了基于Adaboost 算法的人臉檢測方法[4]。李子青在此基礎上提出了Floatboost方法[5]對原有Adaboost的訓練做了改進。在人臉識別的流程中人臉的檢測結(jié)果對之后的識別結(jié)果有著十分大的影響。在紅外圖像條件下，由于人的眼睛會明亮的凸顯出來，故常將檢測到的人眼坐標傳給之后的識別模塊[6]，但是在系統(tǒng)實際的使用過程發(fā)現(xiàn)許多人是戴眼鏡的，眼鏡會對紅外線造成反射作用，較大地影響了眼睛定位的效果。由于人的鼻子表情變化最少[7]，位置和形狀變化也不大，且不會受到是否戴眼鏡或其他飾物的影響，所以用定位鼻孔來代替定位眼睛成為一種可能的方法。

與灰度圖像定位人的眼睛類似，在近紅外光下，人的鼻尖很亮，而鼻孔很暗，可首先使用Adaboost方法檢測人臉的大致位置，在大致的范圍內(nèi)反復使用水平垂直投影對鼻孔進行定位[8]，將人鼻孔的坐標作為參數(shù)傳遞給之后的識別模塊。

1 Adaboost分類器

Adaboost分類器[9]是利用大量分類能力不強的弱分類器疊加成一個分類能力很強的強分類器。

一個弱分類器:

hj(x)=1，if pjfj

0，otherwise

式中:hj是第j個弱分類器;fj是矩形特征;θj是弱分類器的分類閾值;pj是分類符號。矩形特征是Adaboost算法中的矩形模式，一般由兩個或三個矩形組成。分類閾值是對矩形進行分類的特定值，分類符號是標識矩形分類的一個方向符號。

強分類器的分類結(jié)果是由所有弱分類器投票決定，不停地向強分類器中增加弱分類器，弱分類器的生成是經(jīng)過挑選的最優(yōu)分類器，直到滿足某種需要，一般要求分類正確率大于0.5，即比隨機選擇的要高。其他需要包括訓練滿足指定的檢測率和誤檢率。分類器被組織成級聯(lián)“相與”的結(jié)構(gòu)。一個弱分類器檢測不通過直接被拒絕，如果通過則被下一個弱分類器檢測，直到所有弱分類器通過，則強分類器決策通過，否則拒絕。如圖1所示。

圖1 級聯(lián)分類器

對人臉的訓練包括對弱分類器的訓練和強分類器的訓練兩部分[10]:

對弱分類器的訓練:

(1) 取n個訓練樣本，m個人臉，l個非人臉，表示為(x1，y1)(x2，y2)…(xn，yn)，其中，y取0表示非人臉，y取1表示人臉。

(2) 初始化權(quán)值w1，i=1/(2m)，1/(2l)對應正負權(quán)值。

(3) 循環(huán)選擇弱分類器，構(gòu)成單個強分類器。

對強分類器的訓練:

把多個強分類器級聯(lián)起來組成檢測系統(tǒng)。組成強分類器的弱分類器隨著強分類器的級數(shù)增加而增加，分類器閾值的調(diào)整，使得每一層的分類器都能拒絕絕大多數(shù)非人臉，而讓所有人臉通過。前面的分類器檢測的特征少，后面的特征多但匹配的圖像少，使得運算十分迅速。使用Adaboost方法可得到人臉在圖像中的位置信息。

2 積分投影

在使用Adaboost分類器得到人臉的大致位置后，就是要確定具體的人鼻子的位置。由于人的鼻子在紅外圖像中有三個明顯特征:鼻尖較亮和兩個鼻孔較暗，可以此來檢測鼻子的位置。

首先，要排除頭發(fā)對圖像的干擾，在大致確定的人臉區(qū)域中做水平投影。在近紅外圖像中，只有人臉的部分是高亮部分，而周圍背景較暗，所以在水平投影中人臉左右部分會形成一個凸峰，以凸峰的邊緣為邊界就可以確定人臉左右位置，而將兩側(cè)頭發(fā)排除。

其次，在左右確定的范圍內(nèi)做垂直投影，統(tǒng)計近紅外人臉垂直投影的特性知，人的鼻尖兩腮部分和眼眉部分是亮度最高的兩大部分，取坐標靠下1/3處的部分就是鼻子所在區(qū)域。在佩戴眼鏡或其他情況有時只會出現(xiàn)一個高亮區(qū)域，第二亮的區(qū)域不明顯，這時同樣取靠下三分之一處且是高亮部分。如圖2所示。

在這個區(qū)域中再次做水平投影，由于鼻尖和兩腮亮度高，而此時鼻孔的亮度最低，在投影中形成兩個低谷，而這兩個低谷即為鼻孔所在位置。如圖3所示。

圖2 確定鼻子區(qū)域

圖3 進一步定位鼻孔

在兩個鼻孔區(qū)域做水平投影精確的定位兩個鼻孔的位置，將鼻孔坐標作為參數(shù)傳給后續(xù)的識別模塊。如圖4所示。

3 實驗結(jié)果及分析

該系統(tǒng)采用OpenCV編寫，實驗使用100個人臉，50個戴眼鏡，50個不戴眼鏡，每個人4張圖片，不同姿勢，不同角度，不同大小。

在不佩戴眼鏡的200張圖片中人鼻定位與人眼定位的準確率比較如表1所示。

表1 人眼與人鼻定位結(jié)果

檢測正確數(shù)檢測率

定位人眼19698%

定位人鼻19597.5%

實驗說明使用Quoit濾波器在定位人鼻時效果和定位人眼的近似。在佩戴眼鏡時人眼定位的結(jié)果如圖5所示。

圖4 鼻孔精確定位

圖5 人眼定位

在佩戴眼鏡時人鼻定位的結(jié)果如圖6所示。

圖6 人鼻定位

在佩戴眼鏡的200張圖片中人鼻定位結(jié)果如表2所示。

表2 人鼻定位結(jié)果

檢測正確數(shù)檢測率

定位人鼻19698%

實驗說明佩戴眼鏡時人鼻定位不會受到影響，在后期識別中與人眼參數(shù)一樣，只需將人鼻坐標傳入識別模塊即可進行識別處理。

在實際的人眼定位和人鼻定位中，人眼定位的優(yōu)勢有:

人眼定位不僅可以應用在人臉識別中，還可以作為單獨的應用。人眼在近紅外光下是明顯的明亮區(qū)域，便于定位。

人眼定位的不足是:人眼在采樣時有可能是閉著的，再者佩戴眼鏡或其他飾物，這些因素會降低檢測率。

人鼻定位的優(yōu)勢是:人鼻的位置凸顯固定，隨表情變化少，不受飾物影響。

人鼻定位的不足是:人臉正面檢測率高，但側(cè)面或俯視就很難檢測，沒有眼睛在紅外線下的特別表現(xiàn)，無法單獨作為應用。

4 結(jié) 語

在近紅外光條件下，由于受佩戴眼鏡的影響使得人眼的定位變得十分困難，在此提出定位人的鼻子的方法代替原有標定人眼來進行后續(xù)人臉識別。由于人的鼻子在不同表情下位置形狀的穩(wěn)定性，所在人臉部位也十分明顯，并且很少有飾物阻擋，故稱為替代人眼定位一個較好的方法，實驗證明標定人鼻的準確率和標定人眼準確率接近，很好的克服了佩戴眼鏡對后續(xù)識別的影響，還發(fā)現(xiàn)在非正面人臉中定位人鼻的準確率還不是很高，如何提高非正臉時的人鼻定位精度成為后續(xù)的研究工作。

參考文獻

[1]梁路宏，艾海舟，徐光佑，等.人臉檢測研究綜述[J].計算機學報，2002，23(5):449-458.

[2]Rowley H，Baluja S，Kanade T.Neural Network-based Face Detection[A].Proc.of IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].1998.

[3]Freund Y.Boosting a Weak Learning Algorithm by Majority[J].Information and Computation，1995，121(2):256-285.

[4]Viola P，Jones M.Robust Real-time Object Detection[A].Second International Workshop on Statistical and Computational Theories of Version-Modeling，Learning，Computing and Sampling[C].Vancouver，Canada，2001，13:1-25.

[5]Li S Z，Zhang Z.FloatBoost Learning and Statistical Face Detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence，2004，26(9):1 112-1 123.

[6]章毓晉.圖像工程[M].2版.北京:清華大學出版社，2007.

[7]程瑩，童衛(wèi)青，孟慶濤.基于SVM的人臉精確驗證[J].現(xiàn)代計算機，2008(10):23-25.

[8]孫曉玲，侯德文，儲兄靜.基于灰度積分投影和模板方法的人眼定位[J].模式識別與圖像處理，2007(4):75-77.

[9]Viola P，Jones M.Rapid Object Detection using a Boosted Cascade of Simple Features[A].Proc.of IEEE Conf.on CVPR[C].2001:511-518.

[10]許世峰，曾義.基于Adaboost算法的人眼狀態(tài)檢測[J].計算機仿真，2007，24(7):214-217.