摘 要：針對(duì)Adaboost算法在實(shí)時(shí)視頻流中的應(yīng)用，本文基于Adaboost算法的人臉檢測(cè)原理，即通過(guò)提取圖像中的haar特征，在訓(xùn)練過(guò)程中選出最優(yōu)特征，轉(zhuǎn)換成弱分類器，優(yōu)化組合于人臉檢測(cè)。最終，利用opencv的開發(fā)包，通過(guò)VC++軟件編程實(shí)現(xiàn)基于Adaboost算法實(shí)時(shí)視頻流中的人臉檢測(cè)。

關(guān) 鍵 詞：人臉檢測(cè)；haar特征；Adaboost算法；Opencv

引言

人臉檢測(cè)的研究最早可以追溯到20世紀(jì)60-70年代。經(jīng)過(guò)曲折發(fā)展，已經(jīng)有了一些較為成功的方法，正日趨成熟。一個(gè)完整的人臉檢測(cè)應(yīng)該包括人臉檢測(cè)、特征提取以及匹配識(shí)別三大基本過(guò)程。

人臉檢測(cè)的常用方法有基于知識(shí)的人臉檢測(cè)、基于特征的人臉檢測(cè)、基于模板匹配的人臉檢測(cè)以及基于圖像塊的人臉檢測(cè)。

1 基于Adaboost算法的人臉檢測(cè)

Adaboost算法根據(jù)人臉面部的灰度分布特征，選擇使用haar特征，其是一種基于積分圖像的特征，該特征計(jì)算簡(jiǎn)單，提取速度較快，從而使得Adaboost檢測(cè)算法基本成為當(dāng)前最快的檢測(cè)算法之一。Adaboost算法首先提取圖像中的haar特征，然后通過(guò)訓(xùn)練過(guò)程從中選出最優(yōu)的haar特征，再將訓(xùn)練得到的haar特征轉(zhuǎn)換成弱分類器，最后將得到的弱分類器進(jìn)行優(yōu)化組合用于人臉檢測(cè)。

1.1 基于Adaboost算法的人臉檢測(cè)原理

（1） 提取haar特征

提取haar特征，即提取較好的haar特征對(duì)人臉圖像灰度分布的特點(diǎn)進(jìn)行描述。

1）積分圖像

積分圖像是將原圖像中任一點(diǎn)的左上方的全部像素相加作為當(dāng)前點(diǎn)像素值所得到的圖像；積分圖像中每個(gè)點(diǎn)（x，y）的值為原圖像中點(diǎn)（x，y）左上部分所有像素值的累加：

（1-1）

其中i為原始圖像，ii為積分圖像。

假設(shè)已經(jīng)求得某一圖像的積分圖像（圖2），利用公式可以迅速計(jì)算出原圖像中D區(qū)域內(nèi)的像素的和值。

（1-2）

其中SD是原圖像中D區(qū)域內(nèi)的像素的和值，1、2、3、4分別是積分圖像中點(diǎn)1、點(diǎn)2、點(diǎn)3和點(diǎn)4的值。

2）haar特征

haar特征是根據(jù)區(qū)域灰度的對(duì)比特點(diǎn)設(shè)計(jì)。如圖3所示，圖中給出了4個(gè)常用的haar特征。每個(gè)特征分為2個(gè)部分，對(duì)比兩個(gè)部分（黑塊和白塊）的像素和值的大小。

（2）生成弱分類器[1][3]

每個(gè)haar特征對(duì)應(yīng)一個(gè)弱分類器，每個(gè)弱分類器根據(jù)其所對(duì)應(yīng)的haar特征參數(shù)來(lái)定義。弱分類器的定義公式如下：

（1-3）

其中，特征參數(shù)pj表示不等式方向，j表示閾值。

（3）訓(xùn)練過(guò)程[4][5]

Adaboost算法的訓(xùn)練過(guò)程就是挑選最優(yōu)弱分類器，并賦予其權(quán)重的過(guò)程。圖4是Adaboost算法的訓(xùn)練示意圖。

1.2 級(jí)聯(lián)分類器的使用

將弱分類器優(yōu)化組合成強(qiáng)分類器，并將若干個(gè)強(qiáng)分類器級(jí)聯(lián)在一起，其一級(jí)比一級(jí)復(fù)雜，一級(jí)比一級(jí)嚴(yán)格。Adaboost算法引入級(jí)聯(lián)分類器，其檢測(cè)示意圖如圖5所示。由于非人臉圖像被前幾級(jí)快速排除，因此加快了Adaboost算法的檢測(cè)速度。

2 實(shí)時(shí)視頻流中人臉檢測(cè)的實(shí)現(xiàn)

由于使用Adaboost算法進(jìn)行人臉檢測(cè)需要大量的樣本訓(xùn)練，筆者能力有限，只能基于Intel公司開發(fā)的opencv[6]開發(fā)包進(jìn)行編程。編程者無(wú)需編寫算法函數(shù)，只需編寫調(diào)用程序，以調(diào)用opencv函數(shù)進(jìn)行Adaboost算法的視頻人臉檢測(cè)。

2.1 關(guān)鍵代碼

（1）獲取視頻文件并加載到一個(gè)windows窗口中

//確定是否目標(biāo)來(lái)自文件或攝像頭

if( !input_name || (isdigit(input_name[0]) input_name[1] == '\\0') )

capture = cvCaptureFromCAM( !input_name ? 0 : input_name[0] - '0' );

else capture = cvCaptureFromAVI( input_name );

//建立一個(gè)新的window窗口，以result命名

cvNamedWindow( \"result\"， 1 );

if( !cvGrabFrame( capture )) //如果capture成功加載，則捕獲一針，并存到圖像中

break;

frame = cvRetrieveFrame( capture );

if( !frame ) break; //如果針不存在，退出循環(huán)

（2）獲取靜態(tài)圖像

//如果捕獲沒(méi)有成功，則 else

{//假設(shè)圖像是ftest.jpg 或者特定的輸入

const char* filename = input_name ? input_name : (char*)\"ftest.jpg\";

IplImage* image = cvLoadImage( filename， 1 ); //加載文件圖像

if( image ) //如果圖像成功加載，則調(diào)用處理函數(shù)

{detect_and_draw( image );

cvWaitKey(0);

cvReleaseImage( image ); //釋放內(nèi)存}

else//假定它是一個(gè)文檔類的文件包含要被處理圖像名稱，每行一個(gè)

{ FILE* f = fopen( filename， \"rt\" ); //以讀的形式打開

if( f )

{char buf[1000+1];

while( fgets( buf， 1000， f ) )//從f中讀取1000個(gè)數(shù)據(jù)

{ int len = (int)strlen(buf); //從中移去空格并且確定名字長(zhǎng)度

while( len > 0 isspace(buf[len-1]) ) //判斷是否為空格

len--;

buf[len] = '\\0';

image = cvLoadImage( buf， 1 ); //加載確定名字的圖像

if( image ) //如果文件加載成功，則

{//檢測(cè)圖像

detect_and_draw( image );

cvWaitKey(0);

cvReleaseImage( image );

}}

fclose(f); //既然打開文件，就要關(guān)閉它

}}}

static CvMemStorage* storage = 0; // 為計(jì)算開辟內(nèi)存

static CvHaarClassifierCascade* cascade = 0; //建立一個(gè)新的haar 分類器

void detect_and_draw( IplImage* image ); //子函數(shù)聲明從圖像中檢測(cè)出物體

const char* cascade_name =\"haarcascade_frontalface_alt.xml\";//建立一個(gè)字符串，包含cascade的名字，作為訓(xùn)練的分類器

2.2 操作方法

如果存在外接攝像頭，則程序自動(dòng)檢測(cè)，并將視頻圖像放入一個(gè)名為“result”的windows窗口。緊接著程序?qū)⒆詣?dòng)調(diào)用函數(shù)檢測(cè)圖像，標(biāo)記人臉。如果無(wú)外接攝像頭，本程序就檢測(cè)靜態(tài)圖像。由于在程序中聲明了指定圖像名，因此在程序所在文件夾中須存在名為“ftest.jpg”圖像文件。

3 測(cè)試結(jié)果分析

本程序在PC上測(cè)試，平臺(tái)為windowsXP，軟件環(huán)境為Microsoft Visual C++ 6.0。攝像頭為Hyundai Camera。

從上圖中可以看出本程序可以比較成功的實(shí)現(xiàn)在實(shí)時(shí)視頻中的正面人臉檢測(cè)，標(biāo)記位置十分準(zhǔn)確。本程序也可以比較成功的準(zhǔn)確標(biāo)記出視頻中側(cè)面人臉的位置。

4 結(jié)語(yǔ)

人臉檢測(cè)技術(shù)的突破性發(fā)展，對(duì)人臉識(shí)別、表情姿態(tài)的識(shí)別、視頻監(jiān)控、身份驗(yàn)證、多媒體數(shù)據(jù)庫(kù)檢索等相關(guān)領(lǐng)域的研究產(chǎn)生巨大推動(dòng)作用。然而，其本身的復(fù)雜性，加之?dāng)?shù)字圖像采集中易受各種外界因素的干擾，Adaboost算法存在誤檢現(xiàn)象，如何降低誤檢率，將是筆者下一步探索的方向。

參考文獻(xiàn)

[1] 趙麗紅，劉紀(jì)紅，徐心和.人臉檢測(cè)方法綜述[J].計(jì)算機(jī)應(yīng)用研究.2004，21(9):1-4.

[2] 張建明，汪大慶.基于Adaboost 算法的多姿態(tài)人臉實(shí)時(shí)視頻檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì).2010，31(18):4065-4067，4096.

[3] Bo Wu，HaizhouAi，Chang Huan，Shihong Lao.Fast rotation invariant multi-view face detection based on real Adaboost [C]//Sixth IEEE International Conference.Automatic Face and Gesture Recognition. 2004:79-84.

[4] 王海川，張立明.一種新的Adaboost快速訓(xùn)練算法[J].復(fù)旦學(xué)報(bào)(自然科學(xué)版).2004，43(1):27-33.

[5] Yong Ma，Xiaoqing Ding.Robust Real-time rotation invariant face detection based on cost-sensitive Adaboost [C]// 4th International Conference on Multimedia and Expo (ICME 2003). 2003: 465-468.

[6] 劉瑞禎，于仕琪.Open CV 教程[M].北京:北京航空航天大學(xué)出社，2007:385-393.