摘要：人臉檢測(cè)是人臉研究中的重要部分，Adaboost算法檢測(cè)速度雖快，但錯(cuò)檢率和重復(fù)檢測(cè)率仍比較高。本文提出了一種Adaboost算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合來進(jìn)行人臉檢測(cè)的方法，并通過實(shí)驗(yàn)表明該方法在原有Adaboost算法的基礎(chǔ)上，降低了錯(cuò)檢和重復(fù)檢測(cè)率，提高了正負(fù)樣本判斷正確的概率。

關(guān)鍵詞：人臉檢測(cè)；Adaboost算法；神經(jīng)網(wǎng)絡(luò)；樣本擴(kuò)張

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2012） 17-0000-02

0 引言

本文采用樣本擴(kuò)張策略使得樣本信息可以更全面的覆蓋人臉和非人臉信息，克服了原有算法在樣本選擇上的隨機(jī)性，加強(qiáng)了訓(xùn)練樣本的代表性，再利用Adaboost算法與神經(jīng)網(wǎng)絡(luò)串聯(lián)對(duì)人臉進(jìn)行檢測(cè)，從而降低了原有算法對(duì)人臉檢測(cè)的錯(cuò)檢和重復(fù)檢測(cè)率。

1 Adaboost算法的人臉檢測(cè)

1.1 Adaboost算法原理

Adaboost是一種迭代算法，其算法思想簡(jiǎn)單說就是把一組弱分類器通過多次迭代，調(diào)整正負(fù)樣本的權(quán)重，并把這些弱分類器按一定權(quán)重累加起來，最終得到所期望的強(qiáng)分類器。利用這個(gè)強(qiáng)分類器就可以對(duì)圖像進(jìn)行人臉檢測(cè)了。

具體算法：

每個(gè)樣本都賦予一個(gè)權(quán)重，T次迭代，每次迭代后，對(duì)分類錯(cuò)誤的樣本加大權(quán)重，使得下一次的迭代更加關(guān)注這些樣本。

輸入：（X1，Y1）， （X2，Y2），…（Xn，Yn）

Xi∈X， Yi∈Y={+1，-1}

初始化權(quán)值：D1（i）=1/n

For t=1，…，T

在Dt下訓(xùn)練，

得到弱的假設(shè)ht： X->{-1，+1}，

錯(cuò)誤率：Εt=ΣDt（i） [ht（Xi）≠Yi]

選擇αt=1/2 ln （ （1- Εt）/ Εt ），

更改權(quán)值：

if ht（Xi）≠Yi ， Dt+1（i）=Dt（i）* e αt /Zt

if ht（Xi）=Yi ， Dt+1（i）=Dt（i）* e -αt /Zt

輸出：H（X）=sign（ ∑αtht（X） ）

1.2 弱分類器的生成

為減少計(jì)算量和主要特征參數(shù)，本文采用主成分分析方法（PCA）得到弱分類器。PCA用于人臉識(shí)別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維線性空間，而且不同的人臉在這個(gè)空間中具有可分性。其具體做法是由高維圖像空間經(jīng)K—L變換后得到的一組新的正交基，對(duì)這組正交基進(jìn)行一定的取舍，保留其中的一部分生成低維的人臉空間。

每一個(gè)PCA特征都對(duì)應(yīng)著一個(gè)弱分類器，每一個(gè)弱分類器都是根據(jù)它所對(duì)應(yīng)的特征的參數(shù)來定義的。利用上述特征的位置信息，對(duì)訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)就可以得到對(duì)應(yīng)的特征參數(shù)。

1.3 測(cè)試環(huán)境和結(jié)果分析

影響本算法的因素：正負(fù)樣本的個(gè)數(shù)，循環(huán)次數(shù)i的大?。豢s放的大?。患?jí)聯(lián)結(jié)構(gòu)的級(jí)數(shù)；每一級(jí)中的循環(huán)次數(shù)；每一級(jí)中所選取的PCA提取特征的數(shù)目以及判斷為正人臉樣本的特征的個(gè)數(shù)。

本算法選取了 2000 個(gè)正樣本，2000 個(gè)負(fù)樣本。 實(shí)驗(yàn)環(huán)境：Pentium（R） 4 CPU 2.93GHz 1.00GB內(nèi)存。MATLAB：R2010b。測(cè)試結(jié)果如圖1

圖 1

由圖可看出，此算法在多人臉檢測(cè)情況下，有較高的錯(cuò)檢率和重復(fù)檢測(cè)率。

2 Adaboost算法與神經(jīng)網(wǎng)絡(luò)串聯(lián)檢測(cè)人臉

2.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行相關(guān)的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。

在現(xiàn)有神經(jīng)網(wǎng)絡(luò)中，BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和LVQ網(wǎng)絡(luò)是目前使用較多的網(wǎng)絡(luò)，也是在模式識(shí)別領(lǐng)域應(yīng)用最廣泛的網(wǎng)絡(luò)。

LVQ網(wǎng)絡(luò)學(xué)習(xí)簡(jiǎn)單，速度相對(duì)來說較快，相同情況下與其他網(wǎng)絡(luò)相比可以實(shí)現(xiàn)更好的效果，因此本文采用了LVQ網(wǎng)絡(luò)在Adaboost的基礎(chǔ)之上進(jìn)行分類識(shí)別。

2.2 樣本擴(kuò)張和串聯(lián)檢測(cè)思路

Adaboost算法的效果與前期訓(xùn)練時(shí)若分類其的選取關(guān)系重大，而弱分類器的選取在一定程度上依賴于樣本集的選取，因而訓(xùn)練樣本集顯得十分重要。在Adaboost算法中，人臉和非人臉的選取比較重要隨機(jī)，不能很好的表達(dá)人臉和非人臉的信息。針對(duì)這一現(xiàn)象，采用樣本擴(kuò)張的策略，使擴(kuò)張后的訓(xùn)練樣本可以比較全面的覆蓋人臉和非人臉信息。

樣本擴(kuò)張的實(shí)現(xiàn)過程如下：1、用隨機(jī)選取的人臉和非人臉樣本構(gòu)成初始訓(xùn)練庫；2、利用該訓(xùn)練庫訓(xùn)練神經(jīng)網(wǎng)絡(luò)，再將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)Adaboost分類器判斷為正樣本的圖片進(jìn)行進(jìn)一步判斷，如果神經(jīng)網(wǎng)絡(luò)判斷為負(fù)樣本，則將圖片加入初始訓(xùn)練庫，用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，同時(shí)直接將Adaboost分類器判斷為負(fù)樣本的圖片加入初始訓(xùn)練庫中，用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

因此，通過樣本擴(kuò)張形成的新訓(xùn)練庫更具有代表性，可以很好的涵蓋人臉和非人臉信息，再進(jìn)行Adaboost和神經(jīng)網(wǎng)絡(luò)串聯(lián)進(jìn)行判斷，可以得到很好的效果。

2.3 測(cè)試環(huán)境和結(jié)果分析

本算法選取了 2000 個(gè)正樣本，2000 個(gè)負(fù)樣本。 實(shí)驗(yàn)環(huán)境：Pentium（R） 4 CPU 2.93GHz 1.00GB內(nèi)存。MATLAB：R2010b。測(cè)試結(jié)果如圖3

圖 2

評(píng)價(jià)： 在adaboost加入神經(jīng)網(wǎng)絡(luò)串聯(lián)后，圖1與圖3相比，錯(cuò)誤和重復(fù)檢測(cè)消除了很多。實(shí)際運(yùn)行中，由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練權(quán)值的隨機(jī)的初始化的影響，會(huì)造成圖片橫縱方向都每隔兩個(gè)點(diǎn)掃描檢測(cè)時(shí)可能會(huì)隨機(jī)多出1到2個(gè)錯(cuò)檢，或者就沒有錯(cuò)檢出現(xiàn)，這個(gè)是沒有辦法避免的，但是效果已經(jīng)相對(duì)來說提高了很多了。

3 兩種算法在給定測(cè)試樣本數(shù)目下識(shí)別率的比較

實(shí)驗(yàn)環(huán)境：Pentium（R） 4 CPU 2.93GHz 1G內(nèi)存

MATLAB：R2010b

說明：訓(xùn)練樣本如果為10，則表示正樣本為5，負(fù)樣本也為5，訓(xùn)練樣本如果為20，則表示正樣本為10，負(fù)樣本也為10，以此類推；每一次試驗(yàn)做30次取其均值

實(shí)驗(yàn)數(shù)據(jù)來源：mit人臉數(shù)據(jù)庫

結(jié)果分析：在測(cè)試樣本數(shù)目，循環(huán)次數(shù)以及PCA能量給定的情況下，采用Adaboost算法進(jìn)行試驗(yàn)，當(dāng)訓(xùn)練樣本數(shù)目較少時(shí)，識(shí)別率比較低；當(dāng)訓(xùn)練樣本數(shù)增加的時(shí)候，增大到一定的程度，識(shí)別率不會(huì)有所提高了，反而所需的時(shí)間增加了，因此當(dāng)選擇訓(xùn)練樣本的數(shù)目為20的時(shí)候，識(shí)別率有所提到，而且所用時(shí)間沒有明顯增大。

表2 改變循環(huán)次數(shù)T（Train Sample = 20， Test Sample = 500， PCA（98%），Adaboost算法）

結(jié)果分析：在測(cè)試樣本數(shù)目，訓(xùn)練樣本數(shù)目以及PCA能量給定的情況下，采用Adaboost算法進(jìn)行試驗(yàn)，當(dāng)循環(huán)次數(shù)較少的時(shí)候識(shí)別率比較低，當(dāng)循環(huán)次數(shù)增大到一定程度以后，再增加循環(huán)次數(shù)，識(shí)別率沒有明顯提升反而所需時(shí)間增加了，因此選擇循環(huán)次數(shù)為10次的時(shí)候技能有較高的識(shí)別率，所需時(shí)間沒有明顯增加。

在選擇了訓(xùn)練樣數(shù)目以及循環(huán)次數(shù)后，基本排除了這兩個(gè)因素對(duì)識(shí)別率的影響，進(jìn)行PCA能量的選擇來比較一下Adaboost算法與增加神經(jīng)網(wǎng)絡(luò)后的算法的識(shí)別率的大小。

由上表可以看出，Adaboost算法與神經(jīng)網(wǎng)絡(luò)串聯(lián)后的的算法具有很好的識(shí)別率。本次試驗(yàn)是在識(shí)別的基礎(chǔ)之上做的，針對(duì)的是給定數(shù)目的測(cè)試樣本，要是做到人臉檢測(cè)需要更多的訓(xùn)練樣本來提取人臉特征。

4 結(jié)論

本文提出的基于神經(jīng)網(wǎng)絡(luò)擴(kuò)張的adaboost人臉檢測(cè)算法在原有adaboost算法的基礎(chǔ)上加入了LVQ神經(jīng)網(wǎng)絡(luò)串聯(lián)，在經(jīng)過兩個(gè)算法的分類識(shí)別和樣本擴(kuò)張后，降低了原有算法的錯(cuò)檢率和重復(fù)檢測(cè)率，在給定測(cè)試樣本數(shù)的實(shí)驗(yàn)中，本文提出的方法要比原算法在識(shí)別率上有15%左右的提升。

參考文獻(xiàn)：

[1]李維維.基于膚色和AdaBoost算法的人臉檢測(cè)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2012.

[2]李盛文.基于PCA+AdaBoost 算法的人臉識(shí)別技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用，2010.

[3]孫崇璇.基于PCA主成分分析的人臉檢測(cè)實(shí)現(xiàn)與分析[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2010.