黃 珍,曹曉麗

（蘭州文理學院 電子信息工程學院，甘肅 蘭州 730000）

在人臉檢測中對Adaboost算法的應(yīng)用研究

黃 珍,曹曉麗

（蘭州文理學院 電子信息工程學院，甘肅 蘭州 730000）

由于在當前使用的圖像檢測方法當中最為流行的是Adaboost算法，這種檢測方法立足于統(tǒng)計模型.而當前有部分人臉檢測方法當中存在著比較嚴重的檢測速度慢與誤檢率特別高的問題，本文則對基本的Adaboost算法原理進行仔細解釋，而且將這一算法在開發(fā)OpenCV程序過程當中進行應(yīng)用，從而做到實現(xiàn)快速檢測、魯棒性與檢測率都比較高的人臉檢測.

圖像檢測方法；Adaboost算法；統(tǒng)計模型；人臉檢測方法

通常來說，所謂的人臉檢測是將視頻序列或者是靜止圖像輸入之后憑借相應(yīng)的系統(tǒng)性策略或者組合將所有存在的人臉位置、姿態(tài)與大小進行確定的過程.人臉檢測技術(shù)則是指識別人臉的系統(tǒng)、立足于內(nèi)容的圖像檢索、處理數(shù)字視頻、監(jiān)測視覺以及驗證身份等方面存在著特別重要的應(yīng)用價值.可是受到特殊性與復(fù)雜性人臉自身的影響，而就導(dǎo)致在識別和檢測人臉的過程當中受到背景、圖像質(zhì)量、表情、光照、尺寸、年齡、姿態(tài)等程度不同的影響.當前研究的熱點之一則是識別和檢測人臉.

在人臉圖像當中體現(xiàn)出特別豐富的特征信息，在這些特征信息當中，比較典型的則是幾何特征與顏色特征，運動信息還存在于序列圖像的范疇當中.如今對于人臉進行檢測的技術(shù)則劃分為兩大類：立足于統(tǒng)計學習的方法與立足于知識的方法；將隱馬爾科夫模型與彈性圖匹配作為代表的立足于結(jié)構(gòu)特征的方法、混合局部特征與全局特征的方法以及將特征臉當成代表的全局特征提取與匹配方法.往往如今動態(tài)與單幅靜止的人臉圖像則是識別和檢測人臉實施處理的對象.

1 對Adaboost算法的描述

從本質(zhì)上來看，Adaboost算法這屬于迭代的方法，這種算法的主要思想則是將系列性的弱分類器級聯(lián)組合成為強分類器.實施這種算法的主要過程則是率先制定樣本集合，隨后循環(huán)操作所選定的樣本集合，而在所有的循環(huán)過程中應(yīng)該做出假設(shè)，之后將該假設(shè)的錯誤率進行計算，按照這對所有樣本權(quán)重進行改變從而逐漸進入到下一個循環(huán)當中.從具體的操作流程來看，首先是必須做到所有樣本有著相等的權(quán)重，以便把一弱分類器從該樣本分布當中訓(xùn)練出來；之后憑借對這個分類器的使用，以便將被它錯誤分類的樣本點權(quán)重提高，而且對被正確分類的樣本權(quán)重降低，借助于這樣的分類則能夠突出錯誤的樣本，而這樣就會有著新的樣本分布獲得.樣本在更新權(quán)重之后則被使用訓(xùn)練下一個分類器，根據(jù)這樣的道理類推，經(jīng)歷著T次的循環(huán)，以便對T個弱分類器的獲得，根據(jù)一定權(quán)重憑借累加所有弱分類器，這樣就會有著理想的強分類器獲得.

按照相關(guān)的理論結(jié)果顯示：只要所有的弱分類器所具備的分類能力好于隨機猜測，如果級聯(lián)弱分類器所具備的個數(shù)趨向于無窮個數(shù)的時候，那么就導(dǎo)致強分類器的錯誤率逐步趨向于零.

1.1 Adaboost算法針對兩類問題的訓(xùn)練過程

1.通過假定X來表示樣本空間，樣本類別的標識集合為Y，可是這一問題的屬于二類，以便假設(shè)Y={1，-1}，那么這就分別表示相應(yīng)的正樣本與負樣本；

2.循環(huán)次數(shù)T；

3.循環(huán)fort=1,2，…，T.

一是按照分類Dt（i）訓(xùn)練相應(yīng)的分類器

二是從分類獲得結(jié)果：ht∈->R

三是獲得錯誤率δt=∑tDt（i）{Ht（i）-Y}AC

五是輸出結(jié)果：H（x）=sign（∑nht(x）).

4.Dj（i）則顯示出在第j次循環(huán)當中樣本dt的權(quán)重，Dt（i）=1/N；

5.訓(xùn)練樣本集合S={（x1，y1），（x2，y2），…，（xn，yn）}，xi∈X，yi∈{1，-1}，i=1,2,3,4，…，N.

1.2 矩形特征

通過我們的研究就能夠了解到，在AdaBoost算法當中所使用分類的依據(jù)則是矩形特征，而這就是憑借一種與Haar小波有著一定類似之處的方法來對于人臉特征形成；如果在矩形特征當中顯得比較典型其組成部分往往是兩個到四個范圍之內(nèi)的矩形，以便能夠做到對角線、細線或者邊界等特征分別對應(yīng)，那么在矩形特征所擁有的數(shù)值則是說正規(guī)圖像上面的兩個或者是兩個以上的相同大小形狀的矩形內(nèi)部所有像素灰度值之和所存在的差值，往往這個差值就是通過灰色矩形內(nèi)部的像素值減去白色矩形內(nèi)的像素值.由于雙矩形特征、三矩形特征與四矩形特征這屬于檢測中所用到的三種人臉特征，而這特征也相對應(yīng)在圖1當中的A、B、C、D.而通過圖1就能夠了解到，所謂的雙矩形特征就是指在圖1當中相鄰兩個矩形內(nèi)部像素顏色之和的差值；三矩形特征則是指兩邊的兩個矩形將中間的矩形中矩形內(nèi)的像素顏色值減去所得到的數(shù)值；四矩形特征則是說兩對角線上矩形內(nèi)部像素顏色的差值.

圖1 人臉矩形特征分析圖

在人臉特征進行計算的過程當中，通過對矩形特征的利用，這樣就能夠做到基于尺度不同將圖像特征快速計算，而算法也對于積分圖的概念進行引用，而就能夠從圖2進行體現(xiàn).

圖2 積分圖的概念

圖3 積分圖像

如果統(tǒng)計出圖像的積分圖，立足于常數(shù)時間通過積分圖就能夠計算在整個圖像當中隨意一個尺寸內(nèi)的特征.而這就可以從圖3進行顯示.

借助于以上所做的詳細分析，這樣就能夠讓我們了解到，在整個檢測階段當中，貫穿始終的當遍歷一次圖像，這樣就導(dǎo)致積分圖對隨意尺寸矩形積分圖特征比較方便計算.

1.3 級聯(lián)分類器的選定

為做到對檢測系統(tǒng)的速度的進一步提高，而所使用的AdaBoost算法則選取的檢測方法則是屬于一種瀑布式級聯(lián)分類器，使用AdaBoost算法在所有層訓(xùn)練一直延續(xù)到獲得最小的誤檢率，當所獲得的誤檢率的比目標高，那么就會導(dǎo)致進入到更新的一層當中.不管是在那一層在進行訓(xùn)練的過程當中往往僅僅是針對通過上層分類器的樣本實施訓(xùn)練，這就存在著一定程度的類似之處與前文所提到的思想，把候選區(qū)域最大限度的縮小則是整個框架的目的.所擦用的瀑布式級聯(lián)分類器的檢測方式結(jié)構(gòu)則可以從圖4進行顯示.

圖4 瀑布式級聯(lián)分類器實施檢測的流程圖

由于輸入級聯(lián)分類器則是屬于借助于這樣的級聯(lián)分類器來對每個待測的窗口與圖像子窗口實施檢測，針對一個等待進行檢測的圖像樣本，率先就應(yīng)該將這個樣本送入到第一層的分類器當中，當這一分類器所實施判斷這個圖像是屬于非人臉，那么則結(jié)束整個檢測過程；如果所實施判斷這個圖像是屬于人臉，這樣就會將其送入到下一層的分類器當中實施繼續(xù)判斷.通過這樣舉措的實施，以便能夠做到讓很多明顯不是人臉的窗口在之前的幾層就能夠?qū)⑵渑袛酁榉侨四?，相?yīng)并不需要經(jīng)歷幾層分類器的檢驗，而充分考慮到實施人臉檢測的過程當中絕大多數(shù)等待進行檢測的圖像則是屬于非人臉，這樣的做法就使得分類器整體的檢測速度得到有效提升.

使用這一的級聯(lián)分類器框架這樣就導(dǎo)致相對來說顯得比較復(fù)雜的操作僅僅只能立足于極少數(shù)像素實施，而所使用的瀑布式級聯(lián)分類器結(jié)構(gòu)方式可以對系統(tǒng)整體運算量極大的減少.

2 OpenCV實現(xiàn)訓(xùn)練樣本集的過程

在本文當中必須要對于一個樣本集建立，借助于AdaBoost算法的有效利用來進行訓(xùn)練就能夠獲得一個AdaBoost級聯(lián)分類器.在這一過程當中能夠通過OpenCV自帶的Haartraining程序來實現(xiàn)，還能夠通過OpenCV自帶的Haartraining程序訓(xùn)練樣本空間，在結(jié)束訓(xùn)練完畢，這樣就hi有著一個XML文件獲得，而這一文件則是分類器的組合.

2.1 Createsamples程序的主要命令行參數(shù)

-img：源目標圖片

-num：產(chǎn)生的正樣本圖片數(shù)目與數(shù)量相同

-inv：如果指定顏色會會任意反色

-maxidev：背景色最大偏離度

-w：將像素作為單位輸出樣本寬度

-h：將像素作為單位輸出樣本高度

2.2 Haartraining的主要命令行參數(shù)

-vec：正樣本文件名

-w，-h：將像素當成單位對樣本尺寸訓(xùn)練

-maxfalsealarm：沒有階段分類器的最大錯誤報警率

-nonsym：制定訓(xùn)練的目標對象是否垂直對稱

-nneg：用來訓(xùn)練每一個分類器階段的正/負樣本

-data：存放訓(xùn)練好的分類器的路徑名

3 檢測結(jié)果分析

通過加載整個圖片所獲得的檢測結(jié)果則可以從圖4進行顯示，在這其中的a圖與b圖則都可以檢測出所有的人臉，而在c圖當中進行檢測的過程當中漏檢了一張臉，這就顯示出通過Adaboost算法的應(yīng)用檢測人臉依然還是存在著一定程度的漏檢率，可是受到持續(xù)不斷的增加強分類器個數(shù)，這樣就能夠極大的改善所存在的這種情況.

而在整個實驗當中所選取的訓(xùn)練樣集則是ORL人臉庫，有著三十個人，每個人都是10幅，像素大小為112*92，整個圖像總共有三百幅.通過檢查結(jié)果來看，有著91%的最高識別率，漏檢率為7%，9%的誤識率，往往達到比較低水平的漏檢率.

4 結(jié)語

通過對OpenCV圖像處理軟件和AdaBoost人臉檢測算法的結(jié)合模塊的有效利用，更進一步的對擴展的Haar特征選用，從而能夠做到對人臉檢測的實現(xiàn)，還能夠?qū)z測結(jié)果列出，從而對人臉檢測實現(xiàn)均在可接受范圍內(nèi)的漏檢率、誤識率以及識別率.

〔1〕劉冉冉，馬慶功，鄭恩興.關(guān)于Adaboost算法在人臉檢測中應(yīng)用的研究[J].湖南工程學院學報(自然科學版)，2013(01):38-41.

〔2〕王尋，趙懷勛，劉錫蔚.基于膚色及改進的Adaboost算法的人臉檢測[J].電子科技，2013(09)：18-21.

〔3〕孟子博，姜虹，陳婧，袁波，王立強.基于特征剪裁的AdaBoost算法及在人臉檢測中的應(yīng)用[J].浙江大學學報(工學版)，2013(05):906-911.

〔4〕高山武，周艷潔.AdaBoost算法在人臉檢測中的應(yīng)用[J].現(xiàn)代計算機(專業(yè)版)，2011(16):20-23+ 35.

〔5〕丁知平.基于改進的AdaBoost人臉檢測算法的研究[J].現(xiàn)代計算機(專業(yè)版)，2013(22):9-13.

〔6〕張寧，李娜.基于Adaboost算法的人臉檢測技術(shù)的研究與實現(xiàn)[J].現(xiàn)代電子技術(shù)，2011(14):4-6.

〔7〕馬麗，劉高原.基于改進Adaboost算法的人臉檢測研究 [J].科學技術(shù)與工程，2012(27):6963-6966.

TP391.41

A

1673-260X（2014）03-0017-03