劉丙雨，李民政

(桂林電子科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，廣西 桂林541004)

人臉檢測(cè)是判斷圖像中人臉存在與否，并確定人臉位置、個(gè)數(shù)及大小的過程，它是人臉識(shí)別的關(guān)鍵。1995年，F(xiàn)reund等［1］提出了一種快速人臉檢測(cè)算法——AdaBoost算法。Jones等［2］引入級(jí)聯(lián)器與積分圖像改進(jìn)了AdaBoost算法，提高了人臉檢測(cè)率，加快了人臉的檢測(cè)速度。李文輝等［3］調(diào)整AdaBoost算法的權(quán)重更新規(guī)則，通過控制加權(quán)誤差分布來限制權(quán)重分配擴(kuò)張。Li Xuchun等［4］采用SVM算法訓(xùn)練弱分類器，并結(jié)合AdaBoost算法組成特征選擇與泛化能力更好的強(qiáng)分類器，提出一種AdaBoost-SVM算法。Ma Songyan等［5］結(jié)合膚色檢測(cè)與AdaBoost算法，采用膚色模型過濾檢測(cè)圖像，并用AdaBoost算法在候選區(qū)域進(jìn)行精準(zhǔn)檢測(cè)。

盡管這些改進(jìn)使AdaBoost算法的收斂速度達(dá)到了對(duì)數(shù)級(jí)水平，但AdaBoost算法在訓(xùn)練強(qiáng)分類器的過程中刪除了部分分類器(如錯(cuò)誤率＞0.5)，對(duì)噪聲數(shù)據(jù)比較敏感，尤其是有難分樣本點(diǎn)存在時(shí)，生成的弱分類器之間仍存在較大的相關(guān)性和冗余信息［6］。為此，提出了一種改進(jìn)的AdaBoost人臉檢測(cè)算法。

1 AdaBoost算法

1.1 AdaBoost算法描述

AdaBoost算法通過對(duì)同一個(gè)正負(fù)樣本集進(jìn)行迭代，訓(xùn)練出不同的弱分類器，再將分類能力一般的弱分類器經(jīng)過一定的方法疊加，形成一個(gè)分類能力更好的強(qiáng)分類器［7］。AdaBoost算法的基本步驟為［8］:

1)給定一組訓(xùn)練樣本(x1，y1)，(x2，y2)，…，(xn，yn)，其中:yi=1為正樣本，即人臉;yi=0為負(fù)樣本，即非人臉。l+m=n。其中:l為人臉樣本數(shù);m為非人臉樣本數(shù);n為樣本總數(shù)。

2)樣本權(quán)重初始化:

3)當(dāng)T=1，2，…，t:

a)歸一化權(quán)重，

b)每個(gè)特征j對(duì)應(yīng)訓(xùn)練出一個(gè)分類器hj。計(jì)算所有弱分類器hj的加權(quán)錯(cuò)誤率，

c)選出具有最小錯(cuò)誤率εt的弱分類器ht。

4)得到強(qiáng)分類器

1.2 AdaBoost算法分析

由AdaBoost算法生成的子分類器的多樣性可知，在前幾次迭代中，因?yàn)槊總€(gè)新生成的弱分類器只考慮上一個(gè)弱分類器未正確分類的樣本，所以差異性比較大。但隨著迭代次數(shù)增加，難以被正確分類的樣本有可能一直被錯(cuò)分，而后生成的弱分類器會(huì)越來越關(guān)注這些不能被正確分類的樣本，最終多樣性急劇下降。Krogh等［9］提出集成系統(tǒng)的泛化誤差E:

因此，在AdaBoost算法訓(xùn)練弱分類器的過程中加入差異性度量作為弱分類器間的差異度判定，排除一些弱分類器，降低弱分類器間的相關(guān)性，增加強(qiáng)分類器集合的差異性，可提高最終強(qiáng)分類器的檢測(cè)率。

2 改進(jìn)的AdaBoost算法

采用差異性度量Di，j作為分類器間的相關(guān)性判定。第i個(gè)弱分類器Ci和第j個(gè)弱分類器Cj對(duì)同一個(gè)樣本集的檢測(cè)差異性度量

其中為訓(xùn)練樣本集中Ci檢測(cè)結(jié)果為a、Cj檢測(cè)結(jié)果為b的樣本個(gè)數(shù)，a，b∈{0，1}。由式(6)可知，2個(gè)分類器的差異性隨Di，j的增大而增大。

如果樣本總數(shù)為n，Ci、Cj的檢測(cè)差異性為:

其中，

那么l個(gè)分類器的平均差異性:

為了減少多樣性計(jì)算的耗時(shí)，加快訓(xùn)練速度，利用多樣性查找表(diversity table)保存已選弱分類器間的差異性Di，j。改進(jìn)的AdaBoost算法的最優(yōu)弱分類器選擇過程為:

當(dāng)T=1，2，…，t:

a)每個(gè)特征j對(duì)應(yīng)訓(xùn)練出一個(gè)分類器hj，計(jì)算所有弱分類器hj的加權(quán)錯(cuò)誤率

b)選出具有最小錯(cuò)誤率εt的弱分類器ht;

c)計(jì)算與已選弱分類器的差異性Di，j，j=1，2，…，t－1，并將其寫入多樣性查找表;

3 實(shí)驗(yàn)及結(jié)果分析

在P4 4.0 GHz處理器、內(nèi)存4 GB的PC上采用VC++6.0作為編程平臺(tái)，對(duì)改進(jìn)的AdaBoost算法進(jìn)行性能檢測(cè)，并與AdaBoost算法的檢測(cè)效果加以對(duì)比。人臉庫(kù)測(cè)試集選用MIT-CBCL，并對(duì)2種算法訓(xùn)練得到的人臉檢測(cè)器分別進(jìn)行測(cè)試。為了定量且直觀地反映檢測(cè)性能，在實(shí)驗(yàn)中選取人臉檢測(cè)率、錯(cuò)誤檢測(cè)數(shù)分析檢測(cè)結(jié)果。

3.1 2種檢測(cè)算法的性能

AdaBoost算法和改進(jìn)的AdaBoost算法采用相同結(jié)構(gòu)的強(qiáng)分類器進(jìn)行人臉檢測(cè)的受試者工作特征曲線(ROC)如圖1所示。從圖1可看出，當(dāng)誤檢的人臉數(shù)目相同時(shí)，改進(jìn)的AdaBoost算法的人臉檢測(cè)率比AdaBoost算法高;當(dāng)人臉檢測(cè)率相等時(shí)，改進(jìn)的Ada-Boost算法的錯(cuò)誤檢測(cè)數(shù)比AdaBoost算法少。在錯(cuò)誤檢測(cè)數(shù)不斷增加的情況下，改進(jìn)的AdaBoost算法的檢測(cè)率增加更快。

圖1 2種算法的受試者工作特征曲線Fig.1 The ROC of two algorithms

AdaBoost算法和改進(jìn)的AdaBoost算法對(duì)同一個(gè)圖像集的人臉檢測(cè)率如圖2所示。從圖2可看出，改進(jìn)的AdaBoost算法的檢測(cè)率高于AdaBoost算法。但隨著弱分類器數(shù)量的增加，改進(jìn)的AdaBoost算法的檢測(cè)率升高，優(yōu)于AdaBoost算法。

圖2 2種算法的人臉檢測(cè)率Fig.2 The face detection rate of two algorithms

在訓(xùn)練弱分類器的過程中引入差異性度量判定，不僅提高了各個(gè)弱分類器之間的差異性，而且有效地將特征互補(bǔ)的弱分類器進(jìn)行組合，從而提高強(qiáng)分類器的檢測(cè)能力，進(jìn)一步說明改進(jìn)的AdaBoost算法的人臉檢測(cè)性能優(yōu)于AdaBoost算法。

3.2 人臉檢測(cè)結(jié)果

采用相同結(jié)構(gòu)的強(qiáng)分類器對(duì)同一張圖片進(jìn)行人臉檢測(cè)，其結(jié)果如圖3所示。由圖3可知，AdaBoost算法的檢測(cè)率低于改進(jìn)的AdaBoost算法，并且錯(cuò)圖數(shù)目和漏檢數(shù)目有所增加，表明加入相關(guān)性判定的AdaBoost算法訓(xùn)練的強(qiáng)分類器比AdaBoost算法有更好的檢測(cè)性能。

圖3 人臉檢測(cè)結(jié)果Fig.3 The results of face detection

4 結(jié)束語

針對(duì)AdaBoost算法忽略弱分類器之間的相關(guān)性，導(dǎo)致強(qiáng)分類器的集成性能降低的缺陷，提出一種改進(jìn)的AdaBoost人臉檢測(cè)算法。該算法在訓(xùn)練弱分類器的迭代過程中引入差異性判定，根據(jù)計(jì)算的判定值剔除相似的特征，最后將具有特征互補(bǔ)的弱分類器疊加到強(qiáng)分類器的集合中，保證強(qiáng)分類器有最快的收斂速度和最小的錯(cuò)誤率。改進(jìn)的AdaBoost算法提高了人臉檢測(cè)率，降低了錯(cuò)誤檢測(cè)數(shù)。

［1］Freund Y，Schipare R E.Experiments with a new boosting algorithm［C］//International Conference on Machine Learning，1996:148-156.

［2］Jones M J，Viola P.Method and system for object detection in digital images:US，7099510［P］.2006-08-29.

［3］李文輝，倪洪印.一種改進(jìn)的AdaBoost訓(xùn)練算法［J］.吉林大學(xué)學(xué)報(bào):理學(xué)版，2011，3(49):498-504.

［4］Li Xuchun，Wang Lei，Sung E.AdaBoost with SVM-based component classifiers［J］.Engineering Applications of Artificial Intelligence，2008，21(5):785-795.

［5］Ma Songyan，Du Tiancang.Improved AdaBoost face detection［C］//IEEE International Conference on Measuring Technology and Mechatronics Automation，2010:434-437.

［6］姚旭，王曉丹.基于AdaBoost匹配追蹤的選擇性集成算法［J］.控制與決策，2014，29(2):208-214.

［7］李闖，丁曉青，吳佑壽.一種改進(jìn)的AdaBoost-AD Ada-Boost［J］.計(jì)算機(jī)學(xué)報(bào)，2007，30(1):103-109.

［8］朱叢慶，劉建明，張霖，等.基于膚色分割與改進(jìn)Ada-Boost算法的人臉檢測(cè)［J］.桂林電子科技大學(xué)學(xué)報(bào)，2013，33(4):319-322.

［9］Krogh A，Vedelsby J.Neural network ensembles，cross validation，and active learning［C］//Advances in Neural Information Processing Systems，1995:231-238.

［10］蔣 焰，丁曉青.基于多步校正的改進(jìn)AdaBoost算法［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)版，2008，48(10):1613-1616.

［11］張君昌，樊偉.基于相關(guān)性的AdaBoost人臉檢測(cè)算法［J］.計(jì)算機(jī)工程，2011，37(8):158-160.