耿冬冬++胡友彬++萬(wàn)友++歐靜華

摘要：本文研究了adaboost人臉檢測(cè)算法在視頻流中進(jìn)行特征選擇和分類器訓(xùn)練的原理，提出將積分圖像的概念引入用于快速計(jì)算Haar-lik特征值，簡(jiǎn)化人臉像素值計(jì)算，將haar-like特征值計(jì)算結(jié)果作為adaboost算法的輸入樣本分類檢測(cè)人臉信息。利用camshift運(yùn)動(dòng)跟蹤算法進(jìn)行人臉跟蹤定位，并利用opencv計(jì)算機(jī)視覺類庫(kù)基于上述算法開發(fā)人臉檢測(cè)跟蹤系統(tǒng)。

關(guān)鍵詞：人臉檢測(cè)跟蹤； adaboost； Haar-like特征； camshift； 積分圖； opencv

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）01-0198-03

基于視頻流的人臉檢測(cè)相比于靜態(tài)圖像的人臉檢測(cè)有著更高的技術(shù)要求和更適應(yīng)于日常生活的各項(xiàng)應(yīng)用中，檢測(cè)效率和識(shí)別性能成為重要的研究課題，本文重點(diǎn)研究了積分圖像快速計(jì)算特征矩形特征值的方法并引入到人臉檢測(cè)中，經(jīng)過實(shí)驗(yàn)對(duì)比，比單純計(jì)算像素點(diǎn)值提高了檢測(cè)效率和性能。

1 人臉檢測(cè)算法基本原理

2001年，Paul Viola， Michael Jones通過將adaboost算法與Haar-Like特征結(jié)合起來實(shí)現(xiàn)人臉檢測(cè)系統(tǒng)，但在圖像分辨率過大情況下仍有檢測(cè)時(shí)間過長(zhǎng)的缺點(diǎn)。方法框架主要有：（1）基于adaboost迭代篩選算法選出最能代表人臉面部特征的特征矩形值構(gòu)建弱分類器，按照加權(quán)調(diào)整分類原則將弱分類器組合成強(qiáng)分類器 （2）利用強(qiáng)分類器的級(jí)聯(lián)檢測(cè)過濾篩選負(fù)樣本從而提高檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性。

1.1 Adaboost人臉檢測(cè)原理

首先從人臉數(shù)據(jù)庫(kù)選出上千張人臉，采用雙線性插值法統(tǒng)一歸一化到20*20像素大小，從這些圖片中提取Harr-like特征矩形，將特征矩形中的白色區(qū)域像素值減去黑色區(qū)域像素值得到特征值，這些特征值就代表了人臉和非人臉特征。初始篩選時(shí)，給每個(gè)特征值相同的權(quán)重比，將人臉特征值和非人臉特征值按照最優(yōu)劃分法得到弱分類器，并且提高劃分錯(cuò)誤的樣本的權(quán)重比，以后每輪篩選將首要考慮權(quán)重較大的樣本劃分準(zhǔn)確性并且重復(fù)提高劃分錯(cuò)誤樣本的權(quán)重比，依此迭代，將每輪篩選得到的弱分類器加權(quán)投票組合成強(qiáng)分類器，實(shí)驗(yàn)證明檢測(cè)準(zhǔn)確率能達(dá)到86%以上。

（1）對(duì)于t = 1，…..，T次，訓(xùn)練弱分類器[ht]（x），分錯(cuò)概率：

ε[t]=[∑i～Dt][[yt]]

其中[yt]為樣本中劃分錯(cuò)誤元素。若劃分正確，則不計(jì)入誤差，若所有元素都被正確劃分，則誤差為0，若錯(cuò)誤劃分，則計(jì)入誤差。

（2）劃分正確的權(quán)重比：

[at=12ln1-εtεt]

（3）若元素劃分錯(cuò)誤，提高錯(cuò)誤元素的權(quán)重比：

[yt+1=yt+11-εtεt]

（3）最后得到強(qiáng)分類器：

[Hx=signt=1Tathtx]

1.2 強(qiáng)分類器的級(jí)聯(lián)檢測(cè)

級(jí)聯(lián)分類模型可以用圖1表示：

圖1

級(jí)聯(lián)分類器的檢測(cè)過程的整體形式是一個(gè)退化的決策樹，給每個(gè)H（x）限定檢測(cè)閥值，限定標(biāo)準(zhǔn)為從第一級(jí)依此遞減到最后一級(jí)，即門檻標(biāo)準(zhǔn)愈發(fā)提高。一個(gè)正例樣本通過第一層會(huì)觸發(fā)第二層依此類推。但在任何一層的負(fù)例樣本會(huì)立即導(dǎo)致后層分類器的拒絕，這樣在初始分類時(shí)就消除了大量的負(fù)例樣本，后續(xù)分類器需要檢測(cè)的樣本就大量減少，這也就提高了檢測(cè)性能，同時(shí)從根本上減少計(jì)算時(shí)間。

1.2 Haar-like特征

我們從人臉數(shù)據(jù)庫(kù)獲取的人臉圖片是在一定的光照下獲取，人臉圖片在光照、人臉面部器官形狀等影響下會(huì)呈現(xiàn)出不同的像素值，比如在燈光條件均勻的情況下，人臉圖片中眼睛部分和人眼下部的臉部就區(qū)分出了一個(gè)特征矩形，如圖2、圖3：

圖2 原始圖像 圖3 特征矩形

常用的特征矩形包括下列幾種如圖4：

[

邊緣特征＼&＼&

線性特征＼&＼&

中心環(huán)繞特征＼&＼&]

圖4

2基于積分圖像[3]的特征值計(jì)算

2.1積分圖像

這里我們利用積分圖像的概念來求矩形特征值，積分圖像原理可用如圖5表示：

圖5

坐標(biāo)（x，y）的積分圖像就是坐標(biāo)（x，y）左下角圖片的像素值和，定義為：

[ii（x，y）=x'≤x，y'≤yi（x'，y'）]

其中ii（x，y）表示積分圖像，i（x，y）表示圖像對(duì)應(yīng)（x，y）坐標(biāo)點(diǎn)的像素值。因此，一個(gè)區(qū)域的像素值，可以利用該區(qū)域的端點(diǎn)的積分圖像來計(jì)算，如圖6所示：

圖6

在上圖中，[ii（1）]表示區(qū)域A的像素值，[ii（2）]表示區(qū)域A+B的像素值，[ii（3）]表示區(qū)域A+C的像素值，[ii（4）]表示區(qū)域A+B+C+D的像素值。因此：

區(qū)域D的像素值 = [ii（4）]+[ii（1）]-[ii（2）]-[ii（3）]

由此，可用積分圖像快速得到一個(gè)區(qū)域的像素值。

2.2特征值計(jì)算

由上積分圖像的定義可知，矩形特征的特征值可以由積分圖像計(jì)算出來。以邊緣特征的第二種樣例來說，如下圖，使用積分圖像計(jì)算其特征值：

圖7

該矩形的特征值，由定義為區(qū)域A的像素值減去區(qū)域B的像素值。

區(qū)域A的像素值=[ii（5）+ii（1）-ii（2）-ii（4）]

區(qū)域B的像素值=[ii（6）+ii（2）-ii（5）-ii（3）]

所以該矩形特征值= （[ii（5）+ii（1）-ii（2）-ii（4）]）-（[ii（6）+ii（2）-ii（5）-ii（3）]）

所以，矩形特征的特征值，通過計(jì)算特征矩形的端點(diǎn)的積分圖像，能夠簡(jiǎn)化特征值計(jì)算，不需要adaboost算法計(jì)算所有像素點(diǎn)的值，這也從另一方面提高了檢測(cè)效率。圖8為經(jīng)過實(shí)驗(yàn)對(duì)比采用擴(kuò)展后的Harr-like特征與沒有采用特征圖計(jì)算時(shí)，人臉檢測(cè)速度與圖像分辨率的關(guān)系的實(shí)驗(yàn)數(shù)據(jù)對(duì)比。

圖8

從實(shí)驗(yàn)數(shù)據(jù)可以看出，在圖像分辨率較小的情況下，兩者的檢測(cè)速率相當(dāng)，但在超過256*144的圖像中，采用積分圖像計(jì)算的檢測(cè)速率顯著提升，因此，基于積分圖像的檢測(cè)速率在高幀率圖像的檢測(cè)中有著顯著的應(yīng)用前景。

3視頻流中人臉的幀圖像的Camshift跟蹤

Camshift是對(duì)meanshift算法的一種擴(kuò)展，傳統(tǒng)的meanshift算法針對(duì)的是單幀圖像人臉追蹤，而視頻流中圖像通過幀圖像不斷地捕捉，因此，我們將meanshift擴(kuò)展到連續(xù)的幀圖像中，通過初始化幀圖像中人臉初始位置，進(jìn)行實(shí)時(shí)跟蹤。

3.1 meanshift算法

我們通過攝像頭采集的幀圖像的色彩圖是基于RGB顏色空間表征色彩，而RGB顏色空間在光照變化劇烈情況下顯示出了較為不穩(wěn)定的特性，為了減小跟蹤丟失率，我們將RGB顏色空間轉(zhuǎn)換為HSV空間，并且提取HSV空間中的H分量（顏色的色調(diào)），這比使用完整的HSV空間在計(jì)算量方面會(huì)小很多。利用幀圖像中顏色直方圖計(jì)算各像素點(diǎn)的H分量的分布概率，將此分布概率值替換此像素點(diǎn)的值，這樣就將幀圖像轉(zhuǎn)化為概率投影圖。

算法過程為：

1） 在概率投影圖中選取搜索窗

2） 計(jì)算零階距：M[00]= [xyI（x，y）]

3） 計(jì)算一階距：M[10]= [xyxI（x，y）；] M[01] = [xyyI（x，y）]

計(jì)算搜索窗的質(zhì)心：[xe=M10M00；ye=M10M00]

4） 移動(dòng)搜索窗的中心到質(zhì)心，我們從初始化的幀圖像中獲取人臉中心，在幀圖像變更時(shí)計(jì)算人臉中心與質(zhì)心的距離，如果大于預(yù)設(shè)閥值，就重復(fù)步驟二三。直到距離小于預(yù)設(shè)閥值。式中[I（x，y）]代表[（x，y）]點(diǎn)的分布概率值。

3.2 camshift算法

將meanshift算法擴(kuò)展到視頻流中每幀圖像，就得到了camshift算法。

4 系統(tǒng)設(shè)計(jì)

本系統(tǒng)利用OPencv開源庫(kù)結(jié)合QT開發(fā)環(huán)境進(jìn)行系統(tǒng)開發(fā)，OPencv作為一款計(jì)算機(jī)視覺開源類庫(kù)，具有強(qiáng)大的圖像處理函數(shù)，其提供了諸如安卓，windows等系統(tǒng)的接口函數(shù)。

4.1開發(fā)環(huán)境配置

新建QT項(xiàng)目，在Pro文件中添加下列配置文件

INCLUDEPATH += C：/opencv2.1/include/opencv

LIBS += -LC：/opencv2.1/lib/ -lcv210 -lcvaux210 -lhighgui210 -lcxcore210

或者使用相對(duì)路徑：（但要將opencv2.1的文件夾放在工程目錄下）

INCLUDEPATH += $$PWD/OpenCV2.1/include/opencv

LIBS += -L$$PWD/OpenCV2.1/lib/ -lcv210 -lcvaux210 -lhighgui210 -lcxcore210

4.2設(shè)計(jì)流程

圖9

4.3運(yùn)行結(jié)果

圖10

5總結(jié)

本文研究了視頻流下的人臉檢測(cè)和跟蹤算法，經(jīng)過實(shí)驗(yàn)，系統(tǒng)檢測(cè)效率能達(dá)到20-30幀每秒，具有較高的識(shí)別性，對(duì)于512*288大小的幀圖像實(shí)時(shí)檢測(cè)時(shí)間能達(dá)到140ms。但在光照過強(qiáng)和人臉移動(dòng)速度過快情況下會(huì)造成一定的錯(cuò)誤識(shí)別。后期如何提高算法識(shí)別性能是后期需要研究的重要課題。

參考文獻(xiàn)：

[1] Paul Viola， Michael Jones.Robust Real-time Object Detection，2004

[2] Paul Viola， Michael Jones. Rapid Object Detection using a Boosted Cascade of Simple Features，2001.

[3]Rainer Lienhart and Jochen Maydt.An extended set of Haar-like features for rapid object detection，2005.

[4] Adrian Kaehler.學(xué)習(xí)OpenCV （美）Gary Bradski.2009.

[5]Jasmin Blanchette，Mark Summerfield .C++GUI Programming with Qt4，2007.