盧榮+劉思思+宋權(quán)予+周春暉

摘 要：隨著視頻監(jiān)控的推廣與普及，人們對(duì)監(jiān)控質(zhì)量的要求越來(lái)越高，通過(guò)人臉識(shí)別技術(shù)對(duì)監(jiān)控對(duì)象進(jìn)行身份識(shí)別也逐漸成為市場(chǎng)需求的主流。人臉識(shí)別是包含檢測(cè)和識(shí)別兩個(gè)方向的，該文通過(guò)Adaboost算法進(jìn)行人臉檢測(cè)和識(shí)別的研究，并提出了多算法融合的改進(jìn)Adaboost人臉檢測(cè)算法，通過(guò)驗(yàn)證，可提高人臉識(shí)別的精準(zhǔn)性。

關(guān)鍵詞：人臉檢測(cè) 人臉識(shí)別 Adaboost算法

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2016）11（b）-0108-02

1 研究背景及意義

身份的鑒別可通過(guò)人的生理特征來(lái)進(jìn)行辨別，如人的指紋、掌紋、聲音、虹膜、人臉等，而視頻監(jiān)控中人臉是最為直觀的，不要求被識(shí)別者主動(dòng)配合，通過(guò)視頻監(jiān)控方便采集、智能識(shí)別，成為刑偵、安全驗(yàn)證、身份核對(duì)、智慧城市等多場(chǎng)合的主流技術(shù)，也使得對(duì)人臉進(jìn)行檢測(cè)與識(shí)別成為所有生物特征識(shí)別中最為熱門的研究方向。

典型的人臉檢測(cè)算法方式如下：對(duì)于輸入的作為訓(xùn)練集的特定角度拍攝的人臉圖像（正面或接近正面），首先使用直方圖均衡或標(biāo)準(zhǔn)化、最小化解決由于光照不均對(duì)圖像的影響，然后使用基于知識(shí)或者基于學(xué)習(xí)的方法提取面部模式。基于知識(shí)的方法是用明確的人臉面部規(guī)則特征，比如：人臉眼睛、嘴巴等組成部分，面部紋理特征或皮膚顏色；而基于學(xué)習(xí)的過(guò)程則需要使用特定判別式方程從一系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到。提取的人臉模式，是通過(guò)掃描過(guò)程，即需要使用不同尺度的人臉模式進(jìn)行多次掃描來(lái)定位不同尺度的人臉。

人臉檢測(cè)實(shí)質(zhì)上是一個(gè)二分類的問(wèn)題，即通過(guò)圖片或是視頻監(jiān)控中將人臉和非人臉的區(qū)域相區(qū)別，并把屬于人臉的區(qū)域進(jìn)行標(biāo)注。在這個(gè)課題上的研究，不同學(xué)者提出了不同的解決方案，但是每種方案都有利有弊，目前還沒(méi)有哪種方案是確切地能解決所有難題的。如在實(shí)際應(yīng)用中，分類器訓(xùn)練速度和檢測(cè)速度過(guò)慢，檢測(cè)效率不高；人臉的姿勢(shì)檢測(cè)不夠精準(zhǔn)，尤其是側(cè)臉或是旋轉(zhuǎn)的人臉而不能正確識(shí)別，有漏檢或是誤檢的情況發(fā)生；魯棒性較差，光照、膚色的不同同樣影響著檢測(cè)率等。人臉識(shí)別主要是將檢測(cè)到的人臉圖像與人臉識(shí)別訓(xùn)練樣本庫(kù)中的樣本進(jìn)行比對(duì)，找到最佳的匹配人臉。然而，影響人臉識(shí)別準(zhǔn)確率的因素很多，如訓(xùn)練樣本數(shù)量，分類器的選擇，人臉特征的提取等，故人臉識(shí)別準(zhǔn)確率仍然需要深入研究。

圖1是Rowley提出的人臉檢測(cè)原理圖，此檢測(cè)機(jī)制具有較強(qiáng)的適應(yīng)性，對(duì)不同方位的人臉都可以進(jìn)行檢測(cè)。神經(jīng)網(wǎng)絡(luò)的方式其優(yōu)勢(shì)是獲得人臉檢測(cè)分類器比較容易，但是具有較大的計(jì)算量且算法相對(duì)復(fù)雜，在訓(xùn)練的過(guò)程中，針對(duì)參數(shù)需要修改量過(guò)多，且重在初始值及訓(xùn)練樣本的選擇。

關(guān)于人臉檢測(cè)，國(guó)外的技術(shù)相對(duì)成熟，如德國(guó)及美國(guó)都已成功開發(fā)了人臉識(shí)別系統(tǒng)，同時(shí)給出了人臉檢測(cè)及識(shí)別的樣本庫(kù)，而我國(guó)在人臉識(shí)別理論及技術(shù)方面相對(duì)成熟的機(jī)構(gòu)是：清華大學(xué)（自動(dòng)化系、計(jì)算機(jī)系）、中科院（自動(dòng)化所、計(jì)算機(jī)所）、南京理工大學(xué)等，盡管與國(guó)際水平還相差甚遠(yuǎn)，但是它們?yōu)橹袊?guó)的人臉識(shí)別技術(shù)發(fā)展起到了領(lǐng)頭羊的作用。

2 Adaboost算法

Adaboost算法的速度非?？?，因此稱為第一個(gè)實(shí)時(shí)的人臉檢測(cè)算法，算法對(duì)人臉檢測(cè)的飛速發(fā)展貢獻(xiàn)是巨大的，算法的大致步驟如下：

第一：給定訓(xùn)練樣本，初始化樣本權(quán)重。

第二：訓(xùn)練弱分類器，更新樣本權(quán)重，重復(fù)訓(xùn)練。

第三：將訓(xùn)練所得的強(qiáng)分類器進(jìn)行級(jí)聯(lián)形成最后的人臉檢測(cè)分類器。

Adaboost算法是一種迭代算法，核心思想是針對(duì)同一個(gè)訓(xùn)練樣本集訓(xùn)練不同的弱分類器，再將這些弱分類器聚集構(gòu)成一個(gè)強(qiáng)分類器。該算法根據(jù)每次訓(xùn)練集中每個(gè)樣本是否分類正確以及上一次的總體分類正確率，來(lái)確定每個(gè)樣本的權(quán)值，并將修改過(guò)權(quán)值的新數(shù)據(jù)作為下層分類器的輸入進(jìn)行訓(xùn)練，最終將每次訓(xùn)練得到的分類器融合成最終的強(qiáng)分類器。Adaboost算法通過(guò)調(diào)整訓(xùn)練集中每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)訓(xùn)練強(qiáng)分類器。開始時(shí)，每個(gè)樣本被分配相同的權(quán)重值，如訓(xùn)練樣本集中樣本個(gè)數(shù)為N，則初始化權(quán)重為1/N，在此權(quán)重分布下訓(xùn)練弱分類器。分類錯(cuò)誤的樣本，加大其分類權(quán)重；分類正確的樣本，降低其分類權(quán)重，從而凸顯出被分類錯(cuò)誤的樣本的權(quán)重，最終得到一個(gè)新的樣本權(quán)重分布。在此新的樣本權(quán)重分布下，再次訓(xùn)練弱分類器得到新的分類權(quán)重。依此類推，經(jīng)過(guò)T次迭代，得到T個(gè)弱分類器，按一定權(quán)重疊加，則得出最終的強(qiáng)分類器。

3 Adaboost算法的改進(jìn)

研究表明，Adaboost算法訓(xùn)練人臉檢測(cè)分類器具有一些缺點(diǎn)，如退化現(xiàn)象較嚴(yán)重，訓(xùn)練速度較慢，因此在Adaboost算法的基礎(chǔ)上，該文采用了多算法融合的技術(shù)進(jìn)行了改進(jìn)，即在Adaboost算法的基礎(chǔ)上結(jié)合其他算法共同來(lái)作用于人臉檢測(cè)以提高檢測(cè)的精準(zhǔn)性，比如同膚色檢測(cè)的融合，便可快速?gòu)膱D像中分離出不同的人臉區(qū)域，然后再通過(guò)Adaboost算法對(duì)已分割出的區(qū)域進(jìn)行人臉檢測(cè)，通過(guò)優(yōu)勢(shì)互補(bǔ)，建立一種新型的人臉檢測(cè)的方法。

4 實(shí)驗(yàn)結(jié)果與總結(jié)

通過(guò)圖像集進(jìn)行了人臉檢測(cè)的測(cè)試，并和Adaboost算法訓(xùn)練人臉檢測(cè)分類器的檢測(cè)進(jìn)行了效果的對(duì)比，結(jié)果如表1所示，針對(duì)80張圖片中的各個(gè)方位的人臉共計(jì)380個(gè)進(jìn)行了檢測(cè)。

實(shí)驗(yàn)數(shù)據(jù)可得出改進(jìn)的Adaboost算法具有較高的檢測(cè)準(zhǔn)確率，同時(shí)又有較低的誤檢窗口數(shù)量，釆用新的樣本權(quán)重更新規(guī)則對(duì)退化問(wèn)題能起到一定的抑制作用，既提升了每個(gè)最佳弱分類器的性能，又使串級(jí)分類器整體的檢測(cè)性能得到提高。

參考文獻(xiàn)

[1] 岳雷.人臉表情識(shí)別新算法研究[D].北京理工大學(xué)，2015.

[2] 齊光景.基于fast-Adaboost算法的人臉檢測(cè)與識(shí)別方法研究[D].太原理工大學(xué)，2014.