王冉

（西安職業(yè)技術學院 陜西 西安 710032）

基于Android平臺人臉識別算法的應用

王冉

（西安職業(yè)技術學院 陜西 西安 710032）

研究的是基于Android平臺人臉識別算法的應用，針對人臉識別方法進行研究，以提高識別的準確率和速度為目的，選用Haar特征提取的方法作為人臉檢測的主要方法，選用Adaboost算法作為人臉識別的主要算法。在研究過程中出現的難點有人臉的檢測受到外界影響，人臉的檢測誤差率較大，采用增加分類器將多個弱分類器級聯(lián)為強分類器以優(yōu)化算法，本設計已經測試在Android手機上測試成功，同一人不同臉的近似度在90%左右。

人臉檢測；人臉識別；Haar特征；Adaboost算法

人臉識別是先要對人的臉部特征進行信息采樣，再充分利用機器識別技術進行人臉識別，與其他人體生物特征相比，用戶及研究人員更容易獲取人臉信息（可以通過攝像頭等非接觸的方式獲?。四樧R別在身份驗證、視頻監(jiān)控、網絡安全等基于圖像識別和移動通信等方面有著廣泛的應用，是一項具有挑戰(zhàn)性的課題。

1 人臉檢測識別方法簡介

人臉檢測與識別一直是研究者們的重點研究項目，已有的人臉檢測方法有基于先知的方法、特征不變量方法、模板匹配[1]的方法以及基于表象的方法等許多方法，或創(chuàng)新檢測方法或改進現有的檢測方法，目的就是為了提高檢測的速率和準確率。

隨著科技的進步，人臉識別的方法也不斷更新，在分析一些主流的人臉識別方法[2]（例如基于膚色的方法、基于子空間的方法、隱馬爾可夫模型方法、基于神經網絡的方法、支持向量機方法以及基于Adaboost算法的人臉識別方法[3]）的基礎上，經過反復對比最終選擇出最優(yōu)的識別方法。

2 基于Adaboost算法的人臉識別方法研究

2.1 Haar-like特征

早期，研究人員在計算特征值的時候普遍采用的是使用圖像像素點的RGB值（即圖像的強度），圖像較大時計算量大、效率低、而且容易出錯，隨后Papageorgiou等人提出可以使用基于哈爾小波的特征代替圖像強度。Haar-like特征可由圖1表示。

圖1 Haar-like特征矩形圖

2.2 積分圖

維奧拉和瓊斯的一個重要貢獻是使用積分圖。積分圖是一個二維矩形的查找表，與原始圖像具有一樣的尺寸。積分圖的每一個元素是原始圖像在對應位置左上角所有像素的和。設任何區(qū)域內的像素積分如圖2所示。

圖2 積分圖

則： 1點的積分 I1=Sum（Ra）；

2 點的積分 I2=Sum（Ra）+Sum（Rb）；

3 點的積分 I3=Sum（Ra）+Sum（Rc）；

4 點的積分 I4=Sum（Ra）+Sum（Rb）+Sum（Rc）+Sum（Rd）

根據以上分析可知：Rd區(qū)域內的像素之和（積分值）為：

2.3 Haar-like特征舉例

例如我們用haar-like特征來表示人臉的灰度分布[4]，采用圖1 Haar-like特征矩形圖中的（b）特征來表示待檢測人臉的灰度分布，改變矩形框的大小，以haar-like特征來盡可能細化的描述人臉特征，以達到準確率，但同時描述的特征值變多了，計算量也就相應變大了。積分圖就是為了提高計算速率，而Adaboost算法是在許多特征描述中挑選最優(yōu)的特征，從而建立弱分類器，能夠將這些圖像數字化進而進行計算。

2.4 Adaboost分類器設計

1）Adaboost算法步驟

①給定（Given）訓練樣本集S，正例樣本用X來表示、負例樣本用Y來表示；訓練的最大循環(huán)次數用T來表示；

②初始化樣本權重為1/M，也就是訓練樣本的初始概率分布；

③第一次迭代：（a）使用概率分布相當的訓練樣本，訓練弱分類器；（b）計算弱分類器的錯誤率；（c）設置合適閾值，使誤差最小化；（d）重新設置樣本權重。

2）弱分類器設計

以設計決策樹的思路來設計弱分類器，選取Haar-like特征中3個具有代表性的特征數據來作為判斷輸入是否為人臉的依據，輸入的數據即為待檢測圖片的特征值，而在分類應用中，每一項特征判斷都用一個節(jié)點來表示，每次次判斷的輸出都用相應的路徑來表示，每一種類別都用一個葉子節(jié)點來表示[5]，該葉子節(jié)點也是最終判斷的結果。

3）強分類器的設計

設計好的弱分類器并不能完成識別任務，將兩個弱分類器級聯(lián)，如果還是不能達到就要增加級聯(lián)數目，以此類推，將多個弱分類器級聯(lián)，強分類器就產生。

強分類器的訓練過程如下：

①S集作為輸入訓練樣本集，其中共有M個樣本（包括正樣本X和負樣本Y），訓練的最大循環(huán)次數用T來表示；

②輸入弱分類器的算法、閾值和數目，輸出即為M個弱分類器的級聯(lián)；

④根據弱分類器權重的初步估算，設計出第一個最優(yōu)弱分類器[6]；

⑤調整弱分類器的各權重，從而提高被誤判的樣本的權重；

⑥新樣本和判斷有誤的樣本的新一輪的訓練；

⑦重復循環(huán)執(zhí)行③～⑥步驟，經過T輪后得到T個最優(yōu)弱分類器[6]；

⑧將以上訓練過程得到的T個最優(yōu)弱分類器進行級聯(lián)，就得到強分類器。

3 基于Android平臺Adaboost算法的設計應用

3.1 人臉特征值的描述

前面提到Haar有邊緣特征、線性特征、中心特征和對角線特征4個基本特征[7]，組合后可形成特征模板。在這些特征模板中形成兩種顏色的矩形——分別為黑色和白色，文中定義模板的特征值為白色像素減去黑色像素的結果。影響Harr-like特征的特征值的個數的因素有兩個，一個是選擇區(qū)域的大小[8]，另一個是白色像素和黑色像素矩形框的大小，劃定區(qū)域形成弱分類器，將弱分類器級聯(lián)則形成強分類器。積分圖主要的目的就是計算白色像素區(qū)或者黑色像素區(qū)的像素和，采用積分圖提高了計算速度[9]，提高人臉圖像檢測識別速度。

例如對待檢測人臉[10]劃分窗口，同樣以（b）類haar-like特征來計算，就是該矩形框的黑白像素差[11]，求特征的代碼如下：

其計算量如圖3所示，不同窗口大小計算的特征數量如圖4所示。

圖3 特征值的計算（1）

圖4 特征值的計算（2）

3.2 人臉檢測流程設計

人臉檢測的流程就是選取照片，進行窗口取樣，對輸入的照片分別劃定特征區(qū)域，計算矩形框的黑像素和白像素的差[12]，利用積分圖計算出所有的像素差，設定一定的差值為閾值，如果計算的值不在閾值范圍，則擴大取樣區(qū)域，再次進行特征值[13]的比對，人臉檢測的流程設計如圖5所示。

圖5 人臉檢測流程圖

3.3 人臉識別的處理流程

人臉識別的處理流程主要工作過程為選取照片，進而進行人臉的特征提取[14]，判斷記錄特征鎖定人臉，計算出人臉的個數。

3.4 人臉識別功能測試

在此次軟件測試中，待檢測人臉和有效人臉都是已存儲的照片[15]，操作方便，單人的圖像進行采集做測試如圖6所示，測試給出的信息是：總計張人臉，經過多次驗證該模塊的準確率可達90%左右。

圖6 人臉識別測試

4 結 論

文中對人臉識別方法進行系統(tǒng)研究，以提高識別的準確率和速度為目的，選用Haar特征提取的方法作為人臉檢測的主要方法，選用Adaboost算法作為人臉識別的主要算法，已經在Android手機上測試成功，同一人不同臉的近似度在90%左右，測試證明增加分類器將多個弱分類器級聯(lián)為強分類器優(yōu)化算法，能有效提高識別的準確率。

[1]王麗婷，丁曉青，方馳.一種魯棒的全自動人臉特征點定位方法[J].自動化學報，2010（5）:10-11.

[2]李見為，吳璇.基于視頻的人臉檢測和跟蹤算法[D].重慶：重慶大學，2010.

[3]GUO Yan-wen，PAN Yong-juan，CUI Xiu-fen，et al. Harmonicmaps based constrained texture mapping method [J].Computer Aided Design and Computer Graphics，2015，17（7）:1457-1462.

[4]Lis Z.Learning multi-view face subspaces and facial poseestimation using independent component analysis[J].IEEETransaction on Image Process，2015，14（6）:705-712.

[5]王良民，張建明，詹永照，宋順林.人臉檢測研究現狀和發(fā)展[J].江蘇大學學報：自然科學版，2013（5）:15-16.

[6]Rowley H，Baluja S，Kanade T.Neural networkbased face detection [J].IEEE Pattern Analysis Machine Intellegence，2012，20（1）:22-28.

[7]Yang G Z，Huang T S.Human face detection in a complex background.Pattern Recognition，2011，27（1）:53-63.

[8]盧春雨，張長水，聞芳，等.基于區(qū)域特征的快速人臉檢測法[J].清華大學學報：自然科學版，2011，39（1）:101-105.

[9]Tian Y，Tan T，WangY.Do singular values contains adequate information for face recognition[J].Pattern Recognition，2010，36（3）:649-655.

[10]Moghaddam B，Pentland A.Probabilistic visual learning for object representation.IEEE Trans.Pattern Analysis and Machine Intelligence，2010，19（7）：696-710.

[11]WANG Li-ting，DING Xiao-qing，FANG Chi.A novel method for robust and automatic facial features location [J].ActaAutomatica Sinica，2010，35（1）:9-16.

[12]鄭青碧.基于圖像的人臉檢測方法綜述[J].電子設計工程，2014（4）:23-25.

[13]Zhao W，ChellaPPa R，Rosenfeld A.Face recognition:a literature survey [J].ACM Computing Surveys，2010，35（4）:399-458.

[14]康學雷，邵凌，張立明.一種基于膚色和模板的人臉檢測方法[J].紅外與毫米波學報，2010，19（6）:209-215.

[15]劉黨輝，沈蘭蓀，Kin-Man Lam.人臉檢測研究進展[J].計算機工程與應用，2013（10）:16-18.

Based on the research of Adaboost face recognition algorithm

WANG Ran
（Xi'an Vocational and Technical College，Xi'an 710032，China）

This paper studies the application of face recognition algorithm based on the Android platform.For face recognition method is studied,in order to improve the recognition accuracy and speed for the purpose.Select Haar feature extraction methods as the main method of face detection,Adaboost algorithm is chosen as the main algorithm of face recognition.During the study of the difficulty of a human face detection is affected by the outside world,Human face detection error rate is bigger,use more weak classifier multiple classifiers network it strong classifier to optimize algorithm.This design has been tested on the Android test is successful,the same person different face of approximate degree at around 90%.

facedetection； facial recognition；Haar features； Adaboost algorithm

TP312

A

1674－6236（2017）16-0190-04

2016-06-15稿件編號：201606108

王 冉（1985—），女，陜西西安人，碩士，講師。研究方向：自動控制、電路設計以及Android系統(tǒng)。