凌鵬程

摘 要：伴隨城鎮(zhèn)化的進展，在測控以及監(jiān)管流動人口部分，給政府人員的巡查以及監(jiān)管帶來一定難度，首先概述了人臉檢測方法，包括人臉檢測方式和學習策略，進而研究了AdaBoost人臉檢測算法，包括算法基本流程、Haar長方形特征、AdaBoosting級聯分類裝置。給出人臉特征獲取，圖像空間映射和主分量解析算法，最后分析了AdaBoost方法訓練方法和檢測算法、誤檢與漏檢情況。

關鍵詞：人臉檢測；AdaBoost；圖像空間映射；主分量解析

中圖分類號：TB 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2018.17.097

1 引言

由于人臉檢測成為身份認定的主要方式，并且應用在現有的民用、商業(yè)的行業(yè)中，并得到好的發(fā)展。此外，國家為構建安定和諧社會，國內加強針對經濟領域，刑事犯罪領域的攻擊力度。并且在安全控制者實現犯罪事件的處理中，常將犯罪人員的相片以及特點材料公布給社會。但選取該方式會消耗大量人力以及財力，并且由于犯罪人員的狡猾以及偽裝特點該方式效率低而代價大。若選取人臉檢測方案，能夠提升處理效率，譬如在主要的車站模塊，碼頭模塊，機場模塊以及海關部分裝設攝像裝置能夠錄入出入者的人臉特征，將獲取的人臉特點在數據集合中和犯罪人員的面部特點實現比較，得到精準的身份認證，便于處理犯罪人員的自動報警，該方式給安全防護人員給出了強大的策略支撐。

本文結合AdaBoost方法和Haar like特點劃分算法，針對人類皮膚顏色選取meanshift策略和人眼算法二值化實現決策化結合，并依據視頻時序特征完成搜索。

2 人臉檢測方法概述

2.1 人臉檢測方式

人臉檢測即采用給定的錄入圖像判定能否包含人臉區(qū)域，若包含，則應當給定人臉區(qū)間的大小，方位以及姿勢等相關信息。人臉檢索包含人臉的多樣特征，遮擋特征，復雜背景算法以及人臉狀態(tài)的作用?？蒲腥藛T選取圖像檢索策略處理了人臉檢測問題。基于知識算法的人工識別方案包含針對人臉模型的判別，采用規(guī)則實現人臉檢測，譬如人臉的對稱性，并且選取簡約的規(guī)則給出兩者之間的關聯，并且轉換為相應的測算，采用解析算法構建人臉校驗方案。若該方案較為簡單并且容易實現，因而有可能出現漏檢的狀況。

2.2 學習策略

采用學習策略獲取大部分人臉以及非人臉的訓練算法，進而利用機器學習算法構建分類裝置，采用分類裝置實現人臉檢測。采用學習策略搜索人臉和機器方法的處理性能以及訓練樣本算法的實際表現能力相關，與采用知識算法的策略比較，專門針對復雜環(huán)境的算法存在較好的魯棒性。

2.3 本章小結

采用人臉檢測方法能夠完成身份鑒別，并給出相關標準，在商務行業(yè)中得到相關應用。在靜態(tài)圖像中得到實時的圖像配準算法成為現有的計算機行業(yè)的檢測重點。此外，針對監(jiān)控序列中的人臉檢測算法實現拓展，并且在人臉檢測識別中融入姿勢，面部狀況等因素。

3 AdaBoost人臉檢測算法

3.1 AdaBoost人臉檢測算法概述

AdaBoost人臉檢測算法人臉檢測裝置主要包含三個模塊，其一為Haar長方形特征；其二為Adaboost分類裝置；其三為分類裝置的級聯算法。

3.2 AdaBoost人臉檢測算法基本流程

3.2.1 Haar長方形特征

Haar特征包含三個部分，水平模塊以及垂直模塊的邊緣特征，水平特征以及垂足模塊的線性特征以及對角特征。Haar長方形模塊中包含白色以及黑色的顏色標定，此外針對Haar的矩陣算法給定特征結果為白色矩陣中的像素并且除去黑色矩陣中的像素和。為測算Haar特征，Viola以及Jone給出積分算法，選取該方法能夠完成圖像實現快速測算。

3.2.2 AdaBoosting的訓練算法

針對24*24的檢測模塊，其矩形框的數目高達四萬個左右，為獲取相應的矩形算法的特征，需要針對特征點的集合進行計算，由于計算數目較大，因而Viola選取Adaboot方法算法得到弱分類裝置，進而構建得到強分類裝置。

3.2.3 級聯的分類裝置

人臉檢測算法是一個非堆成算法的分類模塊，即選取大部分訓練樣本的簡單分類準則實現劃分，并選取單位級聯裝置實現級聯，各個單位的分類裝置在訓練時能夠得到較好的檢測結果，而采用單層級分類裝置實現級聯能夠得到較高的校驗效率。

3.3 人臉特征獲取

3.3.1 特征獲取

人臉檢測包含主要模塊的特征獲取，其首要的目標為把檢測得到的人臉圖像提取并且轉換為人臉特點模塊，能夠實現降低空間維度的作用，能便于之后的分類。特征獲取的主要性能為加速、簡化測算速率以及識別算法中的精確程度，為實現以上幾個模塊，本文選取除去圖像的繁雜信息和獲取特點向量算法實現人臉檢測功能。

3.3.2 圖像空間映射

為實現迅速高效的圖像解析和處理，常用的方法即將給定的圖像空間采用映射的算法透射到另外一個空間，并且采用該轉換算法實現分析，常見的轉換算法為K-L變換，傅里葉變換，小波變換算法以及Z變換算法。由于人臉為非剛性模塊，想要表述人臉特性，即應保障很高的維數特點形成繁雜的計算算法。

3.3.3 主分量解析算法

主分量的解析算法選取信息縮小的算法得到正交變換模型，把初始的高維算法轉換到信息壓縮之中，實現初始信息的關聯消除，進而使得信息的排布變得緊密，給分類的處理方法得到好的方法。

3.4 本章小結

本章主要給出采用視頻監(jiān)測的人臉檢索方法，并且分析了當前的主要人臉檢索方法，詳細地給出Adaboosting的人臉校驗方法，其中包含Haar長方形特點，訓練分化以及級聯層級算法，進而采用主分量分析算法獲取人臉特點。

4 AdaBoost方法訓練方法和檢測算法

4.1 訓練方法

一個Haar特點即為一個弱分類裝置，由于各個人臉的樣本Haar數目較多，并且Haar參量并不能體現人臉灰度結果。AdaBoost訓練算法首先將人臉特點用作弱分類算法。將人臉訓練分為四個部分：其一為訓練樣本；其二為獲取Haar特點；其三弱分類裝置選??；其四為級聯方法的強分類算法級聯。

4.2 AdaBoost方法訓練過程

（1）獲取樣本，AdaBoost訓練樣本包含人臉和非人臉樣本，即依據光線，姿勢，裝飾以及表情等模塊的樣本訓練，完成尺寸統(tǒng)一和光照平衡。

（2）haar特點獲取，具體分析和測算如上個章節(jié)。

（3）弱分類裝置獲取，各個Haar特點即為一個弱分類裝置，本文測算Haar方位特點，統(tǒng)籌樣本數據

（4）級聯分類，基于AdaBoost訓練，完成弱分類裝置的選取和提升，增強分類裝置。

4.3 檢測算法

實際生活中人臉圖像的尺度存在差別，因而需要構建多層級的人臉檢測算法，本文主要選取以下兩類方法：其一為保障窗體不變，但按照比例縮小圖像的尺度，該方法需要較長時間處理圖像尺寸；其二為在檢測圖像恒定的狀況下，按照比率放大窗體，獲取全部特征。

4.4 誤檢與漏檢情況

AdaBoost算法在人臉檢測方法中具有監(jiān)測效率高，持續(xù)性好的特點，但誤檢和漏檢的狀況也時有發(fā)生。

誤檢：AdaBoost根據人臉不同區(qū)間的灰度差值為依據，依照灰度差別條件判別人臉。由于該方法自身的局限性，需要對檢測值完成反復校驗。

漏檢：AdaBoost檢測方法也有對人臉檢測失誤的狀況，當人臉轉換角度較大時，由于特征獲取并不完備，且OpenCV人臉訓練的樣本均以正面的人臉為多，使得人臉易產生檢索失誤的狀況。

4.5 結論

以上主要分析了 AdaBoost方法訓練方法和檢測算法，給出特征檢測和計算方法，并給出AdaBoost方法訓練方法和檢測算法，AdaBoost方法訓練過程，具體的檢測算法，誤檢與漏檢情況。

5 總結

選取人臉檢測方案，能夠提升處理效率，譬如在主要的車站模塊，碼頭模塊，機場模塊以及海關部分裝設攝像裝置能夠錄入出入者的人臉特性，并且將獲取的人臉特點在數據集合中和犯罪人員的面部特點實現比較，進而得到精準的身份認證，并且便于處理犯罪人員的自動報警，該方式給安全防護人員給出了強大的技術支撐。

本文首先研究了AdaBoost方法的人臉檢測方法的意義。進而概述了人臉檢測方法，即采用人臉檢測方法能完成身份鑒別，并給出相關標準，在商務行業(yè)中得到相關應用。在靜態(tài)圖像中得到實時的圖像配準算法成為現有的計算機行業(yè)的檢測重點。此外，針對監(jiān)控序列中的人臉檢測算法實現拓展，并且在人臉檢測識別中融入姿勢，面部狀況等因素。

然后采用視頻監(jiān)測的人臉檢索方法，分析了當前的主要人臉檢索方法，詳細地給出AdaBoosting的人臉校驗方法，其中包含Haar長方形特點，訓練分化以及級聯層級算法，進而采用主分量分析算法獲取人臉特點。

最后分析了 AdaBoost方法訓練方法和檢測算法，給出特征檢測和計算方法，并給出AdaBoost方法訓練方法和檢測算法，AdaBoost方法訓練過程，具體的檢測算法，誤檢與漏檢情況。

參考文獻

[1]E L Andrade，R B Fisher.Simulation of Crowd Problems for Computer Vision[C].Proceedings of the First International Workshop on Crowd Simulation，2015：71-80.

[2]丁銳，劉甲甲，李柏林，馬靜恒，熊鷹，王凱.改進的Otsu圖像多閾值分割方法[J].計算機應用，2013，（S1）：214-217.

[3]陳博華，戴少鵬.基于OpenCV的圖像處理方法[J].電子技術與軟件工程，2015，（19）：125.

[4]季玉龍，楊光，戈文一.基于粒子濾波的目標主動輪廓跟蹤算法[J].電子科技大學學報，2015，（01）：91-96.