白燕

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065）

0 引言

人工智能科學(xué)的產(chǎn)生要求計(jì)算機(jī)在觀察和尋找信息時(shí)具有主觀能動(dòng)性，這就使得機(jī)器視覺(jué)的地位變得舉足輕重，而人臉視覺(jué)分析處理作為機(jī)器視覺(jué)的重要任務(wù)，越來(lái)越受到人們的關(guān)注和重視。當(dāng)圖像處理的技術(shù)發(fā)展日趨成熟時(shí)，人臉檢測(cè)的應(yīng)用隨之?dāng)U大化，在監(jiān)獄管理、海關(guān)身份認(rèn)證、公安系統(tǒng)、治安監(jiān)控、視頻會(huì)議以及智能身份證等方面均得到重要應(yīng)用。當(dāng)前人臉檢測(cè)的主要研究難點(diǎn)是：如何在人臉多樣性的前提下，創(chuàng)建準(zhǔn)確分布模型；如何在復(fù)雜背景中準(zhǔn)確保留人臉區(qū)域；如何在人臉多樣性前提下提高系統(tǒng)識(shí)別率，使人臉檢測(cè)更加集中快速以適應(yīng)社會(huì)高實(shí)時(shí)性的要求。

人臉作為一種復(fù)雜結(jié)構(gòu)，臉部的細(xì)節(jié)千變?nèi)f化，因?yàn)槟w色、形狀等的不同，而且可能有胡須、口罩、眼鏡、等人為所加的物品，同時(shí)人臉也可能會(huì)受光照的影響，所以人臉的模式經(jīng)常變化。在這種情況下，如果可以解決上述難題，開(kāi)發(fā)出一個(gè)非常優(yōu)秀而實(shí)用的人臉檢測(cè)系統(tǒng)，將具有非常巨大的價(jià)值和重要的意義。目前對(duì)靜態(tài)圖像的人臉檢測(cè)有四種基本方法，分別是：基于知識(shí)的方法（Knowledge-based Methods）、基于特征不變的方法（Feature Invariant Approaches）、基于模板匹配的方法（Template Matching Methods）、基于外觀的方法（Appearance-based Methods）。本文所述的基于Ada-Boost的人臉檢測(cè)算法就屬于所列的第二類——基于特征不變的方法，該算法在檢測(cè)速度、準(zhǔn)確性等方面具有一定的優(yōu)勢(shì)。

1 算法綜述

AdaBoost算法作為Boosting算法的后續(xù)發(fā)展，是Boosting算法經(jīng)過(guò)改進(jìn)得到的[1]，它具有自適應(yīng)的特點(diǎn)。AdaBoost算法的自適應(yīng)性表現(xiàn)在它不需要預(yù)先知道其中弱分類器的分類誤差，它是由大量弱分類器組成的強(qiáng)分類器分類效果的好壞來(lái)決定組成強(qiáng)分類器的所有弱分類器的分類效果，這樣就可以探究出利用弱分類器進(jìn)行分類泛化和推廣的能力。具體來(lái)說(shuō)，就是從一個(gè)較大的特征中選擇少量關(guān)鍵的特征（被選取的特征應(yīng)該同時(shí)滿足以下兩個(gè)特性：強(qiáng)獨(dú)立性及對(duì)特征具有較強(qiáng)的區(qū)分程度）使其變?yōu)橐粋€(gè)能夠高效進(jìn)行分類的高強(qiáng)分類器，然后再通過(guò)一級(jí)一級(jí)聯(lián)結(jié)的方式將各個(gè)單個(gè)的高強(qiáng)分類器聚合為級(jí)聯(lián)分類器，從而致使圖像的背景極快的被丟棄，然后便可在圖像的可能存在區(qū)域進(jìn)行相應(yīng)較多的計(jì)算[2]。

這種方法的突出貢獻(xiàn)在于：其一，它引入一種新的圖像表示方法——積分圖，利用積分圖可快速判別出人臉檢測(cè)時(shí)所用的特征；其二，AdaBoost算法的優(yōu)點(diǎn)，就是能夠從一個(gè)大的特征中進(jìn)行選擇，然后它會(huì)集中其中一小部分關(guān)鍵的特征來(lái)生成一個(gè)簡(jiǎn)單有效的分類器；其三，有很多時(shí)間來(lái)計(jì)算人臉區(qū)域，因?yàn)橛眉?jí)聯(lián)方式來(lái)構(gòu)建分類器最大的好處就是區(qū)分背景非常快。

近年來(lái)，AdaBoost算法已成為檢測(cè)技術(shù)中最流行的Boosting算法，在所有的模式識(shí)別算法中，此算法也比較流行，這是首個(gè)具有實(shí)時(shí)性的檢測(cè)方法，它的這一優(yōu)點(diǎn)，激勵(lì)了人們?cè)趯?shí)時(shí)性的人臉檢測(cè)算法方面的研究。2001年Viola和Jones[3]初步構(gòu)建了一個(gè)基于Ada-Boost算法的用于人臉檢測(cè)的系統(tǒng)框架，這個(gè)框架在高速處理圖像的同時(shí)還具有較高的檢測(cè)率。2002年Stan Z.Li[4]提出一種FloatBoost多視角的方法，這種算法同基于AdaBoost的算法相比，能利用較少的弱分類器達(dá)到與AdaBoost算法一樣或更高的分類正確率。2007年，Duy-Dinh.Le和 Shin’ichi.Satoh[5]提出了 Ent-Boost算法，該方法是通過(guò)一種度量——熵來(lái)學(xué)習(xí)弱分類器，信息熵用來(lái)確定最優(yōu)分類區(qū)間的數(shù)目，利用Ent-Boost方法訓(xùn)練的強(qiáng)分類器具有較好的分類能力。經(jīng)過(guò)多年的發(fā)展，基于AdaBoost的檢測(cè)算法不斷優(yōu)化，檢測(cè)率得到很大的提高。

2 實(shí)現(xiàn)細(xì)節(jié)

AdaBoost算法選擇使用Haar-like特征，它是由臉部的灰度分布特征決定的，Haar-like特征是計(jì)算機(jī)視覺(jué)領(lǐng)域一種比較常用的特征描述算子，具有提取速度快、計(jì)算比較簡(jiǎn)單的特點(diǎn)，一般應(yīng)用于灰度圖像中，是基于積分圖的特征。AdaBoost算法首先提取圖像中的Haar-like特征，再通過(guò)訓(xùn)練從中選出最優(yōu)的Haar-like特征，然后將訓(xùn)練得到的相應(yīng)特征轉(zhuǎn)換為弱分類器，最后再將上述弱分類器進(jìn)行相應(yīng)的優(yōu)化組合，最終用于檢測(cè)。

2. 1 Haar-like特征

在基于AdaBoost的人臉檢測(cè)方法中最常用的是Haar-like特征[6]，Haar-like特征是一種類似于Haar小波的簡(jiǎn)單矩形特征，共有三種類型：邊緣特征、線性特征和中心特征，如圖1所示，特征模板中包含黑色與白色兩種矩形，特征值為白色矩形減去黑色矩形的值，體現(xiàn)了圖像的灰度變化。

（1）邊緣特征

（2）線性特征

（3）中心特征

圖1 Haar-like特征

所有的矩形特征都可以用r=(x ,y,w,h,α )這個(gè)五元組來(lái)表示，其中x,y為坐標(biāo)軸的基坐標(biāo)，w表示該矩形特征的寬，h則為高，而α是旋轉(zhuǎn)的角度。

2. 2 積分圖

鑒于矩形特征太多，而求算相應(yīng)特征值也很麻煩，因此我們利用積分圖以達(dá)到快速計(jì)算的目的，此方法的優(yōu)點(diǎn)是不用再次計(jì)算所測(cè)區(qū)域的像素和，積分圖如圖2所示。

（1）傾角為0度的矩形特征的SAT( )x,y計(jì)算公式以及像素和Rectsum（r）的計(jì)算公式為：

其中I(x',y')表示像素點(diǎn)(x',y')的像素值。

（2）旋轉(zhuǎn)角度為45度的矩形特征的TSAT(x ,y)計(jì)算公式以及像素和Rectsum（r）的計(jì)算公式為：

圖2 積分圖

2. 3 生成弱分類器

矩形特征數(shù)量和特征值被確定之后，我們需要對(duì)每一個(gè)特征 f訓(xùn)練出一個(gè)弱分類器，定義一個(gè)弱分類器h(x ,f,p,θ)，找出 f的最優(yōu)解，使得這個(gè)弱分類器對(duì)所有的訓(xùn)練樣本的分類誤差最低。

其中x是待檢子窗口，f(x)是計(jì)算特征值的函數(shù)，θ是通過(guò)訓(xùn)練得到的特征值的閾值，p表示不等式的方向，取值為+1或-1。

2. 4 分類器訓(xùn)練過(guò)程

（1）h(x ,f,p,θ)是弱分類器的學(xué)習(xí)算法，T是循環(huán)迭代次數(shù)。

（2）用下面的公式對(duì)所有樣本權(quán)值初始化

其中m為人臉樣本，l為非人臉樣本的數(shù)目。

（3）for t=1:T

①調(diào)用上面的弱分類器的學(xué)習(xí)算法，計(jì)算加權(quán)分類的誤差，據(jù)此選取一個(gè)弱分類器并記錄其相應(yīng)的特征：f，p，θ。

②定義hi(x)=h(x,fi,pi,θi)，其中 fi,pi,θi是 εi的最小化因子。

③令：

④更新權(quán)重：

2. 5 輸出最終的強(qiáng)分類器

3 實(shí)驗(yàn)結(jié)果

AdaBoost算法因?yàn)椴捎昧朔诸惼鞯募?jí)聯(lián)而有效提升了系統(tǒng)效率，它能夠保證較快排除非人臉區(qū)域。AdaBoost算法具備速度快與精度高等優(yōu)點(diǎn)，系統(tǒng)性能總體十分良好，穩(wěn)定性也很高，但是也有較為明顯的缺點(diǎn)，例如用弱學(xué)習(xí)算法進(jìn)行訓(xùn)練分類器的時(shí)候，花費(fèi)了大量的時(shí)間計(jì)算矩形特征值，時(shí)間復(fù)雜度比較高，若對(duì)訓(xùn)練過(guò)程進(jìn)行優(yōu)化會(huì)提高檢測(cè)效率，同時(shí)對(duì)噪聲極為敏感，在有背景復(fù)雜干擾時(shí)，檢測(cè)能力比較差。表1為在不同實(shí)驗(yàn)環(huán)境下本算法檢測(cè)人臉的實(shí)驗(yàn)結(jié)果，效果良好。表2為相同實(shí)驗(yàn)環(huán)境下本算法與其他幾種經(jīng)典算法實(shí)驗(yàn)結(jié)果對(duì)比，可以看出，基于AdaBoost的檢測(cè)方法相比其他算法檢測(cè)速度快，準(zhǔn)確率高，綜合性能良好。

表1 部分實(shí)驗(yàn)結(jié)果

表2 幾種方法實(shí)驗(yàn)結(jié)果比較

4 結(jié)語(yǔ)

在人臉檢測(cè)技術(shù)的發(fā)展歷程中，基于AdaBoost的算法一直是受人矚目的，它的高效優(yōu)越性能使得實(shí)時(shí)檢測(cè)得以實(shí)現(xiàn)，因此在近年來(lái)被很多研究者青睞[7]。在速度和精度方面，精度的研究己經(jīng)具有較成熟的理論和模型，亦可達(dá)到良好的效果，而速度的研究則在很長(zhǎng)一段時(shí)間內(nèi)成為人臉檢測(cè)相關(guān)領(lǐng)域的研究熱點(diǎn)。現(xiàn)在的研究方向一般集中在保證檢測(cè)系統(tǒng)精度和穩(wěn)定性的情況下，提高系統(tǒng)速度以達(dá)到實(shí)時(shí)檢測(cè)的目標(biāo)。系統(tǒng)速度通常包括訓(xùn)練和檢測(cè)兩個(gè)部分，而AdaBoost算法的檢測(cè)速度非?？?，已能夠進(jìn)行實(shí)時(shí)的檢測(cè)[8]。

隨著經(jīng)濟(jì)社會(huì)的發(fā)展，人們對(duì)人臉檢測(cè)在安全、快速、高效等方面的要求越來(lái)越高，大量有關(guān)算法陸續(xù)被提出，人臉檢測(cè)系統(tǒng)的研究也愈來(lái)愈深入。為了建立更完美更可行的人臉檢測(cè)系統(tǒng)，達(dá)到通過(guò)人臉高效識(shí)別身份的目的，筆者認(rèn)為以下幾個(gè)方面值得繼續(xù)深入研究：在單一的環(huán)境下檢測(cè)人臉很簡(jiǎn)單，但是在各種復(fù)雜背景和不同光照的情況下精確檢測(cè)人臉卻很困難很復(fù)雜，如何找到這樣的方法是一個(gè)值得研究的問(wèn)題；可以建立由更多人臉樣本組成的人臉數(shù)據(jù)庫(kù)，幫助解決更復(fù)雜的問(wèn)題；在人臉檢測(cè)的過(guò)程中，可以把人臉與語(yǔ)音、指紋、虹膜等其他特征結(jié)合起來(lái)，成為一種新的身份鑒別方法，以此更精確地識(shí)別身份。