廖周宇 王鈺婷 陳科良

（河池學(xué)院計算機與信息工程學(xué)院 廣西壯族自治區(qū)河池市 546300）

1 引言

人臉檢測是指對電子設(shè)備采集到的圖像進行搜索，找到所有可能是人臉的位置，并返回人臉位置和大小的過程。人臉識別中搜索部分所有操作都是基于人臉檢測的結(jié)果上進行，所以人臉檢測是人臉識別的一個關(guān)鍵環(huán)節(jié)，檢測效果的好壞直接影響到人臉識別的效率和效果。因此，本文研究與實現(xiàn)一個對正臉、側(cè)臉、仰臉、垂頭臉、遮擋臉等不同姿態(tài)人臉圖像都有較好的檢測效果的人臉檢測算法具有一定的應(yīng)用價值和意義。

2 原檢測算法不足及解決新途徑

目前OpenCV 庫中的級聯(lián)檢測器主要有正臉、左側(cè)臉、眼睛、嘴巴、鼻子等HAAR 級聯(lián)檢測器，但直接使用OpenCV 庫進行人臉檢測會存在以下問題：

（1）檢測范圍小，只能直接檢測出正臉和左側(cè)臉，對于局部遮擋臉、右側(cè)臉、仰頭臉、低頭臉等基本檢測不出來。

（2）檢測結(jié)果不準確，利用OpenCV 庫進行人臉檢測返回的是一個矩形位置，但是該矩形存在著重復(fù)人臉矩形結(jié)果、非人臉矩形結(jié)果，導(dǎo)致檢測結(jié)果雜亂。

（3）檢測人臉包含過多背景，利用OpenCV 庫中的檢測算法進行人臉檢測得到的人臉范圍往往比較大，把多余的部分背景也包含其中了。

（4）檢測圖像占用空間大，檢測耗時長。

綜上所述，要想設(shè)計和實現(xiàn)一個更優(yōu)的人臉檢測算法，需要解決上述問題。因此，本文的人臉檢測算法針對上述問題進行解決，解決新途徑如下：

（1）算法除實現(xiàn)基本的正臉檢測之外，還需實現(xiàn)側(cè)臉檢測、結(jié)合鼻子和嘴巴的五官臉檢測，使算法對正臉、側(cè)臉、仰臉、垂頭臉、遮擋臉等不同姿態(tài)人臉都有較好的檢測效果，達到擴大檢測范圍的目的。

（2）設(shè)置篩選算法把不是人臉的結(jié)果以及重復(fù)人臉結(jié)果過濾掉，提高檢測結(jié)果的準確率。

（3）本算法通過設(shè)置精確人臉位置算法，去除多余的背景。

（4）在確保對檢測效果影響非常小的前提下，犧牲一定的圖像質(zhì)量縮短檢測時間。

3 基于HAAR級聯(lián)分類器

HAAR 級聯(lián)分類器是采用積分圖方法和高效率的Haar-like 特征來進行底層特征提取，且把AdaBoost 算法所訓(xùn)練出來的強分類器進行級聯(lián)，最終形成的正確率極高的級聯(lián)分類器。它有以下兩個體系：

圖1：積分圖構(gòu)建流程圖

（1）訓(xùn)練體系是通過積分圖來計算人臉樣本集和非人臉樣本集的Haar-like 特征得到特征集，根據(jù)特征集生成最初弱分類器集，從弱分類器集選出最優(yōu)弱分類器，之后用Adaboost 算法訓(xùn)練出強分類器集，對強分類器級聯(lián)生成HAAR 級聯(lián)分類器。

（2）檢測體系以電子設(shè)備采集的圖像作為輸入，以一定的擴大比例來不斷初始化搜索窗口大小，用初始化大小后的搜索窗口在采集到的圖像中不斷移動，每移動到一個位置，就對搜索窗口內(nèi)的圖像進行特征提取，把提取到的特征用訓(xùn)練好的級聯(lián)分類器判斷，判斷得出搜索窗口的圖像是否含有人臉的結(jié)果。

圖2：原圖和積分圖

圖3：級聯(lián)分類器識別過程圖

3.1 積分圖方法

積分圖是一種犧牲空間換時間的矩陣表示方法，積分圖中的積分主要是求和，積分圖中每個值sum(i,j)是對應(yīng)原圖像src(i,j)左上角方向所有像素值之和，公式如下：

積分圖的構(gòu)建流程如圖1 所示。

根據(jù)圖2 的積分圖，計算邊緣矩形特征的特征值：

可以看出，根據(jù)積分圖來計算矩形特征只需一條加減運算語句，計算特征值的時間復(fù)雜度由原先的O(m*n)降為O(1)，所以通過積分圖可以較大提高特征的計算速度。

3.2 AdaBoost算法

AdaBoost 算法是一種基于Boosting 思想的迭代型的機器學(xué)習(xí)算法，其核心思想是在一個包含正樣本和負樣本的訓(xùn)練樣本集上找到一個最優(yōu)弱分類器，并利用同一個訓(xùn)練樣本集，對弱分類器進行迭代訓(xùn)練得到一系列弱分類器，把這些弱分類器組合構(gòu)成了一個錯誤率很低的強分類器?；贏daboost 算法生成強分類器可以分為以下步驟：

圖4：精確人臉流程圖

圖5：精確人臉效果圖

（1）找到最優(yōu)弱分類器h1。最初的弱分類器集是由一個個最基本的Haar-like 特征組成，通過比較這些弱分類器對訓(xùn)練樣本集分類之后的誤差率，從中選一個誤差率相對最小的弱分類器作為最優(yōu)弱分類器。

注：ε 是誤差率，eo 是樣本分類錯誤數(shù)，N 是樣本總數(shù)。

（2）初始化訓(xùn)練樣本集的權(quán)值S1。比如有N 個訓(xùn)練樣本，最開始每個訓(xùn)練樣本的權(quán)值都為1/N。

圖6：五官人臉檢測流程圖

（3）利用弱分類器h1 對訓(xùn)練樣本集進行學(xué)習(xí)（分類），得到誤差率ε，利用誤差率ε 計算弱分類器h1 在強分類器中占的權(quán)重 。

（4）重新調(diào)整樣本的權(quán)值，即提高被分類錯誤樣本的權(quán)值，使其在接下來的分類中被正確分類的可能性提高，調(diào)整公式如下：

注：P1 是權(quán)值集合S1 的和，S1(i)是第i 個樣本在弱分類器h1上占的權(quán)值，S2(i)是第i 個樣本在第二個弱分類器h2 上占的權(quán)值。

（5）根據(jù)權(quán)值集合S2 進行學(xué)習(xí)得到第二個弱分類器。

（6）重復(fù)進行（3）-（5）步的迭代訓(xùn)練，得到弱分類器集hi及其在強分類器中所占權(quán)重集合 。

（7）將訓(xùn)練得到的弱分類器集組合構(gòu)建成一個強分類器H，組合方式如下：

3.3 級聯(lián)分類器

圖7：改進后的人臉檢測算法實現(xiàn)流程圖

由AdaBoost 算法訓(xùn)練得到的強分類器往往存在著兩種情況，一種是強分類器誤識別率低、檢測率也低；一種是強分類器的誤識別率高、檢測率也高。而為了解決這個矛盾，有了級聯(lián)分類器，這是把包含兩種情況的多個強分類器組合在一起，從而達到誤識別率低、檢測率高的效果。因此，根據(jù)對最優(yōu)弱分類器的迭代次數(shù)不同，得到的多個弱分類器集合，這些不一樣的弱分類器集合構(gòu)建成了強分類器集合；由強分類器集合級聯(lián)在一起，組成了一個級聯(lián)分類器。級聯(lián)分類器對人臉的判斷實際是一個個強分類器對人臉判斷的最終結(jié)果，判斷過程如圖3 所示。

圖8：五官人臉檢測效果圖

4 算法實現(xiàn)與實驗

4.1 精確人臉消除背景算法實現(xiàn)

利用OpenCV 庫中的檢測算法進行人臉檢測得到的人臉范圍較大，把多余的部分背景包含進去了，從而導(dǎo)致檢測結(jié)果不準確。所以本文對檢測出來的人臉進行研究，設(shè)計了人臉圖像精確人臉位置的算法，通過精確人臉位置，把多余的背景消除，算法處理流程如圖4 所示。

根據(jù)精確人臉流程圖對人臉圖像進行處理，實現(xiàn)效果如圖5 所示。

4.2 結(jié)合鼻子和嘴巴的五官人臉檢測算法實現(xiàn)

直接基于HAAR 級聯(lián)分類器的人臉檢測雖然對正臉和左側(cè)臉的檢測效果都能達到要求，但是對于仰頭臉、低頭臉、半遮擋臉的檢測效果極差。而鼻子、嘴巴是臉部的重要特征，在正臉、側(cè)臉、仰頭臉、低頭臉、半遮擋臉都能清楚的找到，而HAAR 級聯(lián)分類器雖然沒有對仰頭臉、低頭臉、半遮擋臉圖像進行過訓(xùn)練，但是對鼻子和嘴巴有進行過訓(xùn)練。因此，本算法在基于針對鼻子和嘴巴進行檢測的HAAR 級聯(lián)檢測器設(shè)計了五官臉檢測算法，即通過HAAR 級聯(lián)檢測器定位鼻子和嘴巴的位置，然后通過鼻子和嘴巴的位置、大小來確定人臉的位置和大小，結(jié)合鼻子和嘴巴的人臉檢測流程如圖6 所示。

4.3 改進人臉檢測算法實現(xiàn)

結(jié)合上述兩個算法，本文基于HAAR 級聯(lián)分類器而設(shè)計出的改進后人臉檢測算法實現(xiàn)流程如圖7 所示。

根據(jù)上述算法進行代碼實現(xiàn)，并用不同姿態(tài)人臉圖像進行實驗測試，具體檢測效果如圖8 所示。

5 結(jié)語

本文詳細介紹了HAAR 級聯(lián)分類器的原理，結(jié)合鼻子和嘴巴的五官臉算法、精確人臉去除背景等算法實現(xiàn)流程，并針對OpenCV 庫中人臉檢測算法存在的檢測效率低、檢測人臉范圍小、檢測人臉不精確、檢測人臉包含過多背景等諸多問題進行解決，從檢測范圍、檢測耗時、檢測結(jié)果、檢測人臉等四個方面入手，設(shè)計與實現(xiàn)了結(jié)合五官人臉檢測算法、精確去除背景人臉算法、篩選算法等三個人臉檢測算法。實驗結(jié)果表明，改進之后的人臉檢測算法解決了諸多問題，不僅檢測耗時縮短、結(jié)果更精確、多余背景雜質(zhì)被去除，而且檢測范圍更廣，對正臉、左右側(cè)臉、仰頭臉、低頭臉、半遮擋臉等不同姿態(tài)的人臉圖像都有較好的檢測效果，性能得到了一定程度的提升。