快速人臉檢測算法的改進

楊定禮，白秋產(chǎn)，張宇林，趙正敏，唐中一

(淮陰工學院電子與電氣工程學院，江蘇 淮安 223003)

0 引言

人臉檢測在智能人機接口、基于內(nèi)容檢索、數(shù)字視頻處理、安全訪問控制、模式識別等領(lǐng)域有著極為廣泛的應(yīng)用。目前，人臉的檢測方法有很多［1－4］，其中，最為有效的方法是 Viola于 2001 年提出的基于Adaboost算法的人臉檢測方法［5］。這種方法首先采用一種“積分圖”的方法快速地計算出大量的簡單矩形特征;其次，采用Adaboost學習算法從一個較大的矩形特征集中選出少量關(guān)鍵的分類能力較強的矩形特征構(gòu)造出一系列弱分類器;再次，通過線性組合將這些弱分類器組合成一個強分類器，最后通過級聯(lián)算法將多個強分類器合成一個更加復(fù)雜的人臉檢測器。一般在檢測時，用訓(xùn)練好的分類器對圖像按照逐個像素的順序進行檢測，找出人臉區(qū)域。這種方法準確度高，但是消耗的時間較多［6］。本文結(jié)合視頻編碼中尋找最佳匹配塊的方法，提出在對圖像進行檢測時，采用zigzag字形掃描法及預(yù)先終止技術(shù)，并用實驗證明利用zigzag字形掃描法和預(yù)先終止技術(shù)檢測的速度比按照逐個窗口檢測速度大約提高了11.3%。

1 Adaboost的檢測算法

1.1 矩形特征

矩形特征值是指圖像中兩個或多個形狀大小相同的矩形內(nèi)所有像素的灰度值之和的差值。矩形特征也叫Harr類特征，能有效地區(qū)別人臉與非人臉。為了更好地檢測人臉，Rainer、Lienhart等人將矩形特征進行擴展，引入了旋轉(zhuǎn)的矩形特征，這種擴展的矩形特征共有三類，分別如圖1、圖2、圖3所示。第一類是邊緣特征，反映了圖像邊緣的信息。第二類是線性特征，反映圖像在線性方向上的特征。第三類是中心特征，反映了圖像周圍和中心的差異。本文采用基于擴展的矩形特征［7］。

圖1 邊緣特征

圖2 線性特征

圖3 中心特征

1.2 積分圖

積分圖是圖像從左上角點開始到右下角點所形成的矩形區(qū)域內(nèi)像素之和。對于圖像內(nèi)一點i(x，y)，其積分圖像值為:

圖4中的陰影部分為圖像內(nèi)一點i(x－1，y)的積分圖像值ii(x－1，y)，積分圖像值可以通過下式迭代求得:

其中，s(x，y)是圖像中的點i(x，y)所在列縱坐標不超過該點的所有像素灰度值之和，如圖4中垂直線所示。得到積分圖之后，圖像中任何區(qū)域內(nèi)像素點的和可以通過各點的積分圖像值簡單的計算求得。如圖5中，設(shè)RectSum(1)為區(qū)域A的像素值，RectSum(2)為區(qū)域(A+B)的像素值，RectSum(3)為區(qū)域(A+C)的像素值，RectSum(4)為區(qū)域(A+B+C+D)的像素值，則區(qū)域D的像素值為:

圖4 點i(x，y)處的積分圖像值

圖5 區(qū)域D的像素值

根據(jù)上式可以計算出任何矩形特征的值。如圖1中的邊緣特征，其特征值計算方法如下:

矩形特征值 =黑色區(qū)域的像素值的和－白色區(qū)域的像素值的和

1.3 Adaboost學習算法

Adaboost算法主要是從大量矩形特征中挑選一些重要的矩形特征，構(gòu)成一系列弱分類器，再把多個弱分類器合成一個強分類器，最后將幾個強分類器串聯(lián)成級聯(lián)分類器［8］。

1.3.1 弱分類器

弱分類器就是一些分類能力不強，但是分類精度必須大于50%的分類器。一個矩形特征對應(yīng)一個弱分類器。弱分類器的構(gòu)造方法如下:對于每個特征j，對應(yīng)一個弱分類器hj(x)，則

其中，x是20×20的圖像窗口，hj(x)表示x圖像在第j特征下的特征值。Pj=+1或－1，用來控制不等式方向，θj是閾值。

1.3.2 強分類器

通過訓(xùn)練得到T個分類能力較強的弱分類器，把這T個弱分類器以一定的權(quán)重組合起來就可以得到強分類器，其算法如下:

(1) 給定一系列訓(xùn)練樣本(x1，y1)，(x2，y2)，… ，(xn，yn)，yi=1和0分別代表人臉和非人臉。

(2) 初始化權(quán)重，當 yi=0 時，wt，i=1/2m;當yi=1 時，wt，i=1/2l。其中，m 和 l分別是非人臉樣本和人臉樣本的個數(shù)。

(3)For t=1，2，…T

b)對每一個特征j訓(xùn)練一個分類器hj，使得該分類器只用這個特征進行分類，相應(yīng)的錯誤率為:εj=

c)選擇最小錯誤率εt最小的分類器ht;

d) 更新權(quán)值:wt+1，i=，其中 ei=0 表示xi被正確分類，ei=1表示被錯誤分類，βt=

(4)形成一種強分類器

1.3.3 級聯(lián)分類器

為了進一步提高檢測精度，在得到了強分類器之后，使用一種級聯(lián)的結(jié)構(gòu)將強分類器串聯(lián)成級聯(lián)分類器，在這個級聯(lián)結(jié)構(gòu)中，強分類器一級比一級復(fù)雜，前面幾級只有少數(shù)幾個分類器，而后面的分類器數(shù)目越來越多。由于非人臉圖像會在前面幾級被排除掉，因此，雖然后面的分類器數(shù)目多，但是需要檢測的時間并不多。

2 Zigzag字形掃描方法與預(yù)先終止技術(shù)

2.1 Zigzag字形掃描方法

在檢測時，將圖像按照逐個像素的順序來掃描，并且是逐個像素掃描，這種方法比較準確，但是比較耗時。如果采用如圖6所示的zigzag字形掃描法，可以提高檢測速度。先沿著垂直方向隔一個點進行檢測，然后沿著45度方向檢測，再沿著垂直方向隔一個點進行檢測，如此往復(fù)循環(huán)，則檢測速度提高一倍。

圖6 Zigzag字形掃描路徑

2.2 預(yù)先終止技術(shù)

由于訓(xùn)練樣本的大小為20*20，一旦檢測到人臉，則其相應(yīng)的右邊與下面的(20－1)*(20－1)個點應(yīng)該在剛檢測的人臉的區(qū)域內(nèi)，即使檢測為人臉，也是與前面檢測到的人臉是同一個臉，所以可以直接將其標記為非人臉。這樣不需要進行檢測，既加快檢測的速度，又解決了人臉重復(fù)檢測的問題。

2.3 掃描策略

圖7 正方形掃描路徑

整個檢測過程是:首先將待檢測圖像預(yù)處理為大量的20*20的小窗口，然后按照zigzag字形與正方形掃描方法及預(yù)先終止技術(shù)進行檢測，在經(jīng)過第一級分類器之后，只有很少的窗口被檢測為人臉，再讓它們經(jīng)過第二級分類器、第三級分類器、…、第N級分類器，只有通過所有的分類器，才能確定其為人臉。改進后的人臉檢測過程見圖8，所檢測的圖像如圖9所示。

3 實驗結(jié)果

實驗運行環(huán)境是:Genuine Intel(R)CPU 1.66GHz，2.25GB 的內(nèi)存。操作系統(tǒng)為 WINDOWS XP，軟件環(huán)境為 VC++6.0，OPENCV。實驗時，對100幅圖像進行檢測，先用逐點掃描檢測方法，測得所用的時間，然后用改進后的方法，即zigzag字形掃描方法及預(yù)先終止技術(shù)，測得所用的時間。實驗結(jié)果表明，用改進的方法比用逐點掃描方法，在檢測速度方面平均提高了11.3%。檢測時間的比較結(jié)果見表1。

圖8 改進后的人臉檢測過程

圖9 檢測的圖像

表1 檢測時間比較

4 結(jié)論

在進行人臉檢測時，如果采用逐點掃描方法對檢測窗口進行檢測，則會浪費大量的時間，同時還因為相鄰點的相關(guān)性，同一個臉會被檢測幾次。為了解決這個問題，還要作相應(yīng)的后續(xù)處理。如采用zigzag字形掃描方法及預(yù)先終止技術(shù)，既提高了檢測速度，又解決了人臉被重復(fù)檢測的問題。

［1］Nicolas Farrugia.Fast and Robust Face Detection on a Parallel Optimized Architecture Implemented on FPGA［J］.IEEE Transactions on Circuits and Systems For Video Technology，2009，19(4):597－602.

［2］Junsu Jang，JongHwan Kim.Fast and Robust Face Detection Using Evolutionary Pruning［J］.IEEE Transactions on Evolutionary Computation，2008，12(5):562－571.

［3］Prathap Nair，Andrea Cavallaro.3D Face Detection Landmark Localization and Registration Using a Point Distribution Model［J］.IEEE Transactions on Multimedia，2009，11(4):611－623.

［4］Christopher A，Waring，Xiuwen Liu.Face Detection Using Spectral Histograms and SVM［J］.IEEE Transactions on Systems Man and Cybernetic－ Part B:Cybernetics，2005，35(3):467－476.

［5］Paul Viola，Michael Jones.Robust Real－ time Object Detection［C］.Second International Workshop on Statistical and Computational Theories of Vision－Modeling，Learning，Computing，and Sampling(SCTV ＇01)，Canada，2001:1－25.

［6］范一峰.基于Adaboost算法的人臉檢測研究［D］.杭州:浙江工業(yè)大學，2008.

［7］Liying Lang，Weiwei Gu.Study of Face Detection Algorithm for Real－ time Face Detection System［C］.2009 Second International Symposiun on Electronic Commerce and Security.2009:129－132.

［8］Jianxin Wu，S Charles Brubaker，Matthew D.Fast Asymmetric Learning for Cascade Face Detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30(3):369－382.