關(guān)于Adaboost算法在人臉檢測(cè)中應(yīng)用的研究

劉冉冉，馬慶功，鄭恩興

（1.常州劉國(guó)鈞高等職業(yè)技術(shù)學(xué)校 自動(dòng)化工程系，常州213025；2.江蘇大學(xué) 電氣工程學(xué)院，鎮(zhèn)江212013；3.常州大學(xué)信息中心 ，常州213164）

0 前 言

人臉識(shí)別是生物特性鑒別技術(shù)的一個(gè)主要方向，它涉及圖像處理，模式識(shí)別，計(jì)算機(jī)視覺等多個(gè)研究領(lǐng)域，具有十分廣泛的應(yīng)用前景，多年來(lái)一直是一個(gè)研究熱點(diǎn).相對(duì)于其它指紋識(shí)別、掌紋的識(shí)別及虹膜識(shí)別等征識(shí)別技術(shù)，人臉識(shí)別技術(shù)是最直接、最自然、最容易被人接受的.與其它技術(shù)相比，它具有侵犯性小、較少需要或不需要用戶的主動(dòng)配合、樣本采集方便、應(yīng)用場(chǎng)合廣泛、潛在的數(shù)據(jù)資源豐富、設(shè)備成本低等優(yōu)點(diǎn)［1］.本文重點(diǎn)研究了基于Adaboost算法的人臉檢測(cè)技術(shù)，同時(shí)提出了改進(jìn)措施及算法的優(yōu)化處理.實(shí)驗(yàn)證明，改進(jìn)后的Adaboost算法在檢測(cè)率、誤識(shí)率等方面，都比原方法有了很大的提高［1］.

1 Adaboost算法

基于Adaboost學(xué)習(xí)算法進(jìn)行人臉檢測(cè)的方法是2011年由Violaet a1I提出的，是一種利用級(jí)聯(lián)分類器、積分圖和Adaboost算法的一種人臉識(shí)別技術(shù)，其核心內(nèi)容就是Adaboost算法.其基本思想就是通過一定的方法將大量弱分類器組合起來(lái)，構(gòu)建一個(gè)分類能力較強(qiáng)的分類器.

目前，對(duì)Adaboost算法的研究及應(yīng)用主要體現(xiàn)在分類及回歸問題上，Adaboost算法的特點(diǎn)是利用全部的訓(xùn)練樣本集進(jìn)行訓(xùn)練，主要可以解決回歸問題、多類單標(biāo)簽問題、大類單標(biāo)簽問題、兩類問題及大類單標(biāo)簽問題等［2］.

2 Adaboost算法的檢測(cè)原理與實(shí)現(xiàn)方法

2.1 Adaboost算法的原理

在目前所研究的檢測(cè)方法中，基于Adaboost算法的人臉識(shí)別技術(shù)不僅提高了檢測(cè)的速度而且具有較強(qiáng)的識(shí)別效果.例如僅用200個(gè)具有關(guān)鍵特征集合的樣本，其檢測(cè)率就可以達(dá)到95%以上，不到0.7s的時(shí)間就可檢測(cè)一副106400像素的圖像，較快的檢測(cè)速度及較強(qiáng)的識(shí)別效果使得Adaboost算法稱為檢測(cè)人臉的最好方法［3］.

基于Adaboost算法的人臉檢測(cè)方法框架主要包括三部分：

（1）人臉用特征值表示，特征值的快速計(jì)算用積分圖實(shí)現(xiàn)；

（2）弱分類器可以基于Adaboost算法進(jìn)行構(gòu)建，表示人臉的矩形特征，將弱分類器按照加權(quán)投票的方法構(gòu)建強(qiáng)分類器；

（3）為提高檢測(cè)速度，將訓(xùn)練后的強(qiáng)分類器進(jìn)行串聯(lián)，構(gòu)造成一個(gè)級(jí)聯(lián)檢測(cè)器.

2.2 Adaboost算法的實(shí)現(xiàn)方法

2.2.1 特征值和積分圖

（1）特征值

人臉圖片和非人臉圖片在相同的位置，其優(yōu)勢(shì)矩形特征的特征值大小是不一樣的，可以利用這一特點(diǎn)區(qū)分人臉與非人臉.

圖1是大部分矩形特征對(duì)人臉與非人臉樣本的特征值分布曲線，其中橫坐標(biāo)為樣本總數(shù)，縱坐標(biāo)為特征值大小.大部分特征對(duì)人臉和非人臉樣本的特征值為零的點(diǎn)均集中在46.5%、51.5%的位置，即在全部特征的中間部分.此結(jié)果表明這些矩形特征對(duì)人臉與非人臉無(wú)分辨能力.

圖1 大部分矩形特征對(duì)人臉和非人臉樣本的特征值分布曲線

圖2是少數(shù)矩形特征對(duì)人臉與非人臉樣本的特征值分布曲線.對(duì)于非人臉樣本的分布，特征值為0的點(diǎn)處于所有特征的中間范圍（59.4%），但是對(duì)于人臉樣本，該特征有一致的趨向性，在0點(diǎn)一側(cè)的特征值大約為93.4%，與非人臉樣本相比相差為34%.因此該特征可以對(duì)人臉和非人臉進(jìn)行有效辨識(shí).此結(jié)果表明確實(shí)存在優(yōu)勢(shì)特征，在一定的置信區(qū)間內(nèi)可以區(qū)分人臉和非人臉［4］.

圖2 少數(shù)矩形特征對(duì)人臉和非人臉樣本的特征值分布曲線

（2）積分圖

為了提高檢測(cè)速度，在AdaBoost算法中引入“積分圖”概念.其基本原理如下：坐標(biāo)（x，y）的積分圖可用式（1）表示：

坐標(biāo)（x，y）的積分圖可用ii（x，y）表示，原始圖像為i（x，y），式（2）為ii（x，y）的迭代公式.

其中s（x，y）表示行的積分和，且s（x，－1）＝0，s（－1，y）＝0.只需對(duì)圖像遍歷一次就可以求出一副圖像的積分和.

圖3 積分圖的計(jì)算

積分圖的計(jì)算如圖3所示.其中矩形框A、A＋B、A＋C、A＋B＋C＋D、D中所有像素的像素值之和分別為點(diǎn)“1”、點(diǎn)“2”、點(diǎn)“3”、點(diǎn)“4”、4＋1－（2＋3）的積分圖的值.因此圖像中所有像素值之和都可以用積分圖計(jì)算.

2.2.2 訓(xùn)練過程

在Adaboost算法中通過對(duì)每個(gè)樣本集權(quán)重的調(diào)整來(lái)獲取不同的訓(xùn)練集.首先按照相同的權(quán)重對(duì)n個(gè)樣本訓(xùn)練出一組弱分類器.通過加大分類錯(cuò)誤樣本的權(quán)重、降低分類正確樣本的權(quán)重得到新的樣本分布，在此基礎(chǔ)上在此訓(xùn)練得到下一個(gè)弱分類器，經(jīng)過T次循環(huán)后將得到T個(gè)弱分類器，而最終得到的強(qiáng)分類器就是這T個(gè)弱分類器按一定的權(quán)重疊（boost）起來(lái)［5］.

訓(xùn)練過程如下：

（1）給定一個(gè)訓(xùn)練樣本集：（x1，y1），（x2，y2），…，（xL，yL），gj（xi）代表第i個(gè)訓(xùn)練圖像的第j 個(gè)Haar－Like特征，xi∈X 代表訓(xùn)練樣本的輸入，yi∈Y＝｛1，－1｝當(dāng)值分別為1和－1時(shí)分別表示真樣本和假樣本.

（2）初始化權(quán)重 w1，i＝1／2m，1／2n，其中 m 為真樣本的數(shù)目，n為假樣本的數(shù)目，總樣本數(shù)目為L(zhǎng)＝m＋n.

（3）對(duì)于T輪訓(xùn)練For t＝1，2，…，T：

③在所獲取的簡(jiǎn)單分類器中，找出一個(gè)使得誤差εj最小的弱分類器hj.

（4）最終確定的強(qiáng)分類器為

在檢測(cè)圖像時(shí)，強(qiáng)分類器的分類效果相當(dāng)于所有弱分類器的投票結(jié)果.結(jié)果顯示，在T＝200時(shí)，強(qiáng)分類器獲得最佳檢測(cè)效果.

2.2.3 構(gòu)建層疊分類器

為了更快的提高檢測(cè)速率，采用級(jí)聯(lián)結(jié)構(gòu)將強(qiáng)分類器串聯(lián)起來(lái)構(gòu)成層疊分類器.其過程示意圖如圖4所示.先為系統(tǒng)設(shè)定一個(gè)總的錯(cuò)誤報(bào)警率，當(dāng)訓(xùn)練所得的分類器沒達(dá)到錯(cuò)誤率要求時(shí)，就再加入一層分類器，而每一層分類器經(jīng)Adaboost算法訓(xùn)練后必須滿足當(dāng)層所設(shè)定的檢測(cè)率及錯(cuò)誤報(bào)警率.

圖4 構(gòu)建層疊分類器的過程示意圖

構(gòu)建層疊分類器的算法：

①確定每層層疊分類器的最大誤檢概率f和每層最小檢測(cè)率d.

②確定目標(biāo)誤檢概率Ftarget.

③P：正樣本集，N：負(fù)樣本集.設(shè)置初始誤檢概率F0＝1.0，檢測(cè)率D0＝1.0.

④設(shè)置初始訓(xùn)練的層數(shù)i＝0.

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 訓(xùn)練結(jié)果與分析

表1所示為經(jīng)Adaboost算法訓(xùn)練中所獲得的最優(yōu)弱分類器的平均誤差、迭代誤差和權(quán)重.

表1 訓(xùn)練中最優(yōu)弱分類器的參數(shù)

表中數(shù)據(jù)表明在訓(xùn)練過程中最優(yōu)弱分類器的迭代誤差是呈緩慢上升趨勢(shì)，而迭代權(quán)重卻是下降的，下降的速率也逐漸變小，訓(xùn)練所得的平均誤差＜0.5，訓(xùn)練所得分類器均具有一定的分類能力［6］.

3 Adaboost算法的優(yōu)化

Adaboost算法在人臉檢測(cè)方便雖然具有識(shí)別效果好，檢測(cè)速度高等特點(diǎn)，但是由在人臉有一定傾斜情況下有一定的檢測(cè)盲區(qū)，為了提高算法的檢測(cè)效果，有必要對(duì)原訓(xùn)練算法進(jìn)行優(yōu)化.

3.1 擴(kuò)張Haar特征

對(duì)具有一定傾斜角度的人臉檢測(cè)，若利用基本矩形特征訓(xùn)練所得到的強(qiáng)分類器，經(jīng)常存在漏檢情況，為提高該種情況下的檢測(cè)效果，本文將兩種新的特征矩形加入到訓(xùn)練模板中，如圖5所示.

圖5 兩種新的Haar特征模扳

3.2 優(yōu)化結(jié)果與分析

本實(shí)驗(yàn)采用144個(gè)樣本進(jìn)行比較，表2所示為加入新的特征后的統(tǒng)計(jì)結(jié)果.

表2 引入新特征模板后的檢測(cè)結(jié)果

結(jié)果表明，對(duì)傾斜人臉的檢測(cè)方面，引入新模板后，不僅提高了識(shí)別效果，而且降低了誤識(shí)率，但是同時(shí)增加了訓(xùn)練過程中的時(shí)間，因此，為了提高檢測(cè)效果同時(shí)不增加耗時(shí)，增加新的特征矩形只適用于傾斜角度的人臉識(shí)別［7］.

4 結(jié) 論

本文基于Adaboost算法，重點(diǎn)研究了其檢測(cè)原理及實(shí)現(xiàn)方法，訓(xùn)練結(jié)果表明，訓(xùn)練所得的分類器具有一定的分類能力，但是在具有傾斜角度人臉識(shí)別方面的有檢測(cè)盲區(qū)，針對(duì)這一問題，提出了Adaboost算法的優(yōu)化方法，通過加入兩種新的模版對(duì)分類器進(jìn)行訓(xùn)練，結(jié)果表明，優(yōu)化后的算法極大的提高了強(qiáng)分類器對(duì)傾斜角度人臉的檢測(cè)率.

［1］ 祝 磊，朱善安.人臉識(shí)別的一種新的特征提取方法［J］.計(jì)算機(jī)學(xué)報(bào)，2007，34（6）：122－1251.

［2］ 何東風(fēng)，凌 捷.人臉識(shí)別技術(shù)綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2003，13（12）75－78.

［3］ 陳才扣，王正群，楊靜宇，楊 健.一種用于人臉識(shí)別的非線性鑒別特征融合方法［J］.電子學(xué)報(bào)，2005，26（5）：793－797.

［4］ 何國(guó)輝，甘俊英.PCA－LDA算法在性別鑒別中的應(yīng)用［J］.中國(guó)圖像圖形學(xué)報(bào)，2006，32（19）：208－211.

［5］ 王 聃，賈云偉，林福嚴(yán).人臉識(shí)別系統(tǒng)中的特征提?。跩］.自動(dòng)化學(xué)報(bào)，2005，21（3－7）：53－55.

［6］ 張儉鴿，王世卿，盛光磊.基于小波和DFB－PCA的人臉識(shí)別算法研究［J］.自動(dòng)化學(xué)報(bào)，2007，23（1－2）：253－255.

［7］ 曹 林，王東峰，劉小軍，鄒謀炎.基于二維AdaBoost小波的人臉識(shí)別算法［J］.電子學(xué)報(bào)，2006，28（3）490－494.