一種基于AdaBoost人臉檢測算法在Android平臺的實現(xiàn)

安恒煊，張學(xué)習(xí)，李超，陳文輝，鄒兵

（1.廣東工業(yè)大學(xué)自動化學(xué)院，廣東廣州510006；2.北京航天航空大學(xué)北京100191）

人臉檢測技術(shù)是對輸入的圖像進(jìn)行檢測并判斷是否包含人臉，并且能夠準(zhǔn)確返回人臉出現(xiàn)的位置的一種計算機(jī)自動檢測技術(shù)[1]，目前的人臉檢測技術(shù)主要分為兩大類，一類是基于幾何特征的人臉檢測方法，另外一類是基于統(tǒng)計理論的檢測方法?；趲缀翁卣鞯娜四槞z測方法又可分為3種：基于先驗知識方法、基于特征不變方法、基于模板的方法。傳統(tǒng)的android人臉檢測技術(shù)，是通過基于特征不變的方法來實現(xiàn)的，根據(jù)已知的形態(tài)學(xué)相關(guān)知識找出人臉的特征如眼睛、鼻子、嘴等相關(guān)區(qū)域，然后再進(jìn)行人臉判斷[2]。根據(jù)已知的形態(tài)學(xué)來來檢測人臉，比如通過定位雙眼位置來檢測人臉。指定雙眼來檢測人臉存在主觀問題，如人戴眼鏡多數(shù)情況下會影響人臉檢測的效果。而王延江等利用膚色特征方法將圖像分割成多個候選區(qū)域[5]，然后對分割出來的候選區(qū)域使用小波分解以提取出相關(guān)人臉特征并進(jìn)行分析，然后根據(jù)分析結(jié)果來判斷該區(qū)域是否包含人臉信息，此方法在復(fù)雜的環(huán)境下易出現(xiàn)很大的漏檢率。Viola P等[3-4]于2001年提出的基于Boosting方法是一個實時人臉檢測系統(tǒng)。他們首先用“積分圖”提高了圖像特征計算的速度，增加了系統(tǒng)運行效率。然后采用了AdaBoost方法對提取的特征值進(jìn)行選擇，形成了多個弱分類器并按照各個分類器的權(quán)重組合成一個最終得強(qiáng)分類器，這樣能適應(yīng)多種復(fù)雜的環(huán)境，檢測效果好，OpenCV現(xiàn)提供C、C++、Python通用編程接口，其開放性和實用性得到了大量從事計算機(jī)視覺研究和軟件開發(fā)人員的青睞[5-6]。本文將基于OpenCV開發(fā)的基于統(tǒng)計理論AdaBoost算法成功的移植到了Android系統(tǒng)中，經(jīng)過測試，取得了較好的效果。

1 AdaBoost人臉檢測算法

在計算機(jī)視覺的目標(biāo)檢測中，主要都是基于如下圖所示的過程[7]：

圖1 視覺目標(biāo)檢測過程Fig.1 Visual target detection process

在上面的過程中，特征提取和分類器分類是整個檢測過程的核心部分。圖像的采集一般都是通過傳感器等設(shè)備獲得原始圖片，然后經(jīng)過預(yù)處理，預(yù)處理的目的是為了更好地進(jìn)行特征提取，而特征提取中，首先要考慮提取什么樣的特征，接著需要考慮使用何種分類算法將特征分開并進(jìn)行分類，特征選取和特征計算在AdaBoost人臉檢測算法占有重要地位，這也決定了AdaBoost算法的運行速度[8-9]。

1.1 特征與特征值計算

基于像素的人臉檢測的算法計算成本較高，Haar特征是基于"塊"的特征，能夠降低計算成本，本文主要采用Haar特征，用來進(jìn)行特征提取，并且采用積分圖的方式來計算特征值，由于采用了積分圖，能夠在常規(guī)時間算出每一個特征值，運算效率大大增加。

1.1.1 矩形特征

矩形特征值的定義為兩個不同矩形區(qū)域像素和之差，有以下常見的3種特征類型：2-矩形特征、3-矩形特征、4-矩形特征[10]，分別對應(yīng)如下各圖，如圖。

圖2 矩形特征模板Fig.2 Rectangular feature templates

根據(jù)上述定義，上圖2中的A，B，D的特征值計算公式：

C圖較于A，B，D不同，計算如下：

在上式（1）（2）中，將黑色區(qū)域像素和乘以2，主要是為了使兩種矩形區(qū)域中像素數(shù)目一致。在進(jìn)行特征提取時，可以通過改變特征模板的大小與所處的位置，就可以獲取很多的特征值。單個矩形特征的計算是非常簡單與快速的[11]。由于需要各類原型特征模板及多種尺度在圖像區(qū)域的各個位置進(jìn)行計算，從而導(dǎo)致了特征數(shù)量的總量相當(dāng)大，這勢必會帶來非常大的計算量。假設(shè)W，H分別為圖像窗口的寬度和高度，X=[W/w]，Y=[H/h]，那么對于矩形特征的原型，其特征數(shù)量的計算如下：

根據(jù)公式，在人臉檢測過程中，一個2424的圖像窗口，特征總數(shù)可以超過110 000多個。這將導(dǎo)致后續(xù)的檢測速度很慢，所以Viola等人提出來積分圖的概念。

1.1.2 積分圖

Viola等人在2004年提出了積分圖的概念[12]，加快了矩形特征值的計算速度。積分圖像的定義為：某個像素點的積分圖為圖像原點到該點的矩形區(qū)域內(nèi)的所有像素值之和。另外，在計算積分圖的時候，所使用的像素值為圖像的灰度值，如果圖像為彩色圖像，則需要對彩色圖像進(jìn)行灰度變換。

矩形的積分圖像公式定義如下：

圖3 垂直矩形積分圖像Fig.3 Vertical rectangular integral image

其中I（x′，y′）為圖像在點（x′，y′）處的灰度值，圖像I的積分圖可以使用遞推公式計算：

其中s（x，y）表示為列積分，其意義表示的是圖形點（x，y）及其在y方向上所有圖像點的灰度值之和?？梢钥隙椋?/p>

在使用積分圖的表示方法下，特征值的計算只和圖像的端點有關(guān)。所以不管特征矩陣的位置如何，只要遍歷圖像一次，就可以求得所有圖像子窗口的特征值。

2 AdaBoost分類器

目前在實際中應(yīng)用的人臉檢測方法多為基于AdaBoost學(xué)習(xí)算法的方法。該方法在檢測人臉時實時性比較強(qiáng)，檢測率也比較高。本文主要采用AdaBoost算法在Android系統(tǒng)上實現(xiàn)人臉檢測。

AdaBoost算法是由Freund和Schapire在1995年提出來的[13]，其核心思想是通過訓(xùn)練獲得多個弱分類器，然后把弱分類器按照一定的權(quán)重加權(quán)構(gòu)成強(qiáng)分類器。下面是AdaBoost算法過程：

給定樣本圖像集合（x1，y1），（x2，y2），…，（xn，yn），其中x表示所取樣本的空間，而y表示每個樣本所對應(yīng)值，n表示樣本的個數(shù)。在該系統(tǒng)中y的值代表正負(fù)樣本，其中yi=1表示正樣本，yi=0表示負(fù)樣本。

1）初始化m個正樣本以及l(fā)個負(fù)樣本的權(quán)重。每個正樣本的權(quán)值在初始都一樣每個負(fù)樣本的權(quán)重為

2）設(shè)置循環(huán)迭代次數(shù)T。

3）對每一輪迭代t=1，…，T都做以下步驟：

①首先歸一化權(quán)重，使得所有權(quán)重能夠符合相應(yīng)的概率分布，

②然后針對特征值j訓(xùn)練其分類器hj。并把計算其評價誤差，即該分類器對樣本進(jìn)行正確分類與錯誤分類加權(quán)和，其公式如下：

③然后從其中選擇出具有最小加權(quán)分類誤差的分類器ht，其對應(yīng)的加權(quán)分類誤差為εt。

④然后對每個樣本都進(jìn)行更新權(quán)重的操作，其公式如下：

參數(shù)的含義為：當(dāng)樣本xi被分類器ht正確分類時，參數(shù)ei=0，而若其被錯誤分類時

4）最終將輸出強(qiáng)分類器，其公式為：

3 系統(tǒng)實現(xiàn)

本實驗是在Android模擬器上面開發(fā)，并且進(jìn)行真機(jī)的人臉檢測，所以首先需要介紹Android應(yīng)用的開發(fā)工具等，在訓(xùn)練好分類器后，就需要使用該分類器來進(jìn)行系統(tǒng)的實現(xiàn)。人臉檢測的模塊主要是設(shè)置分類器，然后獲取圖像數(shù)據(jù)，并向底層傳遞，底層圖像進(jìn)行圖像數(shù)據(jù)的判斷，并返回人臉檢測信息。

圖4 人臉檢測流程圖Fig.4 The flow chart of face detection

3.1 系統(tǒng)開發(fā)環(huán)境搭建

由于Android的上層開發(fā)工具是Java語言，在Windows xp系統(tǒng)下，需要配置三個Java開發(fā)工具:Eclipse IDE，Java JDK和Android SDK。Opencv是面向C接口的，這里就牽涉到了Java與C/C++的混合編程了，這里借助Android NDK編寫本地代碼，Android NDK需要在Linux環(huán)境下運行，故本文采用Ubuntu9.1系統(tǒng)開發(fā)環(huán)境。本系統(tǒng)所使用的軟件資源如下：

系統(tǒng)環(huán)境：Ubuntu9.1，OpenCV

SDK:Android SDK2.3.1

NDK:Android NDK

開發(fā)環(huán)境：Eclipes3.5+JDK2.0+Android ADT

開發(fā)環(huán)境搭建步驟：

1）下載安裝java SDK，版本為SDK1.6。

2）下載Android NDK，并配置NDK開發(fā)環(huán)境。

3）配置Eclipse開發(fā)環(huán)境，下載并解壓Eclipse3.5，設(shè)置好開發(fā)環(huán)境后，下載Android ADT插件。

3.2 OpenCV編譯移植

在Opencv的3個cv，cvaux，cxcore的功能模塊中，與圖像界面相關(guān)的模塊是highgui模塊，如果需要將Opencv編譯到Android中，需要用到Android中的NDK，Android NDK是一個交叉編譯工具，開發(fā)者自己需要根據(jù)實際情況手動編譯Android.mk文件。這里采用GCC對Android ndk實行交叉編譯，GCC需要在Linux環(huán)境下運行，故本文采用Ubuntu 9.1，NDK版本為android-ndk-r4-linux。編譯時需要手動配置androi.mk，其文件格式如下：

LOCAL_PATH:=$（call my-dir）

include$（CLEAR_VARS）

LOCAL_MODULE:=OpenCV

LOCAL_SRC_FILES:=

cxalloc.cpp

cxarithm.cpp

cxarray.cpp

cxcmp.cpp

cxconvert.cpp

cxcopy.cpp

cxdatastructs.cpp

cxdrawing.cpp

cxdxt.cpp

cxerror.cpp

cximage.cpp

cxjacobieigens.cpp

cxlogic.cpp

cxlut.cpp

include$（BUILD_SHARED_LIBRARY）

其中，里面的LOCAL_MODULE關(guān)鍵字是指開發(fā)者最后生成的一個LOCAL_SRC_FILES，在Linux系統(tǒng)下，鍵入./ndk命令后，在工程目錄下會自動產(chǎn)生一個/libs/armeabi的文件夾，編譯時的.so文件就放入這個文件夾中。

3.3 人臉樣本創(chuàng)建

在人臉檢測中，樣本的選擇對于創(chuàng)建分類器有非常大的影響，如果選取的樣本足夠豐富，對于訓(xùn)練的結(jié)果就比較好。如果選取不當(dāng)，就會嚴(yán)重影響后面的檢測效果。訓(xùn)練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢測的目標(biāo)樣本（如人臉或者手勢）反例樣本可以指其他任意的圖片，在本系統(tǒng)中，使用的是MIT人臉庫，其中樣本總數(shù)為7 087個，人臉樣本數(shù)有2706個，而非人臉樣本數(shù)有4 381個。在MIT樣本庫中的人臉樣圖像尺寸為20×20像素，在正樣本集合中都是正面的人臉，而且還有同一個人在不同光照條件下的樣本。非人臉樣本尺寸和人臉樣本相同，是從圖像中隨機(jī)自動截取的。如圖5，負(fù)樣本來自任意圖片，這些圖片都沒有包含目標(biāo)特征，如圖6人臉正樣本包括基本的目標(biāo)特征。

圖5 人臉負(fù)樣本Fig.5 Face the negative samples

圖6 人臉正樣本Fig.6 Face the positive samples

4 實驗結(jié)果及分析

本實驗通過與android自帶的人臉庫進(jìn)行比較，系統(tǒng)的自帶的人臉檢測類FaceDetector，該類主要是采用模板匹配的方法，通過雙眼來檢測人臉的位置，但是無法檢測到人的嘴和側(cè)臉信息，并且戴上眼鏡會影響檢測效果，通過對系統(tǒng)FaceDetector進(jìn)行單人臉檢測，發(fā)現(xiàn)檢測率也不是很高，而且當(dāng)戴上眼鏡時，根本無法檢測到人臉。

圖7 Android系統(tǒng)人臉檢測Fig.7 The Android system face detection

本系統(tǒng)主要是通過輸入靜態(tài)圖片進(jìn)行人臉檢測，并查看系統(tǒng)檢測檢測效果。本系統(tǒng)的簡單背景下單人臉圖片檢測如圖8。對比系統(tǒng)檢測如圖8，人臉檢測只檢測到了人臉的一部分，本系統(tǒng)人臉檢測完全檢測到人臉。

圖8 本系統(tǒng)人臉檢測Fig.8 The face detection system

對有眼鏡的圖片，檢測率也比較高。當(dāng)人戴眼鏡時，系統(tǒng)檢測檢測不出人臉，而本系統(tǒng)對戴眼鏡的人臉也能夠檢測得到。

圖9 戴眼鏡的人臉檢測Fig.9 Face detection with a pair of glasses

本系統(tǒng)與系統(tǒng)自帶的人臉檢測用MIT人臉庫進(jìn)行對比檢測，檢測結(jié)果如下表，通過MIT人臉庫的測試以及自制圖片的測試，通過158張626個人臉進(jìn)行檢測，本系統(tǒng)達(dá)到91.69%的人臉檢測率。對比與Android系統(tǒng)自帶的人臉檢測功能，本系統(tǒng)有非常大的改進(jìn)，能夠適用于多種應(yīng)用環(huán)境。

表1 兩系統(tǒng)檢測比較Tab.1 The two system s test comparison

5 結(jié)論

目前的人臉檢測大多數(shù)是基于PC機(jī)處理，而本文中將AdaBoost算法成功移植到Android平臺上，達(dá)到了較高的檢測水平。使得AdaBoost算法實現(xiàn)了跨平臺應(yīng)用。經(jīng)過實驗證明，AdaBoost算法在Android平臺上，比Android系統(tǒng)自帶的人臉檢測，檢測效率高，能適用多種復(fù)雜環(huán)境。

[1] 梁路宏，艾海舟，徐光祜，等.人臉檢測研究綜述[J].計算機(jī)學(xué)報，2002，25（5）:449-458.LIANG Lu-hong，AI Hai-zhou，XU Guang-you，et al.A survey of human face detection[J].Chinese Journal of Computers，2002，25（5）:449-458.

[2] P Graf，et al.Locating Faces and Facial Parts[J].Proc.1st Int’l Workshop Automatic Face and Gesture Recognition，1995:41-46.

[3] Viola P，Jones MJ.Rapid Object Detection using a Boosted Cascade of Simple Features[J].Computer Vision and Pattern Recognition，2001（1）:8-14.

[4] Viola P，Jones MJ.Robust Real-Time Face Detection.InternationalJournalofComputerVision.2004，57（2）:137-154.

[5] Gray Bradski，Adrian Kaebler.Learning OpenCV：Computer Visionwith theOpenCVLibrary[M].USA：OReillymedia，2008.

[6] Willow Garage.OpenCV wiki[EB/OL].[2012-05]（2012-07-01）.http：//opencv.willowgarage.com/wiki/Welcome.

[7] Vadakkepat De Silva L C，et a1.Multimodal Approach to Human-Face Detection and Tracking[J].IEEE Transactions on Industrial Electronics，2008，55（3）:385-393.

[8] 黃超，謝康林，杜平.基于AdaBoost的快速人臉跟蹤算法[J]計算機(jī)工程，2000，0（z1）:373-374.HUANG Chao，XIE Kang-lin，DU Ping.A fast face tracking algorithm based on powerfhl adaboost[J].Computer Engineering，2000，30（z1）:373-374.

[9] 千海川，張立明.一種新的AdaBoost快速訓(xùn)練算法[J].復(fù)旦學(xué)報，2004，43（1）:27-33.QIAN Hai-chuan，ZHANG Li-ming.A novel fast training algorithm for adaboost[J].Journal of Fudan University，2004，43（1）:27-33.

[10] E Osuna，F(xiàn)reund，and F.Girosi Training Support Vector Machines:An Application toFaceDetection[C]//Proc.IEEEConf.Computer Vision and Pattern Recognition，1997:130-136.

[11] B.Heiselet，T Serre，MPontil，et al.Component-based Face Detection[C]//Proc IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2001:657-662.

[12] Viola P.，Jones M.J.Robust Real-Time Face Detection International[J].Journal of Computer Vision，2004，57（2）:137-154.

[13] Meynet J，Popovici V，Thiran J P.Face detection with boosted Gaussian features.Pattern.Recognition，2007（40）:2283-2291.