基于AdaBoost算法的易拉罐檢測方法

肖仁鋒

（濟(jì)南職業(yè)學(xué)院 計算機(jī)系，山東 濟(jì)南 250103）

0 引言

傳統(tǒng)的易拉罐檢測系統(tǒng)基于超聲波等傳感器，但是此類傳感器只能檢測到有物體的存在，不能判斷此物體是否即為目標(biāo)物體易拉罐。但若采用視覺方法，則能在判斷出有物體存在的同時，也能判斷出目標(biāo)物體是否為易拉罐。

本文討論的易拉罐檢測方法，是基于AdaBoost算法的思想，并使用Haar特征、LBP特征對易拉罐進(jìn)行特征提取，以訓(xùn)練出在易拉罐處于不同形態(tài)下及不同環(huán)境中檢測率都較高的易拉罐檢測器。Adaboost算法，是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的弱分類器，然后把這些弱分類器集合起來，構(gòu)成一個更強(qiáng)的最終強(qiáng)分類器。Adaboost算法這種將較弱的分類方法合在一起組合成較強(qiáng)的分類方法的思想，可以很好的適用于分類檢測這個應(yīng)用上，并已在人臉檢測、車牌檢測等獲得成效［1－3］。Haar特征及LBP特征［4］，是近年來被廣泛應(yīng)用的檢測器特征提取方法，它們各有優(yōu)缺點(diǎn)，本文分別使用這兩種特征提取方法并比較它們的訓(xùn)練過程及最終訓(xùn)練結(jié)果的差異。

1 特征的選取

1.1 Haar特征

2001年，Viola與Jones提出了基于Adaboost算法的目標(biāo)檢測方法，當(dāng)時這種檢測方法基于Haar特征對目標(biāo)進(jìn)行特征的提取。Haar特征是一種矩形特征，一般由2－4個矩形組成。在一個24＊24大小的檢測框中，能生成117941種Haar特征。

Haar特征可位于圖像中的任意位置，大小、長寬比例也可以任意，特征原型一般分為邊緣特征、線特征、環(huán)繞特征、對角線特征四種，特征值為特征原型中每一個矩形所對應(yīng)的區(qū)域的所有像素點(diǎn)的灰度值的和的差值。如公式（1）：

feature表示Haar特征值，RecSum（rt）代表矩形框內(nèi)所有像素值之和，ωt代表對應(yīng)矩形權(quán)重，如圖1，對應(yīng)邊緣特征權(quán)值取為｛－1，1｝，線特征權(quán)值為｛－1，2｝。

圖1 HAAR特征原型

如圖1，HAAR特征值為對應(yīng)特征原型中白色矩形區(qū)域的所有像素點(diǎn)對應(yīng)的灰度值的和，減去黑色矩形區(qū)域的所有像素值之和。顯然，Haar特征值計算方法簡單但計算量大。

1.2 LBP特征

近年來，為了彌補(bǔ)Haar特征計算上、訓(xùn)練上的不足，LBP特征被廣泛引入視覺識別技術(shù)。LBP特征是一種具有較強(qiáng)紋理描述能力的特征，與Haar特征不同的是，其具有旋轉(zhuǎn)不變性。在24＊24大小的檢測窗口中，約能生成529種LBP特征，遠(yuǎn)少于同樣檢測窗口大小下的Haar特征數(shù)目，因此計算特征值時計算量較小。

LBP特征一般將矩形框定義為3＊3大小的窗口，再以窗口的中心點(diǎn)的灰度值為閾值與窗口內(nèi)其他像素作比較并進(jìn)行二值化處理，然后根據(jù)像素的不同位置進(jìn)行加權(quán)求和得到該窗口的LBP特征值。如圖2，各點(diǎn)像素值算出后，除中心點(diǎn)外，其他像素皆與中心點(diǎn)像素值作比較，比其大則輸出1，小則輸出0，最終LBP特征模式為11001011。

圖2 LBP特征

1.3 特征在算法中的實(shí)現(xiàn)的不同

除了特征的定義與計算方法不同外，Haar特征與LBP特征在基于AdaBoost算法訓(xùn)練檢測器中，最主要的不同是正負(fù)樣本判決門限的不同。

Haar特征采用閾值區(qū)分正負(fù)樣本，根據(jù)某一樣本對應(yīng)特征值與閾值的比較來區(qū)分正負(fù)樣本。LBP特征采用子集來區(qū)分正負(fù)樣本，LBP特征為整數(shù)特征，特征值范圍為［0，255］，即共有256個特征類別，256個特征類別在訓(xùn)練之后，用8個子集來存儲，即每個子集裝32位的值表示32個特征值的存在與否。當(dāng)判別某一樣本是正樣本或負(fù)樣本時，只需將其特征值與特定子集進(jìn)行比較，以是否屬于這個子集來判斷這個樣本為正樣本或是負(fù)樣本。

2 AdaBoost算法原理

假設(shè)有n個樣本｛x1，y1｝，.....，｛xn，yn｝，xn代表訓(xùn)練樣本，yn代表類標(biāo)號。

樣本集含正樣本a個，yi均取1；含負(fù)樣本b個，yi均取0。

算法流程：

（1）計算得到樣本積分圖；

（2）計算得到樣本所有特征原型（Haar特征或LBP特征）；

（3）計算所有特征原型在所有樣本上的特征值；

（4）生成弱分類器（AdaBoost以生成決策樹的方式生成弱分類器）；

構(gòu)建決策樹過程：

?。┤羰沁x擇HAAR特征，則是將對應(yīng)HAAR特征fi在所有樣本上的特征值進(jìn)行排序，從而確定該決策樹最佳分裂值和最佳分裂質(zhì)量后，得出閾值θt和對應(yīng)特征序號，其中：

split－＞ord.c＝ （values［best＿i］＋values［best＿i＋1］）＊0.5f；

split－＞ord.c代表閾值，values［best＿i］最佳分裂點(diǎn)對應(yīng)特征值；

ⅱ）若是選擇LBP特征，則是先計算出特征值的響應(yīng)值、權(quán)值和，以及256個特征值類別里的平均響應(yīng)值（平均響應(yīng)值＝響應(yīng)值和／權(quán)值和）。再對256個平均響應(yīng)值進(jìn)行升序排序，計算得到最佳分裂值和最佳分裂質(zhì)量后并將256個值放入8個子集中，其中：

split－＞subset［idx＞＞5］｜＝1＜＜ （idx ＆31）；

split－＞subset［］代表子集，每個子集數(shù)組內(nèi)放32位整數(shù)，整數(shù)值由idx決定，idx代表排序前的特征值。

（5）得到弱分類器集；

（6）初始化樣本權(quán)值；

對負(fù)樣本，初始化權(quán)重Wt，i為1／2a；

對正樣本，初始化權(quán)重Wt，i為1／2b。

（7）循環(huán)1，....，T次直至滿足條件（t為執(zhí)行的次數(shù)）

ⅰ）歸一化樣本權(quán)重

ⅱ）計算所有弱分類器錯誤率j

ⅲ）選取當(dāng)前錯誤率εt最小弱分類器ht

ⅳ）更新樣本權(quán)重

當(dāng)訓(xùn)練樣本被正確分類時ei＝0，反之ei＝1，βt＝βt／1—εt

（旨在降低被正確分類的樣本的權(quán)重，在下一次循環(huán)中更關(guān)注被分類錯誤的樣本）

ⅴ）得到強(qiáng)分類器及其權(quán)值

其中αt＝log1／βt

（8）強(qiáng)分類器組建級聯(lián)分類器 ，即當(dāng)強(qiáng)分類器未低于某層指定虛警率或未達(dá)指定強(qiáng)分類器數(shù)目時，再次執(zhí)行（6）（7）。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)利用OpenCV2.3開發(fā)工具，OpenCV是由Intel建立的一個基于開源開發(fā)的跨平臺計算機(jī)視覺庫，實(shí)現(xiàn)圖像處理和計算機(jī)視覺方面的通用算法。實(shí)驗(yàn)得出的各檢測器效果檢測結(jié)果如圖3：

圖3 檢測器檢測易拉罐結(jié)果

具體實(shí)驗(yàn)結(jié)果參數(shù)如表1：

表1 兩種不同特征的參數(shù)比較

其中，漏檢的情況多出于圖片中，易拉罐所處形態(tài)的顏色與實(shí)驗(yàn)室地板顏色相近時；誤檢多出于誤將地板判斷為目標(biāo)物體易拉罐。

4 結(jié)語

本文使用了基于視覺的方法對易拉罐進(jìn)行檢測，基于AdaBoost算法，使用Haar特征及LBP特征對易拉罐進(jìn)行特征提取。實(shí)驗(yàn)結(jié)果表明，將Adaboost應(yīng)用到易拉罐的檢測與定位的方法具有準(zhǔn)確率較高，檢測速率快的優(yōu)點(diǎn)。

［1］ 潘石柱，殳偉群，王令群.基于 AdaBoost的汽車牌照快速定位［J］.計算機(jī)工程，2006，32（12）：187－214.

［2］ 盛曦，吳煒，楊曉敏等.一種基于 AdaBoost的車牌定位算法［J］.四川大學(xué)報（自然科學(xué)版），2007，44（3）：535－539.

［3］ Hjelmas E.，Low B.K.Face Detection.Computer Vision and Image Understanding［J］，2001.

［4］ Zhe Wei，Yuan Dong，Xiaofu C.Face Verification Using LBP and SVM on Image Sets.Intelligent Computing and Intelligent Systems［J］，2011