基于Adaboost算法的人眼檢測(cè)技術(shù)在路考系統(tǒng)中的應(yīng)用

牛清寧，周志強(qiáng)，劉文超（公安部道路交通安全研究中心，北京100062，中國(guó)）

?

基于Adaboost算法的人眼檢測(cè)技術(shù)在路考系統(tǒng)中的應(yīng)用

牛清寧，周志強(qiáng)，劉文超
（公安部道路交通安全研究中心，北京100062，中國(guó)）

駕駛?cè)巳搜蹤z測(cè)是實(shí)現(xiàn)道路駕駛技能考試智能化評(píng)判的關(guān)鍵技術(shù)，本文提出了一種基于Adaboost算法的人眼檢測(cè)方法，對(duì)比了Hear-like特征和擴(kuò)展Hear-like特征，分析了基于積分圖的特征快速提取方法，實(shí)現(xiàn)了人眼特征的實(shí)時(shí)檢測(cè)跟蹤。

Adaboost；人眼檢測(cè)；路考

目前機(jī)動(dòng)車駕駛?cè)丝颇咳缆否{駛技能考試采用智能化評(píng)判技術(shù)。為實(shí)現(xiàn)車輛在行駛中駕駛?cè)擞^察后視鏡、低頭看擋、觀察交通情況等項(xiàng)目的自動(dòng)化智能評(píng)判，需要對(duì)駕駛?cè)说难鄄刻卣鬟M(jìn)行檢測(cè)。

1　Adaboost算法

Adaboost是在Boosting算法的基礎(chǔ)上發(fā)展而來的。Boosting算法思想源于Valiant提出的PAC（Probably Approximately Correct）學(xué)習(xí)模型，在模型中提出了弱分類器和強(qiáng)分類器的概念。所謂弱分類器是指識(shí)別率略高于50%，僅比隨機(jī)猜測(cè)稍好的學(xué)習(xí)算法。同時(shí)，Valiant和Kearns在PAC學(xué)習(xí)模型中首次進(jìn)行了弱分類器和強(qiáng)分類器可否相互轉(zhuǎn)化的研究，即任意給定僅比隨機(jī)猜測(cè)略好的分類器能否提升為強(qiáng)分類器［1］。Schapire 在1990年首先提出了一種多項(xiàng)式的算法，實(shí)現(xiàn)了弱分類器轉(zhuǎn)化為強(qiáng)分類器的設(shè)想［2］。1995年Freund和Schapire提出了可調(diào)整權(quán)重的 Boosting算法，解決了Boosting在實(shí)踐上的許多問題，形成了最初的Adaboost算法［3］。

Adaboost主要進(jìn)行特征選擇并且將弱分類器聯(lián)合成強(qiáng)分類器。Adaboost是一個(gè)重復(fù)的過程，該過程為選擇具有最小分類錯(cuò)誤率的弱分類器。而每個(gè)弱分類器僅由簡(jiǎn)單的特征向量組成。

2　Haar-like特征

Haar-like特征是一種快速、簡(jiǎn)單的特征提取方式。最早是Papageorigiou等人提出的，并由Viola和Jones對(duì)其進(jìn)行擴(kuò)展所得。

Haar-like特征的計(jì)算方法為深色矩形區(qū)域內(nèi)的所有像素值的和與相鄰淺色矩形區(qū)域所有像素值和的差。這些矩形區(qū)域大小、形狀相同并且垂直或水平相鄰，五種基礎(chǔ)的矩形特征窗口如圖1所示，定義如下：

圖1　矩形祲征窗口

（1）二矩形區(qū)域（水平和垂直）：計(jì)算兩個(gè)區(qū)域總像素的差值。

（2）三矩形區(qū)域（水平和垂直）：計(jì)算兩邊矩形區(qū)域總像素和中間區(qū)域像素和差值。

（3）四矩形區(qū)域：計(jì)算對(duì)角每對(duì)矩形區(qū)域像素和的差值。

二矩形區(qū)域的大小以1×2像素為基礎(chǔ)進(jìn)行變換，三矩形區(qū)域以1×3像素為基礎(chǔ)進(jìn)行變換，四矩形區(qū)域以2×2像素變化。矩形特征窗口掃描整幅圖片，然后變換大小繼續(xù)下一次掃描。

擴(kuò)展的Haar-like特征是由Rainer Lienhart等人提出，并針對(duì)擴(kuò)展的矩形特征提出了快速計(jì)算方法［4］，圖2為擴(kuò)展后的矩形特征。Haar-like矩形特征的擴(kuò)展豐富了原有的矩形特征，新矩形的增加降低了分類的難度和誤警率。擴(kuò)展的Haar-like 特征主要分為四種：邊緣特征、線特征、中心環(huán)繞特征、對(duì)角線特征。

圖2　擴(kuò)展矩形祲征窗口

3　積分圖

積分圖作為一種中間表現(xiàn)形式可以使矩形特征快速被計(jì)算出來［5］。利用積分圖可以快速的計(jì)算出圖上任意矩形區(qū)域內(nèi)的像素和，從而求得矩形值，具體計(jì)算過程為：

圖3　積分圖計(jì)算過程

點(diǎn)（x，y）的值為從左到右的黑色區(qū)域的像素總和。

其中， 為點(diǎn) 在積分圖像上的像素和， 為在原圖像中點(diǎn) 處的像素值。

求出每個(gè)點(diǎn)所對(duì)應(yīng)的像素和，圖像中任意區(qū)域的像素和便可快速地計(jì)算出來。遍歷圖像一次便可求出所有區(qū)域的積分圖。如圖4所示：點(diǎn)1表示區(qū)域A所有像素值的和，點(diǎn)2表示區(qū)域A+B所有像素值的和，點(diǎn)3表示區(qū)域A+C所有像素值的和，點(diǎn)4表示區(qū)域A+B+C+D所有像素值的和。區(qū)域D的像素值為：

圖4　矩形區(qū)域積分圖計(jì)算

離線采集駕駛?cè)搜鄄繄D片的正負(fù)樣本，利用積分圖快速計(jì)算并提取駕駛?cè)搜鄄烤匦螀^(qū)域Haar-like特征，創(chuàng)建特征集。以特征集為輸入，根據(jù)給定的弱學(xué)習(xí)算法，確定閾值，將特征與弱分類器一一對(duì)應(yīng)，獲得弱分類集，以弱分類集為輸入，使用Adaboost算法挑選出最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器，以強(qiáng)分類器集為輸入，將其組合成級(jí)聯(lián)分類器。搭建駕駛?cè)巳搜蹤z測(cè)模型，實(shí)現(xiàn)在線檢測(cè)。

4　結(jié)束語(yǔ)

基于Adaboost算法的人眼檢測(cè)技術(shù)實(shí)現(xiàn)了人眼實(shí)時(shí)檢測(cè)和跟蹤，實(shí)現(xiàn)了車輛在行駛中駕駛?cè)俗⒁曁卣鲗?shí)時(shí)采集，完成了駕駛?cè)擞^察后視鏡、觀察交通情況等科目三道路駕駛技能考試項(xiàng)目實(shí)時(shí)檢測(cè)，檢測(cè)精度滿足了智能評(píng)估系統(tǒng)要求，提升了路考系統(tǒng)的智能評(píng)判水平。

［1］ Valiant L. G， A Theory of Learnable. Communication of ACM ［J］. 1984， 27∶ 1134-1142.

［2］ Schapire R E. The strength of weak learn ability ［J］. Machine Learning， 1990， 5（2）∶ 197-227.

［3］ 涂承勝，刁力力，魯明羽，陸玉昌. Boosting家族Adaboost系列代表算法［J］. 計(jì)算機(jī)科學(xué)，2003，30（3）∶ 30-34.

［4］ Rainer Lienhart，Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection ［J］. IEEE ICIP 2002， 1∶ 900-903.

［5］ 王亞麗，基于毫米波雷達(dá)與機(jī)器視覺融合的前方車輛檢測(cè)研究［D］，吉林大學(xué)碩士學(xué)位論文， 2013.

Driver's eye detection technology based on Adaboost using in road test system

NIU Q椀渀g渀椀渀g， ZHOU Z梔椀q椀愀渀g， LIU W攀渀挀梔愀漀
（Road Traffic Safety Research Center of the Public Security Ministry， Beijing 100062，China）

Driver's eye detection is the key technology to achieve automatic-evaluation driving ability in road test. An eye detection method based on Adaboost is proposed in this paper. Hear-like features and expand Hear-like features are compared. Features rapid selected method based on integral image is analyzed. Real-time eye detection and tracking are complied.

Adaboost algorithm；eye detection； road test