基于雙閾值的改進型Adaboost人臉檢測算法*

何 強，馬 文

(1.重慶郵電大學(xué) 通信新技術(shù)應(yīng)用研究中心,重慶 400065; 2.重慶信科設(shè)計有限公司，重慶 400065)

?

基于雙閾值的改進型Adaboost人臉檢測算法*

何 強1，2，馬 文1

(1.重慶郵電大學(xué) 通信新技術(shù)應(yīng)用研究中心,重慶 400065; 2.重慶信科設(shè)計有限公司，重慶 400065)

針對Adaboost人臉檢測算法訓(xùn)練時間長以及不能有效區(qū)分特征值聚集分布的情況，提出了一種基于雙閾值的改進型Adaboost人臉檢測算法，并給出了雙閾值的搜索算法。在MIT-CBCL和MIT+CMU人臉庫上對算法進行了仿真驗證。仿真結(jié)果顯示，改進的雙閾值A(chǔ)daboost算法在不降低檢測率的同時大幅度提升了訓(xùn)練的速度，同時檢測速度也有所提升，該方法的綜合性能優(yōu)于單閾值算法。

Adaboost；雙閾值；人臉檢測

0 引言

人臉檢測是伴隨著人臉識別的發(fā)展出現(xiàn)的一個課題，其可以既快速又準(zhǔn)確地從復(fù)雜背景圖片中檢測出人臉，直接影響后續(xù)的識別研究。隨著計算機科學(xué)技術(shù)的快速發(fā)展，研究人員提出了許多基于統(tǒng)計學(xué)習(xí)的方法，例如主成分分析方法[1]、人工神經(jīng)網(wǎng)絡(luò)[2]、支持向量機[3]等，Adaboost算法就是其中優(yōu)秀代表。

Adaboost由FREUND Y和SCHAPIRE R E率先提出[4]，其主要思想就是將大量的弱分類器通過某種方式構(gòu)成強分類器。理論已經(jīng)證明，弱學(xué)習(xí)可以通過訓(xùn)練變成強學(xué)習(xí)，可以通過增加弱分類器的數(shù)量來使強分類器的錯誤率下降趨于無窮小，基于此，VIOLA P和JONES M提出了將積分圖和級聯(lián)兩個新技術(shù)與Adaboost算法相結(jié)合，檢測速度能夠滿足實際需求，使人臉檢測算法能夠滿足實際應(yīng)用；另一方面,該算法還存在著以下缺點：(1)算法需要大量時間，VIOLA P等人為了訓(xùn)練一人臉檢測分類器曾花費多周時間[5]；(2)訓(xùn)練過程中可能會由于罕見樣本而給該樣本分配過高的權(quán)重，產(chǎn)生過適應(yīng)等問題，進而影響整體性能指標(biāo)。其缺點是由于樣本數(shù)和特征數(shù)過多以及算法本身決定的。

針對以上問題，本文提出了一種基于雙閾值的改進型Adaboost算法，通過提升單個弱分類器的質(zhì)量，縮短訓(xùn)練時長，從而提高系統(tǒng)性能。

1 Adaboost算法研究

1.1 傳統(tǒng)的Adaboost算法描述

Adaboost算法的核心思想就是經(jīng)過訓(xùn)練得到一系列單個特征的弱分類器。其主要目的是從大量的矩形特征中挑選出更有利于人臉檢測的Haar-Like特征集。將挑選出來的Haar-Like特征構(gòu)造成弱分類器，繼而采用迭代的方法從所有弱分類器當(dāng)中挑選一批相對更優(yōu)的弱分類器。最后將這些弱分類器按照權(quán)重進行線性疊加得到一個強分類器。由于檢測的核心任務(wù)是判斷圖像是否是一個人臉，故而能夠把檢測過程視為一個模式識別的問題。訓(xùn)練過程初始階段，所有的樣本都被賦予相等的初始權(quán)重，接著就用該學(xué)習(xí)算法對樣本進行T輪訓(xùn)練，一輪訓(xùn)練之后將所有樣本權(quán)重更新，降低被正確分類樣本的權(quán)重，提高被錯誤分類樣本的權(quán)重,以便算法能夠在后面的訓(xùn)練過程中更加針對于困難的樣本。訓(xùn)練的結(jié)果是產(chǎn)生T個弱分類器，強分類器是將這些弱分類器按照權(quán)重進行一個線性疊加得到，其中分類質(zhì)量更好的弱分類器對強分類器的影響比較大。

1.2 算法分析與改進

在Adaboost算法中，每個Haar-Like特征都有一個對應(yīng)的弱分類器hj(j=1,2...k)，其中k是分類器窗口所有的Haar-Like特征總數(shù)。hj的求導(dǎo)必須搜索全體樣本的全體特征值，但是一般情況下為了保證分類器的效果，訓(xùn)練樣本數(shù)和特征值數(shù)都很大，故一個hj的訓(xùn)練所花費的時間很大。另外通過統(tǒng)計分析發(fā)現(xiàn),由于各種原因,人臉樣本與非人臉樣本的特征值并不滿足兩側(cè)分布,而是人臉樣本的特征值集中分布,非人臉樣本的特征值分散分布。經(jīng)過分析,發(fā)現(xiàn)對于MIT-CBCL人臉訓(xùn)練庫和MIT-CBCL非人臉訓(xùn)練庫中的3 510個Haar-Like特征，其中2 676個Haar-Like特征是如此分布的，占比達76.2%[6],也說明了這些特征對應(yīng)檢測更有效一些。

圖1的橫坐標(biāo)表示Haar-Like特征對應(yīng)的所有特征值，縱軸表示某特征值的正樣本數(shù)和負樣本數(shù)所占樣本總數(shù)值的百分比。如圖1所示，兩個端點形成的區(qū)間可將正負樣本進行區(qū)分，所以兩個端點作為雙閾值分類器的閾值是可行的。為了提高單個弱分類器的質(zhì)量，提出了一種基于雙閾值的Adaboost訓(xùn)練算法，現(xiàn)在的問題是如何確定兩個閾值,一個精確的算法是采用兩層嵌套循環(huán),然后通過比較所有可能的閾值,取其中錯誤率最小的兩個閾值,然而這種算法的時間復(fù)雜度為O(n2)[7],其中n為訓(xùn)練的樣本數(shù)目，一般n的取值都很大，由此導(dǎo)致一個訓(xùn)練過程可能會花費一個月的時間，這種方式是得不償失的，也是不可能在實際環(huán)境下應(yīng)用的。因此本文在保證正確率和訓(xùn)練時間的基礎(chǔ)上提出了一種新的雙閾值搜索算法。

步驟如下：

(1)計算某個Haar-Like特征在所有樣本的特征值，求出該特征在所有樣本特征值中的最小值fmin和最大值fmax，然后從小到大依次計算每個特征值所對應(yīng)的正負樣本數(shù)n1和n2。

(2)計算每個特征值其所對應(yīng)的正樣本數(shù)n1與負樣本數(shù)n2的比值T，T=n1/(n2+1)。

(3)計算出T最大時對應(yīng)的特征值x。

(4)從x向左右分別搜索過渡點θ1，θ2(θ1<θ2)。即T=1時所對應(yīng)的特征值;如果沒有這樣的特征值，那么就取邊界點,這樣的兩個點就是弱分類器的兩個閾值θ1、θ2。

本文提出的雙閾值尋找算法極大地提高了閾值的尋找速度。雙閾值分類器替代單閾值分類器,使得分類器的精度更高。單閾值分類器其實是雙閾值的一種特殊情況，當(dāng)x分別向左右進行搜索時，如果取的是邊界,那么實際上就是減少了閾值搜索的次數(shù),也加快了訓(xùn)練過程，提高了檢測速度[8]。

1.3 改進型Adaboost算法

改進后的雙閾值A(chǔ)daboost算法具體步驟如下：

(1)給定訓(xùn)練集：(x1,y1),…,(xn,yn)，其中yi∈{0,1}，yi=0表示xi是非人臉樣本，yi=1表示xi是人臉樣本。

(2)初始化樣本權(quán)重，設(shè)定第t次循環(huán)中第i個樣本的權(quán)重ωt,i，人臉樣本的初始權(quán)重為ω1,i=1/2m，非人臉樣本的起始權(quán)重為ω1,i=1/2l，其中，m是人臉正樣本集的個數(shù)，l 是人臉負樣本集的個數(shù)[9]，n 是人臉樣本的總數(shù)，滿足n=m+l。

(3)t=1,…,T(T為訓(xùn)練過程的最大循環(huán)次數(shù))

②按照本文提出的雙閾值搜索算法計算雙閾值分類器的兩個閾值。訓(xùn)練中每一個特征j 的弱分類器記為hj，然后根據(jù)樣本分類情況，依照下式得出該弱分類器對應(yīng)的加權(quán)錯誤率：

③從所有的弱分類器中挑選分類錯誤率εt相對更小的弱分類器ht。

(4)根據(jù)一定原則把弱分類器構(gòu)造成強分類器：

2 實驗結(jié)果分析

通過仿真對本文提出的算法進行驗證,選擇正負樣本的Haar-Like特征進行訓(xùn)練,在MIT-CBCL人臉訓(xùn)練庫和非人臉訓(xùn)練庫的樣本進行訓(xùn)練并驗證。仿真實驗中人臉樣本訓(xùn)練庫共有2 429個大小為19×19的人臉樣本，其中樣本的背景很豐富，比如：膚色、遮擋、姿勢、光線等等。4 548個負樣本組成了負樣本訓(xùn)練庫。本次仿真實驗所用的計算機是Inter(R) Core(TM)i3-2310M CPU @2.1GHz,4G安裝內(nèi)存。

取人臉樣本中的前2 000個作為正樣本訓(xùn)練使用，前4 000個非人臉樣本作為負樣本進行訓(xùn)練，訓(xùn)練得到強分類器，用強分類器對剩下的正負樣本分別進行測試實驗，表1給出了實驗仿真結(jié)果。

表1 訓(xùn)練與測試結(jié)果對比

從表1中可發(fā)現(xiàn)，原始的Adaboost算法和改進的雙閾值A(chǔ)daboost算法在檢測率和誤檢個數(shù)方面是極為接近的。但是在分類器的構(gòu)成以及訓(xùn)練時間上改進Adaboost有明顯的優(yōu)勢，其訓(xùn)練時間較傳統(tǒng)的Adaboost算法少了近40%。利用雙閾值弱分類器線性疊加得到的強分類器質(zhì)量更高，其中弱分類器的數(shù)量更少，因此擁有更快的收斂速度，檢測速度也有所提高。

算法的優(yōu)勢在以上仿真中得到了驗證，但是一個好的算法對于其余的圖像庫也應(yīng)該是適用的。人臉檢測最典型的圖片測試庫就是MIT+CMU測試庫，該庫含有130幅不同背景、亮度及大小的灰度圖像，其中包含了507個不同民族、不同形態(tài)、光照及遮擋等情況的人臉。表2為測試效果對比。圖2為部分檢測效果。

表2 對MIT+CMU測試集的測試效果對比

圖2 部分檢測效果

3 結(jié)束語

基于傳統(tǒng)的Adaboost算法需要大量的特征來進行訓(xùn)練，因此其需要的訓(xùn)練時間非常驚人。本文提出了一種改進型雙閾值A(chǔ)daboost算法，通過雙閾值的方法來提升弱分類器的質(zhì)量，并且用一種新的閾值選擇算法來減少由此增加的時間，以此使訓(xùn)練時間大幅度減少，也使檢測時間減少，且并沒有明顯降低檢測率。實驗結(jié)果顯示，改進后的雙閾值算法其綜合性能優(yōu)于單閾值的算法。接下來的工作是進一步改善分類器的質(zhì)量，進一步提高算法的檢測精度。

[1] 盧世軍.生物特征識別技術(shù)發(fā)展與應(yīng)用綜述[J].計算機安全，2013(1):63-67.

[2] Liu Kewen， Zhou Haiming， Yang Zhanyong， et al.Application of BP neural network for line losses calculation based on quantum genetic algorithm[C].4th International Symposium in Computational Intelligence and Design (ISCID).Hangzhou: IEEE Press,2011: 3-7,28-30.

[3] Wang Wei,Duan Hongyu.The research of SMO algorithm self-adaption improvement on SVM[C].Communication Software and Networks (ICCSN).Xi’an: IEEE Press,2011:27-29.

[4] FREUND Y,SCHAPIRE R E.A short introduction to boosting[J].Journal of Japanese Society for Artificial Intelligence,1999,14(5):771-780.

[5] VIOLA P,JONES M.Robust real-time face detection[J].International Journal of Computer Vision,2004,57(2):137-154.

[6] 嚴(yán)云洋.圖像的特征抽取方法及其應(yīng)用研究[D].南京:南京理工大學(xué),2008.

[7] ZHANG W,TONG R,DONG J.Z-AdaBoost: boosting 2-thresholded weak classifiers for object detection[C].2008.IITA '08.Second International Symposium on Intelligent Information Technology Application,Shanghai,2008(2):839-844.

[8] Wu Shuqiong,NAGAHASHI H.Parameterized AdaBoost: introducing a parameter to speed up the training of real AdaBoost[J].IEEE Signal Processing Letters,2014,21(6):687-691.

[9] NAVABIFAR F，YUSOF R，EMADI M.Using rotated asymmetric haar-like features for non-frontal face detection[J].Advanced Science Letters，2013，19(12)：3520-3524.

Improved Adaboost face detection algorithm based on two-threshold

He Qiang1,2,Ma Wen1

(1.Research Centre for Application of New Communication Technology， Chongqing University of Posts and Telecommunications, Chongqing 400065,China;2.Chongqing Information Technology Designing Co.,Ltd.,Chongqing 400065,China)

According to the situation that traditional Adaboost face detection algorithm needs a long time training and can not effectively distinguish feature values which are aggregated distribution,an improved Adaboost face detection algorithm is proposed which based on two-threshold,and the two-threshold search algorithm is given.The simulation of the algorithm is finished on MIT-CBCL face database and the MIT + CMU platform,and the simulation results show that improved two-threshold AdaBoost algorithm in without decreasing the detection rate and greatly enhance the speed of the training,as well as the detection speed is improved,and the overall performance of the method is better than the single threshold value algorithm.

Adaboost;two-threshold; face detection

2015年重慶市研究生科研創(chuàng)新項目(CYS15166)

TP391.4

A DOI：10.19358/j.issn.1674-7720.2016.19.012

何強，馬文.基于雙閾值的改進型Adaboost人臉檢測算法[J].微型機與應(yīng)用，2016,35(19)：41-43.

2016-06-05)

何強(1991-)，男，碩士研究生，主要研究方向：計算機視覺，人臉檢測與識別算法研究。

馬文(1988-)，男，碩士研究生，主要研究方向：模式識別，人臉檢測與識別算法研究。