基于改進(jìn)的Adaboost算法在人臉檢測與識別中的應(yīng)用與研究

盧榮+劉思思+宋權(quán)予+周春暉

摘 要：隨著視頻監(jiān)控的推廣與普及，人們對監(jiān)控質(zhì)量的要求越來越高，通過人臉識別技術(shù)對監(jiān)控對象進(jìn)行身份識別也逐漸成為市場需求的主流。人臉識別是包含檢測和識別兩個方向的，該文通過Adaboost算法進(jìn)行人臉檢測和識別的研究，并提出了多算法融合的改進(jìn)Adaboost人臉檢測算法，通過驗(yàn)證，可提高人臉識別的精準(zhǔn)性。

關(guān)鍵詞：人臉檢測 人臉識別 Adaboost算法

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2016）11（b）-0108-02

1 研究背景及意義

身份的鑒別可通過人的生理特征來進(jìn)行辨別，如人的指紋、掌紋、聲音、虹膜、人臉等，而視頻監(jiān)控中人臉是最為直觀的，不要求被識別者主動配合，通過視頻監(jiān)控方便采集、智能識別，成為刑偵、安全驗(yàn)證、身份核對、智慧城市等多場合的主流技術(shù)，也使得對人臉進(jìn)行檢測與識別成為所有生物特征識別中最為熱門的研究方向。

典型的人臉檢測算法方式如下：對于輸入的作為訓(xùn)練集的特定角度拍攝的人臉圖像（正面或接近正面），首先使用直方圖均衡或標(biāo)準(zhǔn)化、最小化解決由于光照不均對圖像的影響，然后使用基于知識或者基于學(xué)習(xí)的方法提取面部模式?；谥R的方法是用明確的人臉面部規(guī)則特征，比如：人臉眼睛、嘴巴等組成部分，面部紋理特征或皮膚顏色；而基于學(xué)習(xí)的過程則需要使用特定判別式方程從一系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到。提取的人臉模式，是通過掃描過程，即需要使用不同尺度的人臉模式進(jìn)行多次掃描來定位不同尺度的人臉。

人臉檢測實(shí)質(zhì)上是一個二分類的問題，即通過圖片或是視頻監(jiān)控中將人臉和非人臉的區(qū)域相區(qū)別，并把屬于人臉的區(qū)域進(jìn)行標(biāo)注。在這個課題上的研究，不同學(xué)者提出了不同的解決方案，但是每種方案都有利有弊，目前還沒有哪種方案是確切地能解決所有難題的。如在實(shí)際應(yīng)用中，分類器訓(xùn)練速度和檢測速度過慢，檢測效率不高；人臉的姿勢檢測不夠精準(zhǔn)，尤其是側(cè)臉或是旋轉(zhuǎn)的人臉而不能正確識別，有漏檢或是誤檢的情況發(fā)生；魯棒性較差，光照、膚色的不同同樣影響著檢測率等。人臉識別主要是將檢測到的人臉圖像與人臉識別訓(xùn)練樣本庫中的樣本進(jìn)行比對，找到最佳的匹配人臉。然而，影響人臉識別準(zhǔn)確率的因素很多，如訓(xùn)練樣本數(shù)量，分類器的選擇，人臉特征的提取等，故人臉識別準(zhǔn)確率仍然需要深入研究。

圖1是Rowley提出的人臉檢測原理圖，此檢測機(jī)制具有較強(qiáng)的適應(yīng)性，對不同方位的人臉都可以進(jìn)行檢測。神經(jīng)網(wǎng)絡(luò)的方式其優(yōu)勢是獲得人臉檢測分類器比較容易，但是具有較大的計算量且算法相對復(fù)雜，在訓(xùn)練的過程中，針對參數(shù)需要修改量過多，且重在初始值及訓(xùn)練樣本的選擇。

關(guān)于人臉檢測，國外的技術(shù)相對成熟，如德國及美國都已成功開發(fā)了人臉識別系統(tǒng)，同時給出了人臉檢測及識別的樣本庫，而我國在人臉識別理論及技術(shù)方面相對成熟的機(jī)構(gòu)是：清華大學(xué)（自動化系、計算機(jī)系）、中科院（自動化所、計算機(jī)所）、南京理工大學(xué)等，盡管與國際水平還相差甚遠(yuǎn)，但是它們?yōu)橹袊娜四樧R別技術(shù)發(fā)展起到了領(lǐng)頭羊的作用。

2 Adaboost算法

Adaboost算法的速度非?？?，因此稱為第一個實(shí)時的人臉檢測算法，算法對人臉檢測的飛速發(fā)展貢獻(xiàn)是巨大的，算法的大致步驟如下：

第一：給定訓(xùn)練樣本，初始化樣本權(quán)重。

第二：訓(xùn)練弱分類器，更新樣本權(quán)重，重復(fù)訓(xùn)練。

第三：將訓(xùn)練所得的強(qiáng)分類器進(jìn)行級聯(lián)形成最后的人臉檢測分類器。

Adaboost算法是一種迭代算法，核心思想是針對同一個訓(xùn)練樣本集訓(xùn)練不同的弱分類器，再將這些弱分類器聚集構(gòu)成一個強(qiáng)分類器。該算法根據(jù)每次訓(xùn)練集中每個樣本是否分類正確以及上一次的總體分類正確率，來確定每個樣本的權(quán)值，并將修改過權(quán)值的新數(shù)據(jù)作為下層分類器的輸入進(jìn)行訓(xùn)練，最終將每次訓(xùn)練得到的分類器融合成最終的強(qiáng)分類器。Adaboost算法通過調(diào)整訓(xùn)練集中每個樣本對應(yīng)的權(quán)重來訓(xùn)練強(qiáng)分類器。開始時，每個樣本被分配相同的權(quán)重值，如訓(xùn)練樣本集中樣本個數(shù)為N，則初始化權(quán)重為1/N，在此權(quán)重分布下訓(xùn)練弱分類器。分類錯誤的樣本，加大其分類權(quán)重；分類正確的樣本，降低其分類權(quán)重，從而凸顯出被分類錯誤的樣本的權(quán)重，最終得到一個新的樣本權(quán)重分布。在此新的樣本權(quán)重分布下，再次訓(xùn)練弱分類器得到新的分類權(quán)重。依此類推，經(jīng)過T次迭代，得到T個弱分類器，按一定權(quán)重疊加，則得出最終的強(qiáng)分類器。

3 Adaboost算法的改進(jìn)

研究表明，Adaboost算法訓(xùn)練人臉檢測分類器具有一些缺點(diǎn)，如退化現(xiàn)象較嚴(yán)重，訓(xùn)練速度較慢，因此在Adaboost算法的基礎(chǔ)上，該文采用了多算法融合的技術(shù)進(jìn)行了改進(jìn)，即在Adaboost算法的基礎(chǔ)上結(jié)合其他算法共同來作用于人臉檢測以提高檢測的精準(zhǔn)性，比如同膚色檢測的融合，便可快速從圖像中分離出不同的人臉區(qū)域，然后再通過Adaboost算法對已分割出的區(qū)域進(jìn)行人臉檢測，通過優(yōu)勢互補(bǔ)，建立一種新型的人臉檢測的方法。

4 實(shí)驗(yàn)結(jié)果與總結(jié)

通過圖像集進(jìn)行了人臉檢測的測試，并和Adaboost算法訓(xùn)練人臉檢測分類器的檢測進(jìn)行了效果的對比，結(jié)果如表1所示，針對80張圖片中的各個方位的人臉共計380個進(jìn)行了檢測。

實(shí)驗(yàn)數(shù)據(jù)可得出改進(jìn)的Adaboost算法具有較高的檢測準(zhǔn)確率，同時又有較低的誤檢窗口數(shù)量，釆用新的樣本權(quán)重更新規(guī)則對退化問題能起到一定的抑制作用，既提升了每個最佳弱分類器的性能，又使串級分類器整體的檢測性能得到提高。

參考文獻(xiàn)

[1] 岳雷.人臉表情識別新算法研究[D].北京理工大學(xué)，2015.

[2] 齊光景.基于fast-Adaboost算法的人臉檢測與識別方法研究[D].太原理工大學(xué)，2014.