基于MB_LBP旋轉(zhuǎn)不變特征的AdaBoost人臉檢測(cè)算法研究

亢 潔， 李 珍， 王曉東， 李曉靜

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021)

?

基于MB_LBP旋轉(zhuǎn)不變特征的AdaBoost人臉檢測(cè)算法研究

亢 潔， 李 珍， 王曉東， 李曉靜

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021)

傳統(tǒng)的基于Haar特征的AdaBoost人臉檢測(cè)算法，由于Haar特征數(shù)量過多，導(dǎo)致訓(xùn)練時(shí)間過久，而且不能快速檢測(cè)出人臉。針對(duì)這一問題，本文提出一種基于多塊局部二值模式(Multi-block Local Binary Pattern，MB_LBP)特征的AdaBoost人臉檢測(cè)算法，這種MB_LBP特征結(jié)合了旋轉(zhuǎn)不變局部二值模式(Local Binary Patterns，LBP)描述符，表達(dá)能力更強(qiáng)，特征數(shù)量更少.仿真結(jié)果表明，在訓(xùn)練時(shí)間大幅縮減的同時(shí)，使用MB_LBP特征時(shí)可以達(dá)到Haar特征的檢測(cè)效果，且檢測(cè)速度大大提高.

人臉檢測(cè)； 多塊局部二值模式； AdaBoost

0 引言

近年來，伴隨國(guó)民經(jīng)濟(jì)飛速發(fā)展，機(jī)動(dòng)車保有量大幅上升，然而每年頻發(fā)的交通事故已成為社會(huì)關(guān)注的焦點(diǎn).交通安全問題當(dāng)中因疲勞駕駛引發(fā)的事故約占四分之一比重，疲勞駕駛已經(jīng)成為行車安全的大敵[1].因?yàn)槿四槞z測(cè)技術(shù)具有非接觸、方式友好、對(duì)行車干擾因素小以及更易被人接受等特點(diǎn)，因此非常適合用于駕駛員行車過程中疲勞狀態(tài)的檢測(cè).

傳統(tǒng)的基于Haar特征的AdaBoost人臉檢測(cè)算法盡管檢測(cè)效果良好，但由于Haar特征的數(shù)量過多，其檢測(cè)速度受很大制約[2-5].相較于Haar特征，MB_LBP特征包含了更多的結(jié)構(gòu)模式，它能夠更加精確反映出圖像的局部紋理的空間結(jié)構(gòu).此外，有研究文獻(xiàn)表明，對(duì)于大小為24×24的圖像當(dāng)中Haar特征數(shù)有超過十萬之多，這會(huì)讓整個(gè)特征的計(jì)算過程異常復(fù)雜，而且計(jì)算量巨大使得整個(gè)流程很耗時(shí)[6]，而相應(yīng)大小的圖像其MB_LBP特征數(shù)只有8 000多種.可見，倘若用MB_LBP特征來構(gòu)建最終的級(jí)聯(lián)分類器所需的訓(xùn)練時(shí)間要遠(yuǎn)低于采用Haar特征時(shí)所需的訓(xùn)練時(shí)間.因此本文提出一種結(jié)合旋轉(zhuǎn)不變LBP描述子的MB_LBP特征，利用AdaBoost算法訓(xùn)練人臉檢測(cè)分類器來進(jìn)行人臉檢測(cè).

1 基于MB_LBP旋轉(zhuǎn)不變特征的AdaBoost人臉檢測(cè)算法

1.1 傳統(tǒng)LBP特征

1.2 MB_LBP特征

傳統(tǒng)LBP特征的信息冗余度過高，描述不夠精確且算法的魯棒性不夠[9,10].文獻(xiàn)[11]提及Zhang等學(xué)者對(duì)傳統(tǒng)的LBP算子進(jìn)行了新的改進(jìn)，提出了MB_LBP算子.相比于傳統(tǒng)的LBP算子，MB_LBP特征則是將窗口中的每個(gè)像素點(diǎn)升級(jí)為對(duì)應(yīng)塊狀區(qū)域的像素均值，整體結(jié)構(gòu)看起來依然是3×3窗口，此外，在尺度上也是可以進(jìn)行拓展的，如圖1所示，給出了MB_LBP特征的計(jì)算過程[12,13].

圖1 MB_LBP特征計(jì)算示意圖

在計(jì)算過程中，只需進(jìn)行縮放利用不同尺度的MB_LBP模板在整個(gè)圖片上遍歷一次就可以獲得許多MB_LBP特征.圖2為幾種MB_LBP的特征[14].

圖2 幾種MB_LBP特征示例

1.3 基于MB_LBP特征的人臉檢測(cè)分類器訓(xùn)練

(1)弱分類器的構(gòu)造

采用多分支樹作為弱分類器，可知總共有36個(gè)分支，且每一分支都對(duì)應(yīng)于一個(gè)確定的離散MB_LBP的特征值，弱分類器定義如下：

(1)

式(1)中：xk表示特征向量X中的第m個(gè)元素的MB_LBP特征，aj(j=0,…,35)表示對(duì)應(yīng)訓(xùn)練回歸參數(shù)，其定義如下：

(2)

(2)弱分類器的訓(xùn)練

本文選擇目前實(shí)現(xiàn)簡(jiǎn)單，泛化能力較好的Gentle AdaBoost算法來對(duì)弱分類器進(jìn)行訓(xùn)練，對(duì)弱分類器進(jìn)行訓(xùn)練得到強(qiáng)分類器的具體步驟[15,16]：

①給定待訓(xùn)練樣本(x1,y1),(x2,y2),…,(xN,yN)，總共包含N個(gè)訓(xùn)練樣本，其yi=-1或1分別對(duì)應(yīng)負(fù)例樣本和正例樣本：已知訓(xùn)練樣本中有p個(gè)負(fù)例樣本，q個(gè)正例樣本；并對(duì)人臉樣本的權(quán)重初始化為w1=1/2q，非人臉樣本的權(quán)重初始化為w1=1/2p；

②對(duì)m=1,…,M(M表示迭代次數(shù)，本文中設(shè)定為200)：尋找一個(gè)最優(yōu)的弱分類器fm(x)，使得權(quán)重均方誤差和最小，即使得函數(shù)

(3)

③輸出強(qiáng)分類器F(x)

(4)

式(4)中：Q是強(qiáng)分類器的閾值.

(3)級(jí)聯(lián)分類器的設(shè)計(jì)及訓(xùn)練

級(jí)聯(lián)分類器是由多個(gè)強(qiáng)分類器疊加而成的，而每個(gè)強(qiáng)分類器都是采用AdaBoost算法在經(jīng)過步驟(2)中的訓(xùn)練過程所得到的，其目的就是為了在檢測(cè)的時(shí)候更加準(zhǔn)確.從某種意義上來看，級(jí)聯(lián)分類器是一種類似于決策二叉樹的方法.將待檢測(cè)圖片輸入之后，特征計(jì)算過程中會(huì)將圖片劃分成多塊待測(cè)窗口，這些子窗口從進(jìn)入級(jí)聯(lián)分類器開始，會(huì)不斷地被每一個(gè)節(jié)點(diǎn)篩選，檢測(cè)為人臉時(shí)，就會(huì)送入下一層繼續(xù)篩選，直至每一層的強(qiáng)分類器都認(rèn)定其為人臉，最終結(jié)果才會(huì)認(rèn)定該窗口為人臉部分；只要其中任意一節(jié)點(diǎn)的判定過程中，該子窗口被判定為不是人臉，該子窗口會(huì)馬上被拋棄，從而繼續(xù)下一窗口的整個(gè)過程的判定，具體的過程如圖3所示，其中T表示True，判別為人臉，F(xiàn)表示False，判別為非人臉.

圖3 級(jí)聯(lián)分類器示意圖

2 仿真結(jié)果及分析

表1 不同弱分類器數(shù)下的兩種特征的誤檢率對(duì)比

Haar特征訓(xùn)練的級(jí)聯(lián)分類器為20層共2 094個(gè)弱分類器，MB_LBP特征訓(xùn)練的級(jí)聯(lián)分類器為9層共319個(gè)弱分類器.從表2可以看出，基于MB_LBP特征的人臉檢測(cè)算法訓(xùn)練時(shí)間遠(yuǎn)小于基于Haar特征的人臉檢測(cè)算法訓(xùn)練時(shí)間.

表2 兩種特征訓(xùn)練級(jí)聯(lián)分類器的時(shí)間對(duì)比

本文測(cè)試樣本選用網(wǎng)絡(luò)搜集的包含人臉的圖像，其中單人臉樣本100張和多人臉樣本200張，共計(jì)1 107個(gè)人臉進(jìn)行測(cè)試，測(cè)試結(jié)果如表3所示.可以看到，本文算法在使用更少的特征情況下也能達(dá)到與Haar特征分類器相當(dāng)?shù)男Ч?，甚至在有些測(cè)試樣本如人臉偏轉(zhuǎn)、墨鏡遮擋等較復(fù)雜的情況下，本文方法表現(xiàn)更好，如圖4～5所示.

圖4 (a)為本文采用的MB_LBP特征對(duì)多人臉圖的檢測(cè)效果，耗時(shí)75.453 2 ms，圖片大小為490×325；圖4(b)為Haar特征對(duì)多人臉圖的檢測(cè)效果圖，耗時(shí)約160.13 ms.可以看到MB_LBP特征相對(duì)于Haar特征能夠更加快速精準(zhǔn)的檢測(cè)到人臉.

(a)采用的MB_LBP特征時(shí)的檢測(cè)效果 (b)采用Haar特征時(shí)的檢測(cè)效果圖4 兩種特征檢測(cè)效果對(duì)比

圖5的尺寸為440×587，人臉偏轉(zhuǎn)35度左右的MB_LBP特征檢測(cè)效果圖，檢測(cè)時(shí)間為97.7 ms，而Haar特征檢測(cè)時(shí)間約為208 ms，但未能檢測(cè)出人臉.可以看出，MB_LBP特征結(jié)合了旋轉(zhuǎn)不變的描述子之后相對(duì)于Haar特征來說，對(duì)有旋轉(zhuǎn)的人臉也能夠比較有效的檢測(cè).可以看到，在檢測(cè)速度方面，MB_LBP特征耗時(shí)比Haar特征的耗時(shí)要少一半左右.

圖5 采用MB_LBP特征時(shí)對(duì)旋轉(zhuǎn)人臉的檢測(cè)效果

3 結(jié)論

本文針對(duì)使用Haar特征在構(gòu)建分類器的過程中，特征數(shù)量過高、特征描述能力不夠強(qiáng)以及檢測(cè)時(shí)間過長(zhǎng)等問題，提出了一種在AdaBoost架構(gòu)下基于MB_LBP特征的人臉檢測(cè)算法.相比于傳統(tǒng)的Harr特征，MB_LBP特征只需要很少的特征數(shù)量就能夠?qū)Ψ诸惼魍瓿煽焖儆?xùn)練.仿真結(jié)果表明，相較于Haar特征分類器，在檢測(cè)效果相當(dāng)?shù)那闆r下，本文算法所需的訓(xùn)練時(shí)間更小，檢測(cè)速度更快.

[1] 李紹文,王江波.駕駛員疲勞檢測(cè)系統(tǒng)的研究[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(15):253-258.

[2] Tomar S,Pandey Y.A review over face detection and recognition for frontal face images[J].Engineering Universe for Scientific Research and Management(International Journal),2013,5(5):1-5.

[3] Pavani S K,Delgado D,Frangi A F.Haar-like features with optimally weighted rectangles for rapid object detection[J].Pattern Recognition,2010,43(1):160-172.

[4] 陳 驍,金 鑫.基于級(jí)聯(lián)AdaBoost與示例投票的人臉檢測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展,2015,25(12):18-21.

[5] Sharifara A,Rahim M S M,Anisi Y.A general review of human face detection including a study of neural networks and Haar feature-based cascade classifier in face detection[C]//International Symposium on Biometrics and Security Technologies.Kuala Lumpur,Malaysia:IEEE,2015:73-78.

[6] Shen J,Sun C,Yang W,et al.A novel distribution-based feature for rapid object detection [J].Neurocomputing,2011,74(17):2 767-2 779.

[7] Xiaopeng H,Guoying Z,Matti P,et al.Combining LBP difference and feature correlation for texture description.[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society,2014,23(6):2 557-2 568.

[8] 劉 麗,匡綱要.圖像紋理特征提取方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2009,14(4):622-635.

[9] 張潔玉,武小川.加權(quán)局部二值模式的人臉特征提取[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(12):1 794-1 801.

[10] 李 根,李文輝.主方向旋轉(zhuǎn)LBP特征的平面旋轉(zhuǎn)人臉檢測(cè)[J].電子學(xué)報(bào),2015,43(1):198-202.

[11] 劉 麗,謝毓湘,魏迎梅,等.局部二進(jìn)制模式方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(12):1 696-1 720.

[12] 戴桂平,林洪彬.基于非下采樣 Contourlet 變換和 MB_LBP直方圖的掌紋檢測(cè)[J].傳感技術(shù)學(xué)報(bào),2014,27(10):1 387-1 393.

[13] 崔 浩,劉軍清,陳 鵬,等.基于MB_LBP與改進(jìn)Fast PCA算法的人臉特征提取[J].微型機(jī)與應(yīng)用, 2015,34(15):29-32.

[14] 潘秋萍,楊萬扣,孫長(zhǎng)銀.基于Haar與MB-LBP特征的車牌檢測(cè)算法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,42(S1):74-77.

[15] 孟子博,姜 虹,陳 婧，等.基于特征裁剪的AdaBoost算法以及在人臉檢測(cè)中的應(yīng)用[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2013,47(5):906-911.

[16] 賈慧星,章毓晉.基于動(dòng)態(tài)權(quán)重裁剪的快速AdaBoost訓(xùn)練算法[J].計(jì)算機(jī)學(xué)報(bào),2009,32(2):336-341.

【責(zé)任編輯：蔣亞儒】

Research on the AdaBoost face detection algorithm based on the rotation invariant features of MB_LBP

KANG Jie， LI Zhen， WANG Xiao-dong， LI Xiao-jing

(College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China)

The training time of the traditional AdaBoost face detection algorithm based on the Haar features is too long,and the face can not be detected quickly due to the excessive number of Haar features. Aiming at this problem,the AdaBoost face detection algorithm based on the multi-block local binary pattern (MB_LBP) features is proposed in this paper.The MB_LBP features are combined with the rotation invariant local binary pattern (LBP) descriptor,which have stronger representation ability and fewer features.The simulation results show that the MB_LBP features performed as well as the Haar features do,and the training time is significantly reduced at the same time,and the detection rate is greatly improved.

face detection； MB_LBP； AdaBoost

2017-03-09

陜西省科技廳自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目(2014JM8329)； 陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目(14JK1029，2013JK1044)； 咸陽(yáng)市科技計(jì)劃項(xiàng)目(2011K07-03)； 陜西省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(2015-1237)

亢 潔(1973-)，女，陜西潼關(guān)人，副教授，博士，研究方向：圖像處理與模式識(shí)別

2096-398X(2017)04-0164-04

TP391.41

A