一種改進(jìn)型Adaboost算法的人臉檢測(cè)

劉燕 賀松 成雨風(fēng)

摘 要：原有的Adaboost算法在復(fù)雜背景及光源下，很容易出現(xiàn)人臉的誤檢問題，從而使人臉誤檢率較高。人臉相似區(qū)域的樣本難以分類，導(dǎo)致出現(xiàn)權(quán)重過擬合現(xiàn)象使檢測(cè)率降低。針對(duì)這些問題，本文提出了一種YCbCr膚色區(qū)域分割+改進(jìn)型Adaboost算法的人臉檢測(cè)算法。采用膚色區(qū)域分割排除復(fù)雜背景及光源的影響，將權(quán)重更新與正負(fù)樣本誤檢率相結(jié)合，抑制人臉相似區(qū)域的權(quán)重過擬合現(xiàn)象，同時(shí)引入符合人臉的Haar-Like特征進(jìn)一步提高檢測(cè)率。通過實(shí)驗(yàn)證明，本文提出的算法在人臉檢測(cè)中提高了檢測(cè)率，降低了誤檢率和檢測(cè)所需時(shí)間。

關(guān)鍵詞： Haar-Like特征;Adaboost;膚色分割;人臉檢測(cè)

【Abstract】 The original Adaboost algorithm is prone to face false detection under complex background and light source， which leads to a high rate of face false detection. It is difficult to classify the samples of face similar regions， which leads to the phenomenon of weight overfitting and reduces the detection rate. To solve these problems， this paper proposes a face detection algorithm based on YCbCr skin color region segmentation + improved Adaboost algorithm. Skin color region segmentation is adopted to exclude the influence of complex background and light source， weight updating is combined with positive and negative sample false detection rate， which could suppress the weight overfitting phenomenon in face similar areas. Meanwhile， Haar-Like features conforming to face are introduced to further improve the detection rate. Experimental results show that the algorithm proposed in this paper improves the detection rate， reduces the false detection rate and the detection time.

【Key words】 ?Haar-Like characteristics; Adaboost; skin color division; face detection

0 引 言

隨著計(jì)算機(jī)視覺的發(fā)展，人臉識(shí)別已應(yīng)用在生活中的各個(gè)領(lǐng)域，比如身份驗(yàn)證、智能人機(jī)接口、出入口控制等。其中的人臉檢測(cè)是人臉識(shí)別的一個(gè)重要組成部分，人臉檢測(cè)的檢測(cè)速度和檢測(cè)率直接影響到人臉識(shí)別系統(tǒng)的性能，因此人臉檢測(cè)也是相關(guān)領(lǐng)域?qū)W者研究的熱點(diǎn)課題，近些年來也得到了不斷拓展與創(chuàng)新。人臉檢測(cè)的評(píng)價(jià)指標(biāo)有檢測(cè)率、檢測(cè)速度、誤檢率、魯棒性[1]。

目前，由Viola和Jones提出了經(jīng)典的人臉檢測(cè)Adaboost算法，而且由其提出的人臉檢測(cè)器比其它學(xué)者提出的人臉檢測(cè)器性能更佳，但是還存在著檢測(cè)率和檢測(cè)效率不足的問題。與此同時(shí)，也還有研究發(fā)現(xiàn)，膚色區(qū)域分割可以有效避免復(fù)雜背景、人臉姿態(tài)、表情變化和面部被遮擋等因素對(duì)人臉檢測(cè)的影響[2]。在待檢測(cè)圖像中，膚色區(qū)域分割排除了大部分非膚色部分，所以基于膚色區(qū)域分割的人臉檢測(cè)在速度上占據(jù)優(yōu)勢(shì)，使其經(jīng)常在快速的人臉檢測(cè)系統(tǒng)中被應(yīng)用。為了提高檢測(cè)率和檢測(cè)效率，本文提出了結(jié)合YCbCr膚色區(qū)域分割+改進(jìn)型Adaboost算法的人臉檢測(cè)算法。

1 膚色區(qū)域檢測(cè)

Jain等人[3]提出在YCbCr色彩空間中膚色具有良好的聚類性，膚色在CbCr空間的映射形式也表現(xiàn)出橢圓的特性，這些特性為膚色分割提供了很好的效果，其中Y表示亮度分量，Cb表示藍(lán)色色度分量，Cr表示紅色色度分量[3-4]。而膚色區(qū)域分割過程可表述如下。

（1）選用色彩空間YCbCr，將圖像顏色空間從RGB空間轉(zhuǎn)換到CbCr空間中。

（2）采用簡(jiǎn)單高斯模型進(jìn)行膚色建模[5] 。

（3）利用自適應(yīng)閾值分割方法，遍歷整個(gè)待檢測(cè)圖像中的每個(gè)像素點(diǎn)，按照Cb、Cr分割閾值分割膚色區(qū)域，像素點(diǎn)在設(shè)定的Cb、Cr閾值區(qū)間內(nèi)，則判斷像素點(diǎn)為膚色[6]，分離膚色像素，實(shí)現(xiàn)膚色二值化處理。

（4）對(duì)膚色二值化圖像采用數(shù)字形態(tài)學(xué)的相關(guān)運(yùn)算進(jìn)行優(yōu)化處理，消除不平滑的數(shù)據(jù)點(diǎn)或小連通域，從而得到平滑的二值化圖像。數(shù)學(xué)形態(tài)學(xué)主要包括著：膨脹運(yùn)算、腐蝕運(yùn)算、開運(yùn)算和閉運(yùn)算[7]。

膚色區(qū)域分割效果如圖1所示。在YCbCr空間的膚色區(qū)域分割，很好地將大部分背景區(qū)域與膚色區(qū)域區(qū)分開，為后續(xù)的人臉檢測(cè)縮小了檢測(cè)范圍。

2 Haar-Like特征

2.1 基本的Haar-Like特征

基本的Haar特征模板有5種[8]，如圖2所示。除此之外，還延伸了一些常用的Haar特征，如：邊緣特征、線性特征和中心特征。

2.2 擴(kuò)展的Haar-Like特征

特征值就是白色矩形內(nèi)的像素和減去黑色矩形內(nèi)的像素和[9]。Haar-like特征模板可以通過平移、縮放提取不同位置和尺度的特征值，在人臉圖像中Haar特征能夠描述人臉的灰度分布情況，眼睛和嘴巴的灰度值較高且位置相對(duì)固定[10]。為了更快地提取人臉特征，進(jìn)一步優(yōu)化Haar分類器，并根據(jù)人臉的眼睛和嘴巴分布位置特征，加入了擴(kuò)展的Haar-Like特征，從而達(dá)到提升檢測(cè)率的目的。本文擴(kuò)展的Haar-Like特征如圖3所示。

3 Adaboost算法及改進(jìn)

在人臉檢測(cè)過程中，Adaboost算法先是計(jì)算待檢圖像的積分圖，在積分圖中得出Haar特征值，快速提取人臉的灰度分布特性，通過大量的訓(xùn)練選出最優(yōu)的Haar特征，將其轉(zhuǎn)化為最佳弱分類器。得到一個(gè)最佳弱分類器后，樣本的權(quán)重將全部更新，所有訓(xùn)練樣本也將全部重新訓(xùn)練才能再次選出最優(yōu)的Haar特征，從而轉(zhuǎn)化為最佳弱分類器，轉(zhuǎn)化出的若干個(gè)最佳弱分類器組合得到一個(gè)強(qiáng)分類器[11-12]。

3.1 Adaboost算法原理

在原有Adaboost算法中，當(dāng)樣本被錯(cuò)誤分類時(shí)，權(quán)重更新公式為wt，iexp（αt），如果樣本一直被錯(cuò)誤分類，權(quán)重就會(huì)不停增長(zhǎng)。改進(jìn)后因?yàn)?-FPR<1、1-FNR<1，所以能夠降低權(quán)重?cái)U(kuò)張幅度，被錯(cuò)分的樣本權(quán)重將會(huì)受到抑制，綜上即為對(duì)原有Adaboost算法提出的權(quán)重更新改進(jìn)方法。

4 人臉檢測(cè)過程

本文的人臉檢測(cè)過程主要分為3部分，分別是：樣本分類器訓(xùn)練、圖像預(yù)處理、在線人臉檢測(cè)。其整體設(shè)計(jì)過程如圖4所示。由圖4可知，對(duì)其中各重點(diǎn)環(huán)節(jié)的功能設(shè)計(jì)可做解析剖述如下。

（1）樣本分類器訓(xùn)練包括：準(zhǔn)備訓(xùn)練樣本、積分圖計(jì)算、特征值計(jì)算、形成弱分類器及強(qiáng)分類器。該部分是利用已經(jīng)改進(jìn)的Adaboost算法訓(xùn)練分類器，為人臉檢測(cè)做準(zhǔn)備，其中的人臉樣本和非人臉樣本統(tǒng)稱為訓(xùn)練樣本。

（2）圖像預(yù)處理包括：顏色空間轉(zhuǎn)換、建立高斯膚色模型、膚色區(qū)域分割、膚色區(qū)域優(yōu)化處理。該部分是用于提供膚色待檢測(cè)區(qū)，為在線人臉檢測(cè)排除復(fù)雜背景或大部分非膚色區(qū)域。

（3）在線人臉檢測(cè)：將改進(jìn)型Adaboost算法訓(xùn)練得到的強(qiáng)分類器進(jìn)行級(jí)聯(lián)，對(duì)膚色待檢區(qū)域做進(jìn)一步人臉驗(yàn)證，對(duì)于檢測(cè)出來的人臉，定位并標(biāo)注出人臉?biāo)谖恢谩?/p>

（4）強(qiáng)分類器級(jí)聯(lián)：只有當(dāng)前層強(qiáng)分類器判定為人臉區(qū)域，才能進(jìn)入下一層的強(qiáng)分類器繼續(xù)進(jìn)行判斷，即只有每層的強(qiáng)分類器都判定為人臉，才會(huì)輸出為人臉。級(jí)聯(lián)類似于決策樹算法的思想。

5 算法實(shí)現(xiàn)與結(jié)果分析

本實(shí)驗(yàn)使用的開發(fā)平臺(tái)是Visual Studio 2013，OpenCV2.4.9，訓(xùn)練樣本使用的是各大主流人臉檢測(cè)數(shù)據(jù)庫。為了保證每個(gè)Haar特征都在每個(gè)樣本中出現(xiàn)，將所有前期準(zhǔn)備的訓(xùn)練樣本都轉(zhuǎn)換為20×20的灰度圖。測(cè)試樣本來自于網(wǎng)絡(luò)收集，共220張圖像，圖像有435張人臉，圖像包括了多人圖像和單人圖像。

為了驗(yàn)證Adaboost算法改進(jìn)后的性能，本文進(jìn)行了檢測(cè)率、檢測(cè)時(shí)間和誤檢率的比較實(shí)驗(yàn)。2種人臉檢測(cè)算法性能比較結(jié)果見表1。其中，誤檢率是被錯(cuò)誤檢測(cè)的目標(biāo)與檢測(cè)到的目標(biāo)總量之比，檢測(cè)率是被檢測(cè)到的人臉目標(biāo)與所有人臉總量之比。

從表1的性能比較結(jié)果來看，膚色分割+改進(jìn)型Adaboost算法的檢測(cè)率為92.7%，其檢測(cè)率明顯高于原有的Adaboost算法檢測(cè)率86.2%，由此得知本文提出的人臉檢測(cè)算法有效地提高了檢測(cè)率。2種人臉檢測(cè)算法的誤檢率分別為18.6%和11%，檢測(cè)時(shí)間分別為368 s和179 s，在保證了檢測(cè)率的情況下，改進(jìn)后的算法的誤檢率和檢測(cè)時(shí)間也明顯降低，說明了沒有經(jīng)過膚色區(qū)域切割的圖像在人臉檢測(cè)時(shí)會(huì)被更多因素干擾，檢測(cè)尺寸也較大，因而檢測(cè)速度較慢，誤檢的幾率也就更大。綜上所述，在人臉檢測(cè)中，膚色分割+改進(jìn)型Adaboost算法比原有Adaboost算法的性能更佳。

2種人臉檢測(cè)算法的效果比較如圖5所示。在運(yùn)用原有Adaboost算法進(jìn)行人臉檢測(cè)效果圖中，圖5（a）左子圖出現(xiàn)漏檢及誤檢，圖5（b）左子圖出現(xiàn)漏檢，兩圖出現(xiàn)漏檢均是因?yàn)槿四樏娌空趽蹼y以檢測(cè)。在第二組人臉檢測(cè)效果圖中，圖5（a）右子圖出現(xiàn)多處誤檢，圖5（b）右子圖檢測(cè)出所有人臉。從人臉檢測(cè)輸出結(jié)果上來說，膚色分割+改進(jìn)型Adaboost算法比原有Adaboost算法的檢測(cè)率更高，誤檢率也更低。

6 結(jié)束語

本文提出的膚色分割+改進(jìn)型Adaboost人臉檢測(cè)算法，對(duì)待檢測(cè)圖像做膚色區(qū)域分割預(yù)處理可以有效降低檢測(cè)時(shí)間和誤檢率。同時(shí)改進(jìn)的權(quán)重更新方式也有針對(duì)性地抑制了權(quán)重過擬合現(xiàn)象，驗(yàn)證了引入符合人臉的Haar-Like特征可有效提高檢測(cè)率。在今后的人臉檢測(cè)研究中，則亟需研究如何檢測(cè)帶有遮擋物的人臉，從而進(jìn)一步完善人臉檢測(cè)系統(tǒng)。

參考文獻(xiàn)

[1]邵林昌. 基于膚色分割的人臉檢測(cè)[D]. 南京：東南大學(xué)，2006.

[2]艾學(xué)軼， 吳彥文， 汪亭亭. 復(fù)雜背景下基于膚色分割的人臉檢測(cè)算法研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2010， 31（14）：3268-3273.

[3]HSU R L， ABDEL-MOTTALEB M， JAIN A K. Jain， Face detection in colour images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）： 696-706.

[4]BASILIO J A M ， TORRES G A ， PREZ G S， et al. Explicit image detection using YCbCr space color model as skin detection[C]// Proceedings of the 2011 American Conference on Applied Mathematics and the 5th WSEAS International Conference on Computer Engineering and Applications. Puerto Morelos， Mexico： ACM， 2011：123-128.

[5]王海川，張立明. 一種新的Adaboost快速訓(xùn)練算法[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2004，43（1）：27-33.

[6]TREFNY/ J， MATAS J. Extended set of local binary patterns for rapid object detection[C]//Proc. of the Computer Vision Winter Workshop. Nov Hrady， Czech Republic： Czech Pattern Recognition Society， 2010： 1589-1596.

[7]萬麗. 基于膚色及AdaBoost算法的人臉檢測(cè)技術(shù)研究[D]. 成都：西南石油大學(xué)，2011.

[8]左登宇. 基于Adaboost算法的人臉檢測(cè)研究[D]. 合肥：中國(guó)科技大學(xué)，2009.

[9]LI Haoxiang， LIN Zhe，SHEN Xiaohui. A convolutional neural network cascade for face detection[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston， MA， USA：IEEE，2015：5325-5334.

[10]劉俠，李蘇，李廷軍. 一種改進(jìn)的Adaboost算法的人臉檢測(cè)分類器[J].空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，10（2）：76-80.

[11]郭磊，王秋光. Adaboost人臉檢測(cè)算法研究及OpenCV實(shí)現(xiàn)[J].哈爾濱理工大學(xué)學(xué)報(bào)，2009，14（5）：123-126.

[12]TERRILLON J C， SHIRAZI M N， FUKAMACHI H， et al. ComParative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images[C]// 4th IEEE International Conference on Automatic Face and Gesture Recognition （FG 2000）. Grenoble， France：dblp，2000：1-9.

[13]BI Ping， ZHAO Heng， LIANG Jimin .Variant pose face detection based on multi-classifier fusion[J].Joumal of System Simulation，2009，21（20）：6469-6478.

[14]Samuel K， Partha N. The interaction of stability and weakness in AdaBoost[R]. Chicago： University of Chicago ，2001.

[15]VIOLA P， JONES M. Rapid object detection using a Boosted cascade of simple features [C]// Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition（CVPR 2001）. Vancouver， Canada： IEEE Computer Society， 2001：1-9.