基于adaboost算法的人脸检测

- 1 -

ubuntu人脸识别实验报告

人脸检测流程

选取特征（本文采用Haar-like特征）

选取分类器算法，训练人脸分类器（本文采用Adaboost级联分类器）

对图像进行人脸检测

人脸识别流程

选取人脸识别算法（本文包括PCA、FDA和LBP）

训练识别模型

对目标进行识别

ubuntu相关资料介绍ubuntu在2.4后引入了人脸识别相关模块，原来只有人脸检测部分。在ubuntu官网，有较详细的介绍，看!目录，在该目录中重点要看这篇!Face Recognition with ubuntu.

这应该是一个德国人写的，在教程中他提到了3个算法：

EigenFaces

FisherFace

Local Binary Patterns Histograms

前面两个算法都是利用子空间的原理，有一定的相似性，分别以PCA和LDA为基础。后者以特征选取为主，做法思路都不大一样，建议分开看。该教程中对算法的描述过于简洁，不适合初学者看，建议寻找相关资料进一步阅读。PCA-主成分分析法PCA在很多地方都有应用，是一个十分简单有效的方法。其思想概括起来即降维，它认为原始数据中包含了大量的噪音和冗余，通过协方差矩阵的对角化可以得到一个子空间，该子空间的维度大大降低，却神奇的保留了原始- 2 -

数据中的显著特征。

该算法的具体原理可参考斯坦福大学的公开课，Andrew.Ng的机器学习课程，里面有一章节专门讲pca，若觉得看视频太慢，可以直接看讲义，讲的很清楚。国内有几个博客作者对它进行了翻译，推荐：

!主成分分析（Principal components analysis）-最大方差解释

!机器学习中的数学(4)-线性判别分析（LDA）,主成分分析(PCA)

该算法涉及较多的线性代数知识，忘掉的同学建议复习下相关内容。

LDA-线性判别分析fisherface的FDA是在LDA基础之上的一种算法。关于线性判别的思想如下：它认为在PCA中，PCA把数据作为一个整体来看，即数据源中所有的显著特征都会被保留下来，如果一个人的脸在强光下和弱光下，pca生成的子空间有显著的差异，而他们却是同一张脸。LDA的思想是寻找一个分割平面（在二维中即直线），来区分两种不同类别的数据，既能够区分两个不同的人脸，进行归类。因此，它的目标就是怎么要找到这个平面，达到最好的区分效果。

第２４卷第１１期　２００７年１１月　计算机应用研究　Ａｐｐｌｉｃａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ　Ｖｏ１．２４　Ｎｏ．１１　ＮＯＶ．２００７　

改进的基于ＡｄａＢｏｏｓｔ算法的人脸检测方法　

熊盛武，宗欣露，朱国锋　（武汉理工大学计算机科学－ｈ技术学院，武汉４３００７０）　摘要：针对传统ＡｄａＢｏｏｓｔ算法的不足，分析了训练过程中出现的退化问题及样本权重扭曲的现象，并提出了　解决这一问题的有效方法。该方法对样本权重的更新规则进行了适当的调整，即为每一轮循环设定一个权重更　新阂值，根据样本是否被错误分类以及当前权重是否大于该阈值来更新样本权重，从而限制了困难样本权重的　过分增大。使用该方法训练级联人脸检测器，试验结果表明，该方法较好地解决了传统ＡｄａＢｏｏｓｔ算法所出现的　退化问题。在保证检测率的同时降低了误检率。　关键词：ＡｄａＢｏｏｓｔ；人脸检测；权重调整；退化；级联分类器　中图分类号：ＴＰ３９１．４１　文献标志码：Ａ　文章编号：ｌｏ０１—３６９５（２ｏｏ７）１１—０２９８—０３　Ｉｍｐｒｏｖｅｄ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ＡｄａＢｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ＸＩＯＮＧ　Ｓｈｅｎｇ－ｗｕ，ＺＯＮＧ　Ｘｉｎ—ｌｕ，ＺＨＵ　Ｇｕｏ—ｆｅｎｇ　（Ｓｃｈｏｏｌ　ｏｆＣｏｍｐｕｔｅｒＳｃｉｅ￣ｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ　４３００７０，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｆｏｃｕｓｉｎｇ　ｏｎ　ｔｈｅ　ｄｉｓａｄｖａｎｔａｇｅｓ　ｏｆ　ｃｌａｓｓｉｃａｌ　ＡｄａＢｏｏｓｔ　ａｌｇｏｒｉｔｈｍ，ｔｈｉｓ　ｐａｐｅｒ　ｍａｉｎｌｙ　ａｎａｌｙｓｅｄ　ｔｈｅ　ｉｓｓｕｅｓ　ｏｆ　ｏｖｅｒｆｉｔｔｉｎｇ　ａｎｄ　ｄｉｓｔｏｒｔｉｏｎ　ｏｆ　ｓａｍｐｌｅ　ｗｅｉｇｈｔｓ　ｉｎ　ｔｒａｉｎｉｎｇ　ｐｒｏｃｅｓｓ　ａｎｄ　ｃｏｍｅ　ｕｐ　ｗｉｔｈ　ａ　ｎｅｗ　ｍｅｔｈｏｄ　ｔｏ　ａｖｏｉｄ　ｔｈｅ　ｐｈｅｎｏｍｅｎｏｎ　ｏｆ　ｏｖｅｒｆｉｔｔｉｎｇ．　ｎ１。ｐｒｏｐｏｓｅｄ　ａｐｐｒｏａｃｈ　ｓｅｔ　ａ　ｗｅｉｇｈｔ　ｔｈｒｅｓｈｏｌｄ　ｆｏｒ　ｅａｃｈ　ｌｏｏｐ．ａｎｄ　ｕｐｄａｔｅｄ　ｗｅｉｇｈｔ　ｏｆ　ｓａｍｐｌｅ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｗｈｅｔｈｅｒ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｗｅｉｇｈｔ　ｗａｓ　ｇｒｅａｔｅｒ　ｔｈａｎ　ｔｈｅ　ｔｈｒｅｓｈｏｌｄ，ＳＯ　ｔｈａｔ　ｗｅｉ　ｇｈｔｓ　ｏｆ　ｈａｒｄ　ｓａｍｐｌｅｓ　ｗｏｕｌｄ　ｎｏｔ　ｅｘｐａｎｄ　ｔｏｏ　ｌａｒｇｅ．Ａ　ｃａｓｃａｄｅ　ｆａｃｅ　ｄｅｔｅｃｔｏｒ　ｗａｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｕｓｉｎｇ　ｔｈｅ　ｍｅｔｈｏｄ　Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｎｅｗ　ｍｅｔｈｏｄ　ｗｉｎ　ｎｏｔ　ｌｅａｄ　ｔｏ　ｏｖｅｒｆｉｔｔｉｎｇ　ｌｉｋｅ　ｃｌａｓｓｉｃａｌ　Ａｄａ—　Ｂｏｏｓｔ　ｏｆｔｅｎ　ｄｏｅｓ．ａｎｄ　ｉｔ　ｗｉ１１　ｒｅｄｕｃｅ　ｆａｌｓｅ　ａｌａｉＴｎ　ｒａｔｅ　ｗｈｉｌｅ　ｈｏｌｄｉｎｇ　ａ　ｈｉｇｈ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ．　Ｋｅｙ　ｗｏｒｄｓ：ＡｄａＢｏｏｓｔ；ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ：ｗｅｉｇｈｔｓ　ａｄｊｕｓｔｍｅｎｔ；ｏｖｅｒｔｈ：ｃａｓｃａｄｅ　ｃｌａｓｓｉｆｉｅｒ　

第２９卷第７期　２００８年７月　仪　器　仪　表　学　报　

Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｃｉｅｎｔｉｆｉｃ　Ｉｎｓｔｒｕｍｅｎｔ　Ｖｏ１．２９　Ｎｏ．７　Ｊｕ１．２００８　

融合Ａｄａｂｏｏｓｔ和光流算法的视频人脸实时检测　

龚卫国，桂祖宏，李正浩，辜小花　

（重庆大学光电技术及系统教育部重点实验室重庆４０００４４）　

摘要：提出一种基于ＡｄａＢｏｏｓｔ和光流的融合算法实现视频人脸的实时检测，利用ＡｄａＢｏｏｓｔ算法对人脸进行检测，结合光流算　

法对视频图像帧间的连续性进行估计，获得人脸在图像中的位置。实验证明，本文介绍的人脸检测和追踪的方法利用了Ａｄａ・　Ｂｏｏｓｔ和光流算法各自的优点，一定程度上解决了人脸偏转、部分遮挡、表情变化以及光照等因素对人脸检测的影响。　

关键词：人脸检测；ＡｄａＢｏｏｓｔ；光流；融合算法　中图分类号：ＴＰ２　文献标识码：Ａ　国家标准学科分类代码：５２０．６０４　

Ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｔｒａｃｋｉｎｇ　ｂａｓｅｄ　ｏｎ　ｆｕｓｉｏｎ　ＡｄａＢｏｏｓｔ　ａｎｄ　

ｏｐｔｉｃａｌ　ｆｌｏｗ　ａｌｇｏｒｉｔｈｍｓ　

Ｇｏｎｇ　Ｗｅｉｇｕｏ，Ｇｕｉ　Ｚｕｈｏｎｇ，Ｌｉ　Ｚｈｅｎｇｈａｏ，Ｇｕ　Ｘｉａｏｈｕａ　

（Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙｆｏｒ　Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｓｙｓｔｅｍ　ｏｆｔｈｅ　Ｅｄｕｃａｔｉｏｎ　Ｍｉｎｉｓｔｒｙ　ｏｆＣｈｉｎａ，　

Ｃｈｏｎｇｑｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ　４０００４４，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａ　ｆｕｓｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＡｄａＢｏｏｓｔ　ａｎｄ　ｏｐｔｉｃａｌ　ｆｌｏｗ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｄｅｔｅｃｔ　ａｎｄ　ｔｒａｃｋ　ｆａｃｅｓ．Ｉｔ　ｕｓｅｓ　Ａｄａ—　

Ｂｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｄｅｔｅｃｔ　ｆａｃｅｓ　ａｎｄ　ａｄｏｐｔｓ　ｏｐｔｉｃａｌ　ｆｌｏｗ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｅｓｔｉｍａｔｅ　ｔｈｅ　ｃｏｎｔｉｎｕｉｔｙ　ｏｆ　ｔｈｅ　ｖｉｄｅｏ　ｆｒａｍｅｓ　ａｎｄ　ｏｂ．－　

深圳市华天成科技有限公司

人脸识别技术

人脸识别

人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：

非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；

非接触性：用户不需要和设备直接接触就能获取人脸图像；

并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；

除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。

人脸识别技术流程

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。

人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。

主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。

人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。