《基于Adaboost人脸检测算法的研究及实现》

摘要

摘要

人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题，

在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能入机交互等

领域有着重要的应用价值。人脸检测是对于任意～幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小

和姿态。本文研究了如何快速、准确地在一幅图片中检测融入脸。详细分析了Ｖｉｏｌａ等人提出的Ａｄａｂｏｏｓｔ级联人脸检测算法，主要任务在于：

ｌ、系统地分析和探讨了多种人脸检测方法的鍪本理论，对入黢检测方法进

行了深入的研究和讨论。２、详细褥介绍了Ａｄａｂｏｏｓｔ算法的Ｈ鑫ａ满征、积分图像、弱分类器、强分类

器的概念，在深入研究基于Ａｄａｂｏｏｓｔ算法的人脸检测方法的同时，构建了一个人

脸实时检测系统。３、针对Ａｄａｂｏｏｓｔ算法中存在的不足：当检测器遇到倾斜入脸时，容易出

现漏检的现象，提出了两类新的特征模板，训练得到新的强分类器，增强了对倾斜入脸的检测效果。在检测器前端加入了肤色模型和光照补偿模块，达到了

优化检测的目的。

４、Ａｄａｂｏｏｓｔ算法在训练过程中要耗费大量熬时闽，为了解决这个闻题，文章分析了该算法在训练过程中并行计算的可行性，介绍了算法并行化后的流程。

通过实验证明，训练过程并行化后，程序运行时瓣缩短了２／３以上。

关键词：入脸检测Ａｄａｂｏｏｓｔ算法Ｈａａｒ特征积分图像分类器并行化Ａｂｓｔｒａｃｔ

ＡＢＳＴＲＡＣＴ

ＦａｃｅｄｅｔｅｃｔｉｏｎｉｓａｆｕｎｄａｍｅｎｔａｌａｎｄｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｔｈｅｍｅｉｎｔｈｅｔｏｐｉｃｏｆＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＣｏｍｐｍｅｒＶｉｓｉｏｎ，ａｎｄｉｔｈａｓａｂｒｏａｄａｐｐｌｉｃａｔｉｏｎｉｎｍａｎｙｆｉｅｌｄｓｓｕｃｈａｓｃｏｎｔｅｎｔ－ｂａｓｅｄｉｍａｇｅａｎｄｖｉｄｅｏｒｅｔｒｉｅｖａｌ，ｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅ，ａｕｔｏｍａｔｉｃｆａｃｅｒｅｃｏｇｎｉｔｉｏｎａｎｄｈｕｍａｎ－ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ，ｅｔｃ．Ｇｉｖｅｎａｎａｒｂｉｔｒａｒｙｉｍａｇｅ，ｔｈｅｇｏａｌｏｆｆａｃｅｄｅｔｅｃｔｉｏｎｉＳｔｏｄｅｔｅｒｍｉｎｅｗｈｅｔｈｅｒｏｒｎｏｔｔｈｅｒｅａｒｅａｎｙｆａｃｅｓｊｎｔｈｅｉｍａｇｅａｎｄ，ｉｆｐｒｅｓｅｎｔ，ｒｅｔｕｒｎｔｈｅｉｍａｇｅｌｏｃａｔｉｏｎａｎｄｅ嫩ｅｆ建ｏｆｅａｃｈｆａｃｅ．Ｉｎｔｈｉｓｔｈｅｓｉｓ，ｔｈｅＡｄａｂｏｏｓｔｃａｓｃａｄｅｆａｃｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｐｒｏｐｏｓｅｄｂｙＶｉｏｌａｅｔａ１．ｉｓａｎａｌｙｚｅｄｉｎｄｅｔａｉｌ．Ｔｈｅｍａｉｎｃｏｎｔｒｉｂｕｔｉｏｎｓａｒｅａｓｆｏｌｌｏｗｓ：１．Ａｇｒｅａｔａｍｏｕｎｔｏｆｌｉｔｅｒａｔｕｒｅｓ，ｓｕｒｖｅｙｓａｎｄｒｅｓｅａｒｃｈｐａｐｅｒｓｃｏｎｃｅｒｎｉｎｇｕｐ。ｔｏ－ｄａｔｅｔｅｃｈｎｉｑｕｅｓｏｆｆａｃｅｄｅｔｅｃｔｉｏｎａｎｄｆａｃｅｒｅｃｏｇｎｉｔｉｏｎａｒｅｒｅａｄａｎｄａｎａｌｙｚｅｄ．Ｓｏｍｅｈｏｔｊｓｓｕｅｓａｂｏｕｔｆａｃｅｄｅｔｅｃｔｉｏｎａｒｅｄｉｓｃｕｓｓｅｄａｎｄｓｔｕｄｉｅｄｉｎｔｈｉｓｐａｐｅｒ．２．Ｈａａｒｆｅａｔｕｒｅ，ｉｎｔｅｇｒａｌｉｍａｇｅ，ｗｅａｋｃｌａｓｓｉｆｉｅｒ，ｓｔｒｏｎｇｃｌａｓｓｉｆｉｅｒａｒｅｉｎｔｒｏｄｕｃｅｄｉｎｄｅｔａｉｌｉｎｔｈｅｔｈｅｓｉｓ，ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ａｆａｃｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｉＳｂｕｉｌｔｗｈｉｌｅｉｎ－ｄｅｐｔｈｓｔｕｄｙｏｎｆａｃｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ．３。ＦｏｃｕｓｉｎｇｏｎｔｈｅｄｉｓａｄｖａｎｔａｇｅｓｏｆＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍｓ：Ｗｈｅｎｔｈｅ・ｄｅ耗ｃｔｏｒ

国氓鄹嚣蔻鼢爨　

北京邮电大学自动化学院俞晶晶　

人脸识别技术作为当前的研究热点之一，主要包括识别和　检测２大方向。人脸识别的研究内容主要是如何快速准确的在　

人脸数据库中识别出目标。目前，越来越多的应用需要在复杂　

条件下处理图像后获得人脸的清晰图像，因此人脸识别成为了　

研究热点。本文，笔者提出了使用Ａｄａｂｏｏｓｔ算法进行人脸的正　

面和左右侧面检测，实验结果表明，该算法识别效果好、实时性　

好、检测速度快。　

一、Ａｄａｂｏｏｓｔ算法　ＡｄａＢｏｏｓｔ是一种迭代算法，其核心思想是针对不同的训练　

集训练同一个基本分类器，然后把这些在不同训练集上得到的　

分类器集合起来，构成一个更强大的最终的分类器。每一层分　

类器都对特征值ｆ进行判断，当特征值ｆ大于阈值ｖ时表示是人　

脸，否则不是人脸。　

：　¨　（１）　

Ｊ　（　＜　）　

对每一个弱分类器进行相加得到最终的强分类器Ｆ，每个特　

征向量根据是否被正确分类来改变权值。当样本分类正确时降　

低权值，分类错误则增大权值。从而更加关注那些没有正确分　

类的样本。　

Ｆ：ｓｉｇ．（ｗ，ｆ￣＋Ｗ２　＋Ｌ＋　）。　（２）　

多级分类器的结构如图１所示。　

／／筛选排除部分、　＼、、非人脸区域　／／／　ｆ＼　／　

弱　类器１　，　弱分类器／，　筛选　、＼＼　！竺　

ｊ　、＼、　

弱分类器ｊ　

图１多级分类器结构　

基金项目：留学归国人员教学、科研建设项目，国家８６３项　

目（２００６ＡＡ０４Ｚ２４３）。　在Ａｄａｂｏｏｓｔ算法中首先提出了“积分图”的概念，如图书２所　

示。积分图就是坐标点（　，，，）左上角的所有像素的和。其中ｉｉ　

（　，ｙ）表示像素点（　，Ｙ）的积分图，ｉ（　，ｙ）表示像素点（　，Ｙ）的像　素值。通过迭代方式进行计算使特征检测器中特征的计算速度　

大大提高。　

图２算法积分图　

ｉｉ（Ｘ，Ｙ．１＝乙ｉ（ｘ，Ｙ　Ｊ。　（３）　。　．Ｙ。＜ｙ　如图２所示，积分图中点１的积分图值为矩形框Ａ所有像素　

值之和；点２的积分图值为矩形框Ａ和Ｂ的像素值之和；点３的　

基于AdaBoost分类器的手势检测

摘 要：随着社会智能化的不断发展，人们对人机交互的要求也越来越高。手势识别就是人机交互中一项重要的技术。而手势识别中首要解决的任务就是首帧手势位置的检测，这直接影响到后续的跟踪与识别。本文通过基于haar-like特征的adaboost分类器检测实现了在单目视觉条件与复杂环境下对特定手势的快速自检测。

关键词：haar-like特征；adaboost分类器；手势检测

中图分类号：tp391 文献标识码：a 文章编号：1674-7712 （2013）

04-0010-02

一、引言

从计算机发明以来，人类就不断的改进技术，希望能够实现自然的人机交互。尤其是2010年微软kinect的重磅推出，更让人们看到了体感操作在这一方面所具有的广阔前景。手势是人类交流方式中的一个重要组成部分，因而手势识别也成为人机交互研究中的一个主要方向。在手势识别中，第一步就是要能够准确定位出首帧手势的位置，此后的跟踪环节与识别环节都需要基于首帧检测获取的信息，因此检测是手势识别的基础和前提。

对首帧手势的检测方法目前可简单划分为对任意手势的检测和对特定手势的检测。对任意手势的检测一般需要通过肤色信息、运动信息和轮廓信息等综合因素来定位目标手势，目前这类方法通常有一些限制条件，且抗干扰性有待提高。对特定手势的检测比较常用的方法都是基于统计信息的检测，其中基于haar-like特征的adaboost分类器就是一种普遍使用的方案，这也是本文所采用的方法。

二、基于haar-like特征的adaboost手势检测

haar-like特征haar-like特征是计算机视觉领域一种常用的特征描述算子，它最早是由papageorigiou[1]等人提出的。目前常用的haar-like特征可以分为三类：线性特征、边缘特征和中心特征。每一种特征的计算都是由黑色填充区域的像素值之和与白色填充区域的像素值之和的差值。而计算出来的这个差值就是所谓的haar-like特征的特征值。

基于深度学习的人脸检测

摘要

基于现实场景，本文提出了一种改进的YOLO-v3人脸检测算法，以检测出现实中的人脸。随着CNN（卷积神经网络）和IoT（物联网）技术的发展，基于深度学习的目标检测算法已成为主流，出现了SSD[1]（单镜头检测）和YOLO[2]系列等典型算法。然而，这些基于深度学习的算法都不是完美的，在检测精度、计算速度和多目标检测能力方面还有改进的空间。在本文中，通过引入EfficientNet骨架和CBAM注意力机制，获得改进的YOLO-v3网络。设计了一种轻量级，实时性的人脸识别系统。本文经过在数据集上进行训练与测试，实验结果表明，识别目标人脸的平均精度超过90%，验证了所提出方法的有效性。

1 引言

人脸识别是人工智能和计算机视觉领域最重要的应用之一，是当前模式识别和人工智能领域的一个研究热点。其在公安罪犯识别、安全验证系统，信用卡验证，医学档案管理，视频会议，人机交互系统等方面的巨大应用前景，受到了研究人员的广泛关注，而人脸检测是进行人脸识别的基础，研究高效实用的人脸检测算法具有重要的意义。

目前，关于人脸检测方法的研究可以分为基于传统方法和基于深度学习方法两个方向。传统的人脸检测方法有很多，Adaboost人脸检测方法通过无数次迭代来寻求最优分类器检测人脸[3]。 SVM通过构造有效的学习机器来解决人脸的检测问题[4]。传统的人脸检测方法提取的特征单一,鲁棒性较差。随着深度学习的不断发展，人脸检测的性能有了很大的提高。目前经常使用的基于深度学习的目标检测方法分为两种：一种是基于候选区域的目标检测算法[5]，需要首先生成候选区域，然后对候选区域进行分类和回归操作,以Faster R-CNN为代表；另一个是YOLO算法，仅使用一个卷积神经网络直接预测不同目标的类别和位置。与Faster R-CNN算法相比，YOLO可以实现了实时检测速度，但精度较低。为了提高YOLO算法的精度，Redmon等人提出YOLOv2[6]和YOLOv3[7]。YOLOv3在保持速度的同时提高了预测精度。为了进一步提升YOLOv3网络的检测性能，本文设计了一种高效实时的人脸识别系统，首先将YOLOv3的骨架网络替换成EfficientNet网络，其次在YOLOv3的三个输出头之前添加CBAM注意力机制，通过这些改进，本文使YOLOv3网络的性能得到了提升。