当前位置：文档之家 › 基于Haar-Like T特征的人脸检测算法

基于Haar-Like T特征的人脸检测算法

  • 格式：pdf
  • 大小：1.16 MB
  • 文档页数：3

2020年第17期信息与电脑China Computer & Communication算法语言

基于Haar-Like T特征的人脸检测算法

胡 念 张四平 王 梅

（湖南信息职业技术学院 软件学院，湖南 长沙 410200）

摘　要：传统的人脸检测算法日渐成熟，但由于人脸五官的复杂性和外物的遮挡，使得人脸识别的准确率大大降低。在此背景下，笔者提出以Haar-Like T特征为基础的人脸检测算法，运用Adaboost分类器进行特征选择。实验结果表明：相比于传统的Haar-Like人脸检测算法，本文所提算法的检测率更高，误检个数更少，显著提升了人脸检测的效率。关键词：人脸检测算法；Haar-Like 特征；Haar-Like T特征；Adaboost分类器中图分类号：G710 文献标识码：A 文章编号：1003-9767（2020）17-051-03Face Detection Algorithm Based on Haar-Like T Features

Hu Nian, Zhang Siping, Wang Mei

(School of Software, Hunan College of Information, Changsha Hunan 410200, China)Abstract: Traditional face detection algorithms are becoming more mature, due to the complexity of facial features and occlusion of foreign objects, the accuracy of face recognition is greatly reduced. This paper is thus motivated to propose a face detection algorithm based on Haar-Like T features in terms of Adaboost classifier for feature selection. Experimental results show that the proposed algorithm has a higher detection rate and a lower false detection rate, which significantly improves the efficiency of face detection.Key words: face detection algorithm; Haar-Like feature; Haar-Like T feature; Adaboost classifier

０　引言脸是每个人最重要的外貌特征，随着科技推动社会不断向前发展，人脸识别也逐渐融入人们的生活中，例如在常见的人脸识别系统、身份验证、图像搜索、监控违法犯罪行为等用处上，人脸识别都是不可缺少的技术。不少研究者也先后提出原理不同的人脸检测算法，目前使用较多的是基于Haar-Like特征的人脸检测算法，但由于人脸自身具有复杂性，肤色、脸型等细节的变化，甚至如眼镜、刘海等外物的遮挡，使得人脸识别的准确率大打折扣。因此，如何使用合理的算法，提高人脸检测的精确度，是每个相关领域技术人员必须思考的问题。本文以现有Haar-Like特征算法为基础，提出了一种创新型的人脸检测特征——Haar-Like T特征，并运用Adaboost算法，在经过嵌入式平台实现后，表明其具有良好的实用效果。１　人脸检测算法设计从大体上看，人脸检测算法框架图像如图1所示。采集是人脸检测算法的第一步，接着系统对采集的信息进行预处理，依据人脸的肤色进行分类，将检测区域初步缩小后得到候选人脸区，接着采用改进后的Adaboost算法，将相对简单的弱分类器算法通过不断地加强训练最后构成一个更强的分类器。与此同时，考虑到成像角度不同、光线照射影响等复杂情况，采用新Haar-Like T特征对人脸的综合描述和几何特征进行精检测，实现人脸检测定位。

图１　人脸检测算法框架２　Ｈａａｒ－Ｌｉｋｅ特征以及Ｈａａｒ－Ｌｉｋｅ　Ｔ特征2.1 Haar-Like特征在最早的研究中，像素的特征被人脸检测大量运用，但其所包含的信息量不足，识别过程与人脸的耦合度较低。针基金项目：长沙市社科规划一般项目“基于‘互联网+’推进智慧医疗建设研究”（项目编号：2020csskktzc63）；湖南省教育厅科学研究项目“基于云计算人脸表情特征提取与识别的研究”（项目编号：XJK016CXX005）。作者简介：胡念(1992—)，女，湖南长沙人，硕士研究生，教师。研究方向：数据挖掘、图形识别。张四平(1979—)，男，江苏扬州人，硕士研究生，副教授。研究方向：人工智能、数据挖掘、图形识别。

— ５１ —

2020年第17期信息与电脑China Computer & Communication算法语言

对这些问题，有研究者研究出比像素特征更为实用的Haar-Like特征[1]。当今，Haar-Like特征已在信息领域的人脸识别中占据不可替代的地位，其由4种基本特征原型组成，如图2所示。使用时，将该模版的特征值定义为模板内白色区域像素与黑色区域像素相减所得的值，进而反映图像的灰度变化。

图２　基本的Ｈａａｒ－Ｌｉｋｅ特征而在实际应用中，仅仅4种基础的Haar-Like特征很难满足各种场景的需求，因此一些学者[2]在此基础上将基本的Haar-Like模型以45°方向倾斜，衍生扩展出14种Haar-Like特征的模型，主要为边缘特征、线性特征以及中心特征，如图3所示。通过使用Haar-Like基础模板以及衍生模板，可以对人脸进行精准匹配，以提高人脸检测的精准度。

图３　衍生的Ｈａａｒ－Ｌｉｋｅ特征原型2.2 Haar-Like T特征众所周知，眼睛、鼻子等五官之间的差异是区分不同人之间最显著的面部特征，研究人员也抓住这样的特点，在进行人脸识别时将面部的五官设置为检测时的重点区域[3-4]。同时，由于人类面部五官分布的特殊性，T字型也多次出现在人脸模型的不同位置上，因此，T型结构信息与Haar-Like特征相结合形成的Haar-Like T特征，也成为优化人脸检测技术的突破口。本文结合现有的知识，提出4种以Haar-Like特征为基础的Haar-Like T特征模型，在每一种Haar-Like T特征中都能找到位置不同的T字型结构，如图4所示。以实际生活为例，由于人脸中的眼睛和眉毛呈凹陷状，所在区域的灰度值与鼻子和脸颊所在区域的灰度相比较大，因而符合图4（d）的Haar-Like T特征模型。与此同时，人的额头和鼻子所在区域的灰度与眼睛所在区域灰度相比较浅，符合图4（a）的Haar-Like T特征模型。

图４　四种Ｈａａｒ－Ｌｉｋｅ　Ｔ特征模型３　基于Ｈａａｒ－Ｌｉｋｅ　Ｔ特征的Ａｄａｂｏｏｓｔ人脸检测算法算法是否高效是检验一个检测技术是否能广泛推广的标准。积分图作为一种能全方位描述矩阵的表示方式，凭借其能在只对相关图像进行一次浏览后就能精准求出该图像内的像素和的特性，常用于对计算效率要求较高的计算中。而Haar-Like T特征可以看成是3个矩形块构成的模型，符合积分图运算的条件，所以将积分图的计算方式引入算法中。根据积分相关的数学知识，计算Haar-Like T特征值的方法如式（1）所示：

(,)1([][]...1)1([][]...1),mnstmmssnntt×−Ω=+++×−+++ （1）

其中：m表示训练样本的长度，n表示训练样本的宽度，s和t表示Haar-Like T特征的最小图像的尺寸，[ ]表示取整运算符。以一幅24×24像素的图像为例，计算该图像所包含Haar-Like T特征个数的过程如下：2424(3,3)242324234([][]...1)([][]...1)333333856.×Ω=×+++×+++= =33 856. （2）由上述可知，仅一幅24×24的图片所包含的Haar-Like T特征个数已达到上万个。因此选择一种快速有效的算法是使得Haar-Like T特征能够良好运行的保障。Adaboost作为一种辗转算法，其运算机理是通过将收集的弱分类器按照既定程序进行相应训练，并依据训练结果选出弱分类器中分类能力最强的分类器，按照提前设定好的级联方式联合在一起，因而形成了一个更强的分类器。Adaboost算法的优势在于能对海量数据进行筛选分类，从中提取出对实际检测有帮助的Haar-Like T特征，其具体的算法如图5所示。

— ５２ —

2020年第17期信息与电脑China Computer & Communication算法语言

图５　Ａｄａｂｏｏｓｔ算法流程图４　实验设计与结果分析在日常生活中，人脸识别主要用于电子设备等的身份识别，检测样本中以普通的正脸表情为主。因此，本实验采集的试验训练样本为大小为24×24像素，只包含人脸普通表情的正样本，主要来自于YALE人脸数据库、BioID人脸数据库、UMIST图像集等，共7 700张，图6表示部分训练使用的人脸样本。为在控制变量的前提下送入Adaboost分类器，完成上文所述的算法流程后得到两个联机分类器。一个仅使用Haar-Like特征，命名为Haar-Like分类器；另一个则以Haar-Like T特征为主，辅助使用Haar-Like特征，命名为T分类器。

图６　部分训练人脸样本由实验结果图7可知，当检测结果较少时，T分类器和Haar-Like分类器的检测率差别不大，当检测样本个数大于30个时，两者的检测率开始出现差异，T分类器略占优势，其均检测率为97.4%，只比Haar-Like检测器的平均检测率高出约0.2%。但观察图8可知，随着检测样本个数的不断增多，Haar-Like分类器和T分类器误测人脸的个数出现明显差异，表现为Haar-Like分类器的误测个数远大于T分类器的误测个数，检测个数越多，差距越明显。表1对上文所述的两种分类器的实验结果进行汇总。由表1可知，在其余条件相同的情况下，两种分类器对人脸的检测率相差不大，但T分类器的错误识别人脸的个数、遗漏识别人脸的个数明显优于Haar-Like分类器。同时，由于算法的优化，T分类器在训练时得到的弱分类个数相比于Haar-Like使用传统算法得到的分类器个数而言较少，减少了计算过程中的运算量，这也是T分类器的平均检测时间只需要Haar-Like分类器检测时间的1/3的原因。

图７　检测率与样本个数关系

图８　误检人脸数与测试样本个数关系表１　两种不同分类器的实验检测效果对比分类器名称人脸检测率/%误检测个数漏检测个数平均检测时间/msT分类器97.4%8317133Haar-Like分类器95.4%23528368由实验数据可知，T分类器相对于传统的Haar-Like分类器，具有检测率更高、检测精准度更高的优势。５　结　语本文以人脸检测技术Haar-Like特征为基础，根据其实际使用过程中所暴露出的弊端，提出了Haar-Like T特征训练分类器，并对Adaboost人脸检测算法进行改进，针对两种不同分类器的检测率以及误检测率进行对比试验。实验结果表明，改进后的Haar-Like T算法有助于提高人脸检测的检测率和精准率，具有较强的实际应用价值。与此同时，由于实验选择的训练样本多为生活中的普通表情，仍具有一定的使用局限性。因此，下一步研究的主要重点应该放在如何在此基础上提高人脸的检测率。参考文献[1]周书仁,殷建平.基于Haar特性的LBP纹理特征[J].软件学报,2013(8):219-236.[2]张云龙,谢泽奇,张会敏,等．一种复杂背景下的人脸检测方法[J].传感器与微系统,2017,30(6):42-44．[3]杨冰,王小华,杨鑫．基于HOG金字塔人脸识别方法[J].浙江大学学报,2016,48(9):1564-1569．[4]郭金鑫,陈玮.基于HOG多特征融合与随机森林的人脸识别[J].计算机科学,2015,40(10):279-283．

合集下载

基于几何特征与新Haar特征的人脸检测算法

基于几何特征与新Haar特征的人脸检测算法

１５４　传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ　ａｎｄ　Ｍｉｃｒｏｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｉｅｓ）　２０１７年第３６卷第２期　

ＤＯＩ：１０．１３８７３／Ｊ．１０００－９７８７（２０１７）０２－０１５４－０４　

基于几何特征与新Ｈａａｒ特征的人脸检测算法　

糜元根，陈丹驰，季鹏　

（南京工业大学电子与信息工程学院。江苏南京２１１８００）　

摘要：针对普通Ａｄａｂｏｏｓｔ算法训练时间长，对复杂背景下（暗光、多角度、多姿态等）人脸检测识别率较　低的问题，提出了一种改进的结合肤色检测及几何特征的Ａｄａｂｏｏｓｔ算法。采用肤色粗检筛选出候选人脸　区域，同时采用新的非对称的Ｈａａｒ特征来训练分类器，进一步加强检测性能，提升鲁棒性和复杂背景下的　宽容度。实验将此算法应用到一个嵌入式系统中，结果表明：在各种复杂背景下的人脸检测中鲁棒性和宽　容度均提升很多，误识率进一步降低，并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性。　关键词：人脸检测；Ａｄａｂｏｏｓｔ；新Ｈａａｒ－ｌｉｋｅ特征；嵌入式系统　中图分类号：ＴＰ３９１．４　文献标识码：Ａ　文章编号：１０００－９７８７（２０１７）０２－０１５４－０４　

Ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｇｅｏｍｅｔｒｉｃ　ｆｅａｔｕｒｅｓ　

ａｎｄ　ｎｅｗ　Ｈａａｒ　ｆｅａｔｕｒｅｓ　

ＭＩ　Ｙｕａｎ—ｇｅｎ，ＣＨＥＮ　Ｄａｎ・ｃｈｉ，Ｊ１　Ｐｅｎｇ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，　Ｎａｎｊｉｎｇ　２１１８００，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｒａｉｎｉｎｇ　ｔｉｍｅ　ｏｆ　ｏｒｄｉｎａｒｙ　Ａｄａｂｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｌｏｎｇ　ａｎｄ　ｕｎｄｅｒ　ｃｏｍｐｌｅｘ　ｂａｃｋｇｒｏｕｎｄ　ｓｕｃｈ　ａｓ　ｄａｒｋ　ｌｉｇｈｔ，ｍｕｌｔｉ　ａｎｇｌｅ，ｍｕｌｔｉ　ｐｏｓｅ，ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｏｆ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｉｓ　ｌｏｗ，ｐｒｏｐｏｓｅ　ａｎ　ｉｍｐｒｏｖｅｄ　Ａｄａｂｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｓｋｉｎ　ｃｏｌｏｒ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｇｅｏｍｅｔｒｉｃ　ｆｅａｔｕｒｅｓ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｓｃｒｅｅｎｓ　ｏｕｔ　ｃａｎｄｉｄａｔｅ　ｆａｃｅ　ｒｅｇｉｏｎｓ　ｂａｓｅｄ　ｏｎ　ｓｋｉｎ　ｃｏｌｏｒ　ｄｅｔｅｃｔｉｏｎ，ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ａ　ｎｅｗ　ｎｏｎ—ｓｙｍｍｅｔｒｉｃ　Ｈａａｒ　ｆｅａｔｕｒｅ　ｉｓ　ｕｓｅｄ　ｔｏ　ｔｒａｉｎ　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ，ｗｈｉｃｈ　ｆｕｒｔｈｅｒ　ｅｎｈａｎｃｅｓ　ｄｅｔｅｃｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ａｎｄ　ｐｒｏｍｏｔｅ　ｒｏｂｕｓｔｎｅｓｓ　ａｎｄ　ｔｏｌｅｒａｎｃｅ　ｉｎ　ｔｈｅ　ｃｏｎｔｅｘｔ　ｏｆ　ｃｏｍｐｌｅｘｉｔｙ．Ｉｎ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ，ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　ａｎ　ｅｍｂｅｄｄｅｄ　ｓｙｓｔｅｍ，ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｒｏｂｕｓｔｎｅｓｓ　ａｎｄ　ｔｏｌｅｒａｎｃｅ　ｏｆ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｉｎ　ｌ　ｋｉｎｄｓ　ｏｆ　ｃｏｍｐｌｅｘ　ｂａｃｋｇｒｏｕｎｄ．ａｎｄ　ｔｈｅ　ｅｒｒｏｒ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｉｓ　ｆｕｒｔｈｅｒ　ｒｅｄｕｃｅｄ，ｉｎ　ｅｍｂｅｄｄｅｄ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｓｙｓｔｅｍ　ａｎｄ　ｈａｓ　ｇｏｏｄ　ｐｏｒｔａｂｉｌｉｔｙ　ａｎｄ　ｐｒａｃｔｉｃａｂｉｌｉｔｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ；Ａｄａｂｏｏｓｔ；ｎｅｗ　ｈａａｒ—ｌｉｋｅ　ｆｅａｔｕｒｅｓ；ｅｍｂｅｄｄｅｄ　ｓｙｓｔｅｍ　

基于肤色与新型Haar—Like特征的人脸检测算法研究

基于肤色与新型Haar—Like特征的人脸检测算法研究

。　ｊ　ｊ　ｉ　，　。　，　ｊ　‘　基于肤色与翔褶　嘴　特征的人脸检测算法研究　：　；．．；　ｔ　－　．　＿《　；　＿　＿　—　—－　—＿　—－　－　－　—ｔ　；　－　；　《　§　《—　－　－　－　—　—－—　－－—－—・’—－——・－・—＿　－－—－　・＿—＿＿－　－　｛￥｝　

（１）给定训练集：　（ｘ１，　１），．．．，（　，　），其中　

∈｛０，ｌ｝，　＝０表示ｘ　是非人脸样本，　＝１表示　是　

（２）对样本权重进行初始化，设第ｔ次循环中第　

个样本的权重ｑ　将人脸样本的起始权重设定为　

＝１／２ｍ，把非人脸样本的起始权重设定为ｑ，　＝１／２１，　其中，　是人脸正样本集的个数，，是人脸负样本集的个　

数　，　是人脸样本的总数，满足，ｚ＝　＋，。　

（３）Ａ　ｔ＝１，．．．，　（　为训练分类器的最大循环次　

①将权重作归一化处理，　，　②训练中与每一个特征，对应的弱分类器记为　，，　然后针对每个样本分类的正确与否依照如下公式得出该弱　

分类器对应的力口权错误　：　Ｉ　ｈｉ（　ｌ。　③从上述训练的弱分类器中选择出最小分类错误率　

④样本权重的更新，　＝　～，其中　

＝　，‘１一　，），如果第ｆ个样本被准确分类时，　＝０；反之，　

Ｐ，＝１。　（４）由弱分类器构造成强分类器原则得到的强分类器　

Ｈｃ　｛０　ｆ　圭　其　：　。ｇ去。Ｉ　其他　其中，一　～。　。　

３实验与分析　

虽然尽量多的人脸样本库能够保证较好的检测效果，　

但也会增加训练负担。综合考虑，本文所建立的训练样本　

库包含了３　０００张尺寸为２４　Ｘ　２４的人脸样本，其中大约　有８００张偏转倾斜较明显的人脸样本［１０］ｏ将强分类器最　

小检测率Ｄ　ｉ　设置为０．９９９，最大误检率设为０．６，训练　

了单人脸测试集。　

所用人脸检测数为４００个，对单人脸测试集进行测试得到　测速度更快，通过对新型分类器和Ｈａａｒ－Ｌｉｋｅ分类器的深入　

分析可知，虽然两个分类器包含的级数都是２４级，然而新　

基于多高斯肤色分割和Haar-like强度特征的人脸检测

基于多高斯肤色分割和Haar-like强度特征的人脸检测

第２７卷第３期　２０１１年７月　苏州大学学报（自然科学版）　ＪＯＵＲＮＡＬ　ＯＦ　ＳＯＯＣＨＯＷ　ＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬ　ＳＣＩＥＮＣＥ　ＥＤＩＴＩＯＮ）　Ｖｏｌ＿２７　Ｎｏ．３　Ｊｕ１．２０ｌｌ　

基于多高斯肤色分割和Ｈａａｒ－ｌｉｋｅ强度特征的人脸检测　

陈世刚，马小虎　

（苏州大学计算机科学与技术学院，江苏苏州２１５００６）　

摘要：为了充分利用图像的肤色信息与人脸轮廓信息，本文提出了一种基于肤色预处理和Ｈａａｒ—ｌｉｋｅ强度特　征的人脸检测方法．首先，将图像转换到ＹＣｂＣｒ色彩空间上，用肤色的多高斯阈值分割方法将肤色候选区域标　定出来；然后用扩展特征集训练得到的级联分类器对肤色候选区域满足一定比例的待检测图像片进行检测，　不满足的直接排除．实验结果表明，该方法比传统ＡｄａＢｏｏｓｔ方法检测速度更快，检测率更高．　关键词：ＡｄａＢｏｏｓｔ算法；肤色检测；类Ｈａａｒ特征；多高斯模型　中图分类号：ＴＰ３９１　文献标识码：Ａ　文章编号：１０００—２０７３（２０１１）０３—００３０—０５　

Ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉ－Ｇａｕｓｓｉａｎ　ｓｋｉｎ　ｃｏｌｏｒ　

ｓｅｇｍｅｎｔａｔｉｏｎ　ａｎｄ　Ｈａａｒ－ｌｉｋｅ　ｉｎｔｅｎｓｉｔｙ　ｆｅａｔｕｒｅｓ　

Ｃｈｅｎ　Ｓｈｉｇａｎｇ，Ｍａ　Ｘｉａｏｈｕ　（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｓｏｏｃｈｏｗ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｕｚｈｏｕ　２１５００６，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｏ　ｍａｋｅ　ｕｓｅ　ｏｆ　ｓｋｉｎ　ｃｏｌｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　ｆａｃｅ　ｃｏｎｔｏｕｒ　ｉｎｆｏｒｍａｔｉｏｎ，ａ　ｎｅｗ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ　

ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｓｋｉｎ　ｃｏｌｏｒ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　Ｈａａｒ—ｌｉｋｅ　ｉｎｔｅｎｓｉｔｙ　ｆｅａｔｕｒｅｓ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．　

基于扩展Haar特征的AdaBoost人脸检测算法

基于扩展Haar特征的AdaBoost人脸检测算法

计算机系统应用　ｈｔｔｐ：ｌｌｗｗｗ．ｃ－Ｓ—ａ．ｏｒｇ．ｃａ　２０１５年第２４卷第９期　基于扩展Ｈａａｒ特征的ＡｄａＢｏｏｓｔ人脸检测算法①　颜学龙，任文帅，马峻　（桂林电子科技大学，桂林５４１００４）　摘要：对于常用的基于Ｈａａｒ特征的ＡｄａＢｏｏｓｔ人脸检测算法存在漏检率与误检率高等不足，增加了Ｈａａｒ特征的　扩展种类，这些新增Ｈａａｒ特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判，同时去除一些针对人脸分　辨效果不好的特征来提高算法的实时性，深入分析了利用Ｈａａｒ特征与ＡｄａＢｏｏｓｔ算法构成的级联分类器的特点．　实验数据结果验证了改进后算法的可行性．　关键词：ＡｄａＢｏｏｓｔ；Ｈａａｒ特征：级联分类器　ＡｄａＢｏｏｓｔ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｆａｃｅ　Ｄｅｔｅｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｅｘｔｅｎｄｅｄ　Ｈａａｒ　Ｆｅａｔｕｒｅ　ＹＡＮ　Ｘｕｅ—Ｌｏｎｇ，ＲＥＮ　Ｗｌｅｎ－Ｓｈｕａｉ，ＭＡ　Ｊｕｎ　（Ｇｕｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＥｌｅｃｔｒｏｎｉｃ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ　５４１００４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｈｉｇｈ　ｕｎｄｅｔｅｃｔｅｄ　ｒａｔｅ　ａｎｄ　ｆａｌｓｅ　ｄｅｔｅｃｔｉｏｎ　ｒａｔｅ，ａｎｄ　ｏｔｈｅｒ　ｌｅｓｓ　ｗｈｉｃｈ　ａｒｅ　ｅｘｉｓｔｅｄ　ｉｎ　ｔｈｅ　ＡｄａＢｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　Ｈａａｒ　ｆｅａｔｕｒｅ　ｆｏｒ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ，ｔｈｅ　ｅｘｐａｎｄｅｄ　ｃａｔｅｇｏｒｉｅｓ　ｏｆ　Ｈａａｒ　ｆｅａｔｕｒｅｓ　ａｒｅ　ａｄｄｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａｎｄ　ｉｔ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｒｅｄｕｃｅ　ｔｈｅ　ｅｒｒｏｎｅｏｕｓ　ｊｕｄｇｅｍｅｎｔ　ｃａｕｓｅｄ　ｂｙ　ｔｈｅ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｇｒａｙ　ｖａｌｕｅ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｅｙｅｂｒｏｗｓ　ａｎｄ　ｅｙｅｓ．Ａｔ　ｔｈｅ　ｓａ／ｎｅ　ｔｉｍｅ，ｔｈｅ　ｒｅａｌ－ｔｉｍｅ　ｏｆ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｉｍｐｒｏｖｅｄ　ｂｙ　ｒｅｍｏｖｉｎｇ　ｓｏｍｅ　ｆｅａｔｕｒｅｓ　ｈａｖｉｎｇ　ｂａｄ　ｅｆｆｅｃｔ　ｆｏｒ　ｆａｃｅ　ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ　ｃａｓｃａｄｅ　ｃｌａｓｓｉｆｉｅｒ　ｃｏｎｓｔｉｔｕｔｉｎｇ　ｏｆ　Ｈａａｒ　ｆｅａｔｕｒｅ　ａｎｄ　ＡｄａＢｏｏｓｔ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ａｎａｌｙｚｅｄ　ｉｎ　ｄｅｐｔｈ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｖｅｒｉｆｙ　ｔｈｅ　ｆｅａｓｉｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｉｍｐｒｏｖｅｄ　ａｌｇｏｒｉｔｈｍ．　Ｋｅｙ　ｗｏｒｄｓ：ＡｄａＢｏｏｓｔ；Ｈａａｒ　ｆｅａｔｕｒｅ；ｃａｓｃａｄｅ　ｃｌａｓｓｉｆｉｅｒ　１　引言　一般情况，现在的人脸检测就是指把静止的图片　或是当前的视频输入到设计好的检测系统之中来对视　频或者是图片中的人脸所处的位置、姿态甚至是大小　进行确定的过程．人脸检测技术在识别人脸系统、数　字视频处理、立足于内容的图像检索、安全监控以及　身份验证等方面都存在着极其重要的应用研究价值．　但是由于有人脸本身所具有的复杂性和表情的多变性　的影响，造成在人脸检测与识别的过程当中受到背　景、尺寸、年龄、表情、姿态、图像质量、光照等不　同程度的影响．伴随着社会的高速发展，人脸识别的　使用范围也开始变得十分普遍，遍及到现实生活中的　各个角落中，尤其在高速公路、海关检测、公安机关　侦破案件、公共场所的监控防盗等方面的大量使用，　而人脸检测则是人脸识别的前提．所以说，对人脸检　①收稿时间：２０１４．１２—２９；收到修改稿时间：２０１５．０３—１９　１５２软件技术・算法Ｓｏｆｔｗａｒｅ　Ｔｅｃｈｎｉｑｕｅ・Ａｌｇｏｒｉｔｈｍ　测系统的深入研究在当前社会应用的意义十分重大．　近年来越来越多的研究人员先后提出了多种不同　的方法来进行人脸检测，其中较为经典的有ＬＥＶＩ　Ｋ　等人提出的ＥＯＨ（ｅｄｇｅ　ｏｒｉｅｎｔａｔｉｏｎ　ｈｉｓｔｏｒｇｒａｍｓ）方法减　少了特征提取数，但特征计算复杂度较　ｕ；ＤＡＬＡＬＮ　等人提出的ＨＯＧ（ｈｉｓｔｏｇｒａｍｓ　ｏｆ　ｏｒｉｅｎｔｅｄ　ｇｒａｄｉｅｎｔｓ）方法　检测效果较好［２　：ＴＲＥＦＮＹ　Ｊ提出了一组扩展的ＬＢＰ　（１ｏｃａ—ｌｂｉｎａｒｙ　ｐａｔｔｅｒｎｓ）特征，使检测精度得到了提高［３　；　ＷＡＮＧ　Ｘ等人将ＨＯＧ和ＬＢＰ相结合，采用多特　征融合的方式，使检测具有更高的识别率［４　；而本文　中提到的ＡｄａＢｏｏｓｔ算法最初是由Ｖ１０ＬＡ等人提出的，　这种算法是基于级联的方式，每一种Ｈａｒｒ特征就代　表着一个不同的弱分类器，迭代过程中错分率最小的　那个被称为最佳弱分类器．在以后的循环中将已经训