基于Adaboost算法的遠(yuǎn)距離人臉檢測(cè)

徐 信，郝曉麗＋，王 芳

（1.太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 太原030024；2.太原理工大學(xué) 信息學(xué)院，山西 太原030024）

0 引 言

由于攝像頭和觀測(cè)人群之間距離較遠(yuǎn)，使得監(jiān)控視頻圖像中的感興趣區(qū)域 （人臉區(qū)域）面積往往很小，圖像模糊、噪聲大并且分辨率低，檢測(cè)時(shí)準(zhǔn)確率低誤報(bào)較高［1］。檢測(cè)并識(shí)別遠(yuǎn)距離獲取的圖像中的人類(lèi)對(duì)象時(shí)，還需要手動(dòng)操作，耗費(fèi)的時(shí)間與工作量較大［2］。因此人臉檢測(cè)需進(jìn)一步研究，準(zhǔn)確檢測(cè)人臉也是現(xiàn)實(shí)中亟待解決的問(wèn)題。

Adaboost算法是一種流行的快速檢測(cè)物體算法［3］，并在人臉檢測(cè)領(lǐng)域取得了突破性進(jìn)展，實(shí)現(xiàn)了實(shí)時(shí)快速人臉檢測(cè)［4］。但是，在遠(yuǎn)距離獲取的圖像中只運(yùn)用Adaboost算法進(jìn)行人臉檢測(cè)并不充分，誤報(bào)高檢測(cè)精確度低，所以常結(jié)合其它算法一起使用。膚色信息是人臉的重要特征，也常常被應(yīng)用到人臉檢測(cè)中［5，6］，人臉膚色空間在整個(gè)色度空間中只是一個(gè)很小的子空間，有較強(qiáng)的聚類(lèi)特點(diǎn)，并且易于提取。利用膚色信息進(jìn)行人臉檢測(cè)，算法簡(jiǎn)單、速度快［7］。因此提出了基于Adaboost算法的誤報(bào)縮減機(jī)制用來(lái)去除在低分辨率圖像中的檢測(cè)誤報(bào)。

誤報(bào)縮減機(jī)制包括膚色檢測(cè)和可變邊緣蒙版篩選，膚色檢測(cè)需運(yùn)用圖像的顏色信息，可變邊緣蒙版用來(lái)評(píng)價(jià)人臉邊緣形狀。待檢測(cè)窗體區(qū)域的膚色檢測(cè)是基于GRB這3種顏色分量的評(píng)價(jià)值。隨后生成的二進(jìn)制群集圖像，是由已經(jīng)通過(guò)了膚色檢測(cè)窗口區(qū)域的部分組成，二進(jìn)制集群由通過(guò)檢測(cè)的每個(gè)像素點(diǎn)顏色確定。馬氏距離的計(jì)算使用的是均值矢量和替代區(qū)域集群的協(xié)方差矩陣，并且遵循卡方分布［8，9］。邊緣蒙版的大小與橢圓的長(zhǎng)軸短軸類(lèi)似，都為服從于90%置信區(qū)間的卡方分布。實(shí)驗(yàn)運(yùn)用監(jiān)控系統(tǒng)和普通相機(jī)抓取到的圖像進(jìn)行研究，實(shí)驗(yàn)結(jié)果表明，平均誤報(bào)得到顯著降低，基于Adaboost算法的誤報(bào)縮減機(jī)制不但適用于在遠(yuǎn)距離拍攝圖像中進(jìn)行人臉檢測(cè)，也適用于一般圖像，具有較強(qiáng)的實(shí)用性。

1 Adaboost算法的人臉檢測(cè)原理

1.1 人臉檢測(cè)原理

所有通過(guò)計(jì)算機(jī)檢測(cè)人臉的算法或方法都包含3個(gè)主要的子任務(wù)：①將輸入圖像轉(zhuǎn)換為初步表示 （可包含預(yù)處理以及數(shù)學(xué)變換，如主成分的計(jì)算）；②選擇主要特征（如：把前n個(gè)元素或系數(shù)離散余弦變換）；③分類(lèi)／聚類(lèi)任務(wù) （如：聚類(lèi)分析模型，神經(jīng)網(wǎng)絡(luò)等）。

給定一組被劃分在不同類(lèi)別中的對(duì)象 （圖像），即預(yù)定義拓?fù)浣Y(jié)構(gòu)是分離的。根據(jù)這種拓?fù)浣Y(jié)構(gòu)，那些已被分到已知類(lèi)的對(duì)象 （圖像）稱(chēng)為訓(xùn)練樣本，其它對(duì)象 （圖像）的歸屬類(lèi)是未知的。立足于訓(xùn)練樣本的信息，需要建立一個(gè)能夠?qū)θ魏谓o定的對(duì)象進(jìn)行分類(lèi)的算法，即分類(lèi)器——一個(gè)數(shù)學(xué)函數(shù)，通過(guò)分類(lèi)算法實(shí)現(xiàn)，輸入數(shù)據(jù)后可以映射到一個(gè)類(lèi)別。

機(jī)器學(xué)習(xí)的術(shù)語(yǔ)中，分類(lèi)被認(rèn)為是監(jiān)督學(xué)習(xí)的一個(gè)實(shí)例，在學(xué)習(xí)中被正確識(shí)別的觀測(cè)訓(xùn)練集是可用的。圖像分類(lèi)的主要任務(wù)是目標(biāo)檢測(cè)，人臉檢測(cè)中的Adaboost算法有兩個(gè)類(lèi)，分類(lèi)的定義如下：包含對(duì)象特征的集合X，屬于類(lèi)的對(duì)象數(shù)量Y。有等式關(guān)系：Y＊：X＝＞Y，訓(xùn)練樣本為Xm＝｛（x1，y1），…（xm，ym）｝。函數(shù)f是由特征向量 X建立的，它能判斷任何可能的X以及x∈X的對(duì)象是否屬于已知類(lèi)，這條簡(jiǎn)單的規(guī)則對(duì)于給出的新數(shù)據(jù)有很好的分類(lèi)效果。

1.2 Adaboost算法簡(jiǎn)介

Adaboost算法中，在構(gòu)造弱分類(lèi)器的基礎(chǔ)上進(jìn)一步提出級(jí)聯(lián)分類(lèi)器的思想［10］，除第一個(gè)以外的所有分類(lèi)器需要學(xué)習(xí)前一個(gè)分類(lèi)器的錯(cuò)誤分類(lèi)對(duì)象，通過(guò)多數(shù)分類(lèi)器檢測(cè)的對(duì)象將被判決到某個(gè)已知類(lèi)中。然而，學(xué)習(xí)和創(chuàng)建訓(xùn)練樣本是一個(gè)需要很長(zhǎng)的過(guò)程，分類(lèi)檢測(cè)任務(wù)假定分為兩個(gè)類(lèi)：Y＝ ｛－1，＋1｝，AdaBoost算法包括以下主要步驟：

預(yù)先給定

初始化權(quán)重

For t＝1，…，T：①運(yùn)用Dt的分布訓(xùn)練弱學(xué)習(xí)算法；②獲取弱假設(shè) （即弱分類(lèi)結(jié)果）

對(duì)于分類(lèi)錯(cuò)誤的樣本

選擇

更新權(quán)重

Zt是常量因子，輸出最終假設(shè)

AdaBoost算法具有許多優(yōu)點(diǎn)，如快速、簡(jiǎn)單且易于編程，并且不需要任何參數(shù)來(lái)調(diào)整 （除了循環(huán)次數(shù)），不需要任何關(guān)于弱學(xué)習(xí)的先驗(yàn)知識(shí)，因此可以靈活運(yùn)用任意組合的方法尋找弱假設(shè)。Adaboost方法在近距離獲取的圖像中檢測(cè)人臉效果很好，可快速檢測(cè)圖像中的正面直立人臉［11］。但是，Adaboost算法在遠(yuǎn)距離獲取圖像中人臉尺寸低于30＊30像素時(shí)很難發(fā)揮作用，誤報(bào)會(huì)大幅度增加?；贏daboost上述特點(diǎn)，本文提出了誤報(bào)縮減機(jī)，用來(lái)提高檢測(cè)準(zhǔn)確率。

基于Adaboost算法的誤報(bào)縮減機(jī)制人臉檢測(cè)系統(tǒng)分為以下幾個(gè)階段：Adaboost檢測(cè)，膚色檢測(cè)，可變邊緣蒙版篩選檢測(cè)。在第一階段，Adaboost過(guò)濾器產(chǎn)生一定數(shù)量的候選窗口，隨后膚色檢測(cè)和可變邊緣蒙版過(guò)濾機(jī)制用來(lái)驗(yàn)證候選窗口并刪除誤檢區(qū)域。本文算法步驟如圖1所示。

2 基于膚色和邊緣蒙版的誤報(bào)縮減

Adaboost過(guò)濾器之后的膚色過(guò)濾方法和邊緣蒙版過(guò)濾方法用來(lái)移除誤報(bào)，首先，待檢測(cè)窗口運(yùn)用膚色過(guò)濾器進(jìn)行檢測(cè)。

圖1 人臉檢測(cè)方法框架

式 （8）中，mr，mg和mb分別為候選窗口中紅 （red）、綠 （green）和藍(lán) （blue）分量的平均值，另外，ξr，ξg，ξb和ξd為預(yù)定義閾值，符號(hào) “∩”是邏輯與，算法如式 （9）所示

式（9）為二進(jìn)制群集圖像產(chǎn)生算法，其中Ir（j），Ig（j）和Ib（j）為組成像素j的紅、綠、藍(lán)分量的強(qiáng)度。可選擇像素在二進(jìn)制群中的位置為Xj＝ ［xjyj］t，xj和yj為像素j在x軸與y軸方向上的位置，t代表矩陣轉(zhuǎn)置。馬氏距離（Δ）介于xj與mx之間，定義如下

其為群集中可選擇的圖像中心像素點(diǎn)平均矢量mx；∑xx為可選擇像素點(diǎn)協(xié)方差矩陣；Δ服從卡方分布（），因此橢圓可通過(guò)卡方轉(zhuǎn)置累計(jì)分布函數(shù) （CDF）的90%置信區(qū)間進(jìn)行估算。邊緣屏蔽大小由橢圓的最長(zhǎng)軸線與最短軸線共同決定，當(dāng)k為常量時(shí)，最長(zhǎng)軸線Imax＝k最短軸線和λ2（λ1＞λ2＞0）同為協(xié)方差矩陣的特征值。圖2為可變邊緣屏蔽設(shè)計(jì)步驟，圖3為一副25＊25的人臉圖像，圖3為在生成的二進(jìn)制群集圖像中做出估計(jì)橢圓，為后續(xù)生成邊緣蒙版做準(zhǔn)備，圖4為根據(jù)二進(jìn)制群集圖像生成的邊緣蒙版。

邊緣蒙版由－1，0，1這3個(gè)不同的數(shù)字組成，圖5顯示的是本文實(shí)驗(yàn)，邊緣蒙版中像素值Imax＝Imin＝15。邊緣蒙版過(guò)濾器定義如下

當(dāng)he作為邊緣蒙版時(shí)，we為窗口區(qū)域的邊緣圖像，ξe為閾值，nw是窗口中像素點(diǎn)的數(shù)量。邊緣蒙版過(guò)濾器檢測(cè)人臉形狀邊緣是否在窗口范圍內(nèi)，即圖4中標(biāo)記為1的位置。

3 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)運(yùn)行環(huán)境：Pentium IV 2.0GHz CPU，2G內(nèi)存，Windows XP操作系統(tǒng)，在 Matlab 6.5以及 VC＋＋6.0仿真軟件平臺(tái)上編程實(shí)現(xiàn)。在實(shí)驗(yàn)中，由監(jiān)控?cái)z像機(jī)拍攝得到人體圖像。圖6是由監(jiān)控視頻獲取圖像，圖7由普通相機(jī)距離人體15m處獲得待檢測(cè)圖像，圖6（a）和圖7（a）為Canny邊緣檢測(cè)方法得到的邊緣圖像；圖6（b）和圖7（b）表示拍攝得到的圖像進(jìn)行Adaboost過(guò)濾后輸出的候選窗口情況；圖6（c）和圖7（c）表示Adaboost算法與膚色檢測(cè)結(jié)合后輸出的候選窗口情況；圖6（d）和圖7（d）是運(yùn)用了由本文提出的誤報(bào)縮減機(jī)制，顯示最終通過(guò)邊緣蒙版過(guò)濾器檢測(cè)的人臉面部區(qū)域圖像。

檢測(cè)效果圖像如圖6和圖7所示。

由表1可看出，運(yùn)用傳統(tǒng)Adaboost對(duì)遠(yuǎn)距離抓取得到的圖像進(jìn)行人臉檢測(cè)時(shí)，檢測(cè)窗口數(shù)量高達(dá)349，誤報(bào)檢測(cè)窗口數(shù)量為261，高達(dá)檢測(cè)窗口總量的75%。Adaboost之后添加膚色檢測(cè)對(duì)檢測(cè)窗口進(jìn)行過(guò)濾時(shí)，檢測(cè)窗口數(shù)量下降到92個(gè)，隨之誤報(bào)檢測(cè)窗口數(shù)目也下降到7個(gè)，此時(shí)，誤報(bào)檢測(cè)窗口數(shù)量約占檢測(cè)窗口總量的7.6%。運(yùn)用本文提出的誤報(bào)縮減機(jī)制，對(duì)Adaboost和膚色過(guò)濾后的圖像繼續(xù)篩選，可變邊緣蒙版對(duì)可疑人臉區(qū)域進(jìn)一步排除，此時(shí)檢測(cè)窗口數(shù)量下降到44，誤報(bào)檢測(cè)窗口個(gè)數(shù)減少為0。

圖2 候選窗口

圖3 帶有估計(jì)橢圓的二進(jìn)制群集圖像

圖4 邊緣蒙版

圖5 可變邊緣蒙版

圖6 監(jiān)控視頻獲取圖像檢測(cè)結(jié)果

圖7 普通相機(jī)獲取圖像檢測(cè)結(jié)果

表1 監(jiān)控視頻圖像檢測(cè)結(jié)果對(duì)比

由表2可看出，運(yùn)用傳統(tǒng)Adaboost對(duì)遠(yuǎn)距離抓取得到的圖像進(jìn)行人臉檢測(cè)時(shí)，檢測(cè)窗口數(shù)量為165，誤報(bào)檢測(cè)窗口數(shù)量為119。Adaboost算法對(duì)待檢測(cè)圖像過(guò)濾之后添加膚色檢測(cè)繼續(xù)對(duì)檢測(cè)窗口進(jìn)行過(guò)濾時(shí)，檢測(cè)窗口數(shù)量下降到51個(gè)，誤報(bào)檢測(cè)窗口數(shù)目下降到4個(gè)。運(yùn)用本文提出的誤報(bào)縮減機(jī)制進(jìn)過(guò)圖像篩選后，檢測(cè)窗口數(shù)量下降到37，誤報(bào)檢測(cè)窗口個(gè)數(shù)為0。由實(shí)驗(yàn)結(jié)果表明，該方法能顯著減少遠(yuǎn)距離人臉檢測(cè)中的誤報(bào)數(shù)量。

表2 相機(jī)獲取圖像檢測(cè)結(jié)果對(duì)比

4 結(jié)束語(yǔ)

針對(duì)Adaboost人臉檢測(cè)算法對(duì)遠(yuǎn)距離圖像中的人臉識(shí)別誤報(bào)率高，本文提出了一種遠(yuǎn)距離人臉檢測(cè)方法，用顏色與形狀信息將誤報(bào)被移除，檢測(cè)膚色和邊緣信息來(lái)確定候選窗口。實(shí)驗(yàn)顯示，本文算法處理遠(yuǎn)距離抓取圖像時(shí)，移除錯(cuò)誤感興趣區(qū)域的性能要優(yōu)于Adaboost算法，有較高的效率，實(shí)現(xiàn)了準(zhǔn)確的人臉定位。該算法也具有一定的實(shí)用性，改變訓(xùn)練樣本后，可以用來(lái)檢測(cè)其它物體。

［1］Pandya JM，Rathod D，Jadav JJ.A survey of face recognition approach ［J］.International Journal of Engineering Research and Applications，2013，3 （1）：632－635.

［2］Zhang C，Zhang Z.A survey of recent advances in face detection ［R］.Tech Rep，Microsoft Research，2010.

［3］Chen S，Ma X，Zhang S.Adaboost face detection based on haar－like intensity features and multi－threshold features ［C］／／International Conference on Multimedia and Signal Processing.IEEE，2011：251－255.

［4］Dai W，Yang Q，Xue GR，et al.Boosting for transfer learning ［C］／／Proceedings of the 24th International Conference on Machine Learning.ACM，2007：193－200.

［5］Vincenzo R，Lisa U.An improvement of adaboost for face－detection with motion and color information ［C］／／14th International Conference on Image Analysis and Processing.IEEE，2007：518－523.

［6］Wu YW，Ai XY.Face detection in color images using Ada－Boost algorithm based on skin color information ［C］／／First International Workshop on Knowledge Discovery and Data Mining.IEEE，2008：339－342.

［7］KANG Jinfeng，WANG Guoying.Algorithm of skin detection based on color space YCgCr ［J］.Computer Engineering and Design，2009，30 （19）：4443－4446 （in Chinese）. ［康進(jìn)峰，王國(guó)營(yíng).基于YCgCr顏色空間的膚色檢測(cè)方法 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2009，30 （19）：4443－4446.］

［8］Tsai HC，Wang WC，Wang JC，et al.Long distance person identification using height measurement and face recognition［C］／／Region 10Conference TENCON.IEEE，2009：1－4.

［9］Lee D，Yeom S，Kim S.Improved face detection method at a distance with skin－color and variable edge－mask filtering ［J］.Journal of the KICS，2012，37：105－112.

［10］Ma S，Du T.Improved adaboost face detection ［C］／／Inter－national Conference on Measuring Technology and Mechatronics Automation.IEEE，2010：434－437.

［11］YE Yanliang.Application of Adaboost algorithm in face detection ［J］.Journal of Beihua University （Natural Science），2007 （5）：451－453 （in Chinese）. ［葉延亮.Adaboost算法在人臉檢測(cè)中的應(yīng)用 ［J］.北華大學(xué)學(xué)報(bào) （自然科學(xué)版），2007 （5）：451－453.］