第14期

张 宁等:基于Adaboost算法的人脸检测技术的研究与实现

5

是样本的初始概率分布(对于正例样本可以使D(i)=1/2m,反例样本使D(i)=1/2n,m和n分别为正例和反例样本的个数(m+n=N),也有些算法对所有样本使D(i)=1/N;

(4)Fort=1toT 归一化权值:

n

脸,或者它通过了所有层的判断,被分级分类器判断为人脸。

分级分类器总的检测率和误检率可以由每层分类器的检测率和误检率计算得到:

D=

i=1

d,

i

K

F=

i=1

f

K

i

wt,j wt,i/

前权值的错误率如下:

j=

j=1

w

式中:D和F分别是总的检测率和误检率;

di和fi分别

t,j

对于每个特征j的弱分类器hj,计算相对于当

是第i层的检测率和误检率;反之,如果给定了总的检

测率和误检率,那么每层的检测率和误检率也可以确定。

w

i

i

|hj(xi)-yi|

选择具有最小的错误率 t的弱分类器ht加入强分类器中。

更新每个样本所对应的权值:

wt+1,i=wt,i t

1-e

i

如果样本i分类正确,则ei=0;如果分类错误,ei=1, t= t/(1- t);最后形成强分类器如下:

h(x)=

1,

tht(x) 2t=1

otherwise

T

图2 先重后轻 思想的分级分类器的检测结构

t=1

t

T

4 人脸检测的实现

实验过程使用采样频率最高可以达到30f/s的Logitech摄像头,采集每帧图像需要33ms。首先把训练好的人脸分类器装载进入内存中,然后从视频中取得每一帧图片,使用分类器在图片上搜索出人脸,最后把人脸区域进行一定的处理,提取出人脸区域,并进行后

续处理。

从视频中获得的图片可以是彩色的,也可以是灰度图。以彩色图片为例,假设从视频中获得的图片为I,大小为W H,检索窗口为D,大小为w w,在该张图片上检索人脸有2种方法,一种是缩放图片I的大小,而检索窗口大小不变,这种方法称为 图像金字塔式 检测方法,即按比例逐层缩小待检测图像I形成一个图像金字塔然后在图像金字塔中穷举待检测子窗口,把各个待检测子窗口D作为分类器的输入,最后得到检测结果(如图3所示)。第2种方法为Viola等人提出的 多尺度方法 ,即把待检测图像I的大小保持不变,按照某种限制等比放大检测窗口D,然后再用各层窗口穷举待检测图像I。因为这种方法不需要缩小图像,所以相当于提高了检测速度。实际上,这里的放大检测窗口就是改变检测窗口D的长和宽(初始值为40 40,放大时乘以一个放大系数,这里的倍数是1.2),检测时根据检测窗口的位置和大小检测子图像(如图4所示)。本文所采用的检测窗口实际上就是Haar like矩形特征。所以放大检测窗口实际上也就是对特征进行放大。而对Haar like矩形特征而言,对于任意大小的矩形特征特

0,

式中: t=log(1/ t)。

Viola和Jones首先将Adaboost算法应用于人脸检测中,他们用简单的矩形特征作为人脸特征,这些特征也称为Haar like特征。每一个Haar like特征相当于一个弱分类器,这些弱分类器经由Adaboost算法提升成为一个强的分类器,在Adaboost算法的每一次迭代过程中所进行的弱分类器的选择,实际上是进行特征的选择。

3 级联分类器的应用

由于人脸检测的过程是对输入待检测图像的每个位置的每个规模的窗口进行扫描,若对每个检测窗口都进行计算,那么计算量是很大的,人脸检测的速度将会很慢。为了加快人脸检测的速度,Viola和Jones提出了采用 先重后轻 思想的分级分类器的检测结构,如图2所示,每一层分类器都包含一定数目的由Haar like特征构成的弱分类器,第一层使用更重要的、分类性能更好的特征所构成的弱分类器,通常只有很少几个特征,但可以排除掉大量的非人脸窗口。随着层次的增加,特征的重要性逐渐降低,每层中特征或分类器的个数也越来越多,但待检测窗口的个数却越来越少,这样既不影响整个分级分类器的检测性能,又提高了检测速度。每一个检测窗口都要经过分级分类器的每一层进行判断,直到该检测窗口被某一层分类器判断为非人