基于Adaboost算法的人脸检测研究及实现

２．Ａｄａｂｏｏｓｔ算法的检测原理与实现方法

４个常用的ｈａａｒ特征。每个特征分为２个部分，对比两个部分的像素和值的大小，对比

的区域如图中所示为黑块和白块。

回回日回

（ａ）特征Ａ（ｂ）特征Ｂ（ｃ）特征ｃ（ｄ）特征Ｄ

图２－５常用的４种ｈａａｒ特征

Ｆｉ９２－５ｆｏｕｒｔｙｐｅｓｏｆｃｌａｓｓｉｃａｌｈａａｒｆｅａｔｕｒｅｓ

将ｈａａｒ特征这种反映图像中灰度分布特点的特性弓ｌ入人脸检测问题当中，问题就转

换成如何找到较好的ｈａａｒ特征对人脸图像灰度分布的特点进行描述。图２－６中的ｈａａｒ特

征都属于Ａ种特征（图２．５（ａ）），利用如下３个特征可以很好的描述图像中人脸的眼部

区域的灰度分布特点，如图２－６所示：

（ａ）特征１（”特征２

图２－６Ａ种ｈａａｒ特征举例

Ｆｉ９２－６ｆｅａｔｕｒｅｓｏｆｔｙｐｅ（ｃ）特征３Ａ（ｆｏｒｅｘａｍｐｌｅ）

图２－６（ａ）中所示的特征１是对人脸眼部和眼部下方区域灰度对比的结果，眼部的像

素之和明显小于眼部下方区域的像素之和，所以利用这一灰度分布特点对人脸的眼部进

行了较好的描述。同理，图２－６（ｂ）、（ｃ）所示的ｈａａｒ特征分别是对左眼、右眼的灰度分布

特点的较好描述。

Ａｄａｂｏｏｓｔ算法通过从大量的ｈａａｒ特征中挑选出最优的特征，并将其转换成对应的弱

分类器进行分类使用，从而达到对目标进行分类的目的。Ａｄａｂｏｏｓｔ算法的训练过程就是

挑选弱分类器的过程。

２．２Ａｄａｂｏｏｓｔ算法的训练过程

每个ｈａａｒ特征对应着一个弱分类器，但并不是任何一个ｈａａｒ特征都能较好的描述人

脸灰度分布的某一特点，如何从大量的ｈａａｒ特征中挑选出最优的ｈａａｒ特征并制作成分类

器用于人脸检测，这是Ａｄａｂｏｏｓｔ算法训练过程所要解决的关键问题。

２．２．１训练样本的选择

训练样本要求是面部特写图像，但是人脸形态千差万别，所以训练样本选取过程中

要考虑到样本的多样性，图２．７中是一簇训练样本，大小被归一化为２４×２４像素，其中

７