基于Adaboost算法的人脸检测研究及实现

西安理工大学硕士学位论文

各样本不完全相同，分别具有一定的代表性。

图２．７训练样本

Ｆｉ舀一７ｔｒａｉｎ／ｎｇｓⅫｐｌ髂

训练样本使用前需要进行简单的预处理。一般来说训练样本的预处理不需要特别的

算法，但是样本中人脸的姿态要尽量一致。例如，如果训练样本是正面人脸，那么应当

保证样本中的人脸旋转角度小于５度：其次，样本大小也需要统～。一般研究中认为可

以被检测到的人脸图像最小为１９Ｘ１９像素，所以常用的训练样本大小有２０Ｘ２０、２４Ｘ

２４、４８×４８等等。

训练样本可以通过某些研究机构的网站得到，也可以自己手工裁剪制作。便于

Ａｄａｂｏｏｓｔ算法研究使用的人脸数据库及其库中人脸图像特点如表２－１所示：

表２－１人脸图像数据库

Ｔａｂｌｅ２—１ｔｈｅｄａｔａｂａｓｅｓｏｆｆａｃｅｉｍａｇｅ

人脸数据库名称

ＭＩＴ－ＣＢＣＬ人脸数据库特点共有ｌＯ个人，３２００张训练图像

以及大量测试图像，人脸旋转从

０度到７５度，图像大小２００Ｘ２００

像素网络地址ｈｔｔｐ：／／ｖａｓｃ．ｒｉ．ｃｍｕ．ｅｄｕ／ｉｄｂ／ｈｔｍｌ／ｆａｃｅ／ｆｒｏｎｔａｌ—ｉｍａｇｅｓ／

ＭＩＴＥｘ正面姿态人脸图像２７０６幅，非ｈｔｔｐ：／／ｗｗ．ａｉｖｉｓｏｆｔ．ｎｅｔ／ＦａｃｅＲｅｌ

ａｔｅｄ／ｉｎｄｅｘ．ｈｔｍ人脸图像３８４１幅，图像大小２０

×２０像素

叭飒正面姿态人脸图像１１５０多幅，

图像大小２０×２０像素ｈｔｔｐ：／／ｗｗｖ．ｃ１．ｃａｍ．ａｃ．ｕｋ／ｒｅｓｅａｒｃｈ／ｄｔｇ／ａｔｔａｒｃｈｉｖｅ／ｆａｃｅｄａｔａｂａｓｅ．ｈ

ｔｍｌ

ＢｉｏｌＤ正面姿态人脸图像１５２１幅，图

像大小２４Ｘ２４像素ｈｔｔｐ：｜ｆ礓悄．ｂｉｏｉｄ．ｃｏｍ／ｄｏｗｎｌｏａｄｓ／ｆａｃｅｄｂ／ｉｎｄｅｘ．ｐｈｐ

２．２．２训练过程的实现

训练过程分为３个步骤，首先需要提取ｈａａｒ特征；然后将ｈａａｒ特征转化成对应的弱

分类器；最后从大量的弱分类器中迭代选择出最优弱分类器。

（１）提取ｈａａｒ特征

常用的ｈａａｒ特征有４种，如图２．５所示。当然也可以在这４种特征的基础上设计出

更多、更复杂的特征１１９１０以大小为２４Ｘ２４像素的训练样本为例，上述４种特征的总个数超过了１６００００个。这样庞大的数字给后续的迭代训练工作带来了庞大的计算量，直接

８