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

图２．１６图像抽样

Ｆｉ９２—１６ｉｍａｇｅｓａｍｐｌｉｎｇ

图２—１５、２一１６分别介绍了两种尺度变化的策略，实际使用中一般采用第一种方法，

这是因为基于ｈａａｒ特征的弱分类器缩放方便。同时，由于积分图像也只需计算一次，从而有效地减少了计算量，达到了加快检测速度的目的。

２．４．２检测流程的实现

检测过程的流程如图２．１７所示。因为基于Ａｄａｂｏｏｓｔ算法的人脸检测处理的是灰度

数据，所以检测的第一步是将待检测图像转换成灰度图像。

图２－１７检测流程图

Ｆｉ贮一１７ｆｌｏｗｃｈａｒｔｏｆｄｅｔｅｃｔｉｏｎｐｒｏｃｅｓｓ

第二步是通过灰度图像得到积分图像，积分图像的概念在２．１．１节已经介绍过。

第三步对积分图像在不同尺度上进行检测，并在不同的尺度上分别将检测结果合并。

第四步将不同尺度下的检测结果舍若后输出。

使用分类器对图像进行扫描的时候，需要对扫描子窗口之间的间隔进行设置，有种

说法叫做“三庭五眼”心印，按照这种说法间隔设置为４。为了尽可能的减少漏检，这里的间隔设置不能太大，太小又会影响检测速度，本文第３章中将会有更加详细的说明。

在同一尺度下，当检测到人脸的两个子窗口有重叠部分的时候，就需要考虑是否需要合并。根据实验结果，当人脸子窗口重叠部分超过当前窗口大小的Ｉ／２时，合并重叠的子窗口，合并的方法就是取平均值。

此外，在不同尺度下检测到的窗口如果发生重叠也需要合并。相邻尺度下在邻近位

置一般会重复检测，这不仅会导致重复检测，而且还有可能带来不必要的错误检测结果。

图２一１８给出了一个关于检测结果如何合并的例子：图（ａ）是同一尺度下多个窗口重

１５