闫 斌，梁岚珍，2

(1．新疆大学电气工程学院，新疆乌鲁木齐830047;2．北京联合大学自动化学院，北京100101)

人脸检测是人脸识别研究中的首个环节，人脸检测性能的好坏直接影响整个应用系统的性能。AdaBoost算法是一种基于学习的方法，2001 年，P．Viola［1］将其应用于人脸检测，是第一个实时的人脸检测算法。使用AdaBoost算法训练分类器的缺点在于特征数目过多，且训练耗时较大。因此，许多研究者则致力于改进Ada-Boost分类器的训练算法。文献［2］提出用多块LBP特征(MB－LBP)替代Haar特征，在同样大小的窗口中，MB－LBP特征数量较Haar特征要少很多，从而加快了训练和检测速度。文献［3］采用Floating搜索方法优化AdaBoost算法，用较少的分类器提高了分类性能。文献［4］利用粒子群算法优化 AdaBoost算法的训练过程(PSO－AdaBoost)，采用提取最佳阈值和最佳特征的方式，避免了穷举搜索，有效地提高了训练速度。但是该算法的初始化过程是随机的，不能够保证粒子个体质量，并且粒子运行会出现“惰性”，容易陷入局部最优解。

本文在PSO－AdaBoost算法基础上，结合混沌运动的优点，提出使用混沌粒子群算法结合AdaBoost人脸检测算法(CPSO－AdaBoost)，来训练人脸检测分类器，改善了PSO－AdaBoost算法搜索最佳特征的能力，算法的收敛速度和精度也得到了提高。

1 基于AdaBoost的人脸检测算法

AdaBoost算法的核心思想是将训练出来的分类器，通过筛选、确定一系列分类性能较好的弱分类器，然后通过线性叠加的方式将它们提升为强分类器。训练流程如图1所示。

从流程图中可以看出，训练的关键任务在于寻找到若干个性能较好的弱分类器ht。……