耿冬冬++胡友彬++万友++欧静华

摘要：本文研究了adaboost人脸检测算法在视频流中进行特征选择和分类器训练的原理，提出将积分图像的概念引入用于快速计算Haar-lik特征值，简化人脸像素值计算，将haar-like特征值计算结果作为adaboost算法的输入样本分类检测人脸信息。利用camshift运动跟踪算法进行人脸跟踪定位，并利用opencv计算机视觉类库基于上述算法开发人脸检测跟踪系统。

关键词：人脸检测跟踪； adaboost； Haar-like特征； camshift； 积分图； opencv

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）01-0198-03

基于视频流的人脸检测相比于静态图像的人脸检测有着更高的技术要求和更适应于日常生活的各项应用中，检测效率和识别性能成为重要的研究课题，本文重点研究了积分图像快速计算特征矩形特征值的方法并引入到人脸检测中，经过实验对比，比单纯计算像素点值提高了检测效率和性能。

1 人脸检测算法基本原理

2001年，Paul Viola， Michael Jones通过将adaboost算法与Haar-Like特征结合起来实现人脸检测系统，但在图像分辨率过大情况下仍有检测时间过长的缺点。方法框架主要有：（1）基于adaboost迭代筛选算法选出最能代表人脸面部特征的特征矩形值构建弱分类器，按照加权调整分类原则将弱分类器组合成强分类器 （2）利用强分类器的级联检测过滤筛选负样本从而提高检测的实时性和准确性。

1.1 Adaboost人脸检测原理

首先从人脸数据库选出上千张人脸，采用双线性插值法统一归一化到20*20像素大小，从这些图片中提取Harr-like特征矩形，将特征矩形中的白色区域像素值减去黑色区域像素值得到特征值，这些特征值就代表了人脸和非人脸特征。……